| Navn | SKU | Stykliste | Lager trend | Lagerstatus | Dage udsolgt | Alarm | Opdateret | Sidste lagerbev. | Genbestilling | Handling |
|---|
Brug disse URLs i en extern cron-tjeneste (f.eks. cron-job.org) til at køre opgaver automatisk.
Genberegner prognose og udsolgt-historik hver gang et produkt åbnes.
Tilføj regler for at skjule produkter fra listen.
Produkter i valgte kategorier skjules permanent fra listen.
Et produkt markeres som "Kritisk komponent" hvis det indgår som komponent i mindst dette antal andre produkter.
Kombinér historik fra gamle og nye SKU'er i en samlet tidslinje.
Beregn genbestillingspunkter baseret på historisk sæsonefterspørgsel.
Kun medregn højsæson i dækningen hvis den ligger inden for dette antal dage. Standard: 100.
Vælg farver for hver type lagerbevægelse i grafen.
Oversigt over produkter der skal genbestilles
Indlæser bestillingsdata...
Alt du behøver at vide om hvordan systemet beregner anbefalinger
Tænk på det som en vejrudsigt — bare for dit lager.
Ligesom en vejrudsigt bruger historiske vejrdata til at forudsige morgendagens vejr, bruger vores system historiske salgsdata (op til 4 års data) til at forudsige hvornår du løber tør for en vare, og hvornår du bør bestille mere.
Systemet henter alle salg fra de seneste 4 år fra Business Central. Hver enkelt salg registreres med dato, antal og beløb.
Salgene grupperes i 12 måneder. For hvert år beregnes: "Hvor mange styk blev solgt i gennemsnit pr. dag i januar? I februar?" osv.
Hvis du har 3 års data for marts, tages gennemsnittet af alle tre marts-måneder. Det giver et pålideligt billede af "normal marts-efterspørgsel".
Systemet beregner et sæsonindeks for hver måned. Er marts over eller under gennemsnittet? Det fortæller om varen er sæsonbetonet.
Baseret på leveringstid og salgsvariation beregnes: "Hvornår skal du bestille?" og "Hvor meget buffer skal du have?"
Resultatet vises som et badge i tabellen: Bestil nu eller 145d (dage på lager).
Systemet kører automatisk hver nat kl. 02:00. Det genberegner alle produkter med nye salgsdata. Du kan også tvinge en genberegning for et enkelt produkt ved at åbne dets detaljer.
Tænk på det som: "Hvis jeg kigger på alle mine marts-måneder de seneste 3 år, hvor mange styk solgte jeg så i snit pr. dag?"
| År | Solgt i juni | Dage i juni | Dagligt snit |
|---|---|---|---|
| 2023 | 60 stk | 30 | 2.0 stk/dag |
| 2024 | 90 stk | 30 | 3.0 stk/dag |
| 2025 | 75 stk | 30 | 2.5 stk/dag |
| Gennemsnit over 3 år: | 2.5 stk/dag | ||
Systemet konkluderer: "I juni sælger du typisk ca. 2,5 stk pr. dag af denne havelys."
Tallet er specifikt for hver måned. En parasol kan have 3,0 stk/dag i juli men kun 0,1 stk/dag i november. Det er det, der gør vores system sæsonbevidst.
| Måned | Dagligt salg | Sæsonindeks | Betydning |
|---|---|---|---|
| Jan | 0.1 stk/dag | 0.08 | Langt under gennemsnit |
| Apr | 0.5 stk/dag | 0.42 | Under gennemsnit |
| Jun | 3.5 stk/dag | 2.92 | Højsæson! |
| Jul | 4.0 stk/dag | 3.33 | Top-sæson! |
| Okt | 0.3 stk/dag | 0.25 | Langt under gennemsnit |
| Årsgennemsnit: | 1.0 | Reference-punkt | |
Læs det sådan: Et sæsonindeks på 2.92 betyder at juni-salget er næsten 3 gange højere end gennemsnittet. Et indeks på 0.08 for januar betyder at januar-salget kun er 8% af gennemsnittet.
