માંગની આગાહી અને સ્ટોક/ઇન્વેન્ટરી પ્લાનિંગ: ઓર્ડર, સેફ્ટી સ્ટોક અને સિઝન

નફો:

• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે ઐતિહાસિક વેચાણ અને શિપમેન્ટ ડેટામાંથી માંગની આગાહી, સલામતી સ્ટોક અને પુનઃક્રમાંકિત બિંદુ ગણતરીઓ મેળવવાની ક્ષમતા
• દૃશ્યના આધારે લીડ ટાઇમ, મોસમી વધઘટ અને સપ્લાય ચેઇન વિલંબને મોડેલ કરવાની ક્ષમતા અને આયોજનમાં તેનું પ્રતિબિંબ
• એ સમજવાની ક્ષમતા કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ અનુમાન એ સંભવિત આગાહી છે અને ખર્ચ, રોકડ અને જોખમને ધ્યાનમાં રાખીને અંતિમ ઓર્ડરનો નિર્ણય પ્લાનરનો છે.

વિદેશી વેપાર અને લોજિસ્ટિક્સમાં, પૈસા બે જગ્યાએ ખોવાઈ જાય છે: તમે જે માલ વેચી શકતા નથી તેના પર અને માલની પાછળ તમે ગ્રાહકને સમયસર પહોંચાડી શકતા નથી. વધારાની ઇન્વેન્ટરી રોકડને જોડે છે, વેરહાઉસ ખર્ચ અને બગાડ/અપ્રચલિત થવાના જોખમો બનાવે છે; ખૂટતો સ્ટોક એટલે વેચાણમાં ઘટાડો, ગ્રાહકનો અસંતોષ અને તાત્કાલિક (મોંઘો) પુરવઠો. બંને વચ્ચેની ફાઇન લાઇનને આગળ વધારવા માટે સારી માંગની આગાહી અને ચોક્કસ ઇન્વેન્ટરી પ્લાનની જરૂર છે. આંતરરાષ્ટ્રીય સોર્સિંગ સાથે આ વધુ મુશ્કેલ છે કારણ કે માલ અઠવાડિયા સુધી જહાજ પર રહે છે; જ્યારે તમે આજે ઓર્ડર કરો છો, ત્યારે તમે ખરેખર બે મહિના પછી માંગની આગાહી કરો છો. આ એકમમાં, અમે આગાહી અને આયોજન સહાયક તરીકે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કેવી રીતે કરવો તે આવરીશું.

ચાલો શરતો વ્યાખ્યાયિત કરીએ. માંગની આગાહી: તે ઐતિહાસિક ડેટાના આધારે ભાવિ વેચાણ/ઉપયોગની રકમની આગાહી છે. લીડ ટાઈમ: તમે ઓર્ડર આપો તે ક્ષણથી માલ ઉપલબ્ધ થાય તે ક્ષણ સુધીનો સમય; તે આયાત માટે ઉત્પાદન + પરિવહન + કસ્ટમ સમયનો સરવાળો છે. સલામતી સ્ટોક: તે માંગ અથવા પુરવઠાના સમયની વધઘટ સામે રાખવામાં આવેલ બફર સ્ટોક છે. રીઓર્ડર પોઈન્ટ: આ તે થ્રેશોલ્ડ છે કે જેના પર સ્ટોક આ સ્તરે નીચે આવે ત્યારે નવો ઓર્ડર મૂકવો જોઈએ; આશરે "લીડ ટાઇમ + સલામતી સ્ટોક દરમિયાન અપેક્ષિત માંગ". મોસમી વધઘટ (મોસમી): તે સમગ્ર વર્ષ દરમિયાન માંગમાં નિયમિત વધારો અને ઘટાડો છે (રજા, ઉનાળો, શાળા સમય).

પગલું દ્વારા પગલું: AI-સંચાલિત આગાહી અને આયોજન

પગલું 1 - ઐતિહાસિક ડેટા તૈયાર કરો. આગાહી ઐતિહાસિક વેચાણ/શિપમેન્ટ ડેટાથી શરૂ થાય છે. માસિક અથવા સાપ્તાહિક વેચાણ નંબરો, ઝુંબેશ અને કિંમતમાં ફેરફાર, જો કોઈ હોય તો, અને સમયગાળો જ્યારે તમારી પાસે સ્ટોક નથી. જ્યારે તમે આ ડેટા AI ને આપો છો (માત્ર ઉત્પાદન અને જથ્થો, ગોપનીય ગ્રાહક માહિતી વિના), તે વલણ, મોસમ અને કૂદકાનું અર્થઘટન કરે છે.

