Lợi nhuận:
- Khả năng dự báo nhu cầu, tính toán tồn kho an toàn và điểm đặt hàng lại từ dữ liệu bán hàng và vận chuyển lịch sử với sự hỗ trợ của trí tuệ nhân tạo
- Khả năng mô hình hóa thời gian sản xuất, biến động theo mùa và sự chậm trễ của chuỗi cung ứng trên cơ sở kịch bản và phản ánh chúng trong kế hoạch
- Khả năng hiểu rằng dự đoán bằng trí tuệ nhân tạo là dự đoán xác suất và quyết định thứ tự cuối cùng thuộc về người lập kế hoạch, có tính đến chi phí, tiền mặt và rủi ro.
Trong ngoại thương và logistics, tiền bị thất thoát ở hai chỗ: trên hàng hóa bạn không bán được và đằng sau hàng hóa bạn không thể giao cho khách hàng đúng hẹn. Hàng tồn kho dư thừa sẽ ràng buộc tiền mặt, tạo ra chi phí lưu kho và rủi ro hư hỏng/lỗi thời; Thiếu hàng đồng nghĩa với việc mất doanh thu, khách hàng không hài lòng và nguồn cung cấp gấp (đắt). Để xác định ranh giới giữa hai điều này đòi hỏi phải có dự báo nhu cầu tốt và kế hoạch tồn kho chính xác. Điều này thậm chí còn khó khăn hơn với nguồn cung ứng quốc tế vì hàng hóa vẫn còn trên tàu trong nhiều tuần; Khi bạn đặt hàng hôm nay, bạn thực sự dự đoán được nhu cầu hai tháng sau đó. Trong phần này, chúng tôi sẽ đề cập đến cách sử dụng trí tuệ nhân tạo làm trợ lý lập kế hoạch và dự báo.
Hãy xác định các điều khoản. Dự báo nhu cầu: Đó là dự đoán về lượng bán/sử dụng trong tương lai dựa trên dữ liệu lịch sử. Lead time: Thời gian từ lúc bạn đặt hàng đến khi có hàng; Đó là tổng sản lượng + vận chuyển + thời gian hải quan nhập khẩu. Hàng tồn kho an toàn: Là hàng tồn kho đệm được dự trữ để chống lại những biến động về thời gian cung hoặc cầu. Điểm đặt hàng lại: Đây là ngưỡng phải đặt hàng mới khi lượng hàng tồn kho giảm xuống mức này; đại khái là "nhu cầu dự kiến trong thời gian giao hàng + tồn kho an toàn". Biến động theo mùa (thời vụ): Là sự tăng giảm thường xuyên của nhu cầu trong suốt cả năm (nghỉ lễ, hè, học kỳ).
Từng bước: Dự báo và lập kế hoạch dựa trên AI
Bước 1 - Chuẩn bị dữ liệu lịch sử. Dự báo bắt đầu với dữ liệu bán hàng/giao hàng trong quá khứ. Số lượng bán hàng hàng tháng hoặc hàng tuần, các chiến dịch và thay đổi về giá, nếu có và các khoảng thời gian bạn hết hàng. Khi bạn cung cấp dữ liệu này cho AI (chỉ sản phẩm và số lượng, không có thông tin bí mật của khách hàng), nó sẽ diễn giải xu hướng, mùa vụ và những bước nhảy vọt.
Bước 2 - Xóa mẫu. AI đọc các mẫu trong dữ liệu, chẳng hạn như "Tăng 30% vào mùa hè, giảm trong tháng 1, xu hướng tăng trưởng hàng năm 8%" và giải thích chúng bằng ngôn ngữ đơn giản. Điều này làm cho các mẫu có thể nhìn thấy được mà bạn có thể không nhận thấy khi nhìn vào số liệu thô.
Bước 3 - Tạo dự báo và viết kịch bản cho nó. AI có thể phác thảo dự báo nhu cầu dựa trên mô hình lịch sử; Điều giá trị hơn là nó tạo ra những kịch bản “bi quan/thực tế/lạc quan”. Bằng cách này, bạn lập kế hoạch dựa trên một phạm vi chứ không phải một con số duy nhất.
