Inventeringsinformation (förhandsversion)

Orderkvingång, omordningspunkter, överlager och kontantpåverkan för smartare lagerköp.

Den här anslutningsappen är tillgänglig i följande produkter och regioner:

Tjänst Class Regions
Copilot Studio Premium Alla Power Automate regioner förutom följande:
     - Amerikanska myndigheter (GCC)
     - Amerikanska myndigheter (GCC High)
     – China Cloud drivs av 21Vianet
     - US Department of Defense (DoD)
Logic Apps Standard Alla Logic Apps-regioner utom följande:
     - Azure Government regioner
     - Azure kinaregioner
     - US Department of Defense (DoD)
Power Apps Premium Alla Power Apps regioner förutom följande:
     - Amerikanska myndigheter (GCC)
     - Amerikanska myndigheter (GCC High)
     – China Cloud drivs av 21Vianet
     - US Department of Defense (DoD)
Power Automate Premium Alla Power Automate regioner förutom följande:
     - Amerikanska myndigheter (GCC)
     - Amerikanska myndigheter (GCC High)
     – China Cloud drivs av 21Vianet
     - US Department of Defense (DoD)
Kontakt
Name Saifs AI
URL https://saifs.ai/
E-post taher@saifytech.com
Metadata för anslutningsprogram
Publisher Saifs AI
Website https://saifs.ai/
Integritetspolicy https://saifs.ai/privacy_policy/inventory-intelligence
Categories Artificiell intelligens; Data

Inventeringsinformation och optimering – Saifs AI

Inventeringsinformation och optimering – Saifs AI hjälper inköps- och driftteam att bestämma vad de ska köpa, hur mycket och när. Du skickar en aktielista (och försäljningshistorik när den är tillgänglig) och servern returnerar orderkvantiteter, omordningspunkter, överlagerflaggor, kontanter som är bundna i lager och en inköpslista som rangordnas efter påverkan på pengar.

Den är byggd för företag som kör inventering från kalkylblad eller mellanmarknadssystem – inte företagsplaneringssviter – och behöver tydliga, repeterbara köpbeslut som de kan agera på idag.

Publisher: Saifs AI
Webbplats:https://saifs.ai
Registrera dig/Kom igång:https://saifs.ai
Kontakta oss/Hjälp:https://saifs.ai/contact-us
Sekretess:https://saifs.ai/privacy_policy/inventory-intelligence
Villkor:https://saifs.ai/eula
Läs mer:https://saifs.ai/inventory-intelligence
Autentisering: OAuth 2.0


Varför välja oss

Deterministiska resultat

Anledningen till att använda Inventory Intelligence &Optimization – Saifs AI är att det är deterministiskt att köpa matematik. Samma lagerlista (och försäljningshistorik), med samma inställningar, genererar samma orderkvantiteter, omordningspunkter, överlagerflaggor och pengarankade inköpslistor. Resultaten beräknas från publicerade inventeringsmodeller. De genereras inte som en ny berättelse varje gång du frågar.

Det är viktigt i Microsoft Copilot Studio eftersom inköp och finansiering agerar på kontanter och enheter. De behöver en rekommendation som de kan köra om, granska och försvara – på samma sätt som en operationsforskare storleksanpassar en omordningspunkt, inte på samma sätt som en språkmodell gissar hur mycket som ska köpas.

Hur vi håller resultat deterministiska

Varje lager är etablerad inventeringsvetenskaplig forskning, tillämpad på ditt lager och efterfrågan - inte en nyuppfunnen modell. Samma klass av matematik har använts i årtionden av forskare och utövare som behövde ett reproducerbart nummer för vad man ska köpa, hur mycket och när.

Vad det gör Etablerad metod Används sedan
Rekommenderar hur mycket som ska beställas när orderkostnaden och innehavskostnaden är viktig Ekonomisk orderkvantitet (Harris) 1913
Storlekar one-shot, säsongsbetonade eller förgängliga köp så att du täcker efterfrågan utan överskottsbyte Newsvendor /critical-fractile model (Edgeworth) 1888
Anger när du ska ordna om och hur mycket buffert som ska lagras för en tjänstnivå Säkerhetslager- och omordningspunktmodeller 1950-talet
Flaggor överlager och underlager rangordnade efter kontanter bundna eller i riskzonen Undantagsrapportering för dessa optimala band Standardinventeringskontroll
Respekterar verkliga inköpsbegränsningar (öppna POs, MOQ, ärendepaket, budget) Villkorsmedveten tillämpning av samma formler Standardinköpspraxis

Varje lager ovan har publicerats, citerats och körts mot riktiga aktieböcker i flera år. Denna MCP tillämpar dessa modeller på dina SKU:er och omvandlar utdata till en köplista rangordnad efter påverkan på pengar. Fråga igen med samma fil och inställningar så får du samma rekommendationer.

