पावर बीआई के साथ इन्वेंटरी एनालिटिक्स: स्टॉक, टर्नओवर और डिमांड

अतिरिक्त इन्वेंट्री की सालाना लागत उसके मूल्य का 25-30% होती है। स्टॉकआउट के कारण खुदरा विक्रेताओं को हर साल बिक्री में अनुमानित 1 ट्रिलियन डॉलर का नुकसान होता है। इन दो चरम सीमाओं के बीच इष्टतम इन्वेंट्री का संकीर्ण बैंड है - और पावर बीआई वह उपकरण है जो संचालन टीमों को सटीक रूप से उस रेखा पर रखता है।

पावर बीआई में इन्वेंट्री एनालिटिक्स के साथ चुनौती यह है कि स्टॉक प्रवाह माप (इस महीने कितना बेचा गया?) के बजाय एक स्नैपशॉट माप है (अभी हमारे पास कितना है?)। यह अंतर डेटा मॉडल और प्रत्येक DAX गणना पैटर्न में प्रत्येक डिज़ाइन निर्णय को संचालित करता है। यह मार्गदर्शिका संपूर्ण इन्वेंट्री एनालिटिक्स प्लेटफ़ॉर्म को कवर करती है: डेटा मॉडल, एबीसी वर्गीकरण, टर्नओवर विश्लेषण, पुन: क्रम बिंदु गणना, और मांग पूर्वानुमान विज़ुअलाइज़ेशन।

मुख्य बातें

• इन्वेंटरी एक पॉइंट-इन-टाइम (स्नैपशॉट) माप है जिसके लिए बिक्री मेट्रिक्स की तुलना में भिन्न DAX पैटर्न की आवश्यकता होती है
• एबीसी विश्लेषण राजस्व योगदान के आधार पर वस्तुओं को वर्गीकृत करता है: ए (शीर्ष 80%), बी (अगला 15%), सी (निचला 5%)
• इन्वेंटरी टर्नओवर = सीओजीएस / औसत इन्वेंटरी - उद्योग के अनुसार नाटकीय रूप से भिन्न होता है
• पुनः क्रम बिंदु = (औसत दैनिक उपयोग × लीड समय) + सुरक्षा स्टॉक
• डेटा बदलते ही DAX RANKX फ़ंक्शन स्वचालित रूप से ABC वर्गीकरण को शक्ति प्रदान करता है
• पावर बीआई में मांग का पूर्वानुमान DAX या Azure ML एकीकरण के माध्यम से रैखिक प्रतिगमन का उपयोग करता है
• धीमी गति से चलने वाली और अप्रचलित (एसएलओबी) इन्वेंट्री पहचान महत्वपूर्ण ले जाने की लागत बचाती है
• पावर बीआई डेटा मूवमेंट के बिना ईआरपी इन्वेंट्री टेबल (ओडू, एसएपी, नेटसुइट) से जुड़ता है

---

इन्वेंटरी एनालिटिक्स के लिए डेटा मॉडल

कोर इन्वेंटरी टेबल्स

इन्वेंटरी_स्नैपशॉट (प्रति दिन/सप्ताह प्रति आइटम एक पंक्ति - पॉइंट-इन-टाइम स्टॉक स्तर):

इन्वेंटरी_मूवमेंट्स (प्रति स्टॉक लेनदेन एक पंक्ति):

सेल्स_लाइन्स (मांग विश्लेषण के लिए प्रति बिक्री ऑर्डर लाइन एक पंक्ति):

• OrderID, ItemID, OrderDate, ShipDate, Quantity, UnitPrice, Revenue, CustomerID

खरीद_आदेश (लीड समय और खरीद विश्लेषण के लिए):

• POID, ItemID, OrderDate, ExpectedDate, ReceiptDate, Quantity, UnitCost

Dim_Item (उत्पाद आयाम):

• ItemID, SKU, Name, Category, SubCategory, Supplier, LeadTimeDays, ReorderPoint, SafetyStock, UnitCost, ListPrice, IsActive

