Inventory Intelligence (Vorschau)

Bestellung qty, Neuanordnen von Punkten, Überstockung und Bargeldauswirkung für intelligentere Lagerkäufe.

Dieser Connector ist in den folgenden Produkten und Regionen verfügbar:

Service Class Regions
Copilot Studio Premium Alle Power Automate Regionen mit Ausnahme der folgenden:
     - US Government (GCC)
     - US Government (GCC High)
     - China Cloud betrieben von 21Vianet
     - US Department of Defense (DoD)
Logic Apps Standard Alle Logik-Apps-Regionen mit Ausnahme der folgenden Bereiche:
     - Azure Government Regionen
     - Azure China-Regionen
     - US Department of Defense (DoD)
Power Apps Premium Alle Power Apps Regionen mit Ausnahme der folgenden:
     - US Government (GCC)
     - US Government (GCC High)
     - China Cloud betrieben von 21Vianet
     - US Department of Defense (DoD)
Power Automate Premium Alle Power Automate Regionen mit Ausnahme der folgenden:
     - US Government (GCC)
     - US Government (GCC High)
     - China Cloud betrieben von 21Vianet
     - US Department of Defense (DoD)
Kontakt
Name Saifs AI
URL https://saifs.ai/
E‑Mail taher@saifytech.com
Connectormetadaten
Herausgeber Saifs AI
Website https://saifs.ai/
Datenschutzrichtlinie https://saifs.ai/privacy_policy/inventory-intelligence
Categories Künstliche Intelligenz; Daten

Inventory Intelligence & Optimierung - Saifs AI

Inventory Intelligence & Optimierung - Saifs AI hilft Einkaufs- und Betriebsteams zu entscheiden , was sie kaufen, wie viel und wann. Sie senden eine Aktienliste (und den Verkaufsverlauf, sofern verfügbar), und der Server gibt Bestellmengen zurück, Neuanordnen von Punkten, Überstockflaggen, Inventur gebundenes Bargeld und eine Einkaufsliste, die nach Geldauswirkungen bewertet wird.

Es wird für Unternehmen entwickelt, die Lagerbestände aus Tabellenkalkulationen oder Mid-Market-Systemen ausführen – nicht unternehmensplanungssuiten – und benötigen klare, wiederholbare Kaufentscheidungen, auf die sie heute reagieren können.

Publisher: Saifs AI
Website:https://saifs.ai
Registrieren / Erste Schritte:https://saifs.ai
Kontaktieren Sie uns / Hilfe:https://saifs.ai/contact-us
Datenschutz:https://saifs.ai/privacy_policy/inventory-intelligence
Bedingungen:https://saifs.ai/eula
Weitere Informationen:https://saifs.ai/inventory-intelligence
Authentifizierung: OAuth 2.0


Warum wählen Sie uns aus

Deterministische Ergebnisse

Der Grund für die Verwendung von Inventory Intelligence & Optimization - Saifs AI ist, dass der Kauf von Mathematik deterministisch ist. Die gleiche Aktienliste (und Verkaufshistorie) mit den gleichen Einstellungen erzeugt die gleichen Bestellmengen, Neuanordnen von Punkten, Überstockungsflaggen und Geldrang-Kaufliste. Ergebnisse werden aus veröffentlichten Bestandsmodellen berechnet. Sie werden nicht jedes Mal als neue Erzählung generiert, wenn Sie fragen.

Dies ist in Microsoft Copilot Studio wichtig, weil Der Einkauf und die Finanzen auf Bargeld und Einheiten reagieren. Sie benötigen eine Empfehlung, die sie erneut ausführen, überwachen und verteidigen können – auf die gleiche Weise, wie ein Betriebsforscher einen Neuanordnungspunkt anordnet, nicht die Art und Weise, wie ein Sprachmodell erraten wird, wie viel zu kaufen ist.