Systemet betragter et produkt som sæsonbetonet, når den højeste måneds salg er mindst 1,2 gange (20%) højere end årsgennemsnittet. De fleste udendørs produkter vil være sæsonbetonede.
Tænk på det som: Hvis du bestiller varer i dag, og de ankommer om 14 dage — så er leveringstiden 14 dage. I de 14 dage skal du have nok på lager til at dække salget.
Forestil dig at du sælger 2 stk/dag af en vare, og leveringstiden er 14 dage:
Gå til Indstillinger → Generelt → Leveringstid (dage) for at ændre standardværdien. Hvis din leverandør leverer hurtigere (f.eks. 7 dage), sæt den lavere. Hvis leveringstiden er længere (f.eks. 30 dage for udenlandske leverandører), sæt den højere.
Tænk på det som: Din "nødration". Hvis du kører bil, er sikkerhedslageret den ekstra benzin ud over hvad du behøver for at nå destinationen — bare for en sikkerheds skyld.
En vare med standardafvigelse på 1,2 stk/dag, leveringstid 14 dage, serviceniveau 95%:
Modsat: Jævnt og forudsigeligt salg + kort leveringstid = lavt sikkerhedslager.
Tænk på det som: "Hvor sikker vil jeg være på, at varen er på lager når en kunde vil købe?" 95% betyder: ud af 100 gange en kunde efterspørger varen, er den på lager mindst 95 af gangene.
| Serviceniveau | Z-værdi | Betydning | Typisk brug |
|---|---|---|---|
| 80% | 0,842 | På lager 4 ud af 5 gange | Langsomt sælgende varer |
| 90% | 1,282 | På lager 9 ud af 10 gange | Standard varer |
| 95% | 1,645 | På lager 19 ud af 20 gange | Standard (anbefalet) |
| 97,5% | 1,960 | På lager 39 ud af 40 gange | Vigtige produkter |
| 99% | 2,326 | På lager 99 ud af 100 gange | Kritiske produkter |
Z-værdien er en statistisk faktor fra normalfordelingen. Du behøver ikke at forstå matematikken — bare vide at højere serviceniveau = højere Z = mere sikkerhedslager = mindre risiko for at løbe tør. Prisen er at du binder mere kapital i lager.
Tænk på det som: Advarselslampen i din bil for benzin. Den tænder ikke når tanken er tom — den tænder mens der stadig er lidt benzin tilbage, så du har tid til at finde en tankstation.
En vare med:
Grafen viser lageret (grøn) der falder over tid. Når det rammer genbestillingspunktet (rød stiplet), skal du bestille. Sikkerhedslageret (orange stiplet) er din sidste buffer.
Hvis du venter med at bestille til lageret er 0, vil du være udsolgt i hele leveringstiden (f.eks. 14 dage). Det betyder tabt omsætning, utilfredse kunder, og mistet momentum på webshoppen.
Tænk på det som: "Hvis jeg ikke bestiller mere — hvor mange dage kan jeg så fortsætte med at sælge?"
Du har 50 stk på lager i midten af maj. Forventet dagligt salg:
| Periode | Dagligt salg | Dage | Forbrug | Restlager |
|---|---|---|---|---|
| Resten af maj (16d) | 1,5 stk/dag | 16 | 24 stk | 26 stk |
| Juni | 3,0 stk/dag | 8,7d (tør!) | 26 stk | 0 stk |
Systemet viser 25d i tabellen. Da juni har højere salg, går lageret hurtigere ned end i maj.
Eksempel: 50 stk på lager midt i maj. Lageret falder langsomt i maj (1,5 stk/dag), men accelererer i juni (3 stk/dag) pga. højsæson. Resultatet: lageret er opbrugt efter ca. 25 dage.