---

DAX के साथ कोर इन्वेंटरी KPI

स्टॉक स्तर के उपाय

// Current Stock on Hand (point-in-time)
Stock on Hand =
CALCULATE(
    SUM(Inventory_Snapshot[QuantityOnHand]),
    Inventory_Snapshot[SnapshotDate] = MAX(Inventory_Snapshot[SnapshotDate])
)

// Stock Value (current)
Stock Value =
CALCULATE(
    SUM(Inventory_Snapshot[StockValue]),
    Inventory_Snapshot[SnapshotDate] = MAX(Inventory_Snapshot[SnapshotDate])
)

// Available to Promise (ATP)
Available to Promise =
CALCULATE(
    SUM(Inventory_Snapshot[QuantityAvailable]),
    Inventory_Snapshot[SnapshotDate] = MAX(Inventory_Snapshot[SnapshotDate])
)

// Stock on Order (incoming POs)
Stock on Order =
CALCULATE(
    SUM(Inventory_Snapshot[QuantityOnOrder]),
    Inventory_Snapshot[SnapshotDate] = MAX(Inventory_Snapshot[SnapshotDate])
)

// Projected Stock (current + on order - reserved)
Projected Stock = [Stock on Hand] + [Stock on Order] - [Stock Reserved]

इन्वेंटरी टर्नओवर

// COGS in Period (for turnover denominator)
Total COGS =
SUMX(
    FILTER(Inventory_Movements, Inventory_Movements[MovementType] = "Sale"),
    Inventory_Movements[Quantity] * Inventory_Movements[UnitCost]
)

// Average Inventory Value (beginning + ending / 2)
Avg Inventory Value =
AVERAGEX(
    VALUES(Date[Month]),
    CALCULATE(
        SUM(Inventory_Snapshot[StockValue]),
        Inventory_Snapshot[SnapshotDate] = MAX(Inventory_Snapshot[SnapshotDate])
    )
)

// Inventory Turnover Ratio
Inventory Turnover =
DIVIDE([Total COGS], [Avg Inventory Value], 0)

// Days Inventory Outstanding (DIO)
Days Inventory Outstanding =
DIVIDE(365, [Inventory Turnover], 0)

// Benchmark comparison (industry varies widely)
// Manufacturing: 6-12x | Retail: 4-6x | Electronics: 8-15x
Turnover vs Benchmark =
[Inventory Turnover] -
LOOKUPVALUE(
    Industry_Benchmark[InventoryTurnover],
    Industry_Benchmark[Category],
    SELECTEDVALUE(Dim_Item[Category])
)

---

एबीसी विश्लेषण

एबीसी विश्लेषण इन्वेंट्री आइटम को उनके राजस्व या लागत योगदान के आधार पर वर्गीकृत करता है:

• ए आइटम: राजस्व/सीओजीएस का शीर्ष 80% - उच्च प्राथमिकता, सख्त नियंत्रण
• बी आइटम: अगला 15% - मध्यम नियंत्रण
• सी आइटम: निचला 5% - न्यूनतम निरीक्षण

// Revenue contribution per item (last 12 months)
Item Revenue 12M =
CALCULATE(
    SUM(Sales_Lines[Revenue]),
    DATESINPERIOD(Date[Date], TODAY(), -12, MONTH)
)

// Cumulative revenue % (for ABC cutoff)
Cumulative Revenue % =
DIVIDE(
    SUMX(
        FILTER(
            ALL(Dim_Item),
            RANKX(ALL(Dim_Item), [Item Revenue 12M], , DESC) <=
            RANKX(ALL(Dim_Item), [Item Revenue 12M], , DESC)
        ),
        [Item Revenue 12M]
    ),
    CALCULATE([Item Revenue 12M], ALL(Dim_Item)),
    0
)

// ABC Classification (calculated column in Dim_Item, refreshed periodically)
ABC Class =
VAR CumPct = [Cumulative Revenue %]
RETURN
SWITCH(TRUE(),
    CumPct <= 0.80, "A",
    CumPct <= 0.95, "B",
    "C"
)