Wie wir ergebnisse deterministisch halten

Jede Schicht ist eine bestandswissenschaftliche Forschung, die auf Ihre Bestände und Nachfrage angewendet wird – nicht ein neu erfundenes Modell. Die gleiche Mathematikklasse wurde seit Jahrzehnten von Forschern und Praktikern verwendet, die eine reproduzierbare Zahl benötigten, um zu kaufen, wie viel und wann.

Was es bewirkt Etablierte Methode In Gebrauch seit
Empfiehlt, wie viel zu bestellen ist, wenn Die Kosten und Haltekosten der Bestellung wichtig sind Wirtschaftliche Auftragsmenge (Harris) 1913
Größen 1-Schuss, saisonal oder verderbliche Einkäufe, so dass Sie die Nachfrage ohne übermäßigen Spoiler abdecken Newsvendor / critical-fractile Model (Edgeworth) 1888
Legt fest, wann der Puffer neu angeordnet werden soll und wie viel Puffer für eine Dienstebene aufbewahrt werden soll. Sicherheits- und Neuanordnungsmodelle 1950er Jahre
Flags overstock and understock, rangiert nach Bargeld gebunden oder risikobehaftet Ausnahmeberichte für diese optimalen Bänder Standardbestandskontrolle
Berücksichtigt reale Einkaufseinschränkungen (offene POs, MOQ, Fallpakete, Budget) Einschränkungsfähige Anwendung der gleichen Formeln Standardkaufpraxis

Jede Ebene oben ist seit Jahren veröffentlicht, zitiert und läuft gegen reale Aktienbücher. Dieser MCP wendet diese Modelle auf Ihre SKUs an und wandelt die Ausgabe in eine Buy-Liste um, die nach Geldauswirkungen bewertet wird. Fragen Sie erneut mit derselben Datei und den gleichen Einstellungen, und Sie erhalten die gleichen Empfehlungen.

In diesem Produkt bedeutet deterministisch eine passende, reproduzierbare Punktzahl: Die gleiche Eingabe gibt die gleiche Ausgabe zurück. Die Geschichte der dünnen Nachfrage wird als Lücke gemeldet, anstatt Präzision erfunden zu haben.

Für Administratoren

Dieser Abschnitt richtet sich an Microsoft 365 und Copilot Studio Administratoren, die entscheiden, ob Inventory Intelligence & aktiviert werden soll Optimierung – Saifs AI für den Mandanten, der es verbinden kann und wie es in der gesamten Organisation verwendet werden soll.

Kernwert für die Organisation

Die meisten Teams ordnen immer noch von der Gewohnheit oder einer statischen Neuanordnungsstufe ab, die für die Hälfte des Jahres falsch ist. Überstock lockt Bargeld und kann verderben; Unterstock verliert Umsatz. Die klassische Mathematik ist seit mehr als einem Jahrhundert vorhanden, aber es lebt in der Regel in ERP-Modulen viele Mid-Market- und SMB-Teams nie bereitstellen.

Die Aktivierung dieses MCP gibt der Organisation eine genehmigte Möglichkeit, um zu beantworten, was sie kaufen, wie viel und wann – innerhalb Copilot Studio Agents, die Entwickler bereits erstellen. Es wandelt eine Aktienliste (und die Verkaufshistorie, wenn verfügbar) in Bestellmengen, Neuanordnen von Punkten, Überstockflaggen und eine Einkaufsliste um, die nach Geldeffekten bewertet wird.

Sie kaufen nicht SAP APO. Sie geben jedem aktivierten Hersteller den gleichen defensiblen Inventar-mathematischen Stapel, sodass Kaufempfehlungen für Agenten, Teams und Kaufbesprechungen konsistent sind.

