સપ્લાય, ઈન્વેન્ટરી અને કચરો ઘટાડો: ખરીદી, ઈન્વેન્ટરી અને ટકાઉપણું

નફો:

• આર્ટિફિશિયલ ઈન્ટેલિજન્સ સપોર્ટ સાથે ખરીદીની યાદી, ન્યૂનતમ સ્ટોક (પાર લેવલ) અને ઓર્ડર પોઈન્ટ કન્સેપ્ટની યોજના કરવાની ક્ષમતા
• ખાદ્ય કચરાને માપવાની ક્ષમતા, કૃત્રિમ બુદ્ધિમત્તા સાથે મૂળ કારણ વિશ્લેષણ અને ઘટાડાના દૃશ્યો ઉત્પન્ન કરવા અને ટકાઉપણાને મજબૂત કરવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સનું અનુમાન ઐતિહાસિક ડેટા અને સિઝન પર આધારિત છે અને પુરવઠામાં વિક્ષેપ અને ભાવ તૂટવાના કિસ્સામાં રસોઇયા અને ખરીદનારનો નિર્ણય પ્રથમ આવે છે તે પારખવામાં સક્ષમ હોવું.

રેસ્ટોરન્ટનો નફો મોટાભાગે બે જગ્યાએ થાય છે અથવા ખોવાઈ જાય છે: સાચી ખરીદી અને થોડો કચરો. ઘણી બધી સામગ્રી બગાડશે, બહુ ઓછી મેનુને બગાડશે; દરેક ગ્રામ જે નકામા જાય છે તે ખરીદેલા પૈસાનો બગાડ છે. આ એકમમાં, અમે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ આયોજન સહાયક તરીકે ખરીદી આયોજન, સ્ટોક મેનેજમેન્ટ અને ખાદ્ય કચરો ઘટાડવા માટે કરીશું. સીમા સ્પષ્ટ છે: AI ઐતિહાસિક ડેટા અને મોસમના આધારે આગાહીઓ અને દૃશ્યો બનાવે છે; સપ્લાયમાં વિક્ષેપ, ભાવ તૂટવા અને ગુણવત્તા અંગેના નિર્ણયમાં મુખ્ય અને ખરીદનારનો ચુકાદો અગ્રતા ધરાવે છે.

ખરીદીની મૂળભૂત વિભાવનાઓ

નક્કર ખરીદી થોડા ખ્યાલો પર આધાર રાખે છે. પાર સ્તર (લઘુત્તમ સ્ટોક લેવલ) એ સામગ્રીની ન્યૂનતમ રકમ છે જે દરેક સમયે હાથમાં હોવી જોઈએ; જ્યારે તે નીચે આવે છે ત્યારે ઓર્ડર આપવામાં આવે છે. ઓર્ડર પોઈન્ટ કહેવાતા "ઓર્ડર હવે" થ્રેશોલ્ડ છે, જેમાં લીડ ટાઈમ (સામગ્રી આવવામાં કેટલા દિવસો લાગે છે) ધ્યાનમાં લે છે. સલામતી સ્ટોક અણધારી ધસારો અથવા વિલંબ સામે બફર છે.

જ્યારે તમે ઐતિહાસિક વપરાશનો ડેટા અને કવરની અપેક્ષિત સંખ્યા આપો છો, ત્યારે AI કઈ સામગ્રી અને કેટલી ઓર્ડર આપવી તેનો ડ્રાફ્ટ બનાવે છે અને સમાન સ્તરની ભલામણ કરે છે. પરંતુ તાજી પેદાશો ટૂંકા શેલ્ફ જીવન ધરાવે છે; વધુ ખરીદવું એટલે બગાડ, ઓછું ખરીદવું એટલે મેનુની ખોટ. AI આગાહી એ એક શરૂઆત છે; તે દિવસે સપ્લાયરની ગુણવત્તા, કિંમત અને મોસમ ખરીદનારના નિર્ણય પર છોડી દેવામાં આવે છે. ઉદાહરણ તરીકે, જો AI કહે છે કે "10 કિલો ટામેટાં ખરીદો", જો ટામેટાં નબળી ગુણવત્તાના હોય અથવા તે દિવસે કિંમત આસમાને પહોંચી ગઈ હોય, તો અનુભવી ખરીદનાર વિકલ્પ તરફ વળશે.

