רווחים:
- יכולת לגזור תחזית ביקוש, מלאי בטיחות וחישובי נקודות הזמנה מחדש מנתוני מכירות ומשלוח היסטוריים עם תמיכה בבינה מלאכותית
- יכולת לדגמן זמן אספקה, תנודות עונתיות ועיכובים בשרשרת האספקה על בסיס תרחיש ולשקף אותם בתכנון
- יכולת להבין כי חיזוי בינה מלאכותית היא חיזוי הסתברות וכי החלטת ההזמנה הסופית שייכת למתכנן, תוך התחשבות בעלות, מזומן וסיכון.
בסחר חוץ ולוגיסטיקה, כסף הולך לאיבוד בשני מקומות: על הסחורה לא ניתן למכור ומאחורי הסחורה לא ניתן לספק ללקוח בזמן. מלאי עודף מחייב מזומנים, יוצר עלויות מחסן וסיכוני קלקול/התיישנות; מלאי חסר פירושו אובדן מכירות, חוסר שביעות רצון של לקוחות ואספקה דחופה (יקרה). עמידה על הגבול הדק בין השניים דורשת תחזית ביקוש טובה ותוכנית מלאי מדויקת. זה אפילו יותר קשה עם מקורות בינלאומיים מכיוון שהסחורה נשארת על הספינה במשך שבועות; כאשר אתה מזמין היום, אתה למעשה חוזה את הביקוש חודשיים לאחר מכן. ביחידה זו נסקור כיצד להשתמש בבינה מלאכותית כעוזר חיזוי ותכנון.
בואו נגדיר את המונחים. תחזית ביקוש: זוהי חיזוי של כמות מכירות/שימוש עתידית בהתבסס על נתונים היסטוריים. זמן אספקה: הזמן מרגע ביצוע ההזמנה ועד לרגע שבו הסחורה הופכת לזמינה; זהו סכום ייצור + הובלה + זמני מכס עבור יבוא. מלאי בטיחות: זהו מלאי חיץ המוחזק נגד תנודות בביקוש או בזמן האספקה. נקודת הזמנה מחדש: זהו הסף שבו יש לבצע הזמנה חדשה כאשר המלאי יורד לרמה זו; בערך "ביקוש צפוי במהלך זמן ההובלה + מלאי בטיחות". תנודה עונתית (עונתיות): זוהי העלייה והירידה הקבועה של הביקוש לאורך כל השנה (חג, קיץ, מחזור לימודים).
שלב אחר שלב: חיזוי ותכנון מבוססי בינה מלאכותית
שלב 1 - הכן נתונים היסטוריים. חיזוי מתחיל בנתוני מכירות/משלוחים היסטוריים. מספרי מכירות חודשיים או שבועיים, קמפיינים ושינויי מחירים, אם יש, ותקופות שבהן אזל המלאי. כשאתה נותן את הנתונים האלה ל-AI (רק מוצר וכמות, ללא מידע סודי של לקוחות), זה מפרש את המגמה, העונה והקפיצות.
שלב 2 - הסר את התבנית. בינה מלאכותית קוראת דפוסים בנתונים, כמו "עלייה של 30% בקיץ, ירידה בינואר, מגמת צמיחה שנתית של 8%" ומסבירה אותם בשפה פשוטה. זה יוצר דפוסים גלויים שאולי לא תבחין בהם על ידי הסתכלות על המספר הגולמי.
שלב 3 - צור את התחזית ותסריט אותה. בינה מלאכותית יכולה לשרטט תחזית ביקוש המבוססת על דפוס היסטורי; מה שיותר ערך זה שהוא מייצר תרחישים "פסימיים / מציאותיים / אופטימיים". כך אתה מתכנן על סמך טווח, לא על מספר בודד.
שלב 4 - חשב פרמטרים של מלאי. לאחר שידועים התחזית, זמן ההובלה והתנודתיות, מחושבים מלאי הבטיחות ונקודת ההזמנה מחדש. AI מיישם את הנוסחה ומפגין היגיון; אתה מאמת את המספרים.
שלב 5 - החלטה אנושית. כמות הזמנה סופית; הוא ניתן על ידי המתכנן, תוך התחשבות בתזרים מזומנים, קיבולת מחסן, כמות הזמנה מינימלית, שער חליפין וסיכון אספקה. תחזית היא קלט, לא החלטה.
זהירות: חיזוי הביקוש מסתכל על העבר; זה לא מבטיח את העתיד. אירוע בלתי צפוי (סגירת מפעל, חסימת מכס, עלייה פתאומית בביקוש) יכול לזרוק את התחזית. זה מסוכן לייחס את כל ההזמנה למספר "מדויק" בודד שהוחזר על ידי ה-AI; עבודה עם תרחיש ומרווח בטיחות.