// ABC Summary measure
A Items Count = CALCULATE(COUNTROWS(Dim_Item), Dim_Item[ABC Class] = "A")
A Items Revenue % = DIVIDE(
    CALCULATE([Item Revenue 12M], Dim_Item[ABC Class] = "A"),
    CALCULATE([Item Revenue 12M], ALL(Dim_Item)),
    0
)

एबीसी-एक्सवाईजेड मैट्रिक्स

मांग परिवर्तनशीलता के लिए XYZ वर्गीकरण के साथ ABC का विस्तार करें:

• X: कम मांग परिवर्तनशीलता (सीवी <0.5) - पूर्वानुमान योग्य, दक्षता के लिए योजना
• वाई: मध्यम परिवर्तनशीलता (सीवी 0.5-1.0) - कुछ अनिश्चितता
• Z: उच्च परिवर्तनशीलता (सीवी> 1.0) - अप्रत्याशित, सेवा स्तर के लिए योजना

// Coefficient of Variation for demand variability
Demand CV =
DIVIDE(
    STDEV.P(Sales_Lines[Quantity]),
    AVERAGE(Sales_Lines[Quantity]),
    0
)

// XYZ Classification
XYZ Class =
SWITCH(TRUE(),
    [Demand CV] < 0.5, "X",
    [Demand CV] < 1.0, "Y",
    "Z"
)

एएक्स सेगमेंट (उच्च राजस्व, पूर्वानुमानित मांग) को सबसे कड़ा पुन: ऑर्डर प्रबंधन प्राप्त होता है। सीजेड खंड (कम राजस्व, अप्रत्याशित) उन्मूलन या मेक-टू-ऑर्डर के लिए एक उम्मीदवार है।

---

प्वाइंट और सुरक्षा स्टॉक गणना को पुनः व्यवस्थित करें

पुन: व्यवस्थित प्वाइंट फॉर्मूला

पुनः क्रम बिंदु = (औसत दैनिक उपयोग × लीड समय) + सुरक्षा स्टॉक

// Average Daily Usage (last 90 days)
Avg Daily Usage =
DIVIDE(
    CALCULATE(
        SUM(Sales_Lines[Quantity]),
        DATESINPERIOD(Date[Date], TODAY(), -90, DAY)
    ),
    90,
    0
)

// Reorder Point calculation
Calculated Reorder Point =
ROUND(
    [Avg Daily Usage] * AVERAGE(Dim_Item[LeadTimeDays]) +
    Dim_Item[SafetyStock],
    0
)

// Below Reorder Point flag
Below Reorder Point =
IF([Stock on Hand] < [Calculated Reorder Point], "Reorder Required", "OK")

// Days of Supply remaining
Days of Supply =
DIVIDE([Stock on Hand], [Avg Daily Usage], 0)

// Stockout Risk Score (0-100)
Stockout Risk =
SWITCH(TRUE(),
    [Days of Supply] < 7, 100,     -- Critical
    [Days of Supply] < 14, 75,     -- High risk
    [Days of Supply] < 30, 50,     -- Medium risk
    [Days of Supply] < 60, 25,     -- Low risk
    0                               -- OK
)

सुरक्षा स्टॉक गणना

// Safety Stock using statistical method
// SS = Z-score × σ(demand) × √Lead Time
Safety Stock Calculated =
VAR ZScore = 1.645   -- 95% service level
VAR DemandStdDev = STDEV.P(Sales_Lines[Quantity])  -- per day
VAR LeadTime = AVERAGE(Dim_Item[LeadTimeDays])
RETURN ROUND(ZScore * DemandStdDev * SQRT(LeadTime), 0)

---

धीमी गति से चलने वाली और अप्रचलित (एसएलओबी) सूची

कार्यशील पूंजी अनुकूलन के लिए एसएलओबी इन्वेंट्री की पहचान करना महत्वपूर्ण है:

// Days Since Last Sale
Days Since Last Sale =
DATEDIFF(
    CALCULATE(
        MAX(Sales_Lines[OrderDate]),
        ALL(Date)
    ),
    TODAY(),
    DAY
)

// SLOB Classification
SLOB Class =
SWITCH(TRUE(),
    [Days Since Last Sale] > 365, "Obsolete",
    [Days Since Last Sale] > 180, "Slow Moving",
    [Days Since Last Sale] > 90, "At Risk",
    "Active"
)

// SLOB Inventory Value
SLOB Value =
CALCULATE(
    [Stock Value],
    Dim_Item[SLOB Class] IN {"Slow Moving", "Obsolete"}
)

// SLOB as % of total inventory
SLOB % =
DIVIDE([SLOB Value], [Stock Value], 0)

---

मांग पूर्वानुमान विज़ुअलाइज़ेशन

पावर बीआई निम्न का उपयोग करके मांग पूर्वानुमानों की कल्पना कर सकता है:

अंतर्निहित पूर्वानुमान (एनालिटिक्स फलक)

एक लाइन चार्ट पर राइट-क्लिक करें → एनालिटिक्स फलक → पूर्वानुमान:

• पूर्वानुमान की अवधि: 12 महीने
• आत्मविश्वास अंतराल: 95%
• मौसमी: स्वत: पता लगाएं

यह एक्सपोनेंशियल स्मूथिंग (ईटीएस) एल्गोरिदम का उपयोग करता है - सरल, स्थिर मांग पैटर्न के लिए उपयुक्त।

कस्टम DAX रैखिक पूर्वानुमान

// Simple Linear Regression Forecast
Demand Forecast =
VAR LastPeriod = MAX(Date[MonthNum])
VAR ForecastPeriod = LastPeriod + 1  -- Next month
VAR N = COUNTROWS(VALUES(Date[Month]))
VAR SumX = SUMX(VALUES(Date[MonthNum]), Date[MonthNum])
VAR SumY = SUMX(VALUES(Date[Month]), [Monthly Sales Qty])
VAR SumXY = SUMX(VALUES(Date[Month]), Date[MonthNum] * [Monthly Sales Qty])
VAR SumX2 = SUMX(VALUES(Date[MonthNum]), Date[MonthNum]^2)
VAR Slope = DIVIDE(N*SumXY - SumX*SumY, N*SumX2 - SumX^2, 0)
VAR Intercept = DIVIDE(SumY - Slope*SumX, N, 0)
RETURN Intercept + Slope * ForecastPeriod

एज़्योर एमएल डिमांड पूर्वानुमान

परिष्कृत मांग पूर्वानुमान के लिए, Azure मशीन लर्निंग को एकीकृत करें:

1. Azure ML में ऐतिहासिक मांग डेटा पर एक पैगम्बर या ARIMA मॉडल को प्रशिक्षित करें
2. Azure ML वेब सेवा के रूप में परिनियोजित करें
3. एआई इनसाइट्स एकीकरण का उपयोग करके पावर बीआई डेटाफ्लो से कॉल करें
4. आइटम आयाम में एक कॉलम के रूप में सतही पूर्वानुमान मान

---

इन्वेंटरी डैशबोर्ड आर्किटेक्चर

पृष्ठ 1: कार्यकारी सूची सारांश

• कुल स्टॉक मूल्य (MoM परिवर्तन के साथ KPI कार्ड)
• इन्वेंटरी टर्नओवर (गेज बनाम उद्योग बेंचमार्क)
• बकाया दिनों की सूची (रुझान के साथ KPI)
• स्टॉकआउट आइटम गिनती (अलर्ट कार्ड, लाल यदि >0)
• एसएलओबी मूल्य (कुल के% के साथ KPI)
• श्रेणी के अनुसार स्टॉक मूल्य (ट्रीमैप)
• पुन: क्रमित अलर्ट (तालिका: आइटम, क्यूओएच, पुन: क्रमित बिंदु, आपूर्ति के दिन)