ટીપ: જ્યારે AI ને ઓર્ડરની સૂચિ માટે પૂછો, ત્યારે કહો કે "દરેક આઇટમ માટે અલગ-અલગ કૉલમમાં સમાન સ્તર, વર્તમાન સ્ટોક અને સૂચવેલ ઓર્ડરની માત્રા બતાવો." આ રીતે તમને તર્કબદ્ધ ભલામણ મળે છે, અંધ સૂચિ નહીં, અને તમે તેને દૃષ્ટિની રીતે ચકાસી શકો છો.

ખોરાકનો કચરો માપવા અને ઘટાડવો

તમે જે માપતા નથી તેને તમે મેનેજ કરી શકતા નથી. ખાદ્યપદાર્થોના કચરાના સ્ત્રોતોમાં સામાન્ય રીતે સમાવેશ થાય છે: વધુ પડતી ખરીદી (બગાડવું), ખોટો ભાગ (પ્લેટ પરનો બાકીનો ભાગ), તૈયારીનો કચરો (ઓવરસોર્ટિંગ), અયોગ્ય સંગ્રહ (અકાળે બગાડ) અને મેનુ અસંતુલન (ઓછુ વેચાણ ઘટકોનો બગાડ). જ્યારે તમે તમારા બગાડના રેકોર્ડ્સ પ્રદાન કરો છો (શું, કેટલું, શા માટે ફેંકવામાં આવ્યું હતું), AI સૌથી મોટા કચરાના સ્ત્રોતોને દૃશ્યમાન બનાવે છે અને ઘટાડાના દૃશ્યો સૂચવે છે: ભાગને સમાયોજિત કરો, મેનૂમાંથી ઓછા વેચાણવાળાને દૂર કરો, અન્ય પ્લેટમાં નકામા ઘટકોનો ઉપયોગ કરો.

ટકાઉપણુંના સંદર્ભમાં, કચરામાં ઘટાડો નૈતિક અને આર્થિક બંને છે. "નાકથી પૂંછડી / મૂળથી પાન" અભિગમો જેમ કે શાકભાજીની દાંડીને સ્ટોક/શાકભાજીના સૂપમાં ફેરવવી, વાસી બ્રેડને ક્રાઉટનમાં ફેરવવી અને સ્ટાફના ભોજનમાં કચરો વાપરવો એ AIના વિચારો તરીકે લઈ શકાય છે. પરંતુ ખાદ્ય સુરક્ષા માર્જિન જાળવવામાં આવે છે: બગડેલા ઉત્પાદનનું ક્યારેય મૂલ્યાંકન કરવામાં આવતું નથી; અસુરક્ષિત ખોરાકનો ઉપયોગ કરવા માટે "કચરામાં ઘટાડો" ક્યારેય બહાનું ન હોઈ શકે.

સાવધાન: કચરામાં ઘટાડો ક્યારેય ખાદ્ય સુરક્ષા સાથે સમાધાન કરતું નથી. જ્યારે AI કહે છે કે "બગાડનું મૂલ્યાંકન કરો", ત્યારે પણ અંતિમ શબ્દ એ ખાદ્ય સલામતીનો નિયમ છે: કોઈપણ ઉત્પાદન કે જેની સમયસીમા સમાપ્ત થઈ ગઈ હોય, તેની કોલ્ડ ચેઈન તૂટેલી હોય અથવા તેની સાથે ચેડાં કરવામાં આવ્યા હોય તેવું ન જણાય.