Bước 4 - Tính toán các thông số chứng khoán. Sau khi biết được dự báo, thời gian giao hàng và độ biến động, lượng hàng tồn kho an toàn và điểm đặt hàng lại sẽ được tính toán. AI thực hiện công thức và thể hiện logic; bạn xác minh các con số.
Bước 5 - Quyết định của con người. Số lượng đặt hàng cuối cùng; Nó được người lập kế hoạch đưa ra, có tính đến dòng tiền, sức chứa kho, số lượng đặt hàng tối thiểu, tỷ giá hối đoái và rủi ro cung ứng. Dự đoán là đầu vào chứ không phải là quyết định.
Thận trọng: Dự báo nhu cầu nhìn vào quá khứ; Nó không đảm bảo cho tương lai. Một sự kiện bất ngờ (đóng cửa nhà máy, tắc nghẽn hải quan, nhu cầu tăng đột ngột) có thể làm sai lệch dự báo. Sẽ rất rủi ro khi gán toàn bộ đơn hàng cho một con số “chính xác” duy nhất được AI trả về; Làm việc với kịch bản và biên độ an toàn.
Bảng thành phần quyết định chứng khoán
thành phần
Nó có nghĩa là gì
Đóng góp của AI
quyết định của con người
Dự báo nhu cầu
doanh số dự kiến
Tạo mẫu + kịch bản
Chấp nhận/sửa
thời gian dẫn
Đặt hàng→thời gian sử dụng
Chia nó thành các thành phần
Xác thực bằng dữ liệu thực
biến động nhu cầu
Sự biến động của nhu cầu
tài khoản từ quá khứ
Bình luận và chia sẻ
kho an toàn
lượng đệm
Tính bằng công thức
Số dư tiền mặt/rủi ro
điểm đặt hàng lại
Ngưỡng đặt hàng
Tính toán và hiển thị
Phê duyệt
Số lượng đặt hàng
Sẽ lấy bao nhiêu
đưa ra gợi ý
quyết định cuối cùng
Bốn mẫu có thể sao chép
1) Cách đọc dữ liệu lịch sử:
Vai trò của bạn: trợ lý phân tích nhu cầu. Dưới đây là số liệu bán hàng hàng tháng trong 24 tháng qua của một sản phẩm. Hãy cho tôi những thông tin sau: (a) xu hướng chung (tăng/giảm, xấp xỉ %), (b) mô hình theo mùa (các tháng cao/thấp), (c) số lần tăng/giảm đáng chú ý và các nguyên nhân có thể xảy ra (tương quan chúng với các sự kiện tôi đã lưu ý, nếu có). Tôi sẽ xác minh các con số; thêm dữ liệu phù hợp. Dữ liệu: [tháng: danh sách số lượng]
2) Kịch bản dự báo nhu cầu:
Vai trò của bạn: trợ lý dự báo nhu cầu. Dựa trên lịch sử trên, đưa ra ba dự báo kịch bản (PESMISSIONARY, REALISTIC, OPTIMISTIC) trong 6 tháng tới (số lượng hàng tháng). Viết ra mỗi kịch bản dựa trên giả định nào. Đây là dự đoán về xác suất; Đó không phải là một cam kết dứt khoát.
3) Điểm dự trữ an toàn và đặt hàng:
Vai trò của bạn: trợ lý lập kế hoạch hàng tồn kho. Đầu vào: nhu cầu trung bình hàng tháng [X] đơn vị, sự biến động của nhu cầu [mô tả/dữ liệu], thời gian giao hàng [Y] tuần, mức dịch vụ mong muốn [ví dụ: cao].(a) Tính toán điểm đặt hàng lại (nhu cầu dự kiến trong thời gian giao hàng +hàng tồn kho an toàn) và hiển thị logic từng bước.(b) Giải thích phương pháp bạn đã sử dụng đối với hàng tồn kho an toàn. Tôi sẽ xác minh tất cả các con số; Hãy chỉ cho tôi các bước trung gian để tôi kiểm tra.
