سود:
- امکان استخراج پیش بینی تقاضا، محاسبات موجودی ایمنی و امتیاز مجدد از داده های تاریخی فروش و حمل و نقل با پشتیبانی هوش مصنوعی
- توانایی مدل سازی زمان تحویل، نوسانات فصلی و تاخیرهای زنجیره تامین بر اساس سناریو و انعکاس آنها در برنامه ریزی
- توانایی درک اینکه پیشبینی هوش مصنوعی یک پیشبینی احتمال است و تصمیم نهایی با در نظر گرفتن هزینه، پول نقد و ریسک متعلق به برنامهریز است.
در تجارت خارجی و تدارکات، پول در دو جا از بین می رود: روی کالایی که نمی توانید بفروشید و پشت کالایی که نمی توانید به موقع به مشتری تحویل دهید. موجودی اضافی پول نقد را محدود میکند، هزینههای انبار و خطرات فساد/منسوخ شدن را ایجاد میکند. گم شدن سهام به معنای از دست دادن فروش، نارضایتی مشتری و عرضه فوری (گران) است. ایجاد خط باریک بین این دو نیاز به یک پیشبینی خوب تقاضا و یک برنامه دقیق موجودی دارد. این امر با تامین منابع بین المللی حتی دشوارتر است زیرا کالاها برای هفته ها در کشتی باقی می مانند. وقتی امروز سفارش می دهید، در واقع دو ماه بعد تقاضا را پیش بینی می کنید. در این بخش به نحوه استفاده از هوش مصنوعی به عنوان دستیار پیش بینی و برنامه ریزی می پردازیم.
بیایید اصطلاحات را تعریف کنیم. پیش بینی تقاضا: پیش بینی میزان فروش/استفاده آتی بر اساس داده های تاریخی است. زمان سرب: زمان از لحظه ثبت سفارش تا زمانی که کالا در دسترس قرار می گیرد. مجموع زمان تولید + حمل و نقل + گمرک برای واردات است. سهام ایمنی: یک سهام بافری است که در برابر نوسانات تقاضا یا زمان عرضه نگهداری می شود. نقطه سفارش مجدد: این آستانه ای است که در آن زمانی که سهام به این سطح سقوط کرد، باید سفارش جدیدی در آن ثبت شود. تقریباً "تقاضای مورد انتظار در طول مدت زمان تحویل + سهام ایمنی". نوسانات فصلی (فصلی): افزایش و کاهش منظم تقاضا در طول سال (تعطیلات، تابستان، ترم مدرسه) است.
گام به گام: پیش بینی و برنامه ریزی مبتنی بر هوش مصنوعی
مرحله 1 - داده های تاریخی را آماده کنید. پیشبینی با دادههای تاریخی فروش/محموله شروع میشود. اعداد فروش ماهانه یا هفتگی، کمپین ها و تغییرات قیمت، در صورت وجود، و دوره هایی که موجودی شما تمام شده است. وقتی این داده ها را به هوش مصنوعی می دهید (فقط محصول و مقدار، بدون اطلاعات محرمانه مشتری)، روند، فصل و جهش را تفسیر می کند.
مرحله 2 - الگو را بردارید. هوش مصنوعی الگوهای موجود در دادهها را میخواند، مانند "30٪ افزایش در تابستان، کاهش در ژانویه، 8٪ روند رشد سالانه" و آنها را به زبان ساده توضیح میدهد. این الگوهای قابل مشاهده را ایجاد می کند که ممکن است با مشاهده عدد خام متوجه آنها نشوید.
مرحله 3 - پیش بینی را ایجاد کنید و آن را اسکریپت کنید. هوش مصنوعی می تواند پیش بینی تقاضا را بر اساس الگوی تاریخی ترسیم کند. آنچه ارزشمندتر است این است که سناریوهای «بدبینانه / واقع بینانه / خوش بینانه» تولید می کند. به این ترتیب شما بر اساس یک محدوده، نه یک عدد واحد، برنامه ریزی می کنید.
مرحله 4 - پارامترهای سهام را محاسبه کنید. هنگامی که پیش بینی، زمان تحویل و نوسانات مشخص شد، سهام ایمنی و نقطه سفارش مجدد محاسبه می شود. هوش مصنوعی فرمول را پیاده سازی می کند و منطق را نشان می دهد. شما اعداد را تایید می کنید
مرحله 5 - تصمیم انسانی مقدار سفارش نهایی؛ توسط برنامه ریز با در نظر گرفتن جریان نقدی، ظرفیت انبار، حداقل مقدار سفارش، نرخ ارز و ریسک عرضه ارائه می شود. پیشبینی یک ورودی است، نه یک تصمیم.
احتیاط: پیش بینی تقاضا به گذشته نگاه می کند. آینده را تضمین نمی کند. یک رویداد غیرمنتظره (بسته شدن کارخانه، انسداد گمرک، افزایش ناگهانی تقاضا) می تواند پیش بینی را از بین ببرد. نسبت دادن کل سفارش به یک عدد «دقیق» که توسط هوش مصنوعی بازگردانده شده است، خطرناک است. با سناریو و حاشیه ایمنی کار کنید.
