Gevinster:
- Evne til å utlede etterspørselsprognose, sikkerhetslager og ombestillingspunktberegninger fra historiske salgs- og forsendelsesdata med støtte for kunstig intelligens
- Evne til å modellere ledetid, sesongsvingninger og forsyningskjedeforsinkelser på scenariebasis og reflektere dem i planleggingen
- Evne til å forstå at prediksjon av kunstig intelligens er en sannsynlighetsprediksjon og at den endelige ordrebeslutningen tilhører planleggeren, tatt i betraktning kostnad, kontanter og risiko.
I utenrikshandel og logistikk tapes penger to steder: på varene du ikke kan selge og bak varene kan du ikke levere til kunden i tide. Overflødig varebeholdning binder kontanter, skaper lagerkostnader og risiko for ødeleggelse/foreldelse; Manglende lager betyr tap av salg, kundemisnøye og haste (dyr) forsyning. Å gå på den fine linjen mellom de to krever en god etterspørselsprognose og en nøyaktig lagerplan. Dette er enda vanskeligere med internasjonal innkjøp fordi varene forblir på skipet i flere uker; Når du bestiller i dag, spår du faktisk etterspørselen to måneder senere. I denne enheten vil vi dekke hvordan man bruker kunstig intelligens som prognose- og planleggingsassistent.
La oss definere begrepene. Etterspørselsprognose: Det er prediksjonen av fremtidig salgs-/bruksbeløp basert på historiske data. Ledetid: Tiden fra det øyeblikket du legger inn bestillingen til det øyeblikket varene blir tilgjengelige; Det er summen av produksjon + transport + tolltider for import. Sikkerhetslager: Det er et bufferlager som holdes mot svingninger i etterspørsel eller leveringstid. Ombestillingspunkt: Dette er terskelen der en ny ordre må legges inn når beholdningen faller til dette nivået; grovt sett "forventet etterspørsel i løpet av ledetiden + sikkerhetslager". Sesongvariasjoner (sesongvariasjoner): Det er den vanlige økningen og fallet i etterspørselen gjennom året (ferie, sommer, skoletermin).
Trinn for trinn: AI-drevet prognoser og planlegging
Trinn 1 — Forbered historiske data. Prognoser starter med historiske salgs-/forsendelsesdata. Månedlige eller ukentlige salgstall, kampanjer og prisendringer, hvis noen, og perioder når du er utsolgt. Når du gir disse dataene til AI (kun produkt og mengde, uten konfidensiell kundeinformasjon), tolker den trenden, sesongen og hoppene.
Trinn 2 — Fjern mønsteret. AI leser mønstre i dataene, for eksempel "30 % økning om sommeren, nedgang i januar, 8 % årlig veksttrend" og forklarer dem i et klart språk. Dette gjør synlige mønstre som du kanskje ikke legger merke til ved å se på rånummeret.
Trinn 3 — Generer prognosen og skript den. AI kan skissere en etterspørselsprognose basert på historisk mønster; Det som er mer verdifullt er at det produserer "pessimistiske / realistiske / optimistiske" scenarier. På denne måten planlegger du basert på et område, ikke et enkelt tall.
Trinn 4 — Beregn aksjeparametere. Når prognosen, ledetiden og volatiliteten er kjent, beregnes sikkerhetslageret og bestillingspunktet. AI implementerer formelen og demonstrerer logikk; du bekrefter tallene.
Trinn 5 — Menneskelig beslutning. Endelig bestillingsmengde; Den er gitt av planleggeren, tar hensyn til kontantstrøm, lagerkapasitet, minimum ordrekvantum, valutakurs og forsyningsrisiko. En prediksjon er et innspill, ikke en beslutning.
Forsiktig: Etterspørselsprognoser ser på fortiden; Det garanterer ikke fremtiden. En uventet hendelse (en fabrikkstenging, en tollblokkering, en plutselig økning i etterspørselen) kan slå av prognosen. Det er risikabelt å tilskrive hele bestillingen til et enkelt "nøyaktig" nummer returnert av AI; Arbeid med scenario og sikkerhetsmargin.