પગલું 2 - પેટર્ન દૂર કરો. AI ડેટામાં પેટર્ન વાંચે છે, જેમ કે "ઉનાળામાં 30% વધારો, જાન્યુઆરીમાં ઘટાડો, 8% વાર્ષિક વૃદ્ધિનું વલણ" અને તેને સાદી ભાષામાં સમજાવે છે. આ દૃશ્યમાન પેટર્ન બનાવે છે જે તમે કાચા નંબરને જોઈને કદાચ નોટિસ નહીં કરો.

પગલું 3 - આગાહી બનાવો અને તેને સ્ક્રિપ્ટ કરો. AI ઐતિહાસિક પેટર્નના આધારે માંગની આગાહીની રૂપરેખા આપી શકે છે; શું વધુ મૂલ્યવાન છે કે તે "નિરાશાવાદી / વાસ્તવિક / આશાવાદી" દૃશ્યો ઉત્પન્ન કરે છે. આ રીતે તમે શ્રેણીના આધારે પ્લાન કરો છો, એક નંબર પર નહીં.

પગલું 4 - સ્ટોક પેરામીટર્સની ગણતરી કરો. એકવાર આગાહી, લીડ ટાઈમ અને વોલેટિલિટી જાણી લીધા પછી, સેફ્ટી સ્ટોક અને રિઓર્ડર પોઈન્ટની ગણતરી કરવામાં આવે છે. AI સૂત્રનો અમલ કરે છે અને તર્ક દર્શાવે છે; તમે નંબરો ચકાસો.

પગલું 5 - માનવ નિર્ણય. અંતિમ ઓર્ડર જથ્થો; તે રોકડ પ્રવાહ, વેરહાઉસ ક્ષમતા, લઘુત્તમ ઓર્ડર જથ્થો, વિનિમય દર અને પુરવઠાના જોખમને ધ્યાનમાં રાખીને આયોજક દ્વારા આપવામાં આવે છે. આગાહી એ ઇનપુટ છે, નિર્ણય નથી.

સાવધાન: માંગની આગાહી ભૂતકાળને જુએ છે; તે ભવિષ્યની ખાતરી આપતું નથી. એક અણધારી ઘટના (ફેક્ટરી બંધ થવી, કસ્ટમ્સ બ્લોકેજ, માંગમાં અચાનક વધારો) આગાહીને રદ કરી શકે છે. સમગ્ર ઓર્ડરને AI દ્વારા પરત કરવામાં આવેલ એક "ચોક્કસ" નંબરને આભારી છે; દૃશ્ય અને સલામતીના માર્જિન સાથે કામ કરો.

સ્ટોક નિર્ણય ઘટકો કોષ્ટક

ઘટક

તેનો અર્થ શું છે

AIનું યોગદાન

માનવ નિર્ણય

માંગની આગાહી

અપેક્ષિત વેચાણ

પેટર્ન + દૃશ્ય જનરેટ કરે છે

સ્વીકારો/સાચો

લીડ સમય

ઓર્ડર → વપરાશ સમયગાળો

તેને ઘટકોમાં તોડી નાખે છે

વાસ્તવિક ડેટા સાથે માન્ય કરે છે

માંગમાં વધઘટ

માંગની અસ્થિરતા

ભૂતકાળના હિસાબો

કોમેન્ટ કરો અને શેર કરો

સલામતી સ્ટોક

બફર રકમ

સૂત્ર સાથે ગણતરી કરે છે

રોકડ/જોખમ બેલેન્સ

પુનઃક્રમાંકિત બિંદુ

ઓર્ડર થ્રેશોલ્ડ

ગણતરી કરે છે અને બતાવે છે

મંજૂરી

ઓર્ડર જથ્થો

કેટલી લેવામાં આવશે

સૂચનો આપે છે

અંતિમ નિર્ણય

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ઐતિહાસિક ડેટામાં વાંચન પેટર્ન:

તમારી ભૂમિકા: માંગ વિશ્લેષક સહાયક. નીચે ઉત્પાદનના છેલ્લા 24 મહિનાના માસિક વેચાણના આંકડા છે. મને નીચે આપેલ આપો: (a) સામાન્ય વલણ (વધતું/ઘટતું, આશરે % માં), (b) મોસમી પેટર્ન (ક્યા મહિનાઓ ઊંચા/નીચા છે), (c) નોંધપાત્ર કૂદકા/ક્રેશ અને સંભવિત કારણો (તેને મેં નોંધેલી ઘટનાઓ સાથે સંબંધિત છે, જો કોઈ હોય તો). હું નંબરો ચકાસીશ; ફિટિંગ ડેટા ઉમેરી રહ્યા છીએ. ડેટા: [મહિનો: જથ્થાની સૂચિ]

2) પરિસ્થિતિ માંગની આગાહી:

તમારી ભૂમિકા: આગાહી સહાયકની માંગ. ઉપરોક્ત ઈતિહાસના આધારે, આગામી 6 મહિના (માસિક જથ્થો) માટે ત્રણ પરિદ્રશ્ય આગાહીઓ (PESMISSIONARY, REALISTIC, OPTIMISTIC) બનાવો. દરેક દૃશ્ય કઈ ધારણા પર આધારિત છે તે લખો. આ સંભાવનાની આગાહી છે; તે ચોક્કસ પ્રતિબદ્ધતા નથી.

3) સલામતી સ્ટોક અને ઓર્ડર પોઇન્ટ:

તમારી ભૂમિકા: ઇન્વેન્ટરી પ્લાનિંગ સહાયક. ઇનપુટ્સ: સરેરાશ માસિક માંગ [X] એકમો, માંગની અસ્થિરતા [વર્ણન/ડેટા], લીડ ટાઇમ [Y] અઠવાડિયા, ઇચ્છિત સેવા સ્તર [દા.ત. ઉચ્ચ. મને મધ્યવર્તી પગલાં બતાવો જેથી હું તપાસ કરી શકું.

4) લીડ ટાઇમ જોખમ વિશ્લેષણ:

તમારી ભૂમિકા: સપ્લાય ચેઇન પ્લાનિંગ આસિસ્ટન્ટ. મારા લીડ ટાઈમમાં નીચેના ઘટકોનો સમાવેશ થાય છે: ઉત્પાદન [a] દિવસો, સમુદ્રી પરિવહન [b] દિવસો, કસ્ટમ્સ [c] દિવસો, અંતર્દેશીય પરિવહન [d] દિવસો. દરેક ઘટકમાં વિલંબના સંભવિત સ્ત્રોતો અને ઓર્ડરના સમય પર તેની અસરને બહાર કાઢો. સૌથી જોખમી લિંકને ચિહ્નિત કરો અને સલામતીના માર્જિન માટે ભલામણ આપો. સૂચન; તે નક્કી કરવાનું મારા પર છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારે આવતા મહિને કેટલો ઓર્ડર આપવો જોઈએ?

આ વિનંતી, ઐતિહાસિક ડેટા, લીડ ટાઈમ, સીઝન અને રોકડની પરિસ્થિતિ પ્રદાન કર્યા વિના, AI ને એવી સંખ્યા બનાવે છે જે ડેટા પર આધારિત નથી. આ નંબર સાથે ઓર્ડર આપવો એ આંધળી શરત હશે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ઇન્વેન્ટરી પ્લાનિંગ સહાયક. ઉત્પાદન: [કોડ]. છેલ્લા 12 મહિનાનું વેચાણ: [જથ્થાઓ]. પુરવઠાનો સમયગાળો 8 અઠવાડિયા છે, ન્યૂનતમ ઓર્ડર જથ્થો 500 એકમો છે, મારો સ્ટોક 340 એકમો છે. ઉનાળાના મહિનાઓમાં માંગ વધે છે. આગામી 2 મહિના માટે વાસ્તવિક માંગ શ્રેણી મેળવો, સલામતી સ્ટોક અને પુનઃક્રમાંકિત બિંદુની ગણતરી કરો, પછી 2-3 ઓર્ડર જથ્થાના દૃશ્યો સૂચવો (રોકડ-જોખમ સંતુલન સાથે). સંખ્યાઓના મધ્યવર્તી પગલાં બતાવો; હું અંતિમ નિર્ણય લઈશ.