पृष्ठ 2: एबीसी विश्लेषण

• पेरेटो चार्ट (राजस्व के आधार पर क्रमबद्ध आइटम, संचयी%)
• एबीसी वितरण (डोनट चार्ट: वर्ग के अनुसार गिनती और मूल्य)
• एबीसी-एक्सवाईजेड मैट्रिक्स (स्कैटर प्लॉट: एक्स पर राजस्व, वाई पर सीवी, बबल आकार = स्टॉक मूल्य)
• शीर्ष ए आइटम तालिका (आइटम, राजस्व, टर्नओवर, स्टॉक मूल्य, मार्जिन)

पृष्ठ 3: स्टॉक निगरानी

• स्टॉक स्तर हीटमैप (स्थान × श्रेणी)
• नीचे पुन: व्यवस्थित बिंदु आइटम (स्टॉकआउट जोखिम रंग के साथ तालिका)
• आने वाली पीओ टाइमलाइन (गैंट या बार चार्ट)
• स्टॉक आयु विश्लेषण (बार चार्ट: 0-30, 30-60, 60-90, 90+ दिन)

पृष्ठ 4: मांग और पूर्वानुमान

• वास्तविक मांग बनाम पूर्वानुमान (छायांकित पूर्वानुमान के साथ लाइन चार्ट)
• श्रेणी के अनुसार मांग परिवर्तनशीलता (त्रुटि पट्टियों के साथ बॉक्स प्लॉट या बार)
• मौसमी मांग पैटर्न (हीट मैप: महीने × सप्ताह का दिन)
• शीर्ष 20 फास्ट मूवर्स (साप्ताहिक बेची गई इकाइयों द्वारा बार चार्ट)

---

अक्सर पूछे जाने वाले प्रश्न

इन्वेंट्री डेटा के लिए पावर बीआई को ईआरपी से कनेक्ट करने का सबसे अच्छा तरीका क्या है?

कनेक्शन विधि आपके ईआरपी पर निर्भर करती है। ओडू के लिए, रीड रेप्लिका पर सीधे PostgreSQL से कनेक्ट करें। एसएपी के लिए, इन्वेंट्री सीडीएस दृश्यों के साथ एसएपी हाना कनेक्टर का उपयोग करें। नेटसुइट के लिए, SuiteAnalytics Connect ODBC का उपयोग करें। Dynamics 365 Business Central के लिए, Business Central कनेक्टर का उपयोग करें। सभी ईआरपी कनेक्शनों के लिए, इन्वेंट्री तालिकाओं तक केवल पढ़ने के लिए पहुंच के साथ एक समर्पित एनालिटिक्स उपयोगकर्ता खाते का उपयोग करें, और ईआरपी लोड को कम करने के लिए ऑफ-पीक घंटों को रीफ्रेश शेड्यूल करें।

मैं पावर बीआई में मल्टी-वेयरहाउस इन्वेंट्री को कैसे संभालूं?

अपने डेटा मॉडल में गोदाम का नाम, शहर, देश और प्रकार (वितरण केंद्र, खुदरा स्टोर, आदि) जैसी विशेषताओं के साथ एक स्थान आयाम जोड़ें। सभी इन्वेंट्री स्नैपशॉट पंक्तियों में एक LocationID शामिल होता है। ऐसे उपाय बनाएं जो या तो सभी स्थानों पर एकत्रित हों या स्लाइसर के माध्यम से चयनित स्थान के अनुसार फ़िल्टर करें। अंतर-वेयरहाउस स्थानांतरण विश्लेषण के लिए, मूवमेंट टाइप = "ट्रांसफर" के साथ इन्वेंटरी_मूवमेंट तालिका स्थानों के बीच स्टॉक की आवाजाही को ट्रैक करती है।

एक अच्छा इन्वेंट्री टर्नओवर अनुपात क्या है?

