پاور BI کے ساتھ انوینٹری تجزیات: اسٹاک، ٹرن اوور، اور ڈیمانڈ

اضافی انوینٹری کی قیمت کا 25-30% سالانہ لے جانے والے اخراجات میں خرچ ہوتا ہے۔ اسٹاک آؤٹس خوردہ فروشوں کو ہر سال ضائع ہونے والی فروخت میں ایک اندازے کے مطابق $1 ٹریلین لاگت آتی ہے۔ ان دو انتہاؤں کے درمیان زیادہ سے زیادہ انوینٹری کا تنگ بینڈ ہے — اور پاور BI وہ ٹول ہے جو آپریشن ٹیموں کو بالکل ٹھیک اس لائن پر رکھتا ہے۔

پاور BI میں انوینٹری کے تجزیات کے ساتھ چیلنج یہ ہے کہ اسٹاک ایک اسنیپ شاٹ پیمانہ ہے (ابھی ہمارے پاس کتنا ہے؟) بہاؤ کی پیمائش (اس مہینے کتنی فروخت ہوئی؟) کے بجائے۔ یہ امتیاز ڈیٹا ماڈل میں ہر ڈیزائن کے فیصلے اور ہر DAX کیلکولیشن پیٹرن کو چلاتا ہے۔ یہ گائیڈ مکمل انوینٹری اینالیٹکس پلیٹ فارم کا احاطہ کرتا ہے: ڈیٹا ماڈل، ABC درجہ بندی، ٹرن اوور کا تجزیہ، پوائنٹ کے حسابات کو دوبارہ ترتیب دینا، اور طلب کی پیشن گوئی کے تصورات۔

اہم ٹیک ویز

• انوینٹری ایک پوائنٹ ان ٹائم (اسنیپ شاٹ) پیمائش ہے جس میں سیلز میٹرکس سے مختلف DAX پیٹرن کی ضرورت ہوتی ہے
• ABC تجزیہ اشیاء کی درجہ بندی آمدنی کے شراکت کے لحاظ سے کرتا ہے: A (اوپر 80%)، B (اگلا 15%)، C (نیچے 5%)
• انوینٹری ٹرن اوور = COGS/ اوسط انوینٹری — صنعت کے لحاظ سے ڈرامائی طور پر مختلف ہوتی ہے۔
• ری آرڈر پوائنٹ = (اوسط یومیہ استعمال × لیڈ ٹائم) + سیفٹی اسٹاک
• DAX RANKX فنکشن ABC کی درجہ بندی کو ڈیٹا میں تبدیلی کے طور پر خود بخود طاقت دیتا ہے۔
• پاور BI میں ڈیمانڈ کی پیشن گوئی DAX یا Azure ML انٹیگریشن کے ذریعے لکیری ریگریشن کا استعمال کرتی ہے
• آہستہ چلنے والی اور متروک (SLOB) انوینٹری کی شناخت اہم لے جانے کی لاگت کو بچاتی ہے
• پاور BI ڈیٹا کی نقل و حرکت کے بغیر ERP انوینٹری ٹیبلز (Odoo, SAP, NetSuite) سے منسلک ہوتا ہے

---

انوینٹری تجزیات کے لیے ڈیٹا ماڈل

بنیادی انوینٹری ٹیبلز

انوینٹری_اسنیپ شاٹ (ایک قطار فی آئٹم فی دن/ہفتے — پوائنٹ ان ٹائم اسٹاک لیول):

انوینٹری_موومنٹ (ایک قطار فی اسٹاک ٹرانزیکشن):

سیلز_لائنز (ایک قطار فی سیلز آرڈر لائن ڈیمانڈ کے تجزیہ کے لیے):

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

خریداری_آرڈر (لیڈ ٹائم اور پروکیورمنٹ تجزیہ کے لیے):

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

Dim_Item (پروڈکٹ کا طول و عرض):

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

---

DAX کے ساتھ بنیادی انوینٹری KPIs

اسٹاک کی سطح کے اقدامات

// 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]

انوینٹری ٹرن اوور

// 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])
)