Vorteile des Unternehmens

Organisationsbedarf Was dieser MCP bietet
Halten Sie Die Lagerbestände an den wichtigen Elementen auf Neuanordnen von Punkten und Sicherheitsbeständen auf ausgewählter Serviceebene (Standard 95%)
Kostenloses Bargeld, das in langsamen Schiebern stecken bleibt Überstockflaggen, die nach Bargeld gebunden sind
Kaufen Sie genug für ein Festival oder verlässiges Fenster, ohne zu erraten Newsvendor-Stil-Mengen für Kurzverkaufszeiträume
Ausgeben eines begrenzten Einkaufsbudgets für die aufträge mit höchsten Auswirkungen Money-rangige Kaufliste, optional nach Lieferanten gruppiert
Vermeiden Sie bereits auf dem Weg doppelkaufige Aktien on_order wird subtrahiert, wenn Sie geöffnete POs bereitstellen
Eine Methode für den gesamten Mandanten Deterministische Modelle: Dieselbe Datei und Einstellungen erzeugen jedes Mal dieselbe Kaufliste
Kein Betriebsforschungsteam erforderlich Hersteller fügen die MCP und eine Aktien-CSV / ERP / Tally Export
Steuern, wer sie ausführen kann Hersteller authentifizieren sich mit OAuth 2.0. Nur Personen, die Sie zum Erstellen der Verbindung zulassen, können die Tools aufrufen
Geringeres betriebsbedingtes Risiko als freigeformte Copilot Mengen Empfehlungen stammen aus EOQ, Sicherheitsaktien und Newsvendor Mathe, nicht aus einem Sprachmodell, das die Reihenfolge fty angibt

Warum dies eine Administratorentscheidung ist

Die Entscheidungsträger werden andernfalls Copilot bitten, "uns zu sagen, wie viel zu bestellen" aus einer Kalkulationstabelle. Das erzeugt jedes Mal eine andere Geschichte, kann nicht überwacht werden und kann nicht mit der Woche verglichen werden. Durch Aktivieren dieses MCP wird dies durch einen geregelten Connector ersetzt:

  • Sie wählen aus, wer eine Verbindung herstellen kann. Mandanten- und Umgebungsberechtigungen gelten weiterhin. Für die Verbindung ist ein Saifs AI-Konto und eine OAuth 2.0-Anmeldung erforderlich.
  • Sie behalten ein Datensatzsystem bei. Dieser MCP empfiehlt und erläutert. Es werden keine Bestellungen aufgegeben oder auf ERP, Tally oder Dataverse zurückgeschrieben. Lagersysteme bleiben die Quelle der Wahrheit, bis Ihre Organisation eine separate Integration auswäht.
  • Sie können die Nummer verteidigen. Bestellmengen und Neuanordnungspunkte können in derselben Datei erneut ausgeführt werden. Fehlende Eingaben werden gemeldet, anstatt unbeaufsichtigt davon auszugehen, dass sie perfekt sind.
  • Sie skalieren Hersteller, nicht Modelle. Eine Aktivierungsentscheidung dient Einkaufsmanagern, Ladenbesitzern, D2C-Ops, Ersatzteileplanern, Apotheken und Finanzleitern, die bereits in Lagerkalkulationen leben.

Was Administratoren nach der Aktivierung erwarten sollten

  1. Genehmigte Hersteller fügen Inventory Intelligence & Optimierung hinzu – Saifs AI zu einem Agent und vollständige OAuth-Anmeldung (siehe Erste Schritte).
  2. Endbenutzer stellen mindestens skueine Aktienliste bereit. On-hand, Unit Cost, Sales History, lead times, and on_order make recommendations sharper.
  3. Der Agent gibt Bestellmengen zurück, neu anordnen und eine Liste mit Geldrang kaufen. Manager platzieren POs weiterhin in ihrem ERP oder bei Lieferanten; die MCP führt diese Bestellungen nicht für sie ein.
  4. Für Kataloge, die größer als etwa 200 Produkte oder 2.500 Verkaufszeilen sind, verwenden inventory_optimizer_get_engine Die Hersteller in einer numpy-Sandbox, sodass große Dateien nicht als Token durch den Chat geleitet werden.