Tabell for aksjebeslutningskomponenter
komponent
Hva betyr det
Bidrag av AI
menneskelig avgjørelse
Etterspørselsprognose
forventet salg
Genererer mønster + scenario
Godta/korrigere
ledetid
Bestilling→bruksperiode
Bryter det ned i komponenter
Validerer med ekte data
etterspørselssvingninger
Volatilitet i etterspørselen
beretninger fra fortiden
Kommenter og del
sikkerhetslager
buffermengde
Regner med formel
Kontanter/risikobalanse
ombestillingspunkt
Bestillingsterskel
Regner og viser
Godkjenning
Bestillingsmengde
Hvor mye vil bli tatt
gir forslag
endelig avgjørelse
Fire kopierbare maler
1) Lesemønstre i historiske data:
Din rolle: etterspørselsanalytikerassistent. Nedenfor er de månedlige salgstallene for de siste 24 månedene av et produkt. Gi meg følgende: (a) generell trend (økende/minkende, omtrent i %), (b) sesongmønster (hvilke måneder er høye/lave), (c) bemerkelsesverdige hopp/krasj og mulige årsaker (korreler dem til hendelsene jeg noterte, hvis noen). Jeg vil bekrefte tallene; legger til tilpasningsdata.Data: [måned: mengdeliste]
2) Scenarioetterspørselsprognose:
Din rolle: assistent for etterspørselsprognoser. Basert på historikken ovenfor, lag tre scenarioprognoser (PESMISSJONÆR, REALISTISK, OPTIMISTISK) for de neste 6 månedene (månedlig mengde). Skriv ned hvilken forutsetning hvert scenario er basert på. Dette er en prediksjon av sannsynlighet; Det er ikke en definitiv forpliktelse.
3) Sikkerhetslager og bestillingspunkt:
Din rolle: lagerplanleggingsassistent. Inndata: gjennomsnittlig månedlig etterspørsel [X] enheter, volatilitet i etterspørselen [beskrivelse/data], ledetid [Y] uker, ønsket servicenivå [f.eks. høy].(a) Beregn etterbestillingspunktet (forventet etterspørsel over ledetiden + sikkerhetslager) og vis logikken steg for steg.(b) Forklar tilnærmingen du brukte for sikkerhetslager. Jeg vil verifisere alle tallene; Vis meg de mellomliggende trinnene slik at jeg kan sjekke.
4) Risikoanalyse for ledetid:
Din rolle: assistent for forsyningskjedeplanlegging. Min ledetid består av følgende komponenter: produksjon [a] dager, sjøtransport [b] dager, tolldager [c] dager, innlandstransport [d] dager. Trekk ut mulige kilder til forsinkelser i hver komponent og dens innvirkning på bestillingstidspunktet. Merk den mest risikofylte lenken og gi en anbefaling for sikkerhetsmargin. Forslag; Det er opp til meg å bestemme.
Svak forespørsel / Sterk forespørsel
Svak melding:
Hvor mye bør jeg bestille neste måned?
Denne forespørselen, uten å gi historiske data, ledetid, sesong og kontantsituasjon, får AI til å utgjøre et tall som ikke er basert på data. Å bestille med dette nummeret vil være en blind innsats.
Kraftig ledetekst:
Din rolle: lagerplanleggingsassistent. Produkt: [kode]. Siste 12 måneders salg: [mengder]. Leveringsperioden er 8 uker, minimum bestillingsantall er 500 enheter, mitt lager er 340 enheter. Etterspørselen øker i sommermånedene. Utled et realistisk etterspørselsområde for de neste 2 månedene, beregn sikkerhetslageret og bestill punkt, og foreslå deretter 2-3 bestillingsmengdescenarier (med kontantrisikobalanse). Vis mellomtrinn av tall; Jeg tar den endelige avgjørelsen.
Denne ledeteksten gir alle kritiske inndata, spør scenariet og gjør beregningstrinn synlige, noe som gjør verifisering mulig.
tre minisaker
Tilfelle 1 — Å ta igjen sesongen. En importør hadde en fast bestilling på et hageprodukt hele året; Han var utsolgt om våren og akkumulerte varer om sommeren. I 3-års data viste YZ tydelig en 40 % økning i etterspørselen mellom mars og mai. Planleggeren tok hensyn til ledetid (10 uker) og la inn en tidlig og stor ordre i januar. Resultat: Beholdningsavbrudd falt til null i vårsesongen, og overskuddslager ved slutten av året gikk ned med 25 %. AI viste mønsteret, mennesket tok ordrebeslutningen.