I den här produkten innebär deterministisk en monterad, reproducerbar poäng: samma indata returnerar samma utdata. Tunn efterfrågehistorik rapporteras som en lucka snarare än uppfunnen precision.

För administratörer

Det här avsnittet är till för Microsoft 365 och Copilot Studio administratörer som bestämmer om inventeringsinformation ska aktiveras Optimering – Saifs AI för klientorganisationen, vem som kan ansluta den och hur den ska användas i hela organisationen.

Kärnvärde för organisationen

De flesta team beställer fortfarande om från vana eller en statisk omordningsnivå som är fel under halva året. Överlager låser kontanter och kan förstöra; understock förlorar försäljningen. Den klassiska matematiken har funnits i mer än ett sekel, men den finns vanligtvis i ERP-moduler som många medelstora och SMB-team aldrig distribuerar.

Genom att aktivera denna MCP får organisationen ett godkänt sätt att svara på vad man ska köpa, hur mycket och när – i Copilot Studio agenter som skaparna redan bygger. Det omvandlar en aktielista (och försäljningshistorik när den är tillgänglig) till orderkvantiteter, omordningspunkter, överlagerflaggor och en inköpslista rangordnad efter pengapåverkan.

Du köper inte SAP APO. Du ger varje aktiverad tillverkare samma försvarbara inventerings-matematiska stack, så inköpsrekommendationerna är konsekventa mellan agenter, team och köpmöten.

Så här gynnas verksamheten

Organisationen behöver Vad denna MCP tillhandahåller
Stoppa lagerutdata för de objekt som är viktiga Sortera om punkter och säkerhetslager på en vald servicenivå (standard 95%)
Gratis kontanter fastnade i långsamma movers Överlagerflaggor rangordnade efter kontanter bundna
Köp tillräckligt för en festival eller förgängligt fönster utan att gissa Newsvendor-liknande kvantiteter för blankningsperioder
Spendera en begränsad inköpsbudget på beställningar med högst påverkan Pengarankad inköpslista, valfritt grupperad efter leverantör
Undvik att dubbelköpa aktier som redan är på väg on_order subtraheras när du anger öppna PO:er
En metod för hela klientorganisationen Deterministiska modeller: samma fil och inställningar skapar samma köplista varje gång
Inget driftsforskningsteam krävs Tillverkare bifogar MCP och en lager-CSV/ERP/Tally-export
Kontrollera vem som kan köra den Skapare autentiserar med OAuth 2.0. Endast personer som du tillåter att du skapar anslutningen kan anropa verktygen
Lägre driftsrisk än fritt Copilot kvantiteter Rekommendationerna kommer från EOQ, säkerhetslager och newsvendor-matematik, inte från en språkmodell som uppfinner ordningsföljd

Varför detta är ett administratörsbeslut

Tillverkare kommer annars att be Copilot att "berätta hur mycket vi ska beställa" från ett kalkylblad. Det ger en annan berättelse varje gång, kan inte granskas och kan inte jämföras vecka till vecka. Om du aktiverar den här MCP:en ersätts den med en styrd anslutningsapp:

  • Du väljer vem som kan ansluta den. Klient- och miljöbehörigheter gäller fortfarande. Anslutning kräver ett Saifs AI-konto och OAuth 2.0-inloggning.
  • Du behåller ett registersystem. Denna MCP rekommenderar och förklarar. Den lägger inte inköpsorder eller skriver tillbaka till ERP, Tally eller Dataverse. Lagersystem förblir sanningskällan tills din organisation väljer en separat integrering.
  • Du kan försvara numret. Orderkvantiteter och omordningspunkter kan köras på samma fil igen. Saknade indata rapporteras i stället för att tyst antas vara perfekta.
  • Du skalar skapare, inte modeller. Ett beslut om aktivering betjänar inköpschefer, butiksägare, D2C ops, reservdelsplanerare, apotek och ekonomiansvariga som redan bor i lagerkalkytor.

