Lageranalyse: kapitalen på hylderne

Lageranalyse: kapitalen på hylderne

Resumé og konklusion

• Lageret er balancens største blinde plet. 12 mio. kr. bundet i lager koster cirka 1,3 mio. kr. om året i kapitalomkostning, plads, forsikring og svind. En lageranalyse sætter kroner på det tal.
• Omsætningshastighed er lagerets ene vigtigste nøgletal. Vareforbrug divideret med gennemsnitslager. Fra 4,2 til 5,5 gange frigør 2,8 mio. kr. i likviditet. Tallet skal beregnes pr. varegruppe, ikke samlet.
• ABC/XYZ giver ni felter, men kun fire strategier. Værdi på den ene akse, forudsigelighed på den anden. Matricen er rygraden i en praktisk lageranalyse.
• Dødt lager findes med aldersfordeling. 640 varenumre uden bevægelse i 12 måneder er 1,8 mio. kr., der ikke bliver til omsætning i år. Analysen leverer listen, ledelsen træffer beslutningen.
• Servicegrad er en beslutning, ikke en ambition. Fra 95 % til 98 % koster 1,10 mio. kr. ekstra i sikkerhedslager. Beslut niveauet pr. ABC-kategori — og få datagrundlaget på plads, ellers hviler lageranalysen på fiktion.

Et lager på 12 mio. kr. koster ikke 12 mio. kr. Det koster 12 mio. kr. i bunden likviditet plus prisen for at have dem bundet: cirka 8 % i kapitalomkostning og 3 % til lagerplads, forsikring, forældelse og svind. I alt 1,3 mio. kr. om året. Hvert år, uden at nogen bogfører det som en post. Lageret er typisk SMV’ens største enkeltpost på balancen og samtidig den eneste store post, ingen har et fast månedligt møde om. En lageranalyse er det møde.

Omsætningshastighed: lagerets ene vigtigste tal

Hvis du kun må have ét lagertal, så tag omsætningshastigheden. Den beregnes som vareforbrug divideret med gennemsnitslager. I eksemplet her: 50,4 mio. kr. i vareforbrug divideret med 12,0 mio. kr. i gennemsnitslager giver 4,2 gange om året. Oversat til lagerdage: 365 divideret med 4,2 er 87 dage. Hver vare ligger i gennemsnit næsten tre måneder på hylden, før den bliver til omsætning. Det er startpunktet for enhver lageranalyse.

Forbedrer du hastigheden fra 4,2 til 5,5 gange med samme vareforbrug, falder gennemsnitslageret til 9,2 mio. kr. Det frigør 2,8 mio. kr. i likviditet én gang og sparer 310.000 kr. om året i kapital- og lageromkostninger. Lagerdagene falder fra 87 til 66. Det er den samme mekanik som i pengebindingscyklussen, cash conversion cycle, hvor lageret er det led, de fleste SMV’er har mest at hente på. Selve mekanikken er udfoldet i artiklen om finansiel analyse fra resultat til drivere.

Faldgruben er at stoppe ved ét tal. Virksomhedens samlede omsætningshastighed er praktisk talt meningsløs, fordi den blander emballage, der vender 5 gange om året, sammen med specialvarer, der vender under 2. En brugbar lageranalyse beregner hastigheden pr. varegruppe og sætter den bundne kapital i kroner på hver gruppe. Så bliver mønsteret synligt: de langsomste grupper binder næsten altid mest — og grafikken længere nede viser præcis den fordeling for syv varegrupper. Det er de samme kroner, der til daglig står som kapital på hylderne.

ABC/XYZ-matricen: ni felter, men kun fire strategier

ABC/XYZ er seriens lagermodel og den struktur, resten af lageranalysen hænger på. Den er enkel nok til at kunne tegnes på en tavle. Den har to akser. ABC handler om værdi: hvor mange penge ligger der i varen. Klassisk Pareto-fordeling betyder, at 20 % af varenumrene bærer 80 % af lagerværdien. XYZ handler om forudsigelighed: hvor stabilt er forbruget. X er varer, du kan sætte uret efter. Z er varer, hvor efterspørgslen springer. Selve ABC-metoden er i øvrigt beskrevet mere generelt i gennemgangen af de otte analysemetoder; her er den lagt ned over lageret.

De to akser giver ni felter, men kun fire strategier skal huskes:

• AX — høj værdi, stabilt forbrug. Lavt sikkerhedslager, hyppige leveringer, tæt styring. Her er den hurtigste gevinst i kroner, fordi forbruget er kendt.
• AZ — høj værdi, uforudsigeligt forbrug. Dyrest at tage fejl i begge retninger. Her hører prognose, rammeaftaler og korte genanskaffelsestider hjemme — og det er typisk her, indkøbsdata til forhandling med leverandører betaler sig bedst.
• CX — lav værdi, stabilt forbrug. Automatisér bestillingen, køb stort ind, brug ikke ledelsestid på dem.
• CZ — lav værdi, uforudsigeligt forbrug. Kandidat til udfasning. Bind ikke kapital og hyldeplads i varer, ingen kan forudsige.