Tilfelle 2 - Prisen for å stole på det eksakte antallet. En planlegger bestilt basert på det enkle anslaget på "3200 enheter" gitt av YZ; Han brukte ikke et scenario og sikkerhetsmargin. Utsolgt med en kundes uventede store ordre, ytterligere forsyning ble gjort via presserende flyfrakt (enhetskostnad 3 ganger). Leksjon: plan basert på scenariorekkevidde og sikkerhetslager, ikke enkelttall.
Case 3 – Realiteten av ledetid. Et selskap holdt alltid sikkerhetslageret lavt; fordi han trodde ledetiden var «6 uker». Da YZ delte opp ledetiden i komponenter (produksjon 3 + transport 4 + toll 1,5 uker ≈ 8,5 uker), viste det seg at sanntiden var lengre og det mest flyktige leddet var toll. Ombestillingspunktet ble hevet tilsvarende; Gjentatte lageruttak er over.
Vanlige feil
- Knytter hele bestillingen til et enkelt gjettenummer. Arbeid med scenario (pessimistisk/realistisk/optimistisk) og sikkerhetslager.
- Undervurderer ledetid. Vurder summen og volatiliteten til produksjon + transport + toll + innenlands transport.
- Ignorerer sesongen. Fast ordre skaper både utsolgt og overlager i sesongprodukter.
- Be om en prediksjon uten å gi data til AI. Antallet produsert uten historiske data er fabrikkert.
- Omgå kontanter og kapasitetsbegrensninger. Selv den mest nøyaktige prognosen kan ikke implementeres hvis kontanter ikke er nok; Avgjørelsen er opp til personen.
Tips: Si alltid "vis mellomtrinn" når du ber AI om beregning. Hvis du ikke ser hvordan tall kommer ut, for eksempel sikkerhetslager eller bestillingspunkt, kan du ikke bekrefte dem; Mellomliggende trinn lar deg både fange feilen og lære logikken.
Oppsummert
Etterspørselsprognoser og lagerplanlegging er kunsten å finne balansen mellom overskudd og underlager; Lange og ustabile ledetider i internasjonal sourcing gjør dette vanskelig. Kunstig intelligens er en kraftig assistent til å lese mønstre i historiske data, generere scenarioprognoser, beregne sikkerhetslager og ombestillingspunkt. Men en prediksjon er en prediksjon av sannsynlighet; Den endelige ordrebeslutningen tilhører planleggeren, med hensyn til kontanter, kapasitet og risiko. Stol på scenariet, ikke et enkelt tall, beregn ledetid realistisk, verifiser mellomtrinn.
Søknadsoppgave
Få de siste 12-24 månedene med salgsdata (antall, uten konfidensiell kundeinformasjon) for et produkt. La AI-en først lese mønsteret (trend + sesong), og deretter lage en tre-scenario-prognose. Beregn deretter gjenbestillingspunktet og sikkerhetslageret ved å oppgi ledetid, minimumsbestillingsmengde og tilgjengelig lager; Sjekk mellomtrinnene selv. Til slutt, ta din endelige bestillingsbeslutning med tanke på kontanter og kapasitet og sammenlign det med AI-scenarier.
sjekkliste
- [ ] Jeg ga historiske salgsdata (anonyme) til AI; Jeg baserte anslaget på data.
- [ ] Jeg fjernet trenden og sesongmønsteret.
- [ ] I stedet for et enkelt tall, produserte jeg et pessimistisk/realistisk/optimistisk scenario.
- [ ] Jeg delte ledetiden inn i komponentene og beregnet den realistisk.
- [ ] Jeg verifiserte sikkerhetslageret og bestillingspunktet med mellomliggende trinn.
- [ ] Jeg tok den endelige ordrebeslutningen, under hensyntagen til kontanter, kapasitet og risiko.