સપ્લાયરની પસંદગી અને સપ્લાયર રિસ્ક મેનેજમેન્ટ

નફો:

• સપ્લાયર મૂલ્યાંકન માપદંડ (ગુણવત્તા, ડિલિવરી કામગીરી, નાણાકીય સુદ્રઢતા, સાતત્ય) સમજવાની ક્ષમતા અને સ્કોરિંગ અને જોખમ નકશા ડ્રાફ્ટિંગ માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે સિંગલ સોર્સ રિસ્ક, ભૌગોલિક એકાગ્રતા અને પુરવઠામાં વિક્ષેપના દૃશ્યોનું વિશ્લેષણ કરવાની ક્ષમતા અને વૈકલ્પિક પ્લાન તૈયાર કરવાની ક્ષમતા
• જાળવવાની ક્ષમતા કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ સ્કોર ભલામણ છે અને અંતિમ સપ્લાયર નિર્ણય નિરીક્ષણ, વાટાઘાટો અને મેનેજરની મંજૂરીને આધીન છે.

તમારી સપ્લાય ચેઇન તમારા સૌથી નબળા સપ્લાયર જેટલી જ મજબૂત છે. શ્રેષ્ઠ માંગની આગાહી, સૌથી કાર્યક્ષમ વેરહાઉસ, સૌથી વધુ ઑપ્ટિમાઇઝ માર્ગ; તે બધા સપ્લાયર પર આધાર રાખે છે જે સમયસર અને ગુણવત્તા સાથે માલ પહોંચાડે છે. જો કોઈ સપ્લાયર નાદાર થઈ જાય, ગુણવત્તા ગુમાવે, ડિલિવરીમાં ખલેલ પહોંચાડે અથવા ફેક્ટરીમાં કુદરતી આપત્તિ આવે, તો તે સમગ્ર સાંકળ અટકી જાય છે. સપ્લાયર મેનેજમેન્ટ (પસંદગી, મૂલ્યાંકન અને જોખમ મોનીટરીંગ સપ્લાયર) તેથી સપ્લાય ચેઈનનો સૌથી વ્યૂહાત્મક ક્ષેત્ર છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ અહીં એક શક્તિશાળી વિશ્લેષણ સહાયક છે: તે અસંખ્ય માપદંડો અનુસાર ડઝનેક સપ્લાયર્સને સ્કોર કરે છે, ડિલિવરી કામગીરી પર નજર રાખે છે, જોખમના સંકેતો વહેલા પકડે છે, વૈકલ્પિક દૃશ્યો જનરેટ કરે છે. પરંતુ AI સ્કોર અને ભલામણ પેદા કરે છે; કયા સપ્લાયર સાથે કામ કરવું અને તેની સાથે કરાર પર સહી કરવી એ માનવીય નિર્ણય છે જે નિરીક્ષણ, વાટાઘાટો અને વાટાઘાટો દ્વારા પરિપક્વ થાય છે.

અમે સપ્લાયરનું મૂલ્યાંકન કેવી રીતે કરીએ?

કિંમત મહત્વપૂર્ણ છે પરંતુ એકમાત્ર માપદંડ ક્યારેય નથી. નક્કર મૂલ્યાંકન એકસાથે અનેક પરિમાણોનું વજન ધરાવે છે:

ગુણવત્તા: આવનારા માલનો ખામી/અસ્વીકાર દર, વળતરની આવર્તન. ડિલિવરી કામગીરી: સમયસર અને સંપૂર્ણ ડિલિવરી દર (OTIF — સંપૂર્ણ સમય પર). કિંમત અને કિંમત: યુનિટ કિંમત પણ કુલ કિંમત (શિપિંગ, ગુણવત્તા ખર્ચ સહિત). નાણાકીય સુદ્રઢતા: સપ્લાયરને નાદારી અથવા ચુકવણીની સમસ્યાઓનું જોખમ. ક્ષમતા અને સાતત્ય: તમારી માંગને પહોંચી વળવાની ક્ષમતા, વિક્ષેપ માટે સ્થિતિસ્થાપકતા. પાલન અને નૈતિકતા: કાયદાકીય, પર્યાવરણીય અને સામાજિક ધોરણોનું પાલન.