Wenn Sie diesen MCP aktivieren, standardisieren Sie, wie die Organisation entscheidet, was diese Woche kaufen soll – mit einer reproduzierbaren Empfehlung, dass Die Führung hinter sich stehen kann.

Wer sollte dies verwenden?

Verwenden Sie Inventory Intelligence & Optimierung - Saifs AI , wenn Sie Aktien- und Kaufentscheidungen besitzen oder beeinflussen:

Role Wie es hilft
Einkaufs- / Bestandsmanager (Händler, Großhändler) Nightly-style answers: which SKUs to reorder now, which slow movers are ty up cash, and a supplier-grouped buy list.
Einzelhandels- und Ladenbesitzer Ersetzen Sie die Gut-Neuanordnung durch Mengen und neu anordnen Sie Punkte, die bei Bedarf und Vorlaufzeit geerdet sind.
E-Commerce / D2C-Operationen Größe saisonal und Kampagnen kaufen (z. B. Festivalfenster) anstelle der Auftragsmengen zu erraten.
Hersteller / Ersatzteileplaner Bilanzieren Sie die Auftragskosten im Vergleich zu den Kosten und legen Sie Sicherheitsbestände für kritische Teile fest.
Apotheke und verderbliche Warenkäufer Ablauffähige (newsvendor-style) Bestellmengen, damit Sie genug kaufen, um den Bedarf ohne übermäßigen Spoil abzudecken.
SMB-Besitzer und Finanzkontakte Sehen Sie, dass Bargeld im Überstock hängen bleibt, und priorisieren Sie Einkäufe, wenn das Budget begrenzt ist.
Copilot Studio/Microsoft 365 Copilot-Hersteller Fügen Sie Agenten Inventarmathematiktools hinzu, damit Hersteller und Endbenutzer kaufempfehlungen aus CSV- oder ERP-Exporten erläutert werden, ohne die Formeln selbst zu erstellen.

Am besten geeignet: Händler, Großhändler, Einzelhändler, D2C/E-Commerce, Hersteller und Apotheken, die Lagerbestände halten und regelmäßig Bestellmenge und Zeitplanung entscheiden.

Nicht erforderlich: SAP APO, Oracle Advanced Planning oder ähnliche Enterprise-Module. Eine CSV-Datei (oder eine ähnliche) Aktiendatei – und vorzugsweise der Vertriebsverlauf – reicht aus, um zu beginnen.


Wie es nützlich ist

Die meisten Teams ordnen immer noch von der Gewohnheit oder einer statischen Neuanordnungsstufe ab, die für die Hälfte des Jahres falsch ist. Überstock lockt Bargeld und kann verderben; Unterstock verliert Umsatz. Die klassische Mathematik (Wirtschaftliche Auftragsmenge, Sicherheitsaktie, Newsvendor für Perishables) ist seit Jahrzehnten vorhanden, aber es ist in der Regel in teuren ERP-Modulen gesperrt, die viele Mid-Market- und SMB-Teams nie bereitstellen.

Inventarintelligenz & Optimierung - Saifs AI macht diese Mathematik in Copilot- und Agent-Erfahrungen verfügbar:

  • Was zu bestellen ist und wie viel — empfohlene Auftragsmengen (einschließlich EOQ-Stil Ökonomie, wenn Kosteneingaben verfügbar sind).
  • Neuanordnen – Neuanordnen von Punkten mit Sicherheitsbeständen für ein ausgewähltes Serviceniveau (Standard 95%).
  • Was im Lager falsch ist – Überstockung und Unterstock gekennzeichnet und nach Barauswirkungen bewertet.
  • Was sie zuerst unter einem Budget kaufen sollten – eine Einkaufswarteschlange, sortiert nach Geld, optional nach Lieferanten gruppiert.
  • Perishables und Short selling Fenster - Mengen, die Lagerkosten im Vergleich zu Rest- / Restkosten ausgleichen.
  • Beachten Sie echte Einkaufseinschränkungen – offene Bestellungen (on_order), MOQ, Fallpakete, maximale Bestellmenge und Preisunterbrechungen, wenn Sie sie bereitstellen.

