Inventory Intelligence (préversion)
Commandez qty, réorganisez des points, surstockage et impact de trésorerie pour les achats d’inventaire plus intelligents.
Ce connecteur est disponible dans les produits et régions suivants :
| Service | Classe | Regions |
|---|---|---|
| Copilot Studio | Premium | Toutes les régions Power Automate , à l’exception des éléments suivants : - Us Government (GCC) - Us Government (GCC High) - China Cloud géré par 21Vianet - Us Department of Defense (DoD) |
| Logic Apps | Standard | Toutes les régions Logic Apps , à l’exception des suivantes : - Régions Azure Government - Régions Azure Chine - Us Department of Defense (DoD) |
| Power Apps | Premium | Toutes les régions Power Apps , à l’exception des suivantes : - Us Government (GCC) - Us Government (GCC High) - China Cloud géré par 21Vianet - Us Department of Defense (DoD) |
| Power Automate | Premium | Toutes les régions Power Automate , à l’exception des éléments suivants : - Us Government (GCC) - Us Government (GCC High) - China Cloud géré par 21Vianet - Us Department of Defense (DoD) |
| Contact | |
|---|---|
| Name | Ia Saifs |
| URL | https://saifs.ai/ |
| Courrier électronique | taher@saifytech.com |
| Métadonnées du connecteur | |
|---|---|
| Éditeur | Ia Saifs |
| Website | https://saifs.ai/ |
| Politique de confidentialité | https://saifs.ai/privacy_policy/inventory-intelligence |
| Categories | IA; Données |
Inventory Intelligence &Optimization - Saifs AI
Inventory Intelligence &Optimization - Saifs AI aide les équipes d’achat et d’exploitation à décider de quoi acheter, combien et quand. Vous envoyez une liste de stocks (et l’historique des ventes lorsque disponible) et le serveur retourne des quantités de commandes, réorganise des points, des indicateurs de surstockage, des espèces liées à l’inventaire et une liste d’achat classée par impact sur l’argent.
Elle est conçue pour les entreprises qui exécutent l’inventaire à partir de feuilles de calcul ou de systèmes intermédiaires, et non des suites de planification d’entreprise, et ont besoin de décisions d’achat claires et reproductibles qu’elles peuvent prendre aujourd’hui.
Publisher : Saifs AI
Site web :https://saifs.ai
Inscrivez-vous / Prise en main :https://saifs.ai
Contactez-nous / Aide :https://saifs.ai/contact-us
Confidentialité :https://saifs.ai/privacy_policy/inventory-intelligence
Termes :https://saifs.ai/eula
En savoir plus :https://saifs.ai/inventory-intelligence
Authentification : OAuth 2.0
Pourquoi nous choisir
Résultats déterministes
La raison d’utiliser Inventory Intelligence &Optimization - Saifs AI est que l’achat de mathématiques est déterministe. La même liste de stock (et l’historique des ventes), avec les mêmes paramètres, produit les mêmes quantités de commandes, réorganise les points, les indicateurs de surstock et la liste d’achats classés en argent. Les résultats sont calculés à partir de modèles d’inventaire publiés. Ils ne sont pas générés comme une nouvelle narration chaque fois que vous demandez.
Cela compte dans Microsoft Copilot Studio parce que l’achat et la finance agissent sur les espèces et les unités. Ils ont besoin d’une recommandation qu’ils peuvent réexécuter, auditer et défendre — de la même façon qu’un chercheur en opérations dimensionne un point de réorganisation, et non la façon dont un modèle de langage suppose le montant à acheter.