---

اے بی سی تجزیہ

ABC تجزیہ انوینٹری آئٹمز کو ان کی آمدنی یا لاگت کے تعاون سے درجہ بندی کرتا ہے:

• ایک آئٹمز: 80% ریونیو/COGS - اعلی ترجیح، سخت کنٹرول
• B آئٹمز: اگلا 15% - معتدل کنٹرول
• C آئٹمز: نیچے 5% - کم سے کم نگرانی

// 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
)

ABC-XYZ میٹرکس

ڈیمانڈ کے تغیر کے لیے XYZ کی درجہ بندی کے ساتھ ABC کو بڑھائیں:

• X: کم مانگ کی تغیر (CV <0.5) — قابل پیشن گوئی، کارکردگی کے لیے منصوبہ
• Y: درمیانی تغیر (CV 0.5-1.0) — کچھ غیر یقینی صورتحال
• Z: اعلی تغیر (CV > 1.0) — غیر متوقع، سروس لیول کے لیے منصوبہ

// 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"
)

AX سیگمنٹ (زیادہ آمدنی، متوقع طلب) کو دوبارہ ترتیب دینے کا سخت ترین انتظام ملتا ہے۔ CZ طبقہ (کم آمدنی، غیر متوقع) خاتمے یا میک ٹو آرڈر کے لیے امیدوار ہے۔

---

پوائنٹ اور سیفٹی اسٹاک کیلکولیشنز کو دوبارہ ترتیب دیں۔

پوائنٹ فارمولہ کو دوبارہ ترتیب دیں۔

ری آرڈر پوائنٹ = (اوسط روزانہ استعمال × لیڈ ٹائم) + سیفٹی اسٹاک

// 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
)

سیفٹی اسٹاک کیلکولیشن

// 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)

---

سست حرکت اور متروک (SLOB) انوینٹری

ورکنگ کیپیٹل آپٹیمائزیشن کے لیے SLOB انوینٹری کی شناخت بہت ضروری ہے:

// 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)

---

ڈیمانڈ فورکاسٹنگ ویژولائزیشن

پاور BI اس کا استعمال کرتے ہوئے طلب کی پیشن گوئی کو دیکھ سکتا ہے:

بلٹ ان پیشن گوئی (تجزیاتی پین)

لائن چارٹ → تجزیات پین → پیشن گوئی پر دائیں کلک کریں:

• پیشن گوئی کی لمبائی: 12 ماہ
• اعتماد کا وقفہ: 95%
• Seasonality: Auto-detect

یہ Exponential Smoothing (ETS) الگورتھم کا استعمال کرتا ہے — جو سادہ، سٹیشنری ڈیمانڈ پیٹرن کے لیے موزوں ہے۔

حسب ضرورت DAX لکیری پیشن گوئی

// 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

Azure ML ڈیمانڈ فورکاسٹنگ

جدید ترین طلب کی پیشن گوئی کے لیے، Azure مشین لرننگ کو مربوط کریں:

1. Azure ML میں تاریخی ڈیمانڈ ڈیٹا پر نبی یا ARIMA ماڈل کو تربیت دیں۔
2. ایک Azure ML ویب سروس کے طور پر تعینات کریں۔
3. AI Insights انٹیگریشن کا استعمال کرتے ہوئے Power BI ڈیٹا فلوز سے کال کریں۔
4. آئٹم کے طول و عرض میں ایک کالم کے طور پر سطح کی پیشن گوئی کی اقدار

---

انوینٹری ڈیش بورڈ آرکیٹیکچر

صفحہ 1: ایگزیکٹو انوینٹری کا خلاصہ

• کل اسٹاک ویلیو (MoM تبدیلی کے ساتھ KPI کارڈ)
• انوینٹری ٹرن اوور (گیج بمقابلہ انڈسٹری بینچ مارک)
• دنوں کی انوینٹری بقایا (رجحان کے ساتھ KPI)
• اسٹاک آؤٹ آئٹمز کی گنتی (الرٹ کارڈ، سرخ اگر >0)
• SLOB قدر (KPI کل کے % کے ساتھ)
• زمرہ کے لحاظ سے اسٹاک ویلیو (treemap)
• دوبارہ ترتیب دینے کے انتباہات (ٹیبل: آئٹم، QoH، دوبارہ ترتیب دینے کا نقطہ، فراہمی کے دن)