טבלת מרכיבי החלטת המניה
רכיב
מה זה אומר
תרומה של AI
החלטה אנושית
תחזית ביקוש
מכירות צפויות
יוצר דפוס + תרחיש
קבל/תקן
זמן אספקה
הזמנה → תקופת שימוש
מפרק את זה לרכיבים
מאמת עם נתונים אמיתיים
תנודת ביקוש
תנודתיות בביקוש
חשבונות מהעבר
הגיבו ושתפו
מלאי בטיחות
כמות חיץ
מחשב עם נוסחה
יתרת מזומן/סיכון
נקודת סדר מחדש
סף הזמנה
מחשב ומראה
אישור
כמות הזמנה
כמה ייקחו
מציע הצעות
החלטה סופית
ארבע תבניות הניתנות להעתקה
1) דפוסי קריאה בנתונים היסטוריים:
תפקידך: עוזר אנליסט ביקוש. להלן נתוני המכירות החודשיים של 24 החודשים האחרונים של מוצר. תן לי את הדברים הבאים: (א) מגמה כללית (עלייה/ירידה, בערך ב%), (ב) דפוס עונתי (שהחודשים הם גבוהים/נמוכים), (ג) קפיצות/התרסקות בולטים וסיבות אפשריות (קשור אותם לאירועים שציינתי, אם יש כאלה). אני אאמת את המספרים; הוספת נתוני התאמה. נתונים: [חודש: רשימת כמות]
2) תחזית ביקוש לתרחיש:
תפקידך: עוזר חיזוי ביקוש. בהתבסס על ההיסטוריה שלעיל, הפק שלוש תחזיות תרחישים (פסמיציונרי, ריאליסטי, אופטימי) ל-6 החודשים הבאים (כמות חודשית). רשום על איזו הנחה מבוסס כל תרחיש. זוהי חיזוי של הסתברות; זו לא התחייבות מוחלטת.
3) מלאי בטיחות ונקודת הזמנה:
תפקידך: עוזר תכנון מלאי. תשומות: ביקוש חודשי ממוצע [X] יחידות, תנודתיות בביקוש [תיאור/נתונים], זמן אספקה [Y] שבועות, רמת שירות רצויה [למשל. גבוה].(א) חשב את נקודת ההזמנה מחדש (ביקוש צפוי לאורך זמן ההובלה +מלאי בטיחות) והראה את ההיגיון צעד אחר צעד.(ב) הסביר את הגישה שבה השתמשת עבור מלאי בטיחות. אני אאמת את כל המספרים; הראה לי את שלבי הביניים כדי שאוכל לבדוק.
4) ניתוח סיכונים בזמן ההובלה:
תפקידך: עוזר לתכנון שרשרת אספקה. זמן ההובלה שלי מורכב מהמרכיבים הבאים: ימי ייצור [א], ימי הובלה ימית [ב] ימי מכס [ג] ימי הובלה יבשתית [ד] ימי. חילוץ מקורות אפשריים לעיכוב בכל רכיב והשפעתו על תזמון ההזמנה. סמן את הקישור המסוכן ביותר ותן המלצה למרווח בטיחות. הַצָעָה; זה תלוי בי להחליט.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
כמה צריך להזמין בחודש הבא?
בקשה זו, מבלי לספק נתונים היסטוריים, זמן אספקה, עונה ומצב מזומנים, גורמת ל-AI להרכיב מספר שאינו מבוסס על נתונים. הזמנה עם מספר זה תהיה הימור עיוור.
הנחיה עוצמתית:
תפקידך: עוזר תכנון מלאי. מוצר: [קוד]. מכירות ב-12 החודשים האחרונים: [כמויות]. תקופת האספקה היא 8 שבועות, כמות הזמנה מינימלית היא 500 יחידות, המלאי שלי הוא 340 יחידות. הביקוש עולה בחודשי הקיץ. גזור טווח ביקוש ריאלי לחודשיים הקרובים, חשב את מלאי הבטיחות ואת נקודת ההזמנה מחדש, ולאחר מכן הצע 2-3 תרחישי כמות הזמנה (עם יתרת סיכון מזומן). הצג שלבי ביניים של מספרים; אני אקבל את ההחלטה הסופית.
הנחיה זו נותנת את כל התשומות הקריטיות, מנחה את התרחיש ומאפשרת את שלבי החישוב גלויים, מה שמאפשר אימות.
שלושה מיני תיקים
מקרה 1 - מדביקים את העונה. ליבואן הייתה הזמנה קבועה למוצר גינה בכל ימות השנה; הוא היה אזל מהמלאי באביב וצבר סחורה בקיץ. בנתונים של 3 שנים, YZ הראה בבירור עלייה של 40% בביקוש בין מרץ למאי. המתכנן לקח בחשבון את זמן ההובלה (10 שבועות) וביצע הזמנה מוקדמת וגדולה בינואר. תוצאה: הפסקות המלאי ירדו לאפס בעונת האביב, ועודפי המלאי בסוף השנה ירדו ב-25%. AI הראה את הדפוס, האדם קיבל את החלטת ההזמנה.
