Kas yra DI atsargų valdymas?

DI atsargų valdymas yra pagrįstas algoritmais, kurie nuolat mokosi, naudodami informaciją apie duomenų srautus, tiekimo laikus ir kitus svarbius vidinius bei išorinius veiksnius, siekiant užtikrinti tinkamą atsargų lygį. Kitaip tariant, turėti atsargų kiekį, reikalingą realiam suvartojimui, be pertekliaus ar trūkumo.

Naudodamos dirbtinį intelektą įmonės gali dirbti su didžiuliu duomenų kiekiu, kurio neįmanoma analizuoti rankiniu būdu. Dirbtinis intelektas analizuoja visus būtinus veiksnius ir siūlo prognozes, saugos atsargas ir užsakymų dydžius. Tačiau čia reikėtų pabrėžti, kad net ir pasitelkiant dirbtinį intelektą, nepašalinamas neapibrėžtumas. Žinoma, DI sumažina ir padeda tokius neapibrėžtumus matyti bei į juos reaguoti.

Kaip pasikeitė atsargų valdymas, kai atsirado dirbtinis intelektas?

Atsiradus dirbtiniam intelektui dauguma atsargų valdymo sistemų tiekėjų išliko tie patys. Jie ir toliau naudoja savo pagrindinius atsargų valdymo variklius, tačiau pridėjo dirbtinio intelekto modulius ir pervadino prognozavimą bei optimizavimą į „dirbtinio intelekto valdomus metodus“. Keletas naujų DI paremtu produktų buvo sukurti nuo nulio, tačiau rinkoje vis dar dominuoja iki šiol rinkoje buvę tiekėjai.

Tai rodo, kad pagrindiniai atsargų valdymo metodai smarkiai nepasikeitė. Tikrasis pokytis matomas:

• Duomenyse, kuriais grindžiami šie metodai.
• Perskaičiavimo dažnume.
• Sprendimų automatizavimo lygyje.

Dabar atsargų valdymo sistemų tiekėjai savo internetinėse svetainėse pateikia, kad dirbtinis intelektas (DI):

• Naudoja ilgesnius ir išsamesnius istorinius duomenis.
• Aiškiau aptinka pasikartojančius modelius.
• Įtraukia akcijas, kainas, grąžinimus ir skirtingus pardavimų kanalus.
• Automatiškai koreguoja atsargų ir pakartotinio užsakymo taisykles SKU-vietos lygmeniu

Siekiant suprasti, kokią įtaką DI daro atsargų valdymui, naudinga dar kartą peržiūrėti klasikinius atsargų valdymo metodus ir paanalizuoti juos DI kontekste.

Pagrindiniai atsargų valdymo metodai, prie kurių pridedami DI moduliai

Dauguma atsargų valdymo sistemų vis dar remiasi šiais metodais:

• Min – max.
• Ekonominis užsakymo kiekis (EOQ)
• Saugos atsargos
• Paklausos prognozavimas
• Apribojimų teorija (TOC) ir dinaminiai buferiai

DI šių ​​metodų nepakeičia. Vigi DI keičia juose naudojamų duomenų skaičiavimo būdą ir atnaujinimo dažnumą.

Min–max.metodas, naudojant dirbtinį intelektą

Tradicinis požiūris

Šio metodo pagrindiniai veikimo principai:

• Min. lygis – kai turimos atsargos sumažėja iki min. lygio, aktyvauojamas užsakymo formavimas.
• Max. lygis – prekės užsakomos iki max. lygio.
• Šios vertės paprastai pagrįstos vidutine paklausa ir vidutiniu tiekėjo tiekimo/ gamybos laiku.

Ką pagerina dirbtinis intelektas?

• Dinaminės min.- max. ribos, vietoj statinių.
• DI sistema gali min. – max. lygius atnaujinti dažnai, kartais kasdien, vietoj vieno ar dviejų kartų per metus. DI taip pat gali reaguoti į:
  • Pardavimų tendencijų pokyčius.
  • Akcijas ir kainų pokyčius.
  • Sezoniškumą ir šventes.
  • Neseniai įvykusius tiekėjų vėlavimus.

Jei produkto paklausa viename regione padidėja, o kitame sumažėja, dirbtinis intelektas gali sumažinti min. ribą regione, kur paklausa lėtėja, ir padidinti jį regione, kur paklausa didėja, nelaukdamas žmogaus įsitraukimo.

Daugiau signalų vienai prekei

Klasikinės taisyklės dažnai nagrinėja tik vieną ar du duomenų tipus. Dirbtiniu intelektu pagrįstos taisyklės gali būti naudojamos įvertinti:

• Pardavimo kanalų skirtumus (fizinė parduotuvė vs internetinė ir parduotuvė).
• Grąžinimus ir atšaukimus.
• Rinkodaros kalendorių.
• Konkurentų aktyvumą ir kainų skirtumus.
• Tiekėjų veiklos rodiklius.