આ પ્રોમ્પ્ટ તમામ નિર્ણાયક ઇનપુટ્સ આપે છે, દૃશ્યને સંકેત આપે છે અને ગણતરીના પગલાંને દૃશ્યમાન બનાવે છે, જેનાથી ચકાસણી શક્ય બને છે.

ત્રણ નાના કેસો

કેસ 1 - સિઝન સાથે પકડવું. એક આયાતકાર પાસે આખા વર્ષ દરમિયાન બગીચાના ઉત્પાદન માટે નિશ્ચિત ઓર્ડર હતો; તે વસંતઋતુમાં સ્ટોકની બહાર હતો અને ઉનાળામાં માલનો સંગ્રહ થતો હતો. 3-વર્ષના ડેટામાં, YZ સ્પષ્ટપણે માર્ચ અને મે વચ્ચે માંગમાં 40% વધારો દર્શાવે છે. આયોજકે લીડ ટાઇમ (10 અઠવાડિયા)ને ધ્યાનમાં લીધો અને જાન્યુઆરીમાં વહેલો અને મોટો ઓર્ડર આપ્યો. પરિણામ: વસંતઋતુમાં સ્ટોક આઉટેજ ઘટીને શૂન્ય થઈ ગયો, અને વર્ષના અંતે વધારાનો સ્ટોક 25% ઘટ્યો. AI એ પેટર્ન બતાવી, માનવે ઓર્ડરનો નિર્ણય લીધો.

કેસ 2 - ચોક્કસ સંખ્યા પર વિશ્વાસ કરવાની કિંમત. YZ દ્વારા આપવામાં આવેલ "3,200 એકમો" ના એકલ અંદાજના આધારે ઓર્ડર કરેલ પ્લાનર; તેણે સલામતીના દૃશ્ય અને માર્જિનનો ઉપયોગ કર્યો ન હતો. ગ્રાહકના અણધાર્યા મોટા ઓર્ડર સાથે સ્ટોકની બહાર, તાત્કાલિક એર કાર્ગો (યુનિટની કિંમત 3 ગણી) દ્વારા વધારાનો પુરવઠો કરવામાં આવ્યો હતો. પાઠ: દૃશ્ય શ્રેણી અને સલામતી સ્ટોક પર આધારિત યોજના, એકલ સંખ્યા નહીં.

કેસ 3 - લીડ ટાઇમની વાસ્તવિકતા. કંપનીએ હંમેશા તેનો સલામતી સ્ટોક ઓછો રાખ્યો; કારણ કે તેણે વિચાર્યું કે લીડ ટાઈમ "6 અઠવાડિયા" છે. જ્યારે YZ એ મુખ્ય સમયને ઘટકોમાં વિભાજિત કર્યો (ઉત્પાદન 3 + પરિવહન 4 + કસ્ટમ્સ 1.5 અઠવાડિયા ≈ 8.5 અઠવાડિયા), તે બહાર આવ્યું કે વાસ્તવિક સમય લાંબો હતો અને સૌથી અસ્થિર લિંક કસ્ટમ્સ હતી. તે મુજબ પુનઃક્રમાંકનો મુદ્દો ઉઠાવવામાં આવ્યો હતો; રિકરન્ટ સ્ટોકઆઉટ્સ સમાપ્ત થઈ ગયા છે.

સામાન્ય ભૂલો

• સમગ્ર ઓર્ડરને એક અનુમાન નંબર સાથે લિંક કરવું. દૃશ્ય (નિરાશાવાદી/વાસ્તવિક/આશાવાદી) અને સલામતી સ્ટોક સાથે કામ કરો.
• લીડ ટાઇમને ઓછો અંદાજ. ઉત્પાદન + પરિવહન + કસ્ટમ + સ્થાનિક પરિવહનના સરવાળા અને અસ્થિરતાને ધ્યાનમાં લો.
• મોસમની અવગણના. સ્થિર ઓર્ડર મોસમી ઉત્પાદનોમાં આઉટ-ઓફ-સ્ટોક અને ઓવરસ્ટોક બંને બનાવે છે.
• AI ને ડેટા આપ્યા વિના આગાહી માટે પૂછવું. ઐતિહાસિક માહિતી વિના ઉત્પાદિત સંખ્યા બનાવટી છે.
• રોકડ અને ક્ષમતાની મર્યાદાને બાયપાસ કરીને. જો રોકડ પૂરતી ન હોય તો સૌથી સચોટ આગાહી પણ અમલમાં મૂકી શકાતી નથી; નિર્ણય વ્યક્તિ પર છે.