Vad administratörer bör förvänta sig när de har aktiverat

  1. Godkända tillverkare lägger till Inventeringsinformation och optimering – Saifs AI till en agent och fullständig OAuth-inloggning (se Komma igång).
  2. Slutanvändarna tillhandahåller en lagerlista med minst sku. Å ena sidan enhetskostnad, försäljningshistorik, ledtider och on_order gör rekommendationerna skarpare.
  3. Agenten returnerar orderkvantiteter, omordningspunkter och en inköpslista med pengar. Chefer placerar fortfarande POs i sin ERP eller hos leverantörer; MCP lägger inte dessa beställningar åt dem.
  4. För kataloger som är större än cirka 200 produkter eller 2 500 försäljningsrader använder inventory_optimizer_get_engine tillverkare i en numpy sandbox-miljö så att stora filer inte passerar genom chatten som token.

Om du aktiverar denna MCP standardiserar du hur organisationen bestämmer vad som ska köpas den här veckan – med en reproducerbar rekommendation som ledningen kan stå bakom.

Vem ska använda detta

Använd Inventeringsinformation och optimering – Saifs AI om du äger eller påverkar aktie- och köpbeslut:

Role Så här blir det enklare
Inköp/lagerchefer (distributörer, grossister) Svar i nattlig stil: vilka SKU:er som ska ordnas om nu, vilka långsamma movers binder ihop kontanter och en leverantörsgrupperad inköpslista.
Butiks- och butiksägare Ersätt nivåerna för tarmomordning med kvantiteter och ordna om punkter som är jordade i efterfrågan och ledtid.
E-handel/D2C-åtgärder Storlek säsongs- och kampanjköp (till exempel festivalfönster) istället för att gissa orderkvantiteter.
Tillverkare/reservdelsplaneringar Balansera orderkostnaden jämfört med att hålla kostnader och ange säkerhetslager för kritiska delar.
Apotek och färskvaror köpare Expiry-aware (newsvendor-style) orderkvantiteter så att du köper tillräckligt för att täcka efterfrågan utan överskottsbyte.
SMB-ägare och ekonomileads Se kontanter som fastnat i överlager och prioritera inköp när budgeten är begränsad.
Copilot Studio/Microsoft 365 Copilot skapare Lägg till inventeringsverktyg till agenter så att tillverkare och slutanvändare får förklaras köpa rekommendationer från CSV- eller ERP-exporter – utan att själva skapa formler.

Bästa passform: distributörer, grossister, återförsäljare, D2C/e-handel, tillverkare och apotek som har lager och bestämmer orderkvantitet och timing regelbundet.

Krävs inte: SAP APO, Oracle Advanced Planning eller liknande företagsmoduler. En CSV-aktiefil (eller liknande) – och helst försäljningshistorik – räcker för att komma igång.


Hur det är användbart

De flesta team beställer fortfarande om från vana eller en statisk omordningsnivå som är fel under halva året. Överlager låser kontanter och kan förstöra; understock förlorar försäljningen. Den klassiska matematiken (ekonomisk orderkvantitet, säkerhetslager, nyhetsvendor för färskvaror) har funnits i årtionden, men den är vanligtvis låst inuti dyra ERP-moduler som många mellanmarknads- och SMB-team aldrig distribuerar.

Inventeringsinformation & Optimering – Saifs AI gör den matematiken tillgänglig i Copilot- och agentupplevelser:

  • Vad du ska beställa och hur mycket – rekommenderade orderkvantiteter (inklusive ekonomi i EOQ-stil när kostnadsindata är tillgängliga).
  • När du ska ordna om – ordna om punkter med säkerhetslager för en vald servicenivå (standard 95%).
  • Vad är fel i lagret - överlager och understock flaggas och rangordnas efter kontantpåverkan.
  • Vad du ska köpa först under en budget – en inköpskö sorterad efter pengar, eventuellt grupperad efter leverantör.
  • Färskvaror och blankningsfönster – kvantiteter som balanserar lagerkostnad jämfört med rest- och bärgningskostnad.
  • Respektera verkliga inköpsbegränsningar – öppna inköpsorder (on_order), MOQ, ärendepaket, maximal orderkvation och prisavbrott när du anger dem.

Endast sku krävs för att anropa verktyget. Starkare indata (unit_cost, on_hand, on_orderbegäranshistorik, ledtider) ger skarpare rekommendationer. Verktyget rapporterar vad som saknades i stället för att blockera anropet.