جدول اجزای تصمیم گیری سهام
جزء
به چه معناست
سهم هوش مصنوعی
تصمیم انسانی
پیش بینی تقاضا
فروش مورد انتظار
الگو + سناریو تولید می کند
قبول / تصحیح
زمان هدایت
سفارش← مدت استفاده
آن را به اجزاء تقسیم می کند
با داده های واقعی تایید می شود
نوسان تقاضا
نوسانات تقاضا
حساب های گذشته
نظر دهید و به اشتراک بگذارید
سهام ایمنی
مقدار بافر
با فرمول محاسبه می کند
مانده نقدی/ریسک
نقطه سفارش مجدد
آستانه سفارش
محاسبه می کند و نشان می دهد
تایید
مقدار سفارش
چقدر گرفته خواهد شد
پیشنهاداتی ارائه می دهد
تصمیم نهایی
چهار قالب قابل کپی
1) الگوهای خواندن در داده های تاریخی:
نقش شما: دستیار تحلیلگر تقاضا. در زیر ارقام فروش ماهانه 24 ماه گذشته یک محصول آورده شده است. موارد زیر را به من بدهید: (الف) روند کلی (افزایش/کاهش، تقریباً بر حسب درصد)، (ب) الگوی فصلی (که ماهها زیاد/پایین هستند)، (ج) جهشها/تصادفهای قابلتوجه و علل احتمالی (در صورت وجود، آنها را با رویدادهایی که اشاره کردم مرتبط کنید). من اعداد را تأیید می کنم. افزودن دادههای مناسب. دادهها: [ماه: فهرست کمیت]
2) سناریو پیش بینی تقاضا:
نقش شما: دستیار پیش بینی تقاضا. بر اساس تاریخچه فوق، سه پیش بینی سناریو (بدبین، واقعی، خوش بینانه) برای 6 ماه آینده (مقدار ماهانه) تولید کنید. بنویسید که هر سناریو بر چه فرضی استوار است. این یک پیش بینی احتمال است. این یک تعهد قطعی نیست.
3) انبار ایمنی و نقطه سفارش:
نقش شما: دستیار برنامه ریزی موجودی. ورودی ها: میانگین تقاضای ماهانه [X] واحد، نوسانات تقاضا [توضیح/داده]، زمان پایان [Y] هفته، سطح خدمات مطلوب [به عنوان مثال. بالا]. (الف) نقطه سفارش مجدد را محاسبه کنید (تقاضای مورد انتظار در زمان تحویل + سهام ایمنی) و منطق را گام به گام نشان دهید. (ب) روشی را که برای سهام ایمنی استفاده کردید توضیح دهید. مراحل میانی را به من نشان دهید تا بررسی کنم.
4) تحلیل ریسک زمان سرب:
نقش شما: دستیار برنامه ریزی زنجیره تامین. زمان تحویل من شامل اجزای زیر است: تولید [a] روز، حمل و نقل اقیانوسی [b] روز، گمرک [c] روز، حمل و نقل داخلی [d] روز. استخراج منابع احتمالی تاخیر در هر جزء و تاثیر آن بر زمان بندی سفارش. خطرناک ترین پیوند را علامت گذاری کنید و برای حاشیه ایمنی توصیه کنید. پیشنهاد؛ این به من بستگی دارد که تصمیم بگیرم.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
ماه آینده چقدر باید سفارش بدهم؟
این درخواست بدون ارائه دادههای تاریخی، زمان تحویل، فصل و وضعیت نقدی، باعث میشود که هوش مصنوعی عددی را ایجاد کند که بر اساس دادهها نیست. سفارش با این شماره یک شرط کورکورانه خواهد بود.
اعلان قدرتمند:
نقش شما: دستیار برنامه ریزی موجودی. محصول: [کد]. فروش 12 ماه گذشته: [تعداد]. دوره عرضه 8 هفته است، حداقل مقدار سفارش 500 واحد است، موجودی من 340 واحد است. تقاضا در ماه های تابستان افزایش می یابد. محدوده تقاضای واقعی را برای 2 ماه آینده بدست آورید، موجودی ایمنی را محاسبه کنید و نقطه سفارش مجدد را محاسبه کنید، سپس 2-3 سناریو مقدار سفارش (با مانده ریسک نقدی) را پیشنهاد دهید. نمایش مراحل میانی اعداد. من تصمیم نهایی را خواهم گرفت.
این اعلان همه ورودیهای حیاتی را ارائه میدهد، سناریو را درخواست میکند و مراحل محاسبه را قابل مشاهده میکند و تأیید را ممکن میسازد.
سه کیف کوچک
مورد 1 - رسیدن به فصل. یک واردکننده در تمام طول سال سفارش ثابتی برای یک محصول باغی داشت. او در بهار موجودی نداشت و در تابستان اجناس انباشته می کرد. در دادههای 3 ساله، YZ به وضوح 40 درصد افزایش تقاضا را بین مارس و مه نشان داد. برنامه ریز زمان تحویل (10 هفته) را در نظر گرفت و سفارش اولیه و بزرگی را در ژانویه انجام داد. نتیجه: قطعی سهام در فصل بهار به صفر رسید و مازاد موجودی در پایان سال 25 درصد کاهش یافت. هوش مصنوعی این الگو را نشان داد، انسان تصمیم گیری در مورد دستور را گرفت.