Beregningen bruger månedsspecifikke salgstal. Så hvis lageret skal række hen over en højsæson, går dagene hurtigere ned. Omvendt: hvis du går ind i en stille periode, rækker lageret længere.
Tænk på det som: Vejrudsigten for i morgen er meget præcis (høj konfidens). Vejrudsigten om 14 dage er usikker (lav konfidens). På samme måde: et produkt med jævnt salg i 4 år har høj konfidens. Et nyt produkt med 1 års svingende data har lav konfidens.
| Konfidens | Krav: Variation (CV) | Krav: Data | Hvad det betyder |
|---|---|---|---|
| Høj | CV < 0,3 (lavt sving) | ≥ 3 år | Salget er forudsigeligt og stabil. Du kan stole på tallene. |
| Middel | CV < 0,6 | ≥ 2 år | Nogen variation, men rimelig pålidelig. Overvej lidt ekstra buffer. |
| Lav | CV ≥ 0,6 eller lille dataset | < 2 år | Stor usikkerhed. Brug tallet som vejledning, ikke sandhed. |
CV = Standardafvigelse ÷ Gennemsnit. Det måler hvor "spredt" salget er i forhold til gennemsnittet. Lav CV = jævnt salg. Høj CV = uforudsigeligt salg.
Eksempel: Gns. dagligt salg = 2,0 stk, Standardafvigelse = 0,4 stk → CV = 0,4 / 2,0 = 0,2 (lav, altså forudsigeligt!).
| År | Total solgt | Ændring fra forrige år |
|---|---|---|
| 2023 | 200 stk | — |
| 2024 | 240 stk | +20% |
| 2025 | 260 stk | +8,3% |
| Gennemsnitlig trend: | +14,2% | |
Trend: Op (over +5%)
| Trend % | Retning | Ikon |
|---|---|---|
| Over +5% | Op (stigende) | ↗ |
| Mellem −5% og +5% | Stabil | → |
| Under −5% | Ned (faldende) | ↘ |
Tænk på det som: Forestil dig to kunder. Kunde A køber altid præcis 2 stk pr. dag. Kunde B køber nogen dage 0, andre dage 6. Både har et gennemsnit på 2 stk/dag — men Kunde B har en høj standardafvigelse fordi salget svinger meget.
| Produkt A (stabil) | Produkt B (svingende) | |
|---|---|---|
| Gennemsnit | 2,0 stk/dag | 2,0 stk/dag |
| Standardafvigelse | 0,3 stk/dag | 1,5 stk/dag |
| CV | 0,15 (lav) | 0,75 (høj) |
| Sikkerhedslager (95%, 14d LT) | 1,645 × 0,3 × 3,74 = 2 stk | 1,645 × 1,5 × 3,74 = 10 stk |
Selvom begge har samme gennemsnitlige salg, kræver Produkt B 5 gange så meget sikkerhedslager fordi salget er mere uforudsigeligt.
Begge produkter har et gennemsnit på 2 stk/dag (stiplet linje), men Produkt B svinger voldsomt. Det er derfor Produkt B kræver langt mere sikkerhedslager.
Tænk på det som: Det er januar og du sælger havemøbler. Ingen køber havemøbler i januar. Men systemet ved at i april begynder salget. Så i stedet for at sige "ingen data", siger det: "Bestil nu (apr)" — fordi du skal have varer klar til april-sæsonen.
Det er februar. Et parasol-produkt har:
Systemet fortæller dig: "Selvom du ikke sælger noget lige nu, har du ikke nok på lager til april-sæsonen. Bestil nu så varerne er klar!"
Badget Ingen salgssæson vises når et produkt har forecastdata, men ingen måned har forventet salg over 0. Det kan betyde at produktet er udgået eller meget sjældent solgt.