ત્રણ નાના કેસો

કેસ 1 - કચરો સમાન સ્તર સાથે ઘટતો જાય છે. હોટેલના રસોડામાં હંમેશા ખૂબ જ તાજી વનસ્પતિઓ ખરીદી હતી અને તેમાંથી અડધા સુકાઈ ગયા હતા. ચીફ એઆઈને 6 અઠવાડિયાનો ઉપયોગ ડેટા આપ્યો; AI એ વાસ્તવિક સાપ્તાહિક ઉપયોગ કાઢ્યો અને દરેક વનસ્પતિ માટે સમાન સ્તરની ભલામણ કરી. ઓર્ડર આ સ્તરે ઘટાડવામાં આવ્યા હતા, અને તાજી વનસ્પતિનો બગાડ નોંધપાત્ર રીતે ઘટ્યો હતો. અઠવાડિયામાં જ્યાં સપ્લાયરની ગુણવત્તા નબળી હતી, ખરીદનાર ફરીથી પોતાનો નિર્ણય લે છે; AI એ આધાર સેટ કર્યો, માણસોએ તેને સમાયોજિત કર્યો.

કેસ 2 - કચરાના મૂળ કારણનું વિશ્લેષણ. એક રેસ્ટોરન્ટ દર મહિને ખાદ્યપદાર્થોનો નોંધપાત્ર કચરો અનુભવી રહી હતી પરંતુ તે ક્યાંથી આવી રહી છે તે ખબર ન હતી. એક મહિના માટે કચરો રેકોર્ડ કરવામાં આવ્યો હતો (શું, કેટલા કિલો, શા માટે) અને YZ ને આપવામાં આવ્યું હતું. AI એ ત્રણ સૌથી મોટા સ્ત્રોતો ટાંક્યા: ઓછી વેચાતી ફિશ પ્લેટનો બગડાયેલો સ્ટોક, સાઇડ ડિશનો વધુ પડતો ભાગ અને અયોગ્ય રીતે સંગ્રહિત સલાડ ઘટકો. માછલીની પ્લેટને મેનૂમાંથી દૂર કરવામાં આવી હતી, ભાગો ઘટાડવામાં આવ્યા હતા અને સંગ્રહને ઠીક કરવામાં આવ્યો હતો. ત્રણ મહિનામાં કચરામાં નોંધપાત્ર ઘટાડો થયો. AI એ સ્ત્રોત બતાવ્યો, ટીમે નિર્ણયો લીધા.

કેસ 3 - પુરવઠા વિક્ષેપમાં માનવ નિર્ણય. પાછું વળીને જોઈએ તો, AI એ તેની રૂટિન ઓર્ડર લિસ્ટમાં ચોક્કસ સીફૂડ મૂક્યું હતું. પરંતુ હવામાનને કારણે તે અઠવાડિયે શિકાર બંધ થઈ ગયો, અને ઉત્પાદન કાં તો અનુપલબ્ધ હતું અથવા ખૂબ મોંઘું હતું. ખરીદદારે એઆઈ સૂચિને આંખ આડા કાન કર્યા નથી; મેનુ પર કામચલાઉ અવેજી કરી અને સપ્લાયર સાથે વાત કરી. AI ભૂતકાળ તરફ જુએ છે; માનવી ક્ષણિક વિરામનું સંચાલન કરે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ખરીદી / ઓર્ડર ડ્રાફ્ટ:

તમારી ભૂમિકા: ખરીદી સહાયક. નીચે દરેક સામગ્રી માટે છે: સમાન સ્તર, વર્તમાન સ્ટોક, છેલ્લા 4 અઠવાડિયામાં સરેરાશ વપરાશ અને લીડ સમય. આગામી અઠવાડિયે અપેક્ષિત ઘનતા: [સામાન્ય/ઉચ્ચ]. કાર્ય: એક અલગ કૉલમમાં દરેક સામગ્રી માટે ભલામણ કરેલ ઓર્ડરની માત્રાની ગણતરી કરો અને એક વાક્યમાં વાજબીતા લખો. તાજા ઉત્પાદનો પર શેલ્ફ લાઇફ ચેતવણી ઉમેરો. જણાવો કે હું ગુણવત્તા/કિંમતનો નિર્ણય લઈશ. ડેટા: [કોષ્ટક].