صفحہ 2: ABC تجزیہ

• پاریٹو چارٹ (آمدنی کے لحاظ سے درجہ بندی کی گئی اشیاء، مجموعی %)
• اے بی سی کی تقسیم (ڈونٹ چارٹ: شمار اور قدر بذریعہ کلاس)
• ABC-XYZ میٹرکس (سکیٹر پلاٹ: ایکس پر ریونیو، Y پر CV، بلبلا سائز = اسٹاک ویلیو)
• ٹاپ اے آئٹمز ٹیبل (آئٹم، ریونیو، ٹرن اوور، اسٹاک ویلیو، مارجن)

صفحہ 3: اسٹاک کی نگرانی

• اسٹاک لیول ہیٹ میپ (مقام × زمرہ)
• پوائنٹ آئٹمز کو دوبارہ ترتیب دینے کے نیچے (اسٹاک آؤٹ رسک کلر کے ساتھ ٹیبل)
• آنے والی PO ٹائم لائن (گینٹ یا بار چارٹ)
• اسٹاک کی عمر کا تجزیہ (بار چارٹ: 0-30، 30-60، 60-90، 90+ دن)

صفحہ 4: مطالبہ اور پیشن گوئی

• اصل طلب بمقابلہ پیشن گوئی (لائن چارٹ جس کی پیشن گوئی شیڈڈ ہے)
• زمرہ کے لحاظ سے ڈیمانڈ تغیر (باکس پلاٹ یا بار کے ساتھ ایرر بار)
• موسمی طلب کے نمونے (گرمی کا نقشہ: مہینے × ہفتہ کا دن)
• ٹاپ 20 فاسٹ موورز (بار چارٹ برائے ہفتہ وار یونٹس)

---

اکثر پوچھے گئے سوالات

انوینٹری ڈیٹا کے لیے پاور BI کو ERP سے مربوط کرنے کا بہترین طریقہ کیا ہے؟

کنکشن کا طریقہ آپ کے ERP پر منحصر ہے۔ Odoo کے لیے، پڑھی ہوئی نقل پر PostgreSQL سے براہ راست جڑیں۔ SAP کے لیے، انوینٹری CDS ویوز کے ساتھ SAP HANA کنیکٹر استعمال کریں۔ NetSuite کے لیے، SuiteAnalytics Connect ODBC استعمال کریں۔ Dynamics 365 Business Central کے لیے، Business Central کنیکٹر استعمال کریں۔ تمام ERP کنکشنز کے لیے، انوینٹری ٹیبلز تک صرف پڑھنے کے لیے رسائی کے ساتھ ایک وقف شدہ تجزیاتی صارف اکاؤنٹ استعمال کریں، اور ERP لوڈ کو کم کرنے کے لیے آف پیک اوقات کو ریفریش کریں۔

میں پاور BI میں ملٹی ویئر ہاؤس انوینٹری کو کیسے ہینڈل کروں؟

گودام کا نام، شہر، ملک، اور قسم (تقسیم مرکز، خوردہ اسٹور، وغیرہ) جیسی خصوصیات کے ساتھ اپنے ڈیٹا ماڈل میں مقام کا طول و عرض شامل کریں۔ تمام انوینٹری سنیپ شاٹ قطاروں میں ایک LocationID شامل ہے۔ ایسے اقدامات بنائیں جو یا تو تمام مقامات پر جمع ہوں یا سلائیسر کے ذریعے منتخب کردہ مقام کے مطابق فلٹر کریں۔ بین گودام منتقلی کے تجزیہ کے لیے، MovementType = "منتقلی" کے ساتھ Inventory_Movements ٹیبل مقامات کے درمیان منتقل ہونے والے اسٹاک کو ٹریک کرتا ہے۔