Comment nous conservons les résultats déterministes
Chaque couche est établie recherche en sciences de l’inventaire, appliquée à votre stock et à votre demande — pas un modèle nouvellement inventé. La même classe de mathématiques a été utilisée depuis des décennies par les chercheurs et les praticiens qui ont besoin d’un nombre reproductible pour ce qu’il faut acheter, combien et quand.
| Qu’est-ce que cela fait ? | Méthode établie | En cours d’utilisation depuis |
|---|---|---|
| Recommande le montant à commander lorsque le coût de l’ordre et la conservation des coûts sont importants | Quantité de commande économique (Harris) | 1913 |
| Tailles un coup, saison ou achats périssables afin de couvrir la demande sans excès de gâchis | Newsvendor / critical-fractile model (Edgeworth) | 1888 |
| Définit quand réorganiser et combien de mémoire tampon contenir pour un niveau de service | Modèles de stock de sécurité et de réorganisation | 1950s |
| Drapeaux surstockage et sous-stock classés en espèces liées ou à risque | Rapports d’exceptions sur ces bandes optimales | Contrôle d’inventaire standard |
| Respecte les contraintes d’achat réelles (open POs, MOQ, case packs, budget) | Application prenant en compte les contraintes des mêmes formules | Pratique d’achat standard |
Toutes les couches ci-dessus ont été publiées, citées et exécutées sur des livres de stock réels depuis des années. Ce MCP applique ces modèles à vos références SKU et transforme la sortie en liste d’achat classée par impact sur l’argent. Demandez à nouveau avec le même fichier et les mêmes paramètres, et vous obtenez les mêmes recommandations.
Dans ce produit, déterministe signifie un score reproductible ajusté : la même entrée retourne la même sortie. L’historique des demandes minces est signalé comme un écart plutôt que comme une précision inventée.
Pour les administrateurs
Cette section concerne les administrateurs Microsoft 365 et Copilot Studio qui décident s’il faut activer Inventory Intelligence et Optimisation - Saifs AI pour le locataire, qui peut le connecter et comment il doit être utilisé au sein de l’organisation.
Valeur principale de l’organisation
La plupart des équipes continuent de réorganiser à partir de l’habitude ou d’un niveau de réorganisation statique incorrect pour la moitié de l’année. Overstock verrouille de l’argent et peut gâcher ; understock perd des ventes. Les mathématiques classiques ont existé depuis plus d’un siècle, mais il vit généralement dans des modules ERP de nombreuses équipes de mid-market et SMB ne déploient jamais.
L’activation de ce MCP donne à l’organisation un moyen approuvé de répondre à quoi acheter, combien et quand — à l’intérieur Copilot Studio agents que les fabricants créent déjà. Il transforme une liste d’actions (et l’historique des ventes lorsqu’il est disponible) en quantités de commandes, en points de commande, en indicateurs de surstockage et en liste d’achat classée par impact sur l’argent.
Vous n’achetez pas SAP APO. Vous donnez à chaque fabricant activé la même pile d’inventaire-mathématiques défendable, de sorte que les recommandations d’achat sont cohérentes entre les agents, les équipes et les réunions d’achat.
Avantages de l’entreprise
| Besoin de l’organisation | Ce que fournit ce MCP |
|---|---|
| Arrêter les stocks sur les articles qui comptent | Réorganiser les points et le stock de sécurité au niveau du service choisi (95%par défaut) |
| Trésorerie libre bloquée dans les mouvements lents | Indicateurs de surstockage classés par espèces attachées |
| Acheter suffisamment pour un festival ou une fenêtre périssable sans deviner | Quantités de style Newsvendor pour les périodes de vente courtes |
| Dépenser un budget d’achat limité sur les commandes les plus importantes | Liste des achats classés en argent, éventuellement regroupés par fournisseur |
| Éviter les actions d’achat double déjà en route |
on_order est soustrait lorsque vous fournissez des POS ouverts |
| Une méthode pour l’ensemble du locataire | Modèles déterministes : le même fichier et les mêmes paramètres produisent la même liste d’achats chaque fois |
| Aucune équipe de recherche sur les opérations n’est requise | Les fabricants attachent le MCP et une action CSV / ERP / Tally export |
| Contrôler qui peut l’exécuter | Les créateurs s’authentifient auprès d’OAuth 2.0. Seules les personnes que vous autorisez à créer la connexion peuvent appeler les outils |
| Risque opérationnel inférieur à la quantité de Copilot libre | Les recommandations EOQ, stock de sécurité et maths newsvendor, pas d’un modèle de langage inventant l’ordre qty |
Pourquoi il s’agit d’une décision d’administrateur
Dans le cas contraire, les fabricants demanderont Copilot de « nous dire combien commander » à partir d’une feuille de calcul. Cela produit une histoire différente à chaque fois, ne peut pas être auditée et ne peut pas être comparée semaine à semaine. L’activation de ce MCP remplace celle par un connecteur régi :
- Vous choisissez qui peut le connecter. Les autorisations de locataire et d’environnement s’appliquent toujours. La connexion nécessite un compte Saifs AI et une connexion OAuth 2.0.
