Keuntungan:
- Kemampuan untuk memperoleh perkiraan permintaan, stok pengaman, dan perhitungan titik pemesanan ulang dari data penjualan historis dan pengiriman dengan dukungan kecerdasan buatan
- Kemampuan untuk memodelkan waktu tunggu, fluktuasi musiman, dan penundaan rantai pasokan berdasarkan skenario dan mencerminkannya dalam perencanaan
- Kemampuan untuk memahami bahwa prediksi kecerdasan buatan adalah prediksi probabilitas dan bahwa keputusan akhir berada di tangan perencana, dengan mempertimbangkan biaya, uang, dan risiko.
Dalam perdagangan luar negeri dan logistik, uang hilang di dua tempat: atas barang yang tidak dapat dijual dan atas barang yang tidak dapat dikirimkan ke pelanggan tepat waktu. Persediaan berlebih mengikat uang tunai, menimbulkan biaya gudang dan risiko pembusukan/keusangan; Stok yang hilang berarti hilangnya penjualan, ketidakpuasan pelanggan, dan pasokan yang mendesak (mahal). Untuk mencapai garis tipis di antara keduanya memerlukan perkiraan permintaan yang baik dan rencana inventaris yang akurat. Hal ini menjadi lebih sulit lagi dengan pengadaan internasional karena barang tetap berada di kapal selama berminggu-minggu; Ketika Anda memesan hari ini, Anda sebenarnya memperkirakan permintaan dua bulan kemudian. Pada unit ini, kita akan membahas cara menggunakan kecerdasan buatan sebagai asisten peramalan dan perencanaan.
Mari kita definisikan istilahnya. Perkiraan permintaan: Ini adalah prediksi jumlah penjualan/penggunaan di masa depan berdasarkan data historis. Waktu tunggu: Waktu sejak Anda melakukan pemesanan hingga saat barang tersedia; Ini adalah jumlah produksi + transportasi + waktu bea cukai untuk impor. Stok pengaman: Ini adalah stok penyangga yang ditahan terhadap fluktuasi permintaan atau waktu pasokan. Titik pemesanan ulang: Ini adalah ambang batas di mana pemesanan baru harus dilakukan ketika stok turun ke level ini; kira-kira "permintaan yang diharapkan selama waktu tunggu + stok pengaman". Fluktuasi musiman (musiman): Ini adalah naik turunnya permintaan secara teratur sepanjang tahun (liburan, musim panas, masa sekolah).
Langkah demi langkah: Perkiraan dan perencanaan yang didukung AI
Langkah 1 — Siapkan data historis. Peramalan dimulai dengan data historis penjualan/pengiriman. Jumlah penjualan bulanan atau mingguan, kampanye dan perubahan harga, jika ada, dan periode ketika Anda kehabisan stok. Saat Anda memberikan data ini ke AI (hanya produk dan kuantitas, tanpa informasi rahasia pelanggan), AI akan menafsirkan tren, musim, dan lompatan.
Langkah 2 — Hapus polanya. AI membaca pola dalam data, seperti "peningkatan 30% di musim panas, penurunan di bulan Januari, tren pertumbuhan tahunan 8%" dan menjelaskannya dalam bahasa yang sederhana. Hal ini membuat pola terlihat yang mungkin tidak Anda sadari dengan melihat angka mentahnya.
Langkah 3 — Buat perkiraan dan buat skrip. AI dapat menguraikan perkiraan permintaan berdasarkan pola historis; Yang lebih berharga adalah menghasilkan skenario yang “pesimis/realistis/optimis”. Dengan cara ini Anda membuat rencana berdasarkan rentang, bukan satu angka.
Langkah 4 — Hitung parameter stok. Setelah ramalan, lead time, dan volatilitas diketahui, safety stock dan titik pemesanan kembali dihitung. AI menerapkan formula dan mendemonstrasikan logika; Anda memverifikasi nomornya.
Langkah 5 — Keputusan manusia. Jumlah pesanan akhir; Hal ini diberikan oleh perencana dengan mempertimbangkan arus kas, kapasitas gudang, jumlah pesanan minimum, nilai tukar dan risiko pasokan. Prediksi adalah masukan, bukan keputusan.
Perhatian: Perkiraan permintaan melihat masa lalu; Itu tidak menjamin masa depan. Peristiwa yang tidak terduga (penutupan pabrik, pemblokiran bea cukai, lonjakan permintaan secara tiba-tiba) dapat mengacaukan perkiraan. Beresiko untuk mengatribusikan seluruh pesanan ke satu nomor “tepat” yang dikembalikan oleh AI; Bekerja dengan skenario dan margin keamanan.
