DI atsargų valdyme. Kas yra DI? Iš esmės DI tai mašininis mokymasis. Mašininio mokymosi technologija tikrai gali analizuoti milžinišką informacijos kiekį ir pateikti tikslius prognozavimus. Ji gali apdoroti milijonus kintamųjų vienu metu. Ji gali rasti ryšių sudėtingose informacijos struktūrose. Ji gali kiekybiškai įvertinti ryšius tarp kintamųjų, kurie kitaip liktų nežinomi.
Tačiau yra esminis “bet”, kai kalbame apie atsagų valdymą. Mašininio mokymosi technologija remiasi prielaida, kad praeityje stebėti dėsningumai tęsis ir ateityje. Tai gerai veikia stabilios aplinkose. Tai neveikia aplinkose, kur dėsningumų nėra arba jie staiga pasikeičia.
DI atsargų valdyme analizuoja, bet negali suprasti jūsų rinkos. DI nesupranta, kas skatina klientus pirkti jūsų produktus. DI nesupranta konteksto, kuriame keičiasi dėsningumai. DI tiesiog yra dėsningumų atpažinimo įrankis.
DI atsargų valdyme
Per didelio pasitikėjimo DI problema
Tai labai rizikinga situacija. DI modeliai daro tikslias prognozes, kuriomis lengva pasitikėti, nes skaičiai įtikina. Sąsajos sudėtingos. Komandos pasitiki prognozėmis, nes jos gaunamos iš pažangių algoritmų.
Visgi DI modeliavimas gali pateikti išsamias prognozes, kurios niekada neįvyks. Gali būti prognozuojama su dešimtainių ženklų tikslumu, bet realybėje klys 40 %. Problema ne preciziškumas, o pasitikėjimas, kuris pakerta sveiką skepticizmą, kurio reikalauja neapibrėžtumas.
Tradiciniai prognozavimo metodai bent turėjo aiškų neapibrėžtumo ženklą. Kai pirkėjas darė būsimos paklausos prognozę, buvo aišku, kad tai tik spėjimas. Tuo tarpu dabar DI sąsajų sudėtingumas slepia neapibrėžtumą. Prognozė tampa galutine net tada, kai ji yra grynas spėjimas.
Atotrūkis nuo rinkos realybės
Kokios yra tikrosios atsargų problemų priežastys daugumoje verslų? Dirbate su tiekėjais, turinčius fiksuotus pristatymo laikus. Dirbate su užsakymų ciklu, kuris negali keistis ir yra pernelyg ilgas. Dirbate su produktais, kurių 30 % nepasiekia tikslų. Dirbate su nuolat besikeičiančia konkurencine aplinka, rinkos pokyčiais ir vartotojų elgsenos pokyčiais.
Kaip tokiose situacijose galėtų padėti DI prognozavimas? Jis gali duoda geresnes prognozes, kas nutiks ateityje. Jis gali duoti geresnį tų prognozių tikslumą, galbūt 25–40 % geresnį.
Tačiau tikrosios problemų priežastys nėra prognozių tikslumas. Prognozių tikslumo padidinimas nuo 65 % iki 80 % neišsprendžia fakto, kad vis dar klystate 20 % atvejų, ir būtent tie 20 % sukelia daugumą atsargų problemų. Tai neišsprendžia fakto, kad vis dar priimate atsargų sprendimus remdamiesi prognozėmis, o ne faktine paklausa.
Nepastovios rinkos iššūkiai
Kai kurie produktai yra labiau nuspėjami nei kiti. Kai kurie produktai turi stabilius paklausos modelius ir gali būti naudos iš patobulintų prognozių.
Bet kaip su produktais, kurie yra pagrįsti mados tendencijomis? Kaip su produktais, kuriems gali turėti didelį poveikį konkurencija? Produktais, kuriems gali turėti didelį poveikį socialinė tinklai?
Tokio tipo rinkose įsijungia esminė DI prognozavimo problema. DI prognozės remiasi dėsningumais, kurie nepastoviose rinkose negalioja. Pavyzdžiui konkurentas išleidžia revoliucinį produktą, atsiranda kažkokios tendencijos socialiniuose tinkluose. Arba tiesiog JAV įveda muitus ir tai daro įtaką tiekimo grandinių stabilumui.
Istoriniai duomenys nerodo šių pokyčių tol, kol jie neįvyko. Kol DI sistema prisitaikys prie šio naujo dėsningumo, atsargų valdymo sprendimai jau bus padaryti, prekės užsakytos pagal gautas tikslenes prognozes.
Kitoks požiūris į atsargų valdymą
Įprasta manyti, jog atsargų valdyme turėtume gerai prognozuoti paklausą, nustatyti optimalius atsargų kiekius ir tada užsakyti tuos kiekius užsakyti. Kuo geriau prognozuojame, tuo geriau valdome atsargas. Viskas atrodo visiškai logiška.
Bet tai remiasi prielaida, kad geriausias būdas valdyti atsargas yra prognozuoti paklausą ir tada valdyti atsargas pagal tą prognozę. O jei galėtume valdyti atsargas remdamiesi esama paklausa, o ne paklausa, kurią galime tik prognozuoti?
Dinaminis buferių valdymas remiasi šia idėja. Užuot prognozavę, kas nutiks, ir pasirengę tam, DBM (dynamic buffer management) naudoja dinaminius buferius ir pritaiko juos tam, kas iš tikrųjų vyksta.
Procesas paprastas: nustatykite buferių tikslus visoms prekėms, stebėkite faktinį suvartojimą ir atitinkamai pritaikykite buferius. Jei pagal faktinį suvartojimą atsargų dažnai pritrūksta ar gali pritrūkti, padidinkite buferį. Jei faktinis suvartojimas dažnai viršija tai, ko reikia, sumažinkite buferį.
Šis požiūris panaikina poreikį prognozuoti ateitį. Jis mokosi iš faktinių duomenų, o ne iš istorijos. Jis prisitaiko nuolat, o ne laukia, kol prognozė bus atnaujinta ketvirtį. Svarbiausia, jis prisitaiko prie besikeičiančių sąlygų automatiškai.
Kuo naudingas DI atsargų valdyme?
Kaip jau išsiaiškinome DI modeliai ne itin naudingi atsargų planavime, visgi DI paremta analizė gali būti naudinga strateginėje analizėje. Kokie produktų segmentai rodo augimo potencialą? Kur regioniniai dėsningumai skiriasi? Kokie tiekėjų santykiai siejami su patikimais veiklos rodikliais? Ir pan.
Naudokite DI ir asortimento valdyme. Naudokite ją sprendimams, kuriuos produktų segmentus didinti ar mažinti. Naudokite ilgalaikiam pajėgumų planavimui. Naudokite tiekėjų ir kategorijų veiklos analizei.