- Vous conservez un système d’enregistrement. Ce MCP recommande et explique. Il n’effectue pas de commandes d’achat ni réécrit dans ERP, Tally ou Dataverse. Les systèmes d’entrepôt restent la source de vérité jusqu’à ce que votre organisation choisisse une intégration distincte.
- Vous pouvez défendre le nombre. Les quantités de commandes et les points de réorganisation peuvent être réexécutés sur le même fichier. Les entrées manquantes sont signalées plutôt que silencieusement supposées être parfaites.
- Vous mettez à l’échelle des fabricants, pas des modèles. Une décision d’activation sert les gestionnaires d’achat, les propriétaires de magasins, les opS D2C, les planificateurs de pièces de rechange, les pharmacies et les prospects financiers qui vivent déjà dans des feuilles de calcul stock.
Ce que les administrateurs doivent attendre après l’activation
- Les fabricants approuvés ajoutent Inventory Intelligence &Optimization - Saifs AI à un agent et terminent la connexion OAuth (voir Prise en main).
- Les utilisateurs finaux fournissent une liste d’actions avec au moins
sku. En main, les coûts unitaires, l’historique des ventes, les délais eton_orderfaire des recommandations plus nettes. - L’agent retourne des quantités de commandes, des points de réorganisation et une liste d’achats classés en argent. Les gestionnaires placent toujours des POS dans leur ERP ou avec des fournisseurs ; le MCP ne place pas ces commandes pour eux.
- Pour les catalogues supérieurs à environ 200 produits ou 2 500 lignes de vente, les fabricants utilisent
inventory_optimizer_get_enginedans un bac à sable numpy afin que les fichiers volumineux ne passent pas par la conversation en tant que jetons.
Si vous activez ce MCP, vous standardisez la façon dont l’organisation décide de ce qu’elle achète cette semaine , avec une recommandation reproductible que le leadership peut se tenir derrière.
Qui doit utiliser ceci
Utilisez Inventory Intelligence &Optimization - Saifs AI si vous possédez ou influencez les décisions d’achat et de stock :
| Role | Comment cela aide |
|---|---|
| Achats / gestionnaires d’inventaire (distributeurs, grossistes) | Réponses de style nocturne : les références SKU à réorganiser maintenant, qui les mouvements lents sont liés en espèces, et une liste d’achats groupées par un fournisseur. |
| Propriétaires de magasins et de vente au détail | Remplacez les niveaux de réorganisation de l’intestin par des quantités et réorganisez les points en fonction de la demande et du délai d’exécution. |
| E-commerce / Opérations D2C | Dimensionner les achats saisonniers et campagnes (par exemple les fenêtres de festival) au lieu de deviner des quantités de commandes. |
| Fabricants / planificateurs de pièces de rechange | Équilibrez le coût de l’ordre par rapport à la conservation du coût et définissez le stock de sécurité pour les pièces critiques. |
| Acheteurs de produits périssables et de pharmacie | Quantités de commandes prenant en charge l’expiration (newsvendor-style) afin que vous achetiez suffisamment pour couvrir la demande sans excès de gâchis. |
| Propriétaires SMB et prospects financiers | Voyez les liquidités bloquées en surstockage et hiérarchiser les achats lorsque le budget est limité. |
| Copilot Studio /Microsoft 365 Copilot makers | Ajoutez des outils mathématiques d’inventaire aux agents afin que les fabricants et les utilisateurs finaux obtiennent des recommandations d’achat expliquées à partir d’exportations CSV ou ERP, sans générer les formules elles-mêmes. |
Meilleur ajustement : distributeurs, grossistes, détaillants, D2C/e-commerce, fabricants et pharmacies qui détiennent des stocks et décident régulièrement de la quantité de commandes et du calendrier.