આ પરિમાણોને એક "સપ્લાયર સ્કોર" માં જોડવાનું સામાન્ય છે; આને વેઇટેડ સ્કોરિંગ કહેવામાં આવે છે: દરેક માપદંડને મહત્ત્વનું વજન આપવામાં આવે છે, દરેક માપદંડ પર સપ્લાયર્સનો સ્કોર કરવામાં આવે છે, વેઇટેડ ટોટલ લેવામાં આવે છે. AI આ સ્કોરિંગ મિનિટોમાં કરી શકે છે. પરંતુ તમે જ છો જે વજન નક્કી કરે છે - તમારી સંસ્થા માટે ગુણવત્તા અથવા કિંમત વધુ મહત્વપૂર્ણ છે; આ એક વ્યૂહરચના નિર્ણય છે, ગાણિતિક હકીકત નથી.

ટીપ: સૌથી ઓછી કિંમતનો સપ્લાયર ઘણીવાર સૌથી મોંઘો હોય છે: નબળી ગુણવત્તા, મોડી ડિલિવરી અને વળતર ખર્ચ "સસ્તી" કિંમતમાં જાય છે. હંમેશા AI ને "માલિકીની કુલ કિંમત" અને પ્રદર્શનને એકસાથે ધ્યાનમાં લેવા માટે કહો, કિંમત નહીં.

સપ્લાયર જોખમનો નકશો

જોખમ વ્યવસ્થાપન એ "કંઈક ખરાબ થાય તે પહેલાં જોવાનું" છે. લોજિસ્ટિક્સમાં જોખમોના સૌથી જટિલ પ્રકારો:

સિંગલ સોર્સ રિસ્ક (સિંગલ સોર્સિંગ): એક સપ્લાયર પર નિર્ણાયક સામગ્રીની અવલંબન. જો તે સપ્લાયર તૂટી જાય, તો તમારી પાસે કોઈ વિકલ્પ નથી. ભૌગોલિક એકાગ્રતા: સપ્લાયર્સ બધા એક જ પ્રદેશમાં છે; એક જ ભૂકંપ, પૂર કે રાજકીય કટોકટી આ બધાને અસર કરી શકે છે. નાણાકીય જોખમ: સપ્લાયર નાણાકીય મુશ્કેલીઓમાં પડવાની શક્યતા. ગુણવત્તા/પાલન જોખમ: સબસ્ટાન્ડર્ડ ઉત્પાદન, નૈતિક ઉલ્લંઘન. AI આ જોખમોને દૃશ્યમાન બનાવી શકે છે: તે તમારા સપ્લાયર ડેટાનું વિશ્લેષણ કરે છે અને "તમારી 60% સામગ્રી એક જ સપ્લાયર પર નિર્ભર કરે છે" અથવા "તમારા મોટા ભાગના નિર્ણાયક સપ્લાયર એક જ પ્રદેશમાં છે." આ દૃશ્યતા અમૂલ્ય છે; પરંતુ તમે તે છો જે વૈકલ્પિક સોર્સિંગ શોધવા, બીજા સપ્લાયર વિકસાવવા, સ્ટોક બફર વધારવા જેવી ક્રિયાઓનું સંચાલન કરે છે.

સાવધાન: AI સપ્લાયરના નાણાકીય જોખમના સ્કોરને ઓછો આંકી શકે છે; આનો અર્થ એ નથી કે સપ્લાયર નાદાર નહીં થાય. સ્કોર ઐતિહાસિક અને વર્તમાન ડેટા પર આધારિત છે; અચાનક કટોકટી એ રાતોરાત બદલાઈ જાય છે. સ્કોરનો ઉપયોગ પ્રારંભિક ચેતવણી તરીકે કરો, ગેરંટી નહીં.

સ્ટેપ બાય સ્ટેપ: AI સાથે સપ્લાયરનું કામ

1. માપદંડ અને વજન સેટ કરો. ગુણવત્તા, ડિલિવરી, કિંમત, ફાઇનાન્સ, સાતત્ય - તે કેટલું મહત્વનું છે?
2. ડેટા તૈયાર કરો. અનામી સપ્લાયર કોડ, ભૂતકાળની કામગીરી, અસ્વીકાર દર, વિતરણ સમય, કિંમત.
3. સ્કોર દ્વારા. AI થી ભારિત સ્કોરિંગ અને રેન્કિંગની વિનંતી કરો; વજનને દૃશ્યમાન બનાવો.
4. જોખમનો નકશો બનાવો. એક સ્ત્રોત, ભૌગોલિક એકાગ્રતા અને નિર્ભરતાને ચિહ્નિત કરો.
5. એક દૃશ્ય બનાવો. "જો સપ્લાયર X તૂટી જાય તો શું થશે?" વૈકલ્પિક યોજનાનો ડ્રાફ્ટ મેળવો.
6. માનવ ફિલ્ટર. નિરીક્ષણ મુલાકાત, સંદર્ભ, વાટાઘાટો; અંતિમ પસંદગી અને કરાર મેનેજરનો છે.