Användningsfall

1. Dagligen / veckovis köplista

Scenario: En inköpschef för distributör klistrar in eller laddar upp lagerbehållning (och valfri försäljningshistorik).
Resultat: En rangordnad köplista – vad du ska beställa idag, hur mycket och vilka SKU:er som redan omfattas av öppna POs – så att du inte dubbelköper aktier som redan är på väg.

2. Ordna om aviseringar och lagerskydd

Scenario: Ledtider och tjänstnivåer varierar beroende på SKU (eller så använder du standardvärden).
Resultat: Sortera om punkter och säkerhetslager så att agenten tydligt kan säga vilka objekt som ligger under omordningspunkten och bör beställas innan du tar slut.

3. Gratis kontanter från överlager

Scenario: Långsamma movers sitter i månader medan snabba movers lager ut.
Resultat: Överlagrar flaggor med kontanter bundna i överskottslager, rankade så att finans och inköp kan skära eller pausa köp på de värsta förbrytarna först.

4. Budgetbegränsade inköp

Scenario: Du har en fast inköpsbudget för veckan eller månaden.
Resultat: Rekommendationer som prioriteras inom purchase_budget så begränsade kontanter går först till order med störst påverkan.

5. Säsongs- och kampanjköp (e-handel)

Scenario: Festival- eller kampanjfönster med begränsad försäljningsperiod.
Resultat: Orderkvantiteter i Newsvendor-stil med försäljningspris, kostnad, bärgning och efterfrågan – bättre än "beställa det vi sålde förra året".

6. Apotek och färskvaror beställning

Scenario: Objekt upphör att gälla eller har en kort hållbarhetstid.
Resultat: Orderkvantiteter som står för hållbarhet/ försäljningsfönster och överblivna värden, vilket minskar bytet samtidigt som tillgängligheten skyddas.

7. Leverantörsgrupperade POs

Scenario: Många SKU:er från samma leverantör; du vill ha en inköpsorder per leverantör.
Resultat: Inköpslista grupperad supplierefter , med MOQ och skiftlägespaket avrundning tillämpas när det tillhandahålls.

8. Jämför vana jämfört med rekommendation

Scenario: Du har redan beställt en fast kvantitet varje cykel.
Resultat: Skicka current_order_qty för att se hur dagens vana jämförs med den rekommenderade kvantiteten och kostnadsvägningen.

9. Stora kataloger (sandbox-sökväg)

Scenario: Mer än cirka 200 produkter eller 2 500 försäljningsrader.
Resultat: Använd inventory_optimizer_get_engine för att köra samma matematik lokalt via ett returnerat skript. Data finns kvar på användarens dator för den sökvägen.


Åtgärder som stöds (verktyg)

Tool När det bör användas
inventory_optimizer Cirka 200 produkter eller färre och cirka 2 500 försäljningsrader eller färre. Skicka lagerrader (och valfri efterfrågehistorik); få full order/överlager/kontantresultat.
inventory_optimizer_get_engine Större filer. Returnerar ett körklart Python skript (endast numpy). Spara och kör den oförändrad mot användarens fil. rapporttryckta beslut och detalj-JSON.

Vanliga indata

Lager (items) – rekommenderade fält

Fält Purpose
sku Produktkod (krävs)
name, category Etiketter för läsbara resultat
unit_cost, on_hand Kostnader och täckning
on_order Enheter som redan har beställts (undviker att köpa om under överföringslager)
backorders Enheter som redan utlovats till kunder
annual_demand Valfritt om du inte skickar försäljningshistorik
order_cost, holding_cost EOQ-ekonomi (innehavskostnader kan som standard vara ~25% enhetskostnad)
lead_time_days, lead_time_std Ändra ordning på punkt- och säkerhetslager
service_level Bråk i lager (standard 0,95)
sale_price, perishable, shelf_life_days, salvage_value Förgänglig/säsongsbaserad matematik
supplier, moq, case_pack, max_order_qty, price_breaks Inköpsbegränsningar
current_order_qty Jämför rekommendation jämfört med aktuell vana

Efterfrågehistorik (valfritt): rader med sku, date (eller sale_date) och quantity (ellerunits_soldsold_qtyqty / / ).

Användbara alternativ:currency / currency_symbol (endast display; no FX conversion), as_of, purchase_budget, group_by_supplier, optional demand-forecaster handoff records in forecasts.