I eksempelvirksomheden ligger 4,3 mio. kr. i AX, 1,9 mio. kr. i AZ og tilsammen 0,4 mio. kr. i CX og CZ fordelt på over 1.000 varenumre. Pointen er skæv opmærksomhed: 384 varenumre i A-feltet med stabilt eller uforudsigeligt forbrug fortjener ugentlig styring, mens 1.024 C-varenumre fortjener en regel og ellers ingenting. Grafikken herunder viser hele matricen med andel af varenumre, lagerværdi i kroner og anbefalet strategi i hvert felt — de fire markerede felter dækker 6,6 mio. kr. af lagerværdien og alle de svære beslutninger.

Dødt og langsomt lager: aldersfordeling på varenumre

Metoden er den samme som aldersfordelingen på debitorer, som du kender fra debitorstyring og DSO, nu brugt i en lageranalyse: sortér efter, hvor længe noget har stået stille. På lageret betyder det dato for sidste bevægelse pr. varenummer. I eksemplet står 640 varenumre uden en eneste bevægelse i 12 måneder. De repræsenterer 1,8 mio. kr. i lagerværdi — 15 % af lageret, som med sikkerhed ikke bliver til omsætning i år.

Tallet i sig selv løser ingenting. Beslutningen om at nedskrive, udsælge, returnere til leverandør eller skrotte er en ledelsesbeslutning, ikke en analyse. Men den kan ikke træffes uden listen, og listen findes ikke af sig selv. Business Central har rapport 5807-5809 til aldersfordeling og udløb samt rapport 711 Top 10 List, der viser de største og de mest inaktive varer — dog med det forbehold, at rapport 5807 Item Age Composition – Quantity er markeret som forældet hos Microsoft og udgår i en senere version, så byg ikke en fast rutine på netop den (oversigt over lager- og logistikrapporter).

Kør listen kvartalsvis og sæt en beslutning på hvert varenummer over en beløbsgrænse. En SMV, der rydder 1,8 mio. kr. dødt lager over to år, henter både likviditeten og hyldepladsen — og slipper for at nedskrive det hele på én gang, når revisor spørger. Det døde lager gemmer sig sjældent jævnt fordelt: grafikken herunder viser omsætningshastigheden pr. varegruppe med den bundne kapital i kroner ved siden af, og de tre langsomste grupper binder alene 7,3 mio. kr. — 61 % af lagerværdien. Udgåede varer vender 0,7 gange om året og binder 1,4 mio. kr., og det er dér, listen skal begynde.

Servicegrad er en beslutning, ikke en ambition

Enhver lageranalyse rammer den samme afvejning: servicegrad mod bunden kapital. De to mål trækker mod hinanden, og sammenhængen er ikke lineær. At gå fra 90 % til 95 % servicegrad koster i eksemplet 0,5 mio. kr. ekstra i sikkerhedslager. At gå videre fra 95 % til 98 % koster 1,10 mio. kr. — mere end dobbelt så meget for færre procentpoint. De sidste par point mod 99 % koster næsten en million alene. Kurven herunder viser hele forløbet fra 90 % til 99 %, og knækket mellem 95 % og 98 % er det sted, beslutningen skal træffes.

Derfor er servicegrad en beslutning, der skal træffes bevidst og med kroner på. Vi vil have høj leveringsevne er ikke en beslutning. Vi kører 98 % på AX og AZ, 95 % på B og 90 % på C er en beslutning, og den kan regnes igennem. Servicegrad skal sættes pr. ABC-kategori, ikke for hele lageret, netop fordi den sidste procent er billig på lavværdivarer og dyr på højværdivarer. Den daglige opfølgning på, om niveauet holder, hører hjemme sammen med leveringsgrad og flaskehalse i driften.

Kombinationen af de to sidste afsnit er ofte den største enkeltgevinst i en lageranalyse: hæv servicegraden på A-varerne, hvor kunderne mærker det, og sænk den på C-varerne, hvor ingen opdager det.

Datagrundlaget der afgør, om lageranalysen holder

Her ligger artiklens vigtigste forbehold. Fire ting skal være på plads, før tallene overhovedet kan bruges. Den generelle udgave af den diskussion — dimensioner, granularitet og datamodel — findes i artiklen om datagrundlaget bag enhver analyse; her er den skåret til lageret.