ત્રણ નાના કેસો

કેસ 1 - સસ્તાની છુપી કિંમત. એક ઉત્પાદકે સૌથી નીચી કિંમત સાથે સપ્લાયર પસંદ કર્યું હતું પરંતુ તે સતત ગુણવત્તાની સમસ્યાઓ અનુભવી રહ્યો હતો. ખરીદ અધિકારીએ YZ ને ગયા વર્ષનો ડેટા આપ્યો; AI અસ્વીકાર દર દર્શાવે છે કે જ્યારે કિંમતમાં વળતર અને પુનઃક્રમાંકનો ખર્ચ ઉમેરાય છે, ત્યારે "સસ્તા" સપ્લાયરની સાચી કિંમત ત્રીજા સ્થાનના સપ્લાયર કરતાં 14% વધારે હતી. કંપનીએ તેના સપ્લાયર મિશ્રણમાં ફેરફાર કર્યો. AI એ કુલ ખર્ચને દૃશ્યમાન બનાવ્યો છે; પસંદગી વાટાઘાટો અને દેખરેખ દ્વારા કરવામાં આવી હતી.

કેસ 2 - એકમાત્ર સ્ત્રોત જોખમ જોવું. ઇલેક્ટ્રોનિક્સ કંપનીને ખ્યાલ ન હતો કે એક મહત્વપૂર્ણ ઘટક એક જ, દૂરના દેશમાં સપ્લાયર પાસેથી આવી રહ્યું છે. જ્યારે AI એ સપ્લાયરનો નકશો બનાવ્યો, ત્યારે તેણે તે જ પ્રદેશમાં આ નિર્ભરતા અને એકાગ્રતાને ચિહ્નિત કર્યું. મેનેજમેન્ટે સ્થાનિક સેકન્ડ સોર્સ વિકસાવવાનું અને સલામતી સ્ટોક વધારવાનું નક્કી કર્યું. મહિનાઓ પછી, જ્યારે તે પ્રદેશમાં લોજિસ્ટિક્સ કટોકટી ફાટી નીકળી, ત્યારે કંપનીએ તેના તૈયાર વિકલ્પને કારણે ઉત્પાદન બંધ કર્યું ન હતું. AI એ જોખમ દર્શાવ્યું; માણસે સ્થિતિસ્થાપકતા યોજના બનાવી.

કેસ 3 - સ્કોર પર આંધળો વિશ્વાસ ન કરવો. એક વિશ્લેષક તરત જ સપ્લાયર સાથે કરાર પર હસ્તાક્ષર કરવા માંગતો હતો કે AI એ સૌથી વધુ સ્કોર આપ્યો હતો. તેમના વરિષ્ઠ સાથીદારે પ્રથમ ઓડિટ અને સંદર્ભ તપાસની વિનંતી કરી; તે બહાર આવ્યું છે કે સપ્લાયરનો ઉચ્ચ સ્કોર હતો, પરંતુ છેલ્લા બે મહિનામાં ઉત્પાદન ક્ષમતામાં નોંધપાત્ર ઘટાડો થયો હતો અને તે હજી સુધી ડેટામાં સંપૂર્ણ રીતે પ્રતિબિંબિત થયું નથી. કરાર મુલતવી રાખવામાં આવ્યો હતો. સ્કોર એક શરૂઆત હતી; જમીન પરની વાસ્તવિકતા દ્વારા નિર્ણય પરિપક્વ હતો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ભારિત સપ્લાયર સ્કોરિંગ:

તમારી ભૂમિકા: ખરીદી વિશ્લેષક સહાયક. નીચે અનામી સપ્લાયર ID અને નીચેના માપદંડો પરનો ડેટા છે: અસ્વીકાર દર, ડિલિવરી સમય પર %, એકમની કિંમત, નાણાકીય ગ્રેડ, ક્ષમતા. વજન: ગુણવત્તા 30%, ડિલિવરી 25%, કિંમત 20%, ફાઇનાન્સ 15%, ક્ષમતા 10%. વેઇટેડ સ્કોર, રેન્ક સપ્લાયર્સ, ફોર્મ્યુલા બતાવો ગણતરી કરો. અંતિમ પસંદગી મારી છે.