Es ist nur sku erforderlich, um das Tool aufzurufen. Stärkere Eingaben (unit_cost, on_hand, on_orderNachfrageverlauf, Leadzeiten) erzeugen schärfere Empfehlungen; das Tool meldet, was fehlt, anstatt den Anruf zu blockieren.


Anwendungsfälle

1. Tägliche / wöchentliche Einkaufsliste

Szenario: Ein Händlerkaufmanager fügt den Lagerbestand (und optionale Verkaufshistorie) ein oder lädt sie hoch.
Ergebnis: Eine bewertete Buy-Liste – was heute bestellt werden soll, wie viel und welche SKUs bereits von offenen POs abgedeckt sind – sodass Sie nicht doppelt kaufen, die bereits auf dem Weg ist.

2. Neuanordnen von Warnungen und Verhinderung von Lagerbeständen

Szenario: Lead times and service levels vary by SKU (or you use defaults).
Ergebnis: Ordnen Sie Punkte und Sicherheitsbestände neu an, damit der Agent klar sagen kann, welche Artikel unterhalb des Neuanordnungspunkts liegen und bevor Sie auslaufen.

3. Kostenloses Bargeld aus Überstockung

Szenario: Langsame Mover sitzen monatelang, während sich schnelle Mover auslagern.
Ergebnis: Überlagerte Flaggen mit Bargeld, die in überlagertem Bestand gebunden sind, sodass Finanzen und Einkauf zuerst die Käufe der schlimmsten Täter kürzen oder anhalten können.

4. Budgetbeschränkter Einkauf

Szenario: Sie haben ein festes Einkaufsbudget für die Woche oder den Monat.
Ergebnis: Empfehlungen, die innerhalb purchase_budget derart begrenzter Barmittel priorisiert sind, gehen zuerst an die aufträge mit höchsten Auswirkungen.

5. Saison- und Kampagnenkäufe (E-Commerce)

Szenario: Festival- oder Werbefenster mit eingeschränktem Verkaufszeitraum.
Ergebnis: Newsvendor-Stil Bestellmengen mit Verkaufspreis, Kosten, Restwert und Nachfrageunsicherheit – besser als "Bestellen, was wir im letzten Jahr verkauft haben."

6. Apotheke und verlässige Bestellung

Szenario: Elemente laufen ab oder haben eine kurze Haltbarkeit.
Ergebnis: Bestellen Sie Mengen, die die Haltbarkeit / Verkaufsfenster und den Restwert berücksichtigen, wodurch die Spoiler reduziert werden und gleichzeitig die Verfügbarkeit geschützt wird.

7. Lieferantengruppen-POs

Szenario: Viele SKUs desselben Anbieters; Sie möchten einen Auftrags pro Lieferant.
Ergebnis: Einkaufsliste gruppiert nach , mit supplierMOQ und Fallpaket-Rundung angewendet, wenn angegeben.

8. Vergleich der Gewohnheit im Vergleich zur Empfehlung

Szenario: Sie bestellen bereits eine feste Menge jeden Zyklus.
Ergebnis: Pass, current_order_qty um zu sehen, wie die heutige Gewohnheit mit der empfohlenen Menge und Kostenabgleich vergleicht.

9. Große Kataloge (Sandkastenpfad)

Szenario: Mehr als 200 Produkte oder 2.500 Verkaufszeilen.
Ergebnis: Wird verwendet inventory_optimizer_get_engine , um dieselbe Mathematik lokal über ein zurückgegebenes Skript auszuführen. Daten verbleiben auf dem Computer des Benutzers für diesen Pfad.