यह काफी हद तक उद्योग पर निर्भर करता है। इलेक्ट्रॉनिक्स: 8-15x (उच्च वेग, कम मार्जिन)। किराना/एफएमसीजी: 15-30x। ऑटोमोटिव पार्ट्स: 3-6x. फैशन रिटेल: 4-8x (मौसमी)। औद्योगिक विनिर्माण: 3-8x. अपने टर्नओवर अनुपात की तुलना किसी सामान्य लक्ष्य के बजाय अपने उद्योग बेंचमार्क से करें। एक "आदर्श" अनुपात वहन लागत (अतिरिक्त से बचें) के मुकाबले सेवा स्तर (स्टॉकआउट से बचें) को संतुलित करता है।

क्या पावर बीआई भविष्यवाणी कर सकता है कि मेरा स्टॉक कब खत्म हो जाएगा?

हां - "आपूर्ति के दिन" माप यह गणना करता है कि वर्तमान स्टॉक औसत दैनिक बिक्री दर पर कितने दिनों को कवर करता है। जब यह आपके लीड टाइम + सुरक्षा स्टॉक बफर से नीचे आता है, तो पावर बीआई आइटम को जोखिम के रूप में चिह्नित कर सकता है और इसे पुन: ऑर्डर अलर्ट तालिका में दिखा सकता है। पूर्वानुमानित स्टॉकिंग के लिए, भविष्य की बिक्री का अनुमान लगाने के लिए Azure ML मांग पूर्वानुमान को एकीकृत करें और ऐतिहासिक मांग के बजाय पूर्वानुमान के आधार पर स्टॉकआउट जोखिम महत्वपूर्ण होने पर गणना करें।

मुझे Power BI में इन्वेंट्री की उम्र बढ़ने की कल्पना कैसे करनी चाहिए?

प्रत्येक आयु बकेट (0-30 दिन, 31-60, 61-90, 91-180, 180+ दिन) में स्टॉक मूल्य का प्रतिशत दिखाने वाले स्टैक्ड बार चार्ट का उपयोग करें। उम्र बढ़ने की गणना सबसे पुराने बैच की प्राप्ति तिथि से की जाती है। यह देखने के लिए समय के साथ इस प्रवृत्ति पर नज़र रखें कि क्या आपकी उम्र बढ़ने की प्रोफ़ाइल में सुधार हो रहा है (नए स्टॉक की ओर बढ़ रहा है) या बिगड़ रहा है (पुरानी इन्वेंट्री जमा करना)। एसएलओबी जोखिम संकेतक के रूप में 90+ दिन के स्टॉक को लाल रंग में हाइलाइट करें।

---

अगले चरण

पावर बीआई में प्रभावी इन्वेंट्री एनालिटिक्स वहन लागत को कम करता है, स्टॉकआउट को रोकता है और नकदी प्रवाह में सुधार करता है - तीन मेट्रिक्स जो आपूर्ति श्रृंखला और संचालन नेतृत्व के लिए सबसे ज्यादा मायने रखते हैं। डेटा मॉडल को सही तरीके से प्राप्त करना (स्नैपशॉट-आधारित स्टॉक स्तर, मूवमेंट-आधारित प्रवाह विश्लेषण) वह आधार है जिस पर बाकी सभी चीजें बनती हैं।

ECOSIRE की Power BI टीम आपके ERP सिस्टम - Odoo, SAP, NetSuite, Dynamics 365, और अन्य से जुड़ी आपूर्ति श्रृंखला और इन्वेंट्री डैशबोर्ड बनाती है। हम एबीसी विश्लेषण लागू करते हैं, अलर्ट सिस्टम को पुन: व्यवस्थित करते हैं, और उत्पादन के लिए तैयार डैशबोर्ड के रूप में पूर्वानुमान विज़ुअलाइज़ेशन की मांग करते हैं।

आपूर्ति श्रृंखला विश्लेषण कार्यान्वयन के लिए हमारी पावर बीआई डैशबोर्ड विकास सेवाओं का अन्वेषण करें, या अपने इन्वेंट्री डेटा स्रोतों और विश्लेषण आवश्यकताओं पर चर्चा करने के लिए हमारी टीम से संपर्क करें करें।