Tabel komponen keputusan saham
komponen
Apa maksudnya?
Kontribusi AI
keputusan manusia
Perkiraan permintaan
penjualan yang diharapkan
Menghasilkan pola + skenario
Terima/koreksi
waktu tunggu
Pesanan → periode penggunaan
Memecahnya menjadi beberapa komponen
Validasi dengan data nyata
fluktuasi permintaan
Volatilitas permintaan
akun dari masa lalu
Beri komentar dan bagikan
stok pengaman
jumlah penyangga
Menghitung dengan rumus
Saldo tunai/risiko
titik pemesanan ulang
Ambang batas pesanan
Menghitung dan menunjukkan
Persetujuan
Kuantitas pesanan
Berapa banyak yang akan diambil
menawarkan saran
keputusan akhir
Empat templat yang dapat disalin
1) Pola membaca dalam data historis:
Peran Anda: asisten analis permintaan. Di bawah ini adalah angka penjualan bulanan suatu produk selama 24 bulan terakhir. Berikan saya informasi berikut ini: (a) tren umum (naik/turun, kira-kira dalam %), (b) pola musiman (bulan mana yang tinggi/rendah), (c) lonjakan/penurunan yang mencolok dan kemungkinan penyebabnya (hubungkan dengan peristiwa yang saya catat, jika ada). Saya akan memverifikasi nomornya; menambahkan data yang pas.Data: [bulan: daftar kuantitas]
2) Skenario perkiraan permintaan:
Peran Anda: asisten perkiraan permintaan. Berdasarkan history di atas, menghasilkan tiga skenario prakiraan (PESMISSIONARY, REALISTIS, OPTIMISTIC) untuk 6 bulan ke depan (kuantitas bulanan). Tuliskan asumsi apa yang menjadi dasar setiap skenario. Ini adalah prediksi probabilitas; Ini bukanlah komitmen yang pasti.
3) Stok pengaman dan titik pemesanan:
Peran Anda: asisten perencanaan inventaris. Masukan: permintaan bulanan rata-rata [X] unit, volatilitas permintaan [deskripsi/data], waktu tunggu [Y] minggu, tingkat layanan yang diinginkan [mis. tinggi].(a) Hitung titik pemesanan kembali (permintaan yang diharapkan selama waktu tunggu + stok pengaman) dan tunjukkan logika langkah demi langkah. (b) Jelaskan pendekatan yang Anda gunakan untuk stok pengaman. Saya akan memverifikasi semua angka; Tunjukkan pada saya langkah-langkah peralihannya agar saya dapat memeriksanya.
4) Analisis risiko waktu tunggu:
Peran Anda: asisten perencanaan rantai pasokan. Waktu tunggu saya terdiri dari komponen-komponen berikut: produksi [a] hari, transportasi laut [b] hari, bea cukai [c] hari, transportasi darat [d] hari. Ekstrak kemungkinan sumber penundaan di setiap komponen dan dampaknya terhadap waktu pemesanan. Tandai tautan paling berisiko dan berikan rekomendasi margin keamanan. Saran; Terserah saya untuk memutuskan.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Berapa banyak yang harus saya pesan bulan depan?
Permintaan ini, tanpa memberikan data historis, waktu tunggu, musim, dan situasi kas, menyebabkan AI membuat angka yang tidak berdasarkan data. Memesan dengan nomor ini akan menjadi taruhan buta.
Perintah yang kuat:
Peran Anda: asisten perencanaan inventaris. Produk: [kode]. Penjualan 12 bulan terakhir: [jumlah]. Masa persediaan 8 minggu, jumlah pesanan minimum 500 unit, stok saya 340 unit. Permintaan meningkat di bulan-bulan musim panas. Dapatkan kisaran permintaan yang realistis untuk 2 bulan ke depan, hitung stok pengaman dan titik pemesanan ulang, lalu usulkan 2-3 skenario kuantitas pesanan (dengan saldo risiko tunai). Tampilkan langkah-langkah perantara angka; Saya akan membuat keputusan akhir.
Perintah ini memberikan semua masukan penting, mengarahkan skenario, dan membuat langkah penghitungan terlihat, sehingga verifikasi dapat dilakukan.
tiga kasus mini
Kasus 1 — Mengikuti musim. Seorang importir mempunyai pesanan tetap untuk produk kebun sepanjang tahun; Dia kehabisan stok di musim semi dan mengumpulkan barang di musim panas. Dalam data 3 tahun, YZ dengan jelas menunjukkan peningkatan permintaan sebesar 40% antara bulan Maret dan Mei. Perencana memperhitungkan waktu tunggu (10 minggu) dan melakukan pemesanan awal dan dalam jumlah besar pada bulan Januari. Hasilnya: pemadaman stok turun menjadi nol di musim semi, dan kelebihan stok di akhir tahun menurun sebesar 25%. AI menunjukkan polanya, manusia mengambil keputusan pesanan.