Tænk på det som: Hvis du var udsolgt i 5 dage i juni, og du sidste år i de 5 dage solgte for 15.000 kr — så er det ca. 15.000 kr i tabt omsætning. Det er penge du kunne have tjent, men ikke gjorde fordi varen ikke var på lager.
En vare var udsolgt 10.-17. juni 2025:
| Dato (2025) | Salg 2024 (samme dag) | Tabt omsætning |
|---|---|---|
| 10. juni | 3 stk × 250 kr | 750 kr |
| 11. juni | 2 stk × 250 kr | 500 kr |
| 12. juni | 4 stk × 250 kr | 1.000 kr |
| ... | ... | ... |
| Total tabt omsætning: | ~5.250 kr | |
Tallet vises i tabellen under "Dage udsolgt"-kolonnen, f.eks.: 8 dage og 5.250 kr tabt.
Tænk på det som: Antallet af dage hvor du havde et "UDSOLGT"-skilt på hylden. Hver af de dage var en tabt mulighed for at sælge.
Systemet holder styr på udsolgt-perioder: den dato lageret ramte 0 (start) og den dato der kom nye varer (slut). Antallet af dage i perioden = udsolgt-dage.
Hvis en vare var udsolgt 5.-12. marts og 20.-25. marts, er det i alt 7 + 5 = 12 udsolgt-dage i marts.
Tænk på det som: Skal du købe toilet-papir én rulle ad gangen (dyrt i transport, men du bruger ikke plads)? Eller 100 ruller på én gang (billig transport, men du skal have plads)? EOQ finder den gyldne middelvej.
Årligt forbrug: 365 stk (1 stk/dag), Ordreomkostning: 500 kr, Lageromkostning: 50 kr/stk/år:
EOQ-beregningen kan slås til og fra under Indstillinger → Generelt. Du kan også justere ordreomkostning og lageromkostning, så det passer til din forretning.
Tænk på det som: Forestil dig at du sælger "Rød Stol" under to forskellige SKU'er (f.eks. fordi den er omdøbt eller har en ny EAN). Hver SKU har kun få salg — men tilsammen er det et stærkt signal. En merge-gruppe kombinerer dem, så forecasten ser det samlede billede.
Når du klikker på et produkt i tabellen, ser du en detaljeret forecast-graf. Her er et eksempel:
Eksempel: En vare med 80 stk på lager og sæsonbetonet salg. Lageret falder hurtigere i højsæsonen (juni-august). De farvede zoner markerer hvornår du bør bestille (gul) og hvornår du er udsolgt (rød).
Her er hvad de forskellige elementer betyder:
Viser din lagerbeholdning dag for dag fremadrettet. Linjen går nedad i takt med at varer sælges. Hastigheden afhænger af månedens forventede salg.
Når den grønne linje krydser den orange, er det tid til at bestille. Linjen kan skifte højde fra måned til måned fordi genbestillingspunktet er sæsonafhængigt.
Under denne linje er du i "farezonen". Du er tæt på at være udsolgt og lever på din buffer.
Den første dag hvor lageret rammer genbestillingspunktet. Her bør du senest have bestilt.
Den første dag hvor lageret rammer 0. Herfra mister du salg.
I "Genbestilling"-kolonnen vises et badge for hvert produkt. Her er alle typer:
Du bør bestille snarest. Tallene i parentes (f.eks. "14d") viser hvor mange dage lageret rækker.
Selvom du ikke sælger lige nu, har du ikke nok til næste sæson. Bestil nu så varerne er klar.
Jo højere tallet, jo bedre. Ingen handling krævet.
OK for nu, men hold øje med det når maj nærmer sig.
Kan betyde at produktet er udgået, kun solgt sjældent, eller at data er utilstrækkelig.
Der er ikke nok historisk salgsdata til at lave en prognose (kræver mindst 1 år med salg).
Ved siden af hvert badge er der en lille ⓘ-knap. Klik på den for at se den fulde beregning bag tallet: dagligt salg, leveringstid, sikkerhedslager, og konklusion.