Unterstützte Vorgänge (Tools)

Tool Wann verwenden?
inventory_optimizer Etwa 200 Produkte oder weniger und etwa 2.500 Verkaufszeilen oder weniger. Senden von Lagerzeilen (und optionaler Bedarfsverlauf); erhalten Sie volle Bestellung / Überstock / Barergebnisse.
inventory_optimizer_get_engine Größere Dateien. Gibt ein fertiges Python Skript zurück (nur numpy). Speichern sie, und führen Sie sie unverändert für die Datei des Benutzers aus. die gedruckten Entscheidungen und den JSON-Code für details melden.

Typische Eingaben

Lager (items) — empfohlene Felder

Feld Purpose
sku Produktcode (erforderlich)
name, category Beschriftungen für lesbare Ergebnisse
unit_cost, on_hand Kosten und Abdeckung
on_order Bereits bestellte Einheiten (Vermeiden der Neubebauung des Transitbestands)
backorders Einheiten, die kunden bereits versprochen wurden
annual_demand Optional, wenn Sie den Verkaufsverlauf nicht senden
order_cost, holding_cost EOQ-Ökonomie (Haltekosten können standardmäßig ~25% der Stückkosten)
lead_time_days, lead_time_std Neuanordnen von Punkt- und Sicherheitsbeständen
service_level Ziel-In-Stock-Bruch (Standard 0,95)
sale_price, perishable, shelf_life_days, salvage_value Verlässige / Saisonmathematik
supplier, moq, case_pack, max_order_qty, , price_breaks Einkaufsbeschränkungen
current_order_qty Vergleich der Empfehlung im Vergleich zur aktuellen Gewohnheit

Bedarfsverlauf (optional): Zeilen mit sku, date (oder sale_date) und quantity (oderunits_soldsold_qtyqty / / ).

Nützliche Optionen:currency / currency_symbol (nur anzeigen; keine FX-Konvertierung), as_of, , purchase_budget, group_by_supplieroptional demand-forecaster Handoff-Datensätze in forecasts.

Typische Ausgaben

  • Empfohlene Bestellmengen und Neuanordnungspunkte
  • Sicherheitsbestand für das gewählte Servicelevel
  • Überstock / Unterstockflaggen, die nach Barauswirkungen bewertet wurden
  • Einkaufsliste sortiert nach Geld (optional nach Lieferanten)
  • Hinweise zu fehlenden oder dünnen Eingaben, damit Empfehlungen ehrlich bleiben

Prerequisites

  • Zugriff auf Microsoft Copilot Studio, Microsoft 365 Copilot, Azure Foundry oder einen anderen Host, der diesen MCP-Server aufrufen kann
  • Ein Saifs AI-Konto, das für Inventory Intelligence & Optimization autorisiert ist - Saifs AI
  • Möglichkeit zum Abschließen der OAuth 2.0-Anmeldung beim Herstellen einer Verbindung mit dem MCP-Server
  • Bestandsdaten mit mindestens einer SKU pro Artikel (CSV/Export aus ERP, Tally, QuickBooks, Shopify, POS oder Arbeitsblatt)
  • Prefer also: on-hand qty, unit cost, and sales history for sharper demand and cash results

Authentifizierung (OAuth 2.0)

Dieser MCP-Server verwendet OAuth 2.0. Benutzer und Hersteller authentifizieren sich mit Saifs AI-Anmeldeinformationen über den standardmäßigen OAuth-Zustimmungsfluss, wenn sie den Server in Copilot Studio oder Microsoft 365 Copilot verbinden.

Administratoren und Hersteller erstellen keine API-Schlüssel manuell. Wenn Sie eine neue Verbindung erstellen, werden Sie zu Saifs AI umgeleitet, um sich anzumelden. Nach erfolgreicher Anmeldung wird die Verbindung erstellt, und der Agent kann MCP-Tools unter diesem Konto aufrufen.