Kasus 2 - Harga dari mempercayai angka pastinya. Seorang perencana dipesan berdasarkan perkiraan tunggal "3.200 unit" yang diberikan oleh YZ; Dia tidak menggunakan skenario dan margin of safety. Kehabisan stok karena pesanan besar yang tidak terduga dari pelanggan, pasokan tambahan dilakukan melalui kargo udara mendesak (biaya unit 3 kali lipat). Pelajaran: rencanakan berdasarkan rentang skenario dan persediaan pengaman, bukan angka tunggal.
Kasus 3 — Realitas waktu tunggu. Sebuah perusahaan selalu menjaga persediaan pengamannya tetap rendah; karena menurutnya lead timenya adalah "6 minggu". Ketika YZ membagi lead time menjadi beberapa komponen (produksi 3 + transportasi 4 + bea cukai 1,5 minggu ≈ 8,5 minggu), ternyata waktu sebenarnya lebih lama dan mata rantai yang paling fluktuatif adalah bea cukai. Titik pemesanan kembali dinaikkan; Kehabisan stok yang berulang telah berakhir.
Kesalahan umum
- Menghubungkan seluruh pesanan ke satu nomor tebakan. Bekerja dengan skenario (pesimis/realistis/optimis) dan safety stock.
- Meremehkan waktu tunggu. Pertimbangkan jumlah dan volatilitas produksi + transportasi + bea cukai + transportasi domestik.
- Mengabaikan musim. Pesanan tetap menyebabkan kehabisan stok dan kelebihan stok pada produk musiman.
- Meminta prediksi tanpa memberikan data kepada AI. Angka yang dihasilkan tanpa data historis dibuat-buat.
- Melewati batasan uang tunai dan kapasitas. Bahkan ramalan yang paling akurat pun tidak dapat dilaksanakan jika uang tunai tidak mencukupi; Keputusan ada di tangan orang tersebut.
Tip: Selalu ucapkan "tunjukkan langkah perantara" saat meminta AI untuk menghitung. Jika Anda tidak melihat angka yang keluar, seperti safety stock atau titik pemesanan, Anda tidak dapat memverifikasinya; Langkah-langkah perantara memungkinkan Anda menangkap kesalahan dan mempelajari logikanya.
Singkatnya
Peramalan permintaan dan perencanaan inventaris adalah seni mencapai keseimbangan antara kelebihan dan kekurangan stok; Waktu tunggu yang panjang dan tidak menentu dalam pengadaan internasional membuat hal ini menjadi sulit. Kecerdasan buatan adalah asisten yang ampuh dalam membaca pola dalam data historis, menghasilkan perkiraan skenario, menghitung stok aman, dan titik pemesanan ulang. Tapi prediksi adalah prediksi probabilitas; Keputusan akhir pemesanan berada di tangan perencana, dengan mempertimbangkan kas, kapasitas, dan risiko. Percayai skenarionya, bukan satu angka pun, hitung waktu tunggu secara realistis, verifikasi langkah-langkah perantara.
Tugas aplikasi
Dapatkan data penjualan 12-24 bulan terakhir (angka, tanpa informasi rahasia pelanggan) suatu produk. Minta AI terlebih dahulu membaca polanya (tren + musim), lalu menghasilkan perkiraan tiga skenario. Kemudian hitung titik pemesanan kembali dan stok pengaman dengan memberikan waktu tunggu, jumlah pesanan minimum, dan stok yang tersedia; Periksa sendiri langkah-langkah perantaranya. Terakhir, buat keputusan pesanan akhir dengan mempertimbangkan uang tunai dan kapasitas Anda, lalu bandingkan dengan skenario AI.
daftar periksa
- [ ] Saya memberikan data penjualan historis (anonim) kepada AI; Saya mendasarkan perkiraan pada data.
- [ ] Saya menghapus tren dan pola musiman.
- [ ] Alih-alih menggunakan satu angka, saya membuat skenario pesimistis/realistis/optimis.
- [ ] Saya membagi waktu tunggu ke dalam komponen-komponennya dan menghitungnya secara realistis.
- [ ] Saya memverifikasi stok pengaman dan titik pemesanan dengan langkah perantara.
- [ ] Saya membuat keputusan pesanan akhir, dengan mempertimbangkan uang tunai, kapasitas, dan risiko.