מקרה 2 - המחיר של אמון במספר המדויק. מתכנן הוזמן על סמך האומדן היחיד של "3,200 יחידות" שניתנה על ידי YZ; הוא לא השתמש בתרחיש ובמרווח ביטחון. אזל המלאי עם הזמנה גדולה בלתי צפויה של לקוח, אספקה נוספת בוצעה באמצעות מטען אווירי דחוף (עלות יחידה פי 3). שיעור: תוכנית מבוססת על טווח תרחישים ומלאי בטיחות, לא מספרים בודדים.
מקרה 3 - המציאות של זמן אספקה. חברה תמיד שמרה על מלאי הבטיחות שלה נמוך; כי הוא חשב שזמן ההובלה הוא "6 שבועות". כאשר YZ חילקה את זמן ההובלה לרכיבים (ייצור 3 + הובלה 4 + מכס 1.5 שבועות ≈ 8.5 שבועות), התברר שהזמן האמיתי ארוך יותר והקישור ההפכפך ביותר היה המכס. נקודת הסדר מחדש הועלתה בהתאם; הסתיימו מלאי חוזר.
טעויות נפוצות
- קישור ההזמנה כולה למספר ניחוש בודד. עבודה עם התרחיש (פסימי/מציאותי/אופטימי) ומלאי בטיחות.
- מזלזל בזמן אספקה. קחו בחשבון את הסכום והתנודתיות של הייצור + הובלה + מכס + הובלה מקומית.
- מתעלמים מהעונה. הזמנה קבועה יוצרת גם אזל במלאי וגם מלאי עודף במוצרים עונתיים.
- מבקש תחזית מבלי לתת נתונים ל-AI. המספר שהופק ללא נתונים היסטוריים מפוברק.
- עקיפת מגבלת מזומנים וקיבולת. אפילו את התחזית המדויקת ביותר לא ניתן ליישם אם לא די במזומן; ההחלטה היא של האדם.
טיפ: אמור תמיד "הצג שלבי ביניים" כשאתה מבקש מה-AI לחישוב. אם אינך רואה כיצד יוצאים מספרים, כגון מלאי בטיחות או נקודת הזמנה, אינך יכול לאמת אותם; שלבי ביניים מאפשרים לך גם לתפוס את השגיאה וגם ללמוד את ההיגיון.
לסיכום
חיזוי ביקוש ותכנון מלאי הם אמנות האיזון בין עודף למלאי; זמני אספקה ארוכים והפכפכים במקורות בינלאומיים מקשים על כך. בינה מלאכותית היא עוזר רב עוצמה בקריאת דפוסים בנתונים היסטוריים, יצירת תחזיות תרחישים, חישוב מלאי בטיחות ונקודת הזמנה מחדש. אבל תחזית היא חיזוי של הסתברות; החלטת ההזמנה הסופית שייכת למתכנן, תוך התחשבות במזומן, קיבולת וסיכון. סמוך על התרחיש, לא במספר אחד, חשב את זמן ההובלה באופן ריאלי, ודא שלבי ביניים.
משימת יישום
קבל את נתוני המכירות של 12-24 החודשים האחרונים (מספר, ללא פרטי לקוח סודיים) של מוצר. בקש מה-AI לקרוא תחילה את הדפוס (מגמה + עונה), ולאחר מכן לייצר תחזית של שלושה תרחישים. לאחר מכן חשב את נקודת ההזמנה מחדש ואת מלאי הבטיחות על ידי מתן זמן ההובלה שלך, כמות הזמנה מינימלית ומלאי זמין; בדוק את שלבי הביניים בעצמך. לבסוף, קבל את החלטת ההזמנה הסופית שלך בהתחשב במזומן וביכולת שלך והשווה אותה עם תרחישי בינה מלאכותית.
רשימת בדיקה
- [ ] נתתי נתוני מכירות היסטוריים (אנונימיים) לבינה מלאכותית; ביססתי את ההערכה על נתונים.
- [ ] הסרתי את המגמה והתבנית העונתית.
- [ ] במקום מספר בודד, הפקתי תרחיש פסימי/מציאותי/אופטימי.
- [ ] חילקתי את זמן ההובלה למרכיביו וחישבתי אותו באופן ריאלי.
- [ ] בדקתי את מלאי הבטיחות ואת נקודת ההזמנה עם שלבי ביניים.
- [ ] קיבלתי את החלטת ההזמנה הסופית, תוך התחשבות במזומן, קיבולת וסיכון.