2) કચરાના મૂળ કારણનું વિશ્લેષણ:

નીચે માસિક બગાડનો રેકોર્ડ છે: સામગ્રી/પ્લેટ, કાઢી નાખવામાં આવેલી રકમ, કાઢી નાખવાનું કારણ. કચરાના 5 સૌથી મોટા સ્ત્રોતોની યાદી આપો; દરેક માટે, સંભવિત મૂળ કારણ અને ઘટાડવાની ભલામણ લખો. ખોરાકની સલામતી સાથે ચેડાં કરે તેવા કોઈપણ સૂચનો ન આપો. ડેટા: [કોષ્ટક].

3) કચરાનું મૂલ્યાંકન (સલામત):

નીચે આપેલા કચરો (દા.ત. વનસ્પતિ દાંડી, બ્રેડ ક્રસ્ટ્સ) (સ્ટોક, વનસ્પતિ સૂપ, ક્રાઉટન્સ, સ્ટાફ ભોજન) માટે સલામત રિસાયક્લિંગ વિચારો સૂચવો. દરેક વિચાર માટે, જણાવો કે આ ફક્ત તાજા અને સલામત ઉત્પાદનો માટે જ માન્ય છે, બગડેલા ઉત્પાદનનો ઉપયોગ કરી શકાતો નથી. કચરો: [સૂચિ].

4) સમાન સ્તરની ભલામણ:

નીચે સામગ્રી દ્વારા ઉપયોગના છેલ્લા 6 અઠવાડિયા છે. દરેક સામગ્રી માટે ભલામણ કરેલ સમાન સ્તર (લઘુત્તમ સ્ટોક) અને સલામતી સ્ટોકની ગણતરી કરો. સપ્લાય સમયને ધ્યાનમાં લો. તાજા/ટકાઉ વચ્ચેના તફાવતનું અવલોકન કરો. સૂત્ર બતાવો. ડેટા: [કોષ્ટક].

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

મારે કેટલી સામગ્રીનો ઓર્ડર આપવો જોઈએ?

કોઈ વપરાશ, સ્ટોક, લીડ સમય, ઘનતા; AI આગાહી કરે છે, તે કામ કરતું નથી.

મજબૂત:

તમારી ભૂમિકા: ખરીદી સહાયક. ટામેટા: સમાન સ્તર 8 કિલો, ઉપલબ્ધ 3 કિલો, સાપ્તાહિક ઉપયોગ ~12 કિલો, સપ્લાય 1 દિવસ. આવતા અઠવાડિયે ઉચ્ચ ઘનતા. ભલામણ કરેલ ઓર્ડરની માત્રાની ગણતરી કરો, વાજબીપણું લખો, શેલ્ફ લાઇફ ચેતવણી ઉમેરો. હું ગુણવત્તા અને કિંમત નક્કી કરીશ.

પુરવઠા અને કચરાના ખ્યાલો (કોષ્ટક)

ખ્યાલ

વર્ણન

શા માટે તે મહત્વનું છે?