4) Phân tích rủi ro về thời gian thực hiện:
Vai trò của bạn: trợ lý lập kế hoạch chuỗi cung ứng. Thời gian giao hàng của tôi bao gồm các thành phần sau: ngày sản xuất [a] ngày, vận chuyển đường biển [b] ngày, hải quan [c] ngày, vận chuyển nội địa [d] ngày. Trích xuất các nguồn gây chậm trễ có thể có trong từng thành phần và tác động của nó đến thời gian đặt hàng. Đánh dấu liên kết rủi ro nhất và đưa ra khuyến nghị về mức độ an toàn. Gợi ý; Tùy tôi quyết định.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tôi nên đặt hàng bao nhiêu vào tháng tới?
Yêu cầu này không cung cấp dữ liệu lịch sử, thời gian giao hàng, mùa vụ và tình hình tiền mặt, khiến AI tạo ra một con số không dựa trên dữ liệu. Đặt hàng với số này sẽ là đặt cược mù quáng.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý lập kế hoạch hàng tồn kho. Sản phẩm: [mã]. Doanh số 12 tháng qua: [số lượng]. Thời gian cung cấp là 8 tuần, số lượng đặt hàng tối thiểu là 500 chiếc, lượng hàng tồn kho của tôi là 340 chiếc. Nhu cầu tăng cao trong những tháng hè. Đưa ra phạm vi nhu cầu thực tế trong 2 tháng tới, tính toán lượng hàng tồn kho an toàn và điểm đặt hàng lại, sau đó đề xuất 2-3 kịch bản số lượng đặt hàng (với số dư rủi ro tiền mặt). Hiển thị các bước trung gian của số; Tôi sẽ đưa ra quyết định cuối cùng.
Lời nhắc này cung cấp tất cả thông tin đầu vào quan trọng, nhắc nhở kịch bản và hiển thị các bước tính toán, giúp bạn có thể xác minh.
ba trường hợp nhỏ
Trường hợp 1 - Bắt kịp mùa giải. Một nhà nhập khẩu có đơn đặt hàng cố định cho sản phẩm làm vườn quanh năm; Anh ấy hết hàng vào mùa xuân và tích lũy hàng hóa vào mùa hè. Trong dữ liệu 3 năm, YZ cho thấy rõ ràng nhu cầu tăng 40% trong khoảng thời gian từ tháng 3 đến tháng 5. Người lập kế hoạch đã tính đến thời gian giao hàng (10 tuần) và đặt một đơn hàng lớn và sớm vào tháng Giêng. Kết quả: lượng hàng tồn kho giảm xuống mức 0 trong mùa xuân và lượng hàng tồn kho dư thừa vào cuối năm giảm 25%. AI đưa ra mô hình, con người đưa ra quyết định về trật tự.
Trường hợp 2 - Cái giá của việc tin tưởng vào con số chính xác. Người lập kế hoạch đặt hàng dựa trên ước tính duy nhất là "3.200 đơn vị" do YZ đưa ra; Anh ta đã không sử dụng một kịch bản và biên độ an toàn. Hết hàng do đơn hàng lớn bất ngờ của khách hàng, nguồn cung bổ sung được thực hiện thông qua đường hàng không khẩn cấp (đơn giá gấp 3 lần). Bài học: lập kế hoạch dựa trên phạm vi kịch bản và lượng hàng tồn kho an toàn, không phải những con số đơn lẻ.
Trường hợp 3 - Thực tế về thời gian thực hiện. Một công ty luôn giữ mức dự trữ an toàn ở mức thấp; vì anh ấy nghĩ thời gian thực hiện là "6 tuần". Khi YZ chia thời gian thực hiện thành các thành phần (sản xuất 3 + vận chuyển 4 + hải quan 1,5 tuần ≈ 8,5 tuần), hóa ra thời gian thực dài hơn và mối liên kết dễ biến động nhất là hải quan. Điểm đặt hàng lại cũng được nâng lên tương ứng; Tình trạng hết hàng tái diễn đã kết thúc.