Non obligatoire : SAP APO, Oracle Advanced Planning ou modules d’entreprise similaires. Un fichier stock CSV (ou similaire) (et de préférence l’historique des ventes) est suffisant pour commencer.
Comment il est utile
La plupart des équipes continuent de réorganiser à partir de l’habitude ou d’un niveau de réorganisation statique incorrect pour la moitié de l’année. Overstock verrouille de l’argent et peut gâcher ; understock perd des ventes. Les mathématiques classiques (quantité d’ordre économique, stock de sécurité, newsvendor pour périssables) ont existé depuis des décennies, mais il est généralement verrouillé à l’intérieur de modules ERP coûteux que de nombreuses équipes de mid-market et SMB ne déploient jamais.
Intelligence sur l’inventaire et Optimisation - Saifs AI rend ces calculs disponibles dans les expériences d’Copilot et d’agent :
- Que commander et combien — quantités de commande recommandées (y compris l’économie du style EOQ lorsque les entrées de coût sont disponibles).
- Quand réorganiser : réorganiser des points avec stock de sécurité pour un niveau de service choisi (par défaut 95%).
- Ce qui est incorrect dans l’entrepôt — surstockage et sous-stock marqués et classés par impact sur les espèces.
- Quoi acheter en premier sous un budget — une file d’attente d’achat triée par argent, éventuellement regroupée par fournisseur.
- Périssables et fenêtres de vente courte : quantités qui équilibrent le coût de stockout par rapport au coût restant/ à la récupération.
-
Respectez les contraintes d’achat réelles : commandes d’achat ouvertes (
on_order), MOQ, packs de cas, qty de commande maximale et sauts de prix lorsque vous les fournissez.
Seul sku un appel à l’outil est nécessaire. Les entrées plus fortes (unit_cost, on_hand, l’historique on_orderde la demande, les délais) produisent des recommandations plus nettes ; l’outil signale ce qui était manquant plutôt que de bloquer l’appel.
Cas d’utilisation
1. Liste d’achat quotidienne /hebdomadaire
Scénario : Un responsable d’achat de distributeur colle ou charge le stock en main (et l’historique des ventes facultatif).
Résultat : Une liste d’achats classée — ce à commander aujourd’hui, combien et quelles références SKU sont déjà couvertes par des POS ouverts — donc vous ne double-achetez pas d’actions qui sont déjà en route.
2. Réorganiser les alertes et la prévention des stocks
Scénario : Les délais et les niveaux de service varient selon la référence SKU (ou vous utilisez les valeurs par défaut).
Résultat : Réorganiser les points et le stock de sécurité afin que l’agent puisse dire clairement quels éléments sont en dessous du point de réorganisation et doivent être commandés avant de manquer.
3. Espèces gratuites de surstockage
Scénario : Les déplaceurs lents s’asseyent pendant des mois tandis que les movers rapides stockent.
Résultat : Les drapeaux de surstockage avec des espèces liées à l’excédent d’inventaire, classés afin que les finances et l’achat puissent couper ou suspendre les achats sur les pires délinquants en premier.
4. Achat limité au budget
Scénario : Vous disposez d’un budget d’achat fixe pour la semaine ou le mois.
Résultat : Les recommandations hiérarchisées au sein purchase_budget d’une trésorerie si limitée vont d’abord aux ordres les plus impactés.
5. Achats saisonniers et campagnes (e-commerce)
Scénario : Festival ou fenêtre de promotion avec une période de vente limitée.
Résultat : Quantités de commandes de style Newsvendor à l’aide du prix de vente, du coût, de la récupération et de l’incertitude de la demande , mieux que « commander ce que nous avons vendu l’année dernière ».
6. Pharmacie et commande périssable
Scénario : Les éléments expirent ou ont une durée de conservation courte.
Résultat : Les quantités de commandes qui comptent pour la durée de conservation/ la fenêtre de vente et la valeur restante, réduisant ainsi l’altération tout en protégeant la disponibilité.