Mažesnė ir aiškesnė, bet ne nulinė paklaida

Net ir naudojant dirbtinį intelektą, min. – max. metodas vis tiek grindžiamas prognoze, ir kiekviena prognozė turi paklaidą. Daugelyje atvejų dirbtinis intelektas sumažina prognozės paklaidą 20 – 50 %, taip sumažindamas prekių trūkumą ir perteklių, bet visiškai jų nepašalindamas.

Ekonominis užsakymo kiekis (EOQ) su dirbtiniu intelektu

Tradicinis požiūris

EOQ (ekonominis užsakymo kiekis) apskaičiuoja optimalų užsakymo dydį, kuris subalansuoja užsakymo tiekimo ir laikymo išlaidas, darant prielaidą, kad:

• Paklausos lygis yra stabilus.
• Fiksuota užsakymo kaina vienam papildymui.
• Pastovios prekių laikymo išlaidos.
• Praktiškai daugelis įmonių EOQ laiko gairėmis, o ne griežta taisykle.

Ką patobulina dirbtinis intelektas?

• EOQ metodas gali vertinti dinaminę paklausą, remiantis didesne praeities duomenų apimtimi.
• Paklausos prognozės gali apimti:
  • Sezoniškumą.
  • Akcijas ir nuolaidas.
  • Kainų pokyčius.
  • Produktų kanibalizaciją ir pakeitimą.

Didesnė ir įvairesnių scenarijų galimybė

Dirbtinio intelekto įrankiai gali imituoti daugybę „kas būtų, jeigu“ situacijų:

• Skirtingos užsakymų sąnaudų struktūros.
• Krovinių gabenimo ar degalų kainų pokyčiai.
• Nauji tiekėjų minimalūs užsakymo kiekiai.
• Skirtingi paslaugų lygio tikslai.

Tai nekeičia EOQ formulės, bet leidžia lengviau matyti, kaip jautriai reaguoja į skirtingas situacijas.

Saugos atsargos su dirbtiniu intelektu

Tradicinis požiūris

Saugos atsargos apsaugo nuo paklausos ir tiekimo/ gamybos laiko pokyčių. Standartinėje formulėje naudojama:

• Standartinis paklausos nuokrypis.
• Vidutinis tiekimo/ gamybos laikas.
• Pasirinktas paslaugų lygis (pavyzdžiui 95 %).

Dažniausiai tai paprastos, apytikslės taisyklės, naudojamos sprendimams priimti be sudėtingų skaičiavimų, pavyzdžiui „X dienų apimtis“.

Ką patobulina dirbtinis intelektas?

• Duomenys yra modeliuojami, vietoj vienos paprastos formulės.
• Dirbtinio intelekto įrankiai gali imituoti daug galimų paklausos ir tiekimo/ gamybos laiko trajektorijų bei įvertinti, kiek atsargų reikia norint pasiekti skirtingus paslaugų lygius, atsižvelgiant į prekę.

Skirtingos atsargų valdymo strategijos skirtingoms prekėms

• Greitai judančios, lėtai judančios, sezoninės ir akcijinės prekės elgiasi skirtingai. Dirbtinis intelektas gali kiekvienai grupei priskirti skirtingas buferio taisykles, užuot taikęs vieną formulę visiems SKU.

Tiekėjo patikimumo vertinimas

Šiuolaikinės sistemos vis dažniau tiekėjo patikimumą traktuoja kaip tiesioginį kriterijų, darantį įtaką atsargų dydžiui. DI moduliai atsižvelgia į:

• Pristatymą laiku.
• Pristatymo laiko pokyčius.
• Papildymo greičio ir kokybės problemas.

Jei tiekėjas A yra labai patikimas, o tiekėjas B dažnai vėluoja, modelis pateikia mažesnes atsargas tiekėjo A prekėms ir didesnes tiekėjo B prekėms. Tai tiesiogiai susieja atsargas su tiekėjo rizika, užuot visus tiekėjus traktavus vienodai.

Kaip ir EOQ atveju, šis metodas sumažina atotrūkį tarp planuotų ir faktinių atsargų, tačiau ekstremalūs įvykiai (streikai, staigūs reguliavimo pakeitimai ir kt.) vis tiek gali sugadinti bet kurį modelį.