2) કુલ ખર્ચ સરખામણી:

અસ્વીકાર દર, વળતર/પુનઃક્રમાંકિત ખર્ચ અને શિપિંગ તેમજ એકમ કિંમત ઉમેરીને નીચેના સપ્લાયર્સ માટે વાસ્તવિક કુલ કિંમતની ગણતરી કરો. સૌથી ઓછી કિંમતની કુલ કિંમત સૌથી ઓછી છે કે કેમ તે બતાવો. ગણતરીને સ્ટેપ બાય સ્ટેપ આપો.

3) જોખમ નકશો:

નીચે સામગ્રી-સપ્લાયર મેચિંગ અને સપ્લાયર પ્રદેશો છે. કાર્ય: (1) એક જ સપ્લાયર પર આધારિત નિર્ણાયક સામગ્રીને ચિહ્નિત કરો, (2) ભૌગોલિક સાંદ્રતા દર્શાવો, (3) 3 સૌથી વધુ જોખમ નિર્ભરતાઓની સૂચિ બનાવો. જણાવો કે વૈકલ્પિક સ્ત્રોત નિર્ણય મારો છે.

4) આઉટેજ દૃશ્ય:

જો નિર્ણાયક સપ્લાયર [KOD] 3 મહિના માટે સપ્લાય કરવામાં અસમર્થ બને છે: (1) કઈ પ્રોડક્ટ્સ/લાઈન અસરગ્રસ્ત છે, (2) હાલનો સ્ટોક કેટલો સમય ચાલશે, (3) વૈકલ્પિક સ્ત્રોતો અને બફર્સ માટે કયા પગલાં જરૂરી છે? એક ક્રિયા યોજના તૈયાર કરવામાં આવી છે; ધારો કે હું નિર્ણયો લઈશ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શ્રેષ્ઠ સપ્લાયર પસંદ કરો.

"શ્રેષ્ઠ" અવ્યાખ્યાયિત છે; કોઈ માપદંડ નથી, કોઈ વજન નથી, કોઈ ડેટા નથી. AI મનસ્વી જવાબ આપે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ખરીદી વિશ્લેષક સહાયક. 8 સપ્લાયર્સનો અનામી ડેટા જોડાયેલ છે: અસ્વીકાર દર, સમયસર ડિલિવરી, યુનિટ કિંમત, નાણાકીય નોંધ, ક્ષમતા. વજન ગુણવત્તા 30%, ડિલિવરી 25%, કિંમત 20%, ફાઇનાન્સ 15%, ક્ષમતા 10% છે. સૂત્ર સાથે ભારાંકિત સ્કોરની ગણતરી કરો, સૉર્ટ કરો અને પ્રથમ 3 માટે કુલ ખર્ચ ઉમેરો. મારી પાસે પસંદગી અને નિયંત્રણ છે.

માપદંડ અભિગમ

ટૂંકા ગાળાના

લાંબા ગાળાનું જોખમ

ટકાઉપણું

માત્ર સૌથી ઓછી કિંમત

સસ્તું લાગે છે

ગુણવત્તા/ડિલિવરી સમસ્યા

નબળા

ભારિત બહુવિધ માપદંડ

સંતુલિત

નીચું

સારું

સિંગલ સોર્સ (એક શ્રેષ્ઠ સપ્લાયર)

કાર્યક્ષમ

આઉટેજનું ઉચ્ચ જોખમ

નાજુક

ડ્યુઅલ સોર્સ + રિસ્ક મોનિટરિંગ

થોડી મોંઘી

નીચું

ટકાઉ

સામાન્ય ભૂલો

• કિંમતને એકમાત્ર માપદંડ બનાવવો. તેની ગુણવત્તા અને ડિલિવરી ખર્ચને કારણે સૌથી સસ્તો સપ્લાયર ઘણીવાર સૌથી મોંઘા હોવાનું બહાર આવે છે.
• એક સ્ત્રોત પર અવલંબનને અવગણવું. નિર્ણાયક સામગ્રીનો એક સપ્લાયર સમગ્ર સાંકળને જોખમમાં મૂકે છે.
• ભૌગોલિક એકાગ્રતાને બાયપાસ કરીને. એક જ સ્થાને બધા સપ્લાયર્સ રાખવા એ એક છુપાયેલ સામૂહિક જોખમ છે.
• વિચારીને સ્કોર ગેરંટી છે. નાણાકીય સ્કોર ઇતિહાસ પર આધારિત છે; નિરીક્ષણ અને સંદર્ભ વિના કરાર પર હસ્તાક્ષર કરશો નહીં.
• AI પર વજન છોડીને. માપદંડની અગ્રતા એ વ્યૂહરચનાનો નિર્ણય છે; તમારે વજન નક્કી કરવું પડશે.