7. POs groupés par fournisseur
Scénario : De nombreuses références SKU du même fournisseur ; vous voulez un bon de commande par fournisseur.
Résultat : Liste d’achat groupée par supplier, avec arrondi moQ et pack case appliqué lorsqu’il est fourni.
8. Comparer l’habitude et la recommandation
Scénario : Vous commandez déjà une quantité fixe chaque cycle.
Résultat :current_order_qty Passez pour voir comment l’habitude d’aujourd’hui se compare avec la quantité recommandée et le compromis des coûts.
9. Catalogues volumineux (chemin de bac à sable)
Scénario : Plus de 200 produits ou 2 500 lignes de vente.
Résultat : Permet inventory_optimizer_get_engine d’exécuter les mêmes mathématiques localement via un script retourné ; les données restent sur l’ordinateur de l’utilisateur pour ce chemin d’accès.
Opérations prises en charge (outils)
| Tool | Quand utiliser |
|---|---|
inventory_optimizer |
Environ 200 produits ou moins et environ 2 500 lignes de vente ou moins. Envoyer des lignes de stock (et l’historique des demandes facultatives) ; obtenir une commande complète / overstock / résultats en espèces. |
inventory_optimizer_get_engine |
Fichiers plus volumineux. Retourne un script Python prêt à l’exécution (numpy uniquement). Enregistrez et exécutez-le sans modification sur le fichier de l’utilisateur ; signaler les décisions imprimées et le json de détail. |
Entrées classiques
Stock (items) : champs recommandés
| Champ | Purpose |
|---|---|
sku |
Code de produit (obligatoire) |
name, category |
Étiquettes pour les résultats lisibles |
unit_cost, on_hand |
Coût et couverture |
on_order |
Unités déjà ordonnées (évite le débogage en stock en transit) |
backorders |
Unités déjà promises aux clients |
annual_demand |
Facultatif si vous n’envoyez pas d’historique des ventes |
order_cost, holding_cost |
Économie de l’EOQ (le coût de conservation peut par défaut atteindre environ 25% de coût unitaire) |
lead_time_days, lead_time_std |
Réorganiser le point et le stock de sécurité |
service_level |
Fraction cible en stock (valeur par défaut 0,95) |
sale_price, perishable, shelf_life_days, salvage_value |
Mathématiques périssables / saisonnières |
supplier, , moqcase_pack, , max_order_qtyprice_breaks |
Contraintes d’achat |
current_order_qty |
Comparer les recommandations et l’habitude actuelle |
Historique de la demande (facultatif) : lignes avec sku, date (ou sale_date) et quantity (ouunits_soldsold_qtyqty / / ).
Options utiles :currency / currency_symbol (affichage uniquement ; aucune conversion FX), as_of, purchase_budget, group_by_supplierenregistrements de transfert de prévision de demande facultatifs dans forecasts.
Sorties classiques
- Quantités de commande recommandées et points de réorganisation
- Stock de sécurité pour le niveau de service choisi
- Surstockage / indicateurs de sous-stock classés par impact sur les liquidités
- Liste d’achat triée par argent (éventuellement par fournisseur)
- Remarques sur les entrées manquantes ou minces afin que les recommandations restent honnêtes
Prerequisites
- Accès à Microsoft Copilot Studio, Microsoft 365 Copilot, Azure Foundry ou un autre hôte qui peut appeler ce serveur MCP
- Un compte Saifs AI autorisé pour Inventory Intelligence &Optimization - Saifs AI
- Possibilité d’effectuer la connexion OAuth 2.0 lors de la connexion au serveur MCP
- Stockez des données avec au moins une référence SKU par élément (CSV/export à partir d’ERP, Tally, QuickBooks, Shopify, POS ou feuille de calcul)
- Préférez également : qty, coût unitaire et historique des ventes pour une demande plus forte et des résultats en espèces
Authentification (OAuth 2.0)
Ce serveur MCP utilise OAuth 2.0. Les utilisateurs et les créateurs s’authentifient avec les informations d’identification Saifs AI via le flux de consentement OAuth standard lorsqu’ils connectent le serveur dans Copilot Studio ou Microsoft 365 Copilot.
