由于库存账目从来无法做到完全准确,实物盘点是必要的。差异源自收货差错、拣货差错、损坏、被盗与交易时点等多种原因。问题不在于是否盘点,而在于如何分配盘点资源以发挥最大效益。
传统循环盘点根据 ABC 分类设定盘点频率:A 类(高价值)频繁盘点,B 类适中,C 类最少。这是一个合理的起点,但忽视了一个重要因素——需求波动性。AI 引入 XYZ 维度,构建出更加有效的盘点策略。
仅靠 ABC 为何不够
基于年度金额用量的 ABC 分类将高价值商品归入 A 类,这些商品被最频繁地盘点。但试想两种 A 类商品:一种需求稳定且可预测,另一种需求高度波动。需求稳定的商品发生重大盘点差异的可能性较低,因为可预测的用量规律使差错容易通过交易分析被察觉;而需求波动的商品则更易出现盘点差错,因为难以预测的用量使差异更难发现。
对稳定的 A 类商品每月盘点可能并无必要;而对波动的 A 类商品每月盘点可能仍然不够。
ABC-XYZ 框架
XYZ 分类按需求波动性对商品进行划分。X 类商品需求平稳且可预测;Y 类波动适中,常呈季节性规律;Z 类需求极其零散或不可预测。
将 ABC 与 XYZ 结合可形成一张矩阵。AX 类是高价值且需求稳定;AZ 类是高价值且需求不稳;CX 类是低价值且需求稳定。每种组合都根据库存不准确的风险与影响,获得不同的盘点策略。
AI 如何优化盘点计划
AI 在该框架基础上更进一步,综合考虑超出价值与波动性之外的更多因素。它评估每件商品的历史盘点准确性,将更多盘点投入用在过去存在差异的商品上;它考虑交易量,因为交易越频繁,出错机会越多;它评估不准确所带来的下游影响:为关键产线供料的物料,准确性要求高于非关键设备的备件。
AI 生成动态盘点排程,以最大化预期库存准确性提升为目标分配盘点资源。预期差异最大、不准确影响最大的商品被最频繁地盘点;盘点准确性历史良好且影响较小的商品则盘点最少。
盘点结果与根本原因
当盘点暴露出差异时,AI 分析其规律。某商品持续盈余可能意味着收货计数错误,或某供应商持续多发;持续短缺可能意味着报废未被记录,或拣货位置错误。AI 识别这些规律,并标记出根本原因供调查。
如需了解更多关于制造业 AI 库存优化的内容,请访问 FirmAdapt 制造业分析页面。