સમાન સ્તર

ઓછામાં ઓછા હાજર રહેવું જરૂરી છે. સ્ટોક

બહુ ઓછું નહીં, બહુ નહીં

ઓર્ડર પોઇન્ટ

લીડ ટાઇમ દ્વારા ઓર્ડર થ્રેશોલ્ડ

સમયસર પુરવઠો

સલામતી સ્ટોક

અનપેક્ષિત ઘનતા બફર

મેનુ ગેપ અટકાવે છે

આગ

રકમ કાઢી નાખેલ/ખોરી

પૈસાની સીધી ખોટ

મૂળ કારણ

બગાડનું સાચું કારણ

કાયમી ઉકેલ

સામાન્ય ભૂલો

• AI ઓર્ડર લિસ્ટને આંખ આડા કાન કરી રહ્યા છીએ. ગુણવત્તા, કિંમત અને મોસમ લોકોના નિર્ણયો છે.
• ફાયર રેકોર્ડ્સ રાખતા નથી. માપી ન શકાય તેવા કચરાનું સંચાલન કરી શકાતું નથી; નોંધણી વિના કોઈ વિશ્લેષણ નથી.
• તાજી પેદાશો પર શેલ્ફ લાઇફ છોડવી. વધુ પડતી ખરીદી એટલે બગાડ, પૈસા અને બગાડ.
• ખાદ્ય સુરક્ષાને આગળ કચરામાં ઘટાડો કરવો. બગડેલા ઉત્પાદનનું કદી મૂલ્યાંકન થતું નથી.
• પુરવઠા વિક્ષેપને અવગણવું. ભૂતકાળ પર આધારિત આગાહીને ત્વરિત વિરામ ખબર નથી.

સારાંશમાં

યોગ્ય ખરીદી અને થોડો બગાડ કરીને નફો જળવાઈ રહે છે. YZ પાર સ્તર એ ક્રમની માત્રા, કચરાના મૂળ કારણ વિશ્લેષણ અને વેસ્ટેજ મૂલ્યાંકન વિચારોમાં ઝડપી આયોજન સહાયક છે; તે અદ્રશ્ય કચરાને પ્રમાણિત કરે છે. પરંતુ દરેક આગાહી ભૂતકાળ અને મોસમ પર આધારિત છે; ગુણવત્તા, કિંમત અને સપ્લાય કટ અંગેનો નિર્ણય રસોઇયા અને ખરીદનાર પર છોડવામાં આવે છે. કચરામાં ઘટાડો ક્યારેય ખાદ્ય સુરક્ષા સાથે સમાધાન કરતું નથી.

એપ્લિકેશન કાર્ય

પાંચ સામગ્રી પસંદ કરો અને દરેક માટે સમાન સ્તર, વર્તમાન સ્ટોક, સાપ્તાહિક વપરાશ અને લીડ ટાઇમ (કાલ્પનિક હોવા છતાં) લખો. YZ તરફથી તર્કબદ્ધ ઓર્ડર ડ્રાફ્ટ મેળવો. અલગથી, એક મહિનાનો કાલ્પનિક કચરાનો રેકોર્ડ બનાવો, AIને મૂળ કારણ વિશ્લેષણ કરવા કહો અને કચરાના બે સૌથી મોટા સ્ત્રોતો માટે ઘટાડો કરવાનો નિર્ણય લખો. પુરવઠામાં વિક્ષેપ આવે તેવું દૃશ્ય સેટ કરો અને સમજાવો કે તમે માનવ તરીકે કેવી રીતે નિર્ણય લેશો.

ચેકલિસ્ટ

• [ ] મેં ઓર્ડર ડ્રાફ્ટને સમાન સ્તર, સ્ટોક અને લીડ ટાઈમ પર આધારિત કર્યો.
• [ ] હું માનું છું કે AI ભલામણ ગુણવત્તા/કિંમતનો નિર્ણય માનવ પર છોડી દે છે.
• [ ] હું આગના રેકોર્ડ રાખું છું અને મૂળ કારણ વિશ્લેષણ કરું છું.
• [ ] મેં તાજા ઉત્પાદનો માટે શેલ્ફ લાઇફ ચેતવણીને ધ્યાનમાં લીધી.
• કચરો ઘટાડવામાં મેં ક્યારેય ખાદ્ય સુરક્ષા સાથે સમાધાન કર્યું નથી.
• [ ] હું જાણું છું કે જ્યારે પુરવઠામાં વિક્ષેપ આવે ત્યારે માનવ ચુકાદો પ્રથમ આવે છે.