Paklausos prognozavimas naudojant dirbtinį intelektą

Tradicinis metodas

Tai vis dar vienas populiariausių atsargų valdymo modelių:

• Prognozuojant paklausą remiamasi dviem paprastais laiko eilučių metodais:
  • slenkamuoju vidurkiu – prognozė skaičiuojama iš kelių paskutinių periodų vidurkio.
  • eksponentiniu išlyginimu – naujausiems duomenims suteikiamas didesnis svoris, kad prognozė greičiau reaguotų į pokyčius.
• Galutiniai užsakymo kiekiai koreguojami atsargų planuotojo nuožiūra.
• Remiasi tik istoriniais pardavimais.

Tai gana gerai veikia stabilioje aplinkoje, tačiau sudėtinga valdyti, kai nuolat vyksta akcijos ar staiga keičiasi asortimentas, taip pat kai veikia keli pardavimo kanalai.

DI pagrįstas metodas

DI prognozavimas apjungia:

• Istorinius pardavimus.
• Sezoniškumą ir šventes.
• Kainas ir akcijas.
• Kelis pardavimo kanalus (parduotuvė / internetinė prekyba / didmeninė prekyba).
• Išorinius veiksnius, tokius kaip orai ar makro veiksniai.

DI modeliai gali generuoti prognozes SKU-parduotuvės-savaitės (ar net dienos) lygmeniu ir gali būti dažnai atnaujinami, kai tik gaunami nauji duomenys.

Kokią naudą mato įmonės?

Analizės ir atvejų tyrimai rodo:

• Prognozavimo paklaidų sumažėjimas 20–50 %, palyginti su tradiciniais metodais
• Atsargų sumažėjimas 15–30 %, išlaikant tokią pačią arba geresnę paslaugą
• Kai kuriuose mažmeninės prekybos pavyzdžiuose atsargų trūkumas sumažėjo 20–60 %.

TOC dinaminiai buferiai ir DI

Tradicinis požiūris

TOC metodika ir atsargų valdymas pagal dinaminius buferius tikrai yra pažįstama daugeliui įmonių, kurios valdo gamybos įmones, mažmeninės ir didmeninės prekybos tinklus.

Ši sistema:

• Stebi, kaip greitai sunaudojamos atsargos.
• Koreguoja buferių dydžius pagal faktinį suvartojimą ir gamybos/ tiekimo laiką.
• Reaguoja į esamas sąlygas, o ne į ilgalaikes prognozes.

Praktiškai šie dinaminių buferių algoritmai jau veikė kaip mašininio mokymosi sistemos, dar prieš išpopuliarėjant dirbtiniam intelektui. Jie rėmėsi realiais suvartojimų duomenimis ir paprastomis taisyklėmis, kad buferius koreguotų aukštyn arba žemyn.

Kokią naudą DI suteikia TOC dinaminio buferio valdymo tipo sistemomis?

• Tiekėjų patikimumo vertinimas – DI gali sukurti išsamesnius tiekėjų įvertinimus naudodamas:
  • Pristatymo našumą.
  • Gamybos terminų kintamumą.
  • Užpildymo greitį ir defektų skaičių.
• Asortimento ir gyvavimo ciklo valdymą – DI gali aptikti SKU, kurie:
  • Retai parduodami.
  • Susieti atsargas su maža marža.
  • Rekomenduoti įvesti/ palaikyti naudingesnius produktus.
  • Tokių prekių pašalinimas arba pakeitimas padeda dinaminiams buferiams sutelkti dėmesį į tą asortimento dalį, kuri iš tikrųjų kuria vertę.

Kadangi TOC dinaminiai buferiai jau buvo prisitaikantys prie realių sąlygų, DI iš esmės nekeičia pačių buferių veikimo. Jis sustiprina susijusius sprendimus, t.y. kurias prekes pasilikti, kuriais tiekėjais pasitikėti ir į ką atkreipti didžiausią dėmesį.

Kodėl StockM atsargų valdymo sistemoje buvo pasirinkta TOC dinaminio buferio valdymo metodika?

Dauguma DI parįstų atsargų valdymo įrankių save pozicionuoja ties vienu pagrindiniu pažadu – geresnis paklausos prognozavimas. Jie apibūdina DI kaip būdą analizuoti daugiau duomenų, atpažinti modelius ir tiksliau numatyti būsimą paklausą, o tada panaudoti šias prognozes min. – max. taškams, saugos atsargoms ir papildymui valdyti.

Jau išsiaiškinome, jog dirbtinio intelekto prognozavimas gali:

• Sumažinti prognozės paklaidą, lyginant su įprastais metodais be DI.
• Padaryti atsargų riziką labiau matomą ir anksčiau informuoti apie nenumatytus atvejus.
• Dažniau perskaičiuoti prognozes.

Tačiau galų gale prognozė vis tiek lieka tik spėjimu. Jei spėjimas yra neteisingas, viskas, kas buvo pagal jį sukurta, yra neteisinga. Paklaida tampa mažesnė ir skaidresnė, bet neišnyksta.