ટીપ: તમારા નિર્ણાયક સપ્લાયર્સ માટે એક સરળ "પ્રારંભિક ચેતવણી ડેશબોર્ડ" સેટ કરો: ડિલિવરી કામગીરીનું માસિક નિરીક્ષણ, અસ્વીકાર દર અને નાણાકીય સંકેતો, જો કોઈ હોય તો. AI આ ડેશબોર્ડ અને ફ્લેગ વિચલનોને અપડેટ કરી શકે છે; જ્યારે સપ્લાયર નબળું પડવાનું શરૂ કરે છે, ત્યારે તમે કટોકટી દરમિયાન નહીં પણ અગાઉથી વિકલ્પ તૈયાર કરો છો.

સારાંશમાં

તમારી સપ્લાય ચેઇન તમારા સૌથી નબળા સપ્લાયર જેટલી જ મજબૂત છે. AI સપ્લાયર્સનું બહુ-માપદંડ વેઇટેડ સ્કોરિંગ સાથે મૂલ્યાંકન કરે છે, વાસ્તવિક કુલ ખર્ચ કાઢે છે, સિંગલ સ્ત્રોત અને ભૌગોલિક એકાગ્રતા જેવા જોખમોને દૃશ્યમાન બનાવે છે અને આઉટેજ દૃશ્યો ઉત્પન્ન કરે છે. પરંતુ AI સ્કોર્સ અને ભલામણો આપે છે; તમે વજન નક્કી કરો છો અને નિરીક્ષણ, સંદર્ભ અને વાટાઘાટો દ્વારા નિર્ણયને પરિપક્વ કરો છો. કિંમત ક્યારેય એકમાત્ર માપદંડ નથી; સ્થિતિસ્થાપકતા માટે ડ્યુઅલ સોર્સિંગ અને પ્રારંભિક ચેતવણી મોનિટરિંગ સ્થાપિત કરો. અંતિમ પસંદગી અને કરારની જવાબદારી મેનેજરની છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના (અથવા કાલ્પનિક) સપ્લાયર્સમાંથી 6-8 પસંદ કરો અને દરેક માટે અસ્વીકાર દર, સમયસર ડિલિવરી, યુનિટ કિંમત અને ક્ષમતા ડેટા તૈયાર કરો. પ્રથમ, તમારી પોતાની સંસ્થા માટે માપદંડનું વજન નક્કી કરો. AI ને "વેઇટેડ સપ્લાયર સ્કોરિંગ" ટેમ્પ્લેટ સાથે રેન્કિંગ માટે પૂછો, પછી "રિસ્ક મેપ" ટેમ્પલેટ વડે તમારી એકલ સ્ત્રોત નિર્ભરતાને બહાર કાઢો. તમે પસંદ કરેલ સપ્લાયર અને 5 વસ્તુઓમાં તમે જે ઓડિટ પગલાં લેશો તે લખો.

ચેકલિસ્ટ

• [ ] શું મેં મારી પોતાની વ્યૂહરચના અનુસાર માપદંડનું વજન નક્કી કર્યું છે?
• [ ] શું મેં ગુણવત્તા, ડિલિવરી અને કુલ કિંમત તેમજ કિંમત ધ્યાનમાં લીધી છે?
• [ ] શું મેં એક સ્ત્રોત અને ભૌગોલિક સાંદ્રતાના જોખમોને બાકાત રાખ્યા છે?
• [ ] શું મેં સ્કોરને આધારરેખા તરીકે ગણ્યો છે અને ઓડિટ/સંદર્ભ તપાસનું આયોજન કર્યું છે?
• [ ] શું મેં આઉટેજ દૃશ્ય અને વૈકલ્પિક સંસાધન યોજના તૈયાર કરી છે?