Typiska utdata

  • Rekommenderade orderkvantiteter och omsorteringspunkter
  • Säkerhetslager för den valda servicenivån
  • Överlager/underlagerflaggor rangordnade efter kontantpåverkan
  • Inköpslista sorterad efter pengar (valfritt efter leverantör)
  • Anteckningar om saknade eller tunna indata så att rekommendationerna förblir ärliga

Prerequisites

  • Åtkomst till Microsoft Copilot Studio, Microsoft 365 Copilot, Azure Foundry eller någon annan värd som kan anropa den här MCP-servern
  • Ett Saifs AI-konto som har auktoriserats för inventeringsinformation och optimering – Saifs AI
  • Möjlighet att slutföra OAuth 2.0-inloggningen när du ansluter MCP-servern
  • Lagra data med minst en SKU per objekt (CSV/export från ERP, Tally, QuickBooks, Shopify, POS eller kalkylblad)
  • Föredrar också: å ena sidan qty, enhetskostnad och försäljningshistorik för skarpare efterfrågan och kontantresultat

Autentisering (OAuth 2.0)

Den här MCP-servern använder OAuth 2.0. Användare och tillverkare autentiserar med Saifs AI-autentiseringsuppgifter via OAuth-standardmedgivandeflödet när de ansluter servern i Copilot Studio eller Microsoft 365 Copilot.

Administratörer och tillverkare skapar inte API-nycklar manuellt. När du skapar en ny anslutning omdirigeras du till Saifs AI för att logga in. Efter inloggningen skapas anslutningen och agenten kan anropa MCP-verktyg under det kontot.


Komma igång

  1. Anslut inventeringsinformation & Optimering – Saifs AI i din Copilot Studio eller Microsoft 365 Copilot upplevelse.
  2. Slutför OAuth 2.0-inloggningen /medgivandet när du uppmanas att göra det.
  3. Ange en aktielista (klistra in, ladda upp eller agenttillgänglig fil). Inkludera on_order när inköpsorder redan är öppna.
  4. Fråga på vanligt språk, till exempel:
    • "Vad ska jag beställa den här veckan?"
    • "Vilka SKU:er är överlagerade och hur mycket kontanter har fastnat?"
    • "Sortera om punkter för dessa objekt på 99% servicenivå."
    • "Köp lista under en ₹5L / $ 5,000 budget, grupperad efter leverantör."
  5. Agera på de rangordnade besluten; behandla resultat som beslutsstöd – verifiera kritiska SKU:er mot leverantörsbegränsningar och affärsprinciper innan du placerar POs.

Kända problem och begränsningar

  • Aktivt konto krävs. Ett aktivt Saifs AI-konto med åtkomst till Inventory Intelligence krävs. Det går inte att anropa verktyg förrän OAuth 2.0-inloggningen har slutförts på anslutningen.
  • Stöd för riktningsbeslut, inte en ERP-ersättning. Rekommendationer guide inköp; de inte lägger order eller ersätter lagersystem för arkivhandling.
  • Tunn efterfrågehistorik. Mycket kort eller gles försäljningshistorik försvagar säkerhetslager och efterfrågeuppskattningar; verktyget kan återgå till standardvärden eller rapportera luckor i stället för att uppfinna precision.
  • Innehavskostnaden är ofta ungefärlig. Om du utelämnar innehavskostnader används ett standardpris (cirka 20–30% enhetskostnad per år). Justera när din verkliga transportkostnad skiljer sig åt.
  • on_order frågor. Om öppna POs utelämnas kan inköpslistan föreslå omordning av lager som redan är under överföring.
  • Valuta är endast en visningsetikett. Ingen valutakonvertering mellan valutor.
  • Storleksbegränsningar för direktverktyget. Föredrar inventory_optimizer ungefär ≤200 SKU:er och ≤ 2 500 begäranderader. Använd inventory_optimizer_get_engine för större kataloger.
  • MOQ/case pack/max qty gäller endast när du anger dem; i annat fall är kvantiteterna obehindrade av leverantörsförpackningsregler.
  • Motorer för flera lager och anpassade principer ligger utanför omfånget för de kärnverktyg som beskrivs här om inte distributionen lägger till dem separat.
  • OAuth-session krävs. Verktygen körs inte förrän OAuth 2.0-anslutningen har slutförts. förfallna token kan kräva att användaren återansluter eller uppdaterar.

Support och feedback

Inventeringsinformation och optimering – Saifs AI publiceras av Saifs AI.

Åtgärder

Inventeringsinformation

Orderkvingång, omordningspunkter, överlager och kontantpåverkan för smartare lagerköp.

Inventeringsinformation

Orderkvingång, omordningspunkter, överlager och kontantpåverkan för smartare lagerköp.