Disse indstillinger kan ændres under Indstillinger → Generelt og påvirker direkte beregningerne:
| Indstilling | Standard | Hvad den gør |
|---|---|---|
| Leveringstid (dage) | 14 | Antal dage fra bestilling til levering. Påvirker genbestillingspunktet direkte: længere leveringstid = højere genbestillingspunkt = du skal bestille tidligere. |
| Serviceniveau (%) | 95% | Hvor sikker vil du være på at varen er på lager? Højere % = mere sikkerhedslager = større buffer. |
| Vis forecasting | Til | Slår hele forecast-kolonnen i tabellen til og fra. Data beregnes stadig i baggrunden. |
| EOQ aktiveret | Fra | Viser/skjuler den optimale ordrestørrelse i produktdetaljer. |
| Ordreomkostning (kr) | 500 | Omkostning pr. bestilling (transport, håndtering osv.). Kun brugt i EOQ. |
| Lageromkostning (kr/stk/år) | 50 | Årlig omkostning pr. stk på lager (plads, forsikring osv.). Kun brugt i EOQ. |
Når du ændrer leveringstid eller serviceniveau og gemmer, genberegnes forecasten for alle produkter næste nat kl. 02:00. Du kan også tvinge en øjeblikkelig genberegning for et enkelt produkt ved at åbne dets detaljer.
Produktet har ikke nok historisk salgsdata til at lave en prognose. Der kræves mindst 1 år med salgsdata, og der skal være nyere data (fra 2024 eller senere). Produkter med færre end 3 salgsdage i de seneste år vil også blive sprunget over.
Fordi salget varierer pr. måned (sæsonudsving). I højsæsonen sælger du mere, så genbestillingspunktet er højere. I lavsæsonen sælger du mindre, så genbestillingspunktet er lavere. Det er en af styrkerne ved systemet — det tilpasser sig automatisk.
Systemet kan ikke lave en pålidelig prognose uden historiske data. For nye produkter vil kolonnen vise "—" indtil der er samlet nok data (mindst 1 års salgshistorik). I mellemtiden må du manuelt vurdere bestillingsbehov.
Kig på konfidensen. "Høj" konfidens (3+ års data, lavt sving) → stor tillid. "Lav" konfidens (få data, stort sving) → brug det som vejledning, men supplér med din egen vurdering.
Alle SKU'er i gruppen får identisk forecast baseret på det samlede salg. Lagerbeholdningen vises også samlet. Det giver en mere pålidelig prognose, fordi datamængden er større.
Dage på lager er et tidsperspektiv: "Hvor mange dage rækker lageret?". Genbestillingspunktet er et antal-perspektiv: "Ved hvilket antal skal jeg bestille?". De siger det samme på forskellige måder.
Det betyder at du ikke har nok på lager til marts-sæsonen. Systemet kigger fremad og anbefaler at du bestiller nu — med leveringstid tænkt ind — så varerne er på lager når salget begynder.
4 år giver nok data til at fange sæsonmønstre pålideligt og glætte enkeltstsvarende års udsving. Det er en balance: for få år = upålideligt, for mange år = ældre data kan være irrelévant.
Når en vare er udsolgt, ved vi ikke præcis hvad vi ville have solgt. Så systemet kigger på hvad vi solgte samme dag(e) året før. Det er et estimat — ikke et eksakt tal — men giver en god indikation af tabets størrelse.
Højere serviceniveau = større sikkerhedslager = mere kapital bundet i lager, men færre tabt-salgs-situationer. Lavere serviceniveau = mindre lager, men større risiko for udsolgt. 95% er en god balance for de fleste virksomheder.
Navn:
Produkt ID:
Sku:
| Grænse | Periode | Handling |
|---|
| Handling |
|---|
| Navn | SKU | Udsolgte dage |
|---|