ایک اچھا انوینٹری ٹرن اوور تناسب کیا ہے؟

یہ صنعت پر بہت زیادہ انحصار کرتا ہے۔ الیکٹرانکس: 8-15x (اعلی رفتار، کم مارجن)۔ گروسری/FMCG: 15-30x۔ آٹوموٹو حصوں: 3-6x. فیشن خوردہ: 4-8x (موسمی)۔ صنعتی مینوفیکچرنگ: 3-8x۔ اپنے ٹرن اوور کے تناسب کا موازنہ اپنے صنعت کے بینچ مارک سے عام ہدف کے بجائے کریں۔ ایک "مثالی" تناسب خدمات کی سطح کو متوازن رکھتا ہے (اسٹاک آؤٹ سے بچیں) لے جانے والی لاگت کے خلاف (زیادہ سے بچیں)۔

کیا پاور BI پیشین گوئی کر سکتا ہے کہ میرا اسٹاک کب ختم ہو جائے گا؟

ہاں — "سپلائی کے دن" کی پیمائش کا حساب لگاتا ہے کہ موجودہ اسٹاک کتنے دنوں کا اوسط روزانہ فروخت کی شرح پر محیط ہے۔ جب یہ آپ کے لیڈ ٹائم + سیفٹی اسٹاک بفر سے نیچے آتا ہے، تو Power BI آئٹم کو خطرے کے طور پر جھنڈا لگا سکتا ہے اور اسے دوبارہ ترتیب دینے والے الرٹ ٹیبل میں دکھا سکتا ہے۔ پیشن گوئی کے ذخیرے کے لیے، Azure ML ڈیمانڈ کی پیشن گوئی کو ضم کریں تاکہ مستقبل کی فروخت کو پیش کیا جا سکے اور حساب لگائیں کہ کب اسٹاک آؤٹ کا خطرہ تاریخی طلب کی بجائے پیشن گوئی کی بنیاد پر اہم ہو جاتا ہے۔

میں پاور BI میں انوینٹری کی عمر کو کیسے تصور کروں؟

ہر عمر کی بالٹی (0-30 دن، 31-60، 61-90، 91-180، 180+ دن) میں اسٹاک کی قیمت کا فیصد ظاہر کرنے والے اسٹیکڈ بار چارٹ کا استعمال کریں۔ عمر بڑھنے کا حساب سب سے پرانے بیچ کی رسید کی تاریخ سے لگایا جاتا ہے۔ وقت کے ساتھ ساتھ اس رجحان کو ٹریک کریں کہ آیا آپ کا عمر رسیدہ پروفائل بہتر ہو رہا ہے (تازہ اسٹاک کی طرف بڑھ رہا ہے) یا بگڑ رہا ہے (پرانی انوینٹری جمع ہو رہی ہے)۔ SLOB رسک انڈیکیٹر کے طور پر 90+ دن کے اسٹاک کو سرخ رنگ میں نمایاں کریں۔

---

اگلے اقدامات

پاور BI میں انوینٹری کے مؤثر تجزیات لے جانے کے اخراجات کو کم کرتے ہیں، ذخیرہ اندوزی کو روکتے ہیں، اور کیش فلو کو بہتر بناتے ہیں - تین میٹرکس جو سپلائی چین اور آپریشنز لیڈر شپ کے لیے سب سے اہم ہیں۔ ڈیٹا ماڈل کو صحیح طریقے سے حاصل کرنا (اسنیپ شاٹ پر مبنی اسٹاک لیولز، حرکت پر مبنی بہاؤ کا تجزیہ) وہ بنیاد ہے جو باقی سب کچھ بناتی ہے۔

ECOSIRE کی پاور BI ٹیم آپ کے ERP سسٹمز سے منسلک سپلائی چین اور انوینٹری ڈیش بورڈز بناتی ہے — Odoo, SAP, NetSuite, Dynamics 365، اور دیگر۔ We implement ABC analysis, reorder alert systems, and demand forecasting visualization as production-ready dashboards.

سپلائی چین اینالیٹکس کے نفاذ کے لیے ہماری Power BI ڈیش بورڈ ڈیولپمنٹ سروسز کو دریافت کریں، یا اپنے انوینٹری ڈیٹا کے ذرائع اور تجزیاتی تقاضوں پر بات کرنے کے لیے ہماری ٹیم سے رابطہ کریں۔