Analysér på det rigtige lag. Vareposter (Item Ledger Entries), lagerposter (Warehouse Entries) og placeringsindhold (Bin Content) er tre forskellige ting. Vareposter er værdi og mængde på selskabsniveau i basisenhed. Lagerposter er fysiske bevægelser mellem placeringer uden priser. Placeringsindhold er en opsummering af lagerposter (forskellen forklaret). Al værdibaseret lageranalyse hører hjemme på vareposterne.

Kostmetode og Cost is Adjusted. Kostmetoden pr. vare (FIFO, gennemsnit, standard) afgør, hvordan værdien beregnes, og flaget Cost is Adjusted afgør, om kostprisen er efterreguleret. Er reguleringen ikke kørt, er lagerværdien forkert (lageropsætning og varefelter for økonomiafdelingen).

Lagerafstemning mod finans. Lagerværdien i varekortoversigten og lagerkontoen i finansen skal vise det samme tal. Gør de ikke det, fortæller lageranalysen og balancen to forskellige historier (afstem lageret mod finans).

Optællingsdisciplin. Analyserer man på beholdninger, der ikke er talt op, analyserer man fiktion. Cyklisk optælling af A-varerne fire gange om året er nok til at holde grundlaget ærligt (fysisk lageroptælling).

Værktøjet: lageranalyse fra analysetilstand til Power BI

Du kan komme langt uden projekt. Åbn vareposterne, slå analysetilstand (analysis mode) til og byg en pivot med varegruppe som rækker og måned som kolonner. Det er ad-hoc lageranalyse på ti minutter, og det er nok til at finde de langsomme varegrupper. Fremgangsmåden i detaljer står i artiklen om analysetilstand i Business Central, og skal tallene videre til en pivottabel, kan hele modellen også analyseres i Excel.

Skal analysen deles og køre fast, findes der to Power BI-apps til området: Inventory-appen med ca. 13 rapporter og den separate Inventory Valuation-app med 3 rapporter (Inventory, Inventory Valuation, samlet oversigt over lageranalyse). Til årsafslutningen er det rapport 1001 Inventory Valuation, revisor beder om — den viser lagerværdi pr. vare på en given dato.

Området er i bevægelse. Både Modernizing analytical reports for inventory og Get item insights with advanced KPIs landede 1. april 2026 og gør netop omsætningshastighed og aldersfordeling lettere at få ud af standarden.

Sådan understøtter oneBC365 din lageranalyse

oneBC365 er færdige Power BI-rapporter oven på Business Central-data. På lagerområdet betyder det, at omsætningshastighed pr. varegruppe, ABC/XYZ-klassifikation, aldersfordeling på varenumre og bunden kapital pr. gruppe er beregnet på forhånd og opdateres automatisk. Du får de tre grafikker i denne artikel som rapporter med dine egne tal, ikke som et skabelonprojekt, du selv skal fylde ud.

Modellen læser vareposterne direkte, respekterer kostmetode og reguleret kostpris og afstemmer mod lagerkontoen i finansen, så lageranalysen og balancen viser det samme. Det betyder, at diskussionen på det månedlige lagermøde handler om beslutninger og ikke om, hvorvidt tallene passer. Vil du se, hvordan lagerrapporterne hænger sammen med resten af analyserne, giver oversigten over alle artikler landkortet.

Sådan kommer du i gang

1. Beregn omsætningshastighed pr. varegruppe for de seneste 12 måneder, og sæt bunden kapital i kroner på hver gruppe. Ét regneark, én formiddag.
2. Træk listen over varenumre uden bevægelse i 12 måneder med rapport 5807-5809 og 711 Top 10 List, og læg beløbet frem for ledelsen.
3. Klassificér varerne i ABC/XYZ og beslut de fire strategier. Start med A-varerne — de er 20 % af numrene og 80 % af pengene.
4. Beslut servicegrad pr. ABC-kategori med kroner på hvert niveau, og sæt et fast månedligt lagermøde på 30 minutter, hvor den samme lageranalyse gennemgås med de samme fire tal hver gang. Hvornår det møde ligger i forhold til de øvrige analyser, står i analysens årshjul.

Hele serien: fra rapportering til analyse

Serien er tolv artikler i fire blokke — fundament, domæner, praksis og AI. Hver artikel kan læses alene; læst i rækkefølge er de en plan for et år.

1. Fra rapportering til analyse: de fire trin
2. Analyse-landkortet
3. Analysemetodernes værktøjskasse
4. Finansiel analyse
5. Salgsanalyse
6. Indkøbsanalyse
7. Lageranalyse — du læser den nu
8. Datagrundlaget
9. Analysens årshjul
10. Analyse uden BI-projekt
11. AI i analysen (1): Copilot i Business Central
12. AI i analysen (2): Copilot i Power BI og Fabric

Vil du se, hvordan analyserne ser ud på jeres egne tal? Book en demo af oneBC365.