Erste Schritte

  1. Inventarintelligenz verbinden & Optimierung - Saifs AI in Ihrer Copilot Studio oder Microsoft 365 Copilot Erfahrung.
  2. Schließen Sie die OAuth 2.0-Anmeldung /Zustimmung ab, wenn Sie dazu aufgefordert werden.
  3. Bereitstellen einer Aktienliste (Einfügen, Hochladen oder Datei mit Agentzugriff). Schließen Sie ein on_order , wenn Bestellungen bereits geöffnet sind.
  4. Fragen Sie z. B. in einfacher Sprache:
    • "Was soll ich diese Woche bestellen?"
    • "Welche SKUs sind überlagert und wie viel Geld bleibt hängen?"
    • "Neuanordnen von Punkten für diese Artikel auf 99% Servicelevel."
    • "Liste kaufen unter einem Budget von 5L / $ 5.000, gruppiert nach Lieferanten."
  5. Handeln über die rangierten Entscheidungen; behandeln Sie Ergebnisse als Entscheidungsunterstützung – überprüfen Sie kritische SKUs vor der Platzierung von POs anhand von Lieferanteneinschränkungen und Geschäftsrichtlinien.

Bekannte Probleme und Einschränkungen

  • Aktives Konto erforderlich. Ein aktives Saifs AI-Konto mit Zugriff auf Inventory Intelligence ist erforderlich. Tools können erst aufgerufen werden, wenn die OAuth 2.0-Anmeldung erfolgreich für die Verbindung abgeschlossen wurde.
  • Direktionale Entscheidungsunterstützung, keine ERP-Ersetzung. Empfehlungen für den Einkauf; sie geben keine Bestellungen ab oder ersetzen Lagersysteme der Aufzeichnung.
  • Dünne Nachfragehistorie. Sehr kurze oder spärliche Verkaufshistorie schwächt Sicherheitsbestände und Nachfrageschätzungen; Das Tool kann auf Standardwerte zurückgreifen oder Lücken melden, anstatt Genauigkeit zu erfinden.
  • Die Haltekosten sind häufig ungefähr. Wenn Sie die Kosten weglassen, wird ein Standardsatz (ca. 20–30% der Stückkosten pro Jahr) verwendet. Passen Sie sich an, wenn ihre tatsächlichen Transportkosten unterschiedlich sind.
  • on_order ist wichtig. Wenn offene POs nicht angegeben werden, kann die Kaufliste die Neuanordnung von Lagerbeständen vorschlagen, die bereits während der Übertragung sind.
  • Währung ist nur eine Anzeigebezeichnung. Keine Wechselkursumrechnung zwischen Währungen.
  • Größenbeschränkungen für das direkte Tool. Bevorzugen Sie inventory_optimizer ungefähr ≤200 SKUs und ≤2.500 Anforderungszeilen; verwenden Sie inventory_optimizer_get_engine sie für größere Kataloge.
  • MOQ / Case Pack / max qty gilt nur, wenn Sie sie liefern; andernfalls sind mengen nicht durch Lieferantenverpackungsregeln eingeschränkt.
  • Multi-Warehouse- und benutzerdefinierte Richtlinienmodule sind für die hier beschriebenen Kerntools nicht verfügbar, es sei denn, Ihre Bereitstellung fügt sie separat hinzu.
  • OAuth-Sitzung erforderlich. Tools werden erst ausgeführt, wenn die OAuth 2.0-Verbindung erfolgreich ist. Abgelaufene Token erfordern möglicherweise, dass der Benutzer erneut eine Verbindung herstellen oder aktualisieren kann.

Support und Feedback

Inventory Intelligence & Optimization - Saifs AI wird von Saifs AI veröffentlicht.

Aktionen

Inventarintelligenz

Bestellung qty, Neuanordnen von Punkten, Überstockung und Bargeldauswirkung für intelligentere Lagerkäufe.

Inventarintelligenz

Bestellung qty, Neuanordnen von Punkten, Überstockung und Bargeldauswirkung für intelligentere Lagerkäufe.