Автор Павитра Шринивасан

Вы когда-нибудь задумывались, как в вашем местном продуктовом магазине удается найти нужные продукты в нужное время? Розничная цепочка поставок - это непрерывный процесс, который гарантирует, что розничные торговцы могут хранить нужные продукты в нужное время и в нужных количествах. Он начинается с поставщиков / производителей и продолжается до тех пор, пока товар не поступит в магазин через распределительные центры. Возможности цепочки поставок являются одним из ключевых факторов, отличающих ведущих ритейлеров от остальных. Как покупатели, мы почти не обращаем внимания на эти действия в фоновом режиме, хотя они являются решающим фактором существования розничных продавцов. Пытаясь удовлетворить потребности покупателей и избежать потерь продаж, розничные торговцы уже давно придерживаются идеи создания избыточных запасов, которые служат буфером. Текущее соотношение запасов к продажам в США составляет 1,41, что выше, чем когда-либо после спада 2008 года.

Необходимость прогнозировать уровни запасов делает прогнозирование спроса ключевым моментом в управлении цепочкой поставок в розничной торговле. Традиционно прогнозирование спроса в значительной степени основывалось на исторических тенденциях. Однако возросла изменчивость спроса с множеством основных факторов, которые трудно учесть с помощью традиционных методов моделирования. Например, подумайте о многочисленных вариантах выбора, которые мы, как потребители, имеем сегодня, когда заходим в магазин, по сравнению с тем, что было пятнадцать лет назад. Кроме того, каждый раз, когда розничный торговец представляет новый продукт, он создает совершенно новую проблему из-за отсутствия исторических данных для прогнозирования спроса. Обычные методы предлагают базовый прогноз и могут учитывать всплески спроса, сопровождающие сезонность. Однако такие модели не могут масштабироваться при определенных сценариях, таких как рекламные акции (например, когда поставщики предлагают продвижение товаров). Такие акции не только приводят к резкому скачку спроса на продвигаемые товары, но и снижают спрос на аналогичные товары в магазине, которые трудно отследить заранее. Кроме того, спрос также варьируется в зависимости от характера предметов, например, фруктов по сравнению с мебелью, и наличие нужного количества предметов с длинным хвостом, другими словами, медленно перемещающихся предметов, было давней загадкой для розничных торговцев.

Именно в этом контексте повышенной неопределенности алгоритмы машинного обучения изменят правила игры в решении проблем прогнозирования спроса. Алгоритмы машинного обучения эффективны при обработке множества точек данных и в то же время учатся на этих точках, чтобы идентифицировать базовые шаблоны, которые управляют определенным поведением. Фактически, алгоритмы машинного обучения работают лучше по мере поступления большего количества данных, в отличие от традиционных методов, которые страдают от повышенной сложности. Кроме того, прогнозирование спроса обычно осуществляется через фиксированные интервалы (дни, недели и т. Д.) И, следовательно, может рассматриваться как рутинная задача с огромным потенциалом автоматизации. После того, как прогнозирование спроса автоматизировано, корректирующие действия курса могут быть приняты по мере необходимости, и это может значительно сократить вмешательство человека в повторяющиеся задачи. Кроме того, различия в методах прогнозирования, основанные на характере продукта, можно легко устранить с помощью «наиболее подходящих» алгоритмов прогнозирования, которые автоматически выбирают наиболее подходящий метод прогнозирования на основе последней информации о спросе.

Помимо прогнозирования спроса, алгоритмы машинного обучения также все чаще используются для решения задач оптимизации цепочки поставок. Одним из таких приложений является Multi Echelon Inventory Optimization (MEIO), базовое приложение для машинного обучения, которое рассматривает пополнение запасов как функцию запасов в совместно расположенных распределительных центрах, в отличие от традиционных подходов, которые рассматривают пополнение для отдельных распределительных центров отдельно, т. Е. Запасы в одном распределительном центре учитываются отдельно. рассматриваются как не влияющие на другого. Возможность всестороннего учета запасов - это огромный скачок в управлении цепочкой поставок в розничной торговле, который стал возможен благодаря высоким вычислительным возможностям алгоритмов машинного обучения. Эксперты считают, что MEIO может сократить общие запасы на 30% при более стабильной заполняемости клиентов.

С появлением машинного интеллекта, как и в любой другой области, процессы цепочки поставок также претерпевают радикальные изменения, медленно, но постепенно. Это также означает, что рабочие роли, сосредоточенные вокруг цепочки поставок, также будут претерпевать одновременные изменения, и это требует большей готовности, чтобы ускориться. Неудивительно, что лидерами будут те, кто сможет объединить разрозненные точки принятия решений и при этом извлечь выгоду из машинного интеллекта.

Ссылки:

https://www.linkedin.com/pulse/how-machine-learning-can-improve-supply-chain-wang-ph-d- cre-mbb-2

http://www.scmfocus.com/inventoryoptimizationmultiechelon/2009/11/multiechelon- inventory-optimization-defined /

Об авторе:

Павитра является одним из основателей некоммерческой организации Humans For AI, ориентированной на создание более разнообразной рабочей силы для будущего с использованием технологий искусственного интеллекта. Узнайте о нас больше и присоединяйтесь к нам, когда мы отправляемся в это путешествие, чтобы изменить мир к лучшему!