भौतिक inventory गणना आवश्यक है क्योंकि inventory रिकॉर्ड कभी पूरी तरह से सटीक नहीं होते। प्राप्त करने में त्रुटियों, picking त्रुटियों, क्षति, चोरी, और लेनदेन समय के कारण विसंगतियां आ जाती हैं। प्रश्न यह नहीं है कि गिनती करनी है या नहीं, बल्कि अधिकतम प्रभाव के लिए counting संसाधनों का आवंटन कैसे किया जाए।
पारंपरिक cycle counting ABC वर्गीकरण के आधार पर counting frequency निर्दिष्ट करती है: A items (उच्च मूल्य) बार-बार गिने जाते हैं, B items कम बार, और C items सबसे कम बार। यह एक उचित प्रारंभिक बिंदु है लेकिन एक महत्वपूर्ण कारक की उपेक्षा करता है: demand variability। AI एक अधिक प्रभावी counting रणनीति बनाने के लिए XYZ आयाम जोड़ता है।
ABC अकेला पर्याप्त क्यों नहीं है
वार्षिक dollar उपयोग के आधार पर ABC वर्गीकरण उच्च-मूल्य items को A श्रेणी में रखता है। ये सबसे अधिक बार गिने जाते हैं। लेकिन दो A items पर विचार करें: एक स्थिर, predictable demand के साथ और दूसरा अत्यधिक variable demand के साथ। स्थिर item में बड़ी गणना विसंगतियों की संभावना नहीं है क्योंकि predictable उपयोग pattern लेनदेन विश्लेषण से त्रुटियों का पता लगाना आसान बनाता है। Variable item में गणना त्रुटियों की संभावना अधिक होती है क्योंकि unpredictable उपयोग विसंगतियों को पहचानना कठिन बनाता है।
स्थिर A item को हर महीने गिनना अनावश्यक हो सकता है। Variable A item को हर महीने गिनना पर्याप्त नहीं हो सकता।
ABC-XYZ ढांचा
XYZ वर्गीकरण demand variability के अनुसार items को वर्गीकृत करता है। X items में smooth, predictable demand है। Y items में मध्यम variability है, अक्सर मौसमी patterns के साथ। Z items में अत्यधिक sporadic या unpredictable demand है।
ABC और XYZ को मिलाकर एक matrix बनती है। AX items स्थिर demand के साथ उच्च मूल्य के हैं। AZ items erratic demand के साथ उच्च मूल्य के हैं। CX items स्थिर demand के साथ कम मूल्य के हैं। प्रत्येक संयोजन को inventory अशुद्धि के जोखिम और प्रभाव के आधार पर एक अलग counting रणनीति मिलती है।
AI Counting Plan को कैसे अनुकूलित करता है
AI मूल्य और variability से परे अतिरिक्त कारकों पर विचार करके इस ढांचे को आगे बढ़ाता है। यह प्रत्येक item के लिए ऐतिहासिक गणना सटीकता का मूल्यांकन करता है, उन items पर अधिक counting प्रयास केंद्रित करता है जिनमें अतीत में विसंगतियां थीं। यह लेनदेन volume पर विचार करता है, क्योंकि अधिक लेनदेन वाले items में त्रुटियों के अधिक अवसर होते हैं। यह अशुद्धि के downstream प्रभाव का मूल्यांकन करता है: एक item जो एक महत्वपूर्ण production line को feed करता है, उसे गैर-महत्वपूर्ण उपकरण के spare part की तुलना में उच्च सटीकता की आवश्यकता होती है।
AI एक dynamic counting schedule उत्पन्न करता है जो inventory सटीकता में अपेक्षित सुधार को अधिकतम करने के लिए counting संसाधनों का आवंटन करता है। उच्चतम अपेक्षित विसंगति और अशुद्धि के उच्चतम प्रभाव वाले items को सबसे अधिक बार गिना जाता है। मजबूत सटीकता इतिहास और कम प्रभाव वाले items को सबसे कम बार गिना जाता है।
गणना परिणाम और मूल कारण
जब गणना विसंगतियां प्रकट करती है, तो AI patterns का विश्लेषण करता है। एक item पर लगातार अधिकता एक receiving गणना त्रुटि या एक vendor के लगातार ऑर्डर से अधिक shipping का संकेत दे सकती है। लगातार कमी unreported scrap या गलत स्थान से picking का संकेत दे सकती है। AI इन patterns की पहचान करता है और जांच के लिए मूल कारण को flag करता है।
Manufacturing में AI inventory अनुकूलन के बारे में अधिक जानकारी के लिए, FirmAdapt manufacturing analysis page पर जाएं।