Những lỗi thường gặp
- Liên kết toàn bộ đơn hàng với một số đoán duy nhất. Làm việc với kịch bản (bi quan/thực tế/lạc quan) và mức dự trữ an toàn.
- Đánh giá thấp thời gian thực hiện. Xem xét tổng và sự biến động của sản xuất + vận chuyển + hải quan + vận chuyển nội địa.
- Bỏ qua mùa giải. Đơn hàng cố định tạo ra cả tình trạng hết hàng và tồn kho quá mức đối với các sản phẩm theo mùa.
- Yêu cầu dự đoán mà không cung cấp dữ liệu cho AI. Con số được tạo ra mà không có dữ liệu lịch sử là bịa đặt.
- Bỏ qua hạn chế về tiền mặt và năng lực. Ngay cả dự báo chính xác nhất cũng không thể thực hiện được nếu không đủ tiền mặt; Quyết định là ở người đó.
Mẹo: Luôn nói "hiển thị các bước trung gian" khi yêu cầu AI tính toán. Nếu bạn không thấy các con số xuất hiện như thế nào, chẳng hạn như lượng hàng tồn kho an toàn hoặc điểm đặt hàng, bạn không thể xác minh chúng; Các bước trung gian cho phép bạn vừa bắt lỗi vừa tìm hiểu logic.
Tóm lại
Dự báo nhu cầu và lập kế hoạch tồn kho là nghệ thuật tạo ra sự cân bằng giữa dư thừa và thiếu hụt; Thời gian thực hiện kéo dài và không ổn định trong tìm nguồn cung ứng quốc tế khiến việc này trở nên khó khăn. Trí tuệ nhân tạo là trợ thủ đắc lực trong việc đọc các mẫu trong dữ liệu lịch sử, đưa ra dự báo kịch bản, tính toán tồn kho an toàn và điểm đặt hàng lại. Nhưng dự đoán là dự đoán về xác suất; Quyết định đặt hàng cuối cùng thuộc về người lập kế hoạch, có tính đến tiền mặt, năng lực và rủi ro. Hãy tin tưởng vào kịch bản chứ không phải một con số nào, tính toán thời gian thực hiện một cách thực tế, xác minh các bước trung gian.
Nhiệm vụ ứng dụng
Lấy dữ liệu bán hàng trong 12-24 tháng qua (số lượng, không có thông tin bí mật của khách hàng) của một sản phẩm. Trước tiên hãy yêu cầu AI đọc mẫu (xu hướng + mùa), sau đó đưa ra dự báo ba kịch bản. Sau đó tính toán điểm đặt hàng lại và lượng hàng tồn kho an toàn bằng cách đưa ra thời gian giao hàng, số lượng đặt hàng tối thiểu và lượng hàng tồn kho có sẵn; Hãy tự mình kiểm tra các bước trung gian. Cuối cùng, đưa ra quyết định đặt hàng cuối cùng dựa trên tiền mặt và năng lực của bạn rồi so sánh nó với các tình huống AI.
danh sách kiểm tra
- [ ] Tôi đã cung cấp dữ liệu bán hàng lịch sử (ẩn danh) cho AI; Tôi dựa trên ước tính dựa trên dữ liệu.
- [ ] Tôi đã loại bỏ xu hướng và mô hình theo mùa.
- [ ] Thay vì một con số duy nhất, tôi tạo ra một kịch bản bi quan/thực tế/lạc quan.
- [ ] Tôi chia thời gian thực hiện thành các phần và tính toán nó một cách thực tế.
- [ ] Tôi đã xác minh lượng hàng tồn kho an toàn và điểm đặt hàng bằng các bước trung gian.
- [ ] Tôi đã đưa ra quyết định đặt hàng cuối cùng, có tính đến tiền mặt, năng lực và rủi ro.