ટિપ: AI ને ગણતરી માટે પૂછતી વખતે હંમેશા "મધ્યવર્તી પગલાં બતાવો" કહો. જો તમે જોતા નથી કે નંબરો કેવી રીતે બહાર આવે છે, જેમ કે સેફ્ટી સ્ટોક અથવા ઓર્ડર પોઈન્ટ, તો તમે તેમને ચકાસી શકતા નથી; મધ્યવર્તી પગલાં તમને ભૂલને પકડવા અને તર્ક શીખવા બંનેની મંજૂરી આપે છે.

સારાંશમાં

ડિમાન્ડ ફોરકાસ્ટિંગ અને ઈન્વેન્ટરી પ્લાનિંગ એ વધારાની અને અન્ડરસ્ટોક વચ્ચે સંતુલન જાળવવાની કળા છે; આંતરરાષ્ટ્રીય સોર્સિંગમાં લાંબા અને અસ્થિર લીડ ટાઈમ આને મુશ્કેલ બનાવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ ઐતિહાસિક ડેટામાં પેટર્ન વાંચવામાં, સિનારિયો ફોરકાસ્ટ જનરેટ કરવામાં, સેફ્ટી સ્ટોકની ગણતરી કરવામાં અને પોઈન્ટ રિઓર્ડર કરવામાં શક્તિશાળી સહાયક છે. પરંતુ આગાહી એ સંભાવનાની આગાહી છે; રોકડ, ક્ષમતા અને જોખમને ધ્યાનમાં લઈને અંતિમ ઓર્ડરનો નિર્ણય પ્લાનરનો છે. દૃશ્ય પર વિશ્વાસ કરો, એક પણ સંખ્યા નહીં, વાસ્તવિક સમયની ગણતરી કરો, મધ્યવર્તી પગલાં ચકાસો.

એપ્લિકેશન કાર્ય

ઉત્પાદનના છેલ્લા 12-24 મહિનાના વેચાણ ડેટા (નંબર, ગોપનીય ગ્રાહક માહિતી વિના) મેળવો. AI ને પહેલા પેટર્ન (ટ્રેન્ડ + સીઝન) વાંચવા દો, પછી ત્રણ-પરિદ્રશ્યની આગાહી કરો. પછી તમારો લીડ ટાઇમ, ન્યૂનતમ ઓર્ડર જથ્થો અને ઉપલબ્ધ સ્ટોક આપીને પુનઃક્રમાંકિત બિંદુ અને સલામતી સ્ટોકની ગણતરી કરો; મધ્યવર્તી પગલાં જાતે તપાસો. છેલ્લે, તમારી રોકડ અને ક્ષમતાને ધ્યાનમાં રાખીને તમારો અંતિમ ઓર્ડરનો નિર્ણય લો અને તેની AI દૃશ્યો સાથે સરખામણી કરો.

ચેકલિસ્ટ

• [ ] મેં AI ને ઐતિહાસિક વેચાણ ડેટા (અનામી) આપ્યો; મેં ડેટાના આધારે અંદાજ મૂક્યો.
• [ ] મેં વલણ અને મોસમી પેટર્ન દૂર કરી.
• [ ] એક નંબરને બદલે, મેં નિરાશાવાદી/વાસ્તવિક/આશાવાદી દૃશ્ય બનાવ્યું.
• [ ] મેં લીડ ટાઇમને તેના ઘટકોમાં વિભાજીત કર્યો અને તેની વાસ્તવિક ગણતરી કરી.
• [ ] મેં મધ્યવર્તી પગલાં સાથે સલામતી સ્ટોક અને ઓર્ડર પોઈન્ટની ચકાસણી કરી.
• [ ] મેં રોકડ, ક્ષમતા અને જોખમને ધ્યાનમાં રાખીને અંતિમ ઓર્ડરનો નિર્ણય લીધો હતો.