Les administrateurs et les créateurs ne créent pas manuellement de clés API. Lorsque vous créez une connexion, vous êtes redirigé vers Saifs AI pour vous connecter. Une fois la connexion établie, la connexion est créée et l’agent peut appeler les outils MCP sous ce compte.
Premiers pas
- Connecter
Inventory Intelligence & Optimisation - Saifs AI dans votre expérience Copilot Studio ou Microsoft 365 Copilot. - Terminez la connexion /consentement OAuth 2.0 lorsque vous y êtes invité.
- Fournissez une liste de stock (coller, charger ou fichier accessible à l’agent). Incluez
on_orderlorsque les commandes d’achat sont déjà ouvertes. - Demandez en langage brut, par exemple :
- « Que dois-je commander cette semaine ? »
- « Quelles références SKU sont surstockées et combien d’argent est bloqué ? »
- « Réorganiser les points pour ces éléments à 99% niveau de service ».
- « Acheter la liste sous un <5L / 5 000 $ budget, regroupé par fournisseur. »
- Agir sur les décisions classées ; traitez les résultats en tant que support de décision : validez les références SKU critiques contre les contraintes des fournisseurs et la stratégie métier avant de placer des POS.
Problèmes connus et limitations
- Compte actif requis. Un compte Saifs AI actif ayant accès à Inventory Intelligence est requis. Les outils ne peuvent pas être appelés tant que la connexion OAuth 2.0 n’est pas terminée correctement sur la connexion.
- Soutien à la décision directionnelle, pas un remplacement ERP. Guide d’achat des recommandations ; ils n’effectuent pas de commandes ni remplacent les systèmes d’entrepôt d’enregistrement.
- Historique des demandes minces. L’historique des ventes très court ou éparse affaiblit les stocks de sécurité et les estimations de la demande ; l’outil peut revenir aux valeurs par défaut ou signaler des lacunes au lieu d’inventer une précision.
- Le coût de conservation est souvent approximatif. Si vous omettez de conserver le coût, un taux par défaut (environ 20 à 30% de coût unitaire par an) est utilisé. Ajustez quand votre coût réel de transport diffère.
-
on_orderc’est important. Si les POS ouverts sont omis, la liste d’achats peut suggérer une réorganisation du stock déjà en transit. - La devise est une étiquette d’affichage uniquement. Aucune conversion de change entre devises.
- Limites de taille pour l’outil direct. Préférez
inventory_optimizerenviron ≤200 références SKU et ≤2 500 lignes de demande ; utilisez-lesinventory_optimizer_get_enginepour les catalogues plus volumineux. - MOQ / case pack / max qty s’applique uniquement lorsque vous les fournissez ; sinon, les quantités ne sont pas contraintes par les règles d’emballage des fournisseurs.
- Les moteurs de stratégie multi-entrepôt et personnalisés sont hors de portée pour les outils de base décrits ici, sauf si votre déploiement les ajoute séparément.
- Session OAuth requise. Les outils ne s’exécutent pas tant que la connexion OAuth 2.0 réussit ; Les jetons expirés peuvent obliger l’utilisateur à se reconnecter ou à actualiser.
Assistance et commentaires
Inventory Intelligence &Optimization - Saifs AI est publié par Saifs AI.
- Site internet: https://saifs.ai
- Inscrivez-vous / Prise en main : https://saifs.ai
- Contactez-nous / Aide : https://saifs.ai/contact-us
- Confidentialité : https://saifs.ai/privacy_policy/inventory-intelligence
- Termes: https://saifs.ai/eula
- En savoir plus : https://saifs.ai/inventory-intelligence
- Point de terminaison MCP (référence) :
https://inventory-optimizer-mcp.saifs.ai/mcp
Actions
| Intelligence sur l’inventaire |
Commandez qty, réorganisez des points, surstockage et impact de trésorerie pour les achats d’inventaire plus intelligents. |
Intelligence sur l’inventaire
Commandez qty, réorganisez des points, surstockage et impact de trésorerie pour les achats d’inventaire plus intelligents.