Tuo tarpu dinaminis buferio valdymas veikia pagal kitokią logiką. Užuot bandęs idealiai atspėti ateitį, šis metodas bando protingai “sugerti” neapibrėžtumą:

• Buferiai nustatomi pagal faktinį, neseniai suvartotą kiekį ir realų gamybos/ tiekimo laiką.
• Buferiai dinamiškai kinta. Kai nepastovumas ar rizika padidėja – buferiai didėja. Ir atvirkščiai, kai padėtis stabilizuojasi – buferiai mažėja.
• Atsargų lygio (buferio) valdymą lemia faktinio likučio stebėjimas (raudona / geltona / žalia zonos), ir reguliarus tiekėjų tiekimo grafikas.

Taigi dinaminis buferių valdymas jau gerokai anksčiau nei kad atsirado DI, veikė kaip mokymosi mašinos modelis: stebėjo realybę, koregavo parametrus ir gerino atsargų valdymo rezultatus.

StockM sistema yra sukurta būtent remiantis šia idėja. Nuo pat pradžių StockM naudojo dinaminį buferių valdymą, kad:

• Stebėtų realų suvartojimą ir gamybos/tiekimo  laiką.
• Automatiškai koreguotų buferių dydžius.
• Nustatytų kasdienius atsargų valdymo darbų prioritetus.

Taigi, jei palyginsite du metodus:

1. Dirbtiniu intelektu pagrįsti prognozavimo įrankiai

• Dirbtinis intelektas padeda prognozuoti paklausą.
• Atsargų valdymą (užsakymų dydžius ir laiką) nustato iš anksto apibrėžtos taisyklės, kurios remiasi paklausos prognozėmis.
• Gerai veikia, kai dabarties situacija yra labai panaši į praeitį.

2. Dinaminis buferių valdymas

• Integruotas mašininis mokymasis padeda koreguoti buferius pagal realią paklausos elgseną.
• Atsargų valdymą lemia buferių būsena ir reikalingų atlikti užduočių prioritetai.
• Veikia neapibrėžtame, nepastoviame ir besikeičiančiame pasaulyje ir, žinoma, puikiai veikia stabilioje rinkoje.

Dirbtiniu intelektu ir prognozavimu pagrįstas atsargų valdymas tikrai vertas dėmesio, bet tik kaip tikslesnis spėjimas. StockM sistemoje mašininis mokymasis skirtas tam, kad buferiai kasdien atitiktų realybę, kad atsargos išliktų artimos tam, ką klientai iš tikrųjų perka, o ne tam, ko kadaise tikėjomės pagal prognozes.

Ar verta investuoti į dirbtiniu intelektu pagrįstą atsargų valdymą?

Trys išvados padeda suprasti, ką DI iš tikrųjų keičia:

DI pagerina esamų metodų duomenų tikslumą

Min. – max. taškas, EOQ, saugos atsargos, paklausos prognozavimas ir TOC vis dar veikia kaip pagrindiniai atsargų valdymo modeliai. DI padaro už jų esančius skaičius realesnius, detalesnius ir dažniau juos perskaičiuoja.

Didesnis prognozių tikslumas yra priemonė, o ne tikslas

Prognozių paklaidos sumažinimas nuo 40 % iki 25 % yra tikrai geras pasiekimas, tačiau tai vis tiek yra klaida, jei pati prognozė yra klaidinga. Įmonės turi nuspręsti, kiek rizikos padengti buferiais, kaip elgtis su nurašymais ir akcijomis ir kada keisti sistemą.

Organizacija ir procesas yra tokie pat svarbūs kaip ir modeliai

Daugelis įmonių jau naudoja gerus DI įrankius, bet vis tiek stringa, nes komercijos, tiekimo grandinės ir finansų skyriai nedirba pagal vieną bendrą planą. DI gali pasiūlyti geresnius planus, tačiau žmonės sprendžia, ar tais planais pasitikėti ir ar juos vykdys.

Jei ieškote DI atsargų valdymo įrankių, verta ieškoti ne tik kuris DI algoritmas yra pats protingiausias, bet ir atsakyti į šiuos klausimus:

• Kokius duomenis naujasis algortimas iš tikrųjų naudoja?
• Kaip dažnai jūsų sistemose atnaujinami pagrindiniai parametrai, iš kurių generuojami kiti duomenys?
• Kiek skaidrios yra pateikiamos rekomendacijos planuotojams, t.y. kas slypi už DI algoritmų pateiktų skaičių?
• Ar gali atsargų planuotojai pritaikyti naujuosius algortimus išimtims valdyti?

Norite sužinoti, kaip veikia StockM sistema ir kaip gali padėti valdyti atsargas jūsų įmonėje? – Susisiekite!