مورد 2 - بهای اعتماد به عدد دقیق. یک برنامه ریز بر اساس برآورد واحد "3200 واحد" که توسط YZ سفارش داده شده است. او از سناریو و حاشیه ایمنی استفاده نکرد. با سفارش بزرگ غیرمنتظره مشتری، موجودی نداشت، عرضه اضافی از طریق محموله هوایی فوری انجام شد (هزینه واحد 3 برابر). درس: برنامه ریزی بر اساس محدوده سناریو و سهام ایمنی، نه اعداد واحد.
مورد 3 - واقعیت زمان سرب. یک شرکت همیشه سهام ایمنی خود را پایین نگه داشته است. زیرا او فکر می کرد زمان نمایش "6 هفته" است. وقتی YZ زمان تحویل را به اجزاء تقسیم کرد (تولید 3 + حمل و نقل 4 + گمرک 1.5 هفته ≈ 8.5 هفته) ، معلوم شد که زمان واقعی طولانی تر است و بی ثبات ترین پیوند گمرک است. نقطه ترتیب مجدد بر این اساس مطرح شد. انبارهای مکرر به پایان رسیده است.
اشتباهات رایج
- پیوند کل سفارش به یک عدد حدس. با سناریو (بدبینانه / واقع بینانه / خوش بینانه) و سهام ایمنی کار کنید.
- دست کم گرفتن زمان تحویل مجموع و نوسانات تولید + حمل و نقل + گمرک + حمل و نقل داخلی را در نظر بگیرید.
- نادیده گرفتن فصل سفارش ثابت باعث می شود محصولات فصلی هم موجودی و هم مازاد عرضه را ایجاد کنند.
- درخواست پیش بینی بدون ارائه داده به هوش مصنوعی. تعداد تولید شده بدون داده های تاریخی ساخته شده است.
- دور زدن وجه نقد و محدودیت ظرفیت. اگر پول نقد کافی نباشد، حتی دقیق ترین پیش بینی را نمی توان اجرا کرد. تصمیم با خود شخص است.
نکته: هنگام درخواست از هوش مصنوعی برای محاسبه، همیشه بگویید «نمایش مراحل میانی». اگر نمیبینید اعدادی مانند موجودی ایمنی یا نقطه سفارش چگونه به دست میآیند، نمیتوانید آنها را تأیید کنید. مراحل میانی به شما این امکان را می دهد که هم خطا را دریافت کنید و هم منطق را یاد بگیرید.
به طور خلاصه
پیشبینی تقاضا و برنامهریزی موجودی، هنر ایجاد تعادل بین مازاد و کمبود موجودی است. زمان های طولانی و بی ثبات در منابع بین المللی این کار را دشوار می کند. هوش مصنوعی یک دستیار قدرتمند در خواندن الگوها در داده های تاریخی، ایجاد پیش بینی سناریو، محاسبه سهام ایمنی و نقطه سفارش مجدد است. اما پیشبینی، پیشبینی احتمال است. تصمیم نهایی سفارش با در نظر گرفتن وجه نقد، ظرفیت و ریسک به برنامه ریز تعلق دارد. به سناریو اعتماد کنید، نه به یک عدد، زمان تحویل را به طور واقع بینانه محاسبه کنید، مراحل میانی را تأیید کنید.
وظیفه کاربردی
اطلاعات 12-24 ماه گذشته فروش (تعداد، بدون اطلاعات محرمانه مشتری) یک محصول را دریافت کنید. از هوش مصنوعی بخواهید ابتدا الگو را بخواند (روند + فصل)، سپس یک پیشبینی سه سناریویی ایجاد کند. سپس نقطه سفارش مجدد و موجودی ایمنی را با دادن زمان تحویل، حداقل مقدار سفارش و موجودی موجود محاسبه کنید. مراحل میانی را خودتان بررسی کنید. در نهایت، تصمیم نهایی خود را با توجه به پول نقد و ظرفیت خود بگیرید و آن را با سناریوهای هوش مصنوعی مقایسه کنید.
چک لیست
- [ ] من داده های تاریخی فروش (ناشناس) را به هوش مصنوعی دادم. من برآورد را بر اساس داده ها استوار کردم.
- [ ] من روند و الگوی فصلی را حذف کردم.
- [ ] به جای یک عدد واحد، یک سناریوی بدبینانه/واقع بینانه/خوشبینانه تولید کردم.
- [ ] من زمان تحویل را به اجزای آن تقسیم کردم و آن را به طور واقع بینانه محاسبه کردم.
- [ ] من انبار ایمنی و نقطه سفارش را با مراحل میانی تأیید کردم.
- [ ] با در نظر گرفتن پول نقد، ظرفیت و ریسک، تصمیم نهایی را برای سفارش گرفتم.