Prognozowanie czasu realizacji przez dostawcę w celu optymalizacji operacji łańcucha zaopatrzenia

Sprostanie wyzwaniom związanym z łańcuchem zaopatrzenia dzięki dokładniejszym prognozom czasu realizacji opartym na danych

Pandemia COVID-19 wpłynęła na nawyki klientów. Wskutek niedoborów klienci byli zmuszeni do wypróbowania nowych marek. Zwłaszcza w sektorze spożywczym wiele osób robiło zakupy rzadziej, ale często kupowało więcej. W rezultacie zapasy zaczęły szybciej znikać z magazynów, obciążając zarówno łańcuchy zaopatrzenia, jak i modele finansowe i powodując problemy z marżą brutto.

Jednocześnie wzrosły koszty braków towarowych, a problemy z uzupełnianiem zapasów mogą mieć wpływ na rentowność i ogólny sukces firmy. Konsumenci są po prostu mniej tolerancyjni, widząc puste półki, gdy mają praktycznie natychmiastowy dostęp do cen i produktów coraz większej liczby konkurentów, którzy mogą w różny sposób dostarczać usługi i produkty, aby zaspokoić potrzeby klientów. 29% konsumentów twierdzi, że braki towarowe skłoniłyby ich do zakupów w innym sklepie.

Wyzwaniem dla detalistów jest konsekwentne zaspokajanie potrzeb klientów, którzy chcą znaleźć potrzebne ilości towarów w dowolnym miejscu i czasie. Aby skutecznie osiągnąć cele finansowe, sprzedawcy detaliczni muszą strategicznie zarządzać zapasami znajdującymi się na każdym etapie łańcucha zaopatrzenia oraz zawsze zapewnić sprawny i wydajny proces uzupełniania zapasów.

Prognozowanie czasu realizacji przez dostawcę to przewidywanie czasu dostarczenia produktu lub usługi przez dostawcę po złożeniu zamówienia. Na bazie takich prognoz sprzedawca detaliczny może planować harmonogramy produkcji i zarządzać stanami magazynowymi. Pozwala to na efektywne zaspokajanie potrzeb klientów oraz minimalizację nadwyżki zapasów i związanych z nią kosztów.

Czas realizacji przez dostawcę zależy od różnych czynników, takich jak odległość dostawcy od miejsca przeznaczenia produktu, złożoność produktu, dostępność surowców, wydajność produkcji i czas transportu. Ze względu na liczbę zmiennych sprzedawcy detaliczni potrzebują platformy danych zapewniającej scentralizowany dostęp do danych historycznych i w czasie rzeczywistym z różnych systemów firmy, rekordów biznesowych i danych technicznych, które następnie mogą być używane do trenowania modeli uczenia maszynowego w celu prognozowania oczekiwanych czasów realizacji na podstawie transakcji zamówień zakupu.

Wyeliminowanie operacji łańcucha zaopatrzenia i usprawnienie zarządzania zapasami dzięki zaawansowanym analizom i uczeniu maszynowemu

W tym przykładowym przypadku zastosowania pokażemy, w jaki sposób platforma danych Oracle może pomóc sprzedawcom detalicznym w korzystaniu z zaawansowanych metod analitycznych i prognozowania (w tym modelowania statystycznego, analizy trendów i analizy danych historycznych) oraz funkcji uczenia maszynowego w celu dokładnego oszacowania oczekiwanych terminów dostaw towarów. Dzięki tym informacjom sprzedawcy detaliczni mogą optymalizować planowanie zapasów i skutecznie zarządzać wpływem zmiennych, takich jak:

• Okresy realizacji i transport, w tym koordynowanie dostępności źródeł, harmonogramów wysyłki, czasu podróży i kosztów
• Różnorodne portfolio produktów, w tym wyzwania związane z zarządzaniem szeroką gamą produktów, dostępnością, konfiguracjami pakietów, warunkami zamawiania i kosztami u setek dostawców
• Złożoność rynku lokalnego, w tym wzorce popytu i czynniki, takie jak sezonowość i promocje
• Ograniczenia finansowe i fizyczne, w tym budżety, ograniczenia magazynowe i pożądana rotacja zapasów
• Presja magazynowa w lokalizacjach realizacji, w tym finansowy wpływ nadwyżek i obniżek, presja na konsekwentne zapewnianie doskonałej obsługi klienta oraz potrzeba utrzymywania dostępności zapobiegającej utracie obrotów i erozji lojalności klientów

Na rysunku przedstawiono, jak za pomocą platformy Oracle skupiającej dane dla handlu detalicznego można prognozować czasy realizacji dostawców i optymalizować operacje związane z łańcuchem zaopatrzenia, pomagając sprzedawcom detalicznym utrzymać pozycję na rynku i jednocześnie zmaksymalizować rentowność. Platforma obejmuje następujące pięć filarów:

1. 1. Źródła danych, odkrywanie
2. 2. Wchłanianie, przekształcanie
3. 3. Utrwalanie, selekcjonowanie, tworzenie
4. 4. Analizowanie, uczenie się, przewidywanie
5. 5. Pomiar, działanie

Filar „Źródła danych, odkrywanie” zawiera trzy kategorie danych.

1. 1. Dane z aplikacji pochodzą z aplikacji Fusion Financials, Oracle E-Business Suite, SCM, EPM i eSourcing.
2. 2. Dane z rekordów biznesowych obejmują zapasy, systemy SCM (centrum kontroli), dane dotyczące wydajności dostawców i ankiety dotyczące dostawców.
3. 3. Dane techniczne pochodzą z dzienników.

Filar „Wchłanianie, przekształcanie” składa się z trzech funkcjonalności.

1. 1. We wchłanianiu wsadowym wykorzystywane są usługi OCI Data Integration, Oracle Data Integrator i narzędzia baz danych.
2. 2. W transferze masowym wykorzystuje się OCI FastConnect, OCI Data Transfer, MFT oraz OCI CLI.
3. 3. W rejestrowaniu zmian danych wykorzystuje się OCI GoldenGate.

Wszystkie trzy funkcjonalności w jednokierunkowy sposób łączą się z funkcjonalnością magazynu w chmurze w ramach filaru „Utrwalanie, selekcjonowanie, tworzenie”.

Filar „Utrwalanie, selekcjonowanie, tworzenie” składa się z czterech funkcjonalności.

1. 1. Obsługujący magazyn danych korzysta z usług Oracle Autonomous Data Warehouse lub Exadata Cloud Service.
2. 2. Magazyn w chmurze korzysta z usługi OCI Object Storage.
3. 3. Przetwarzanie wsadowe korzysta z OCI Data Flow.
4. 4. Usługa Governance korzysta z katalogu OCI Data Catalog.

Funkcjonalności te są połączone w ramach filaru. Magazyn w chmurze jest jednokierunkowo połączony z obsługującym magazynem danych, a także dwukierunkowo z przetwarzaniem wsadowym.

Jedna funkcjonalność jest połączona z filarem „Analizowanie, uczenie się i przewidywanie”: obsługujący magazyn danych łączy się zarówno z funkcjonalnościami analiz i wizualizacji, jak i uczenia maszynowego.

Filar „Analizowanie, uczenie się, przewidywanie” składa się z trzech funkcjonalności.

1. 1. Analizy i wizualizacje wykorzystują rozwiązania Oracle Analytics Cloud, GraphStudio i niezależnych dostawców oprogramowania (ISV).
2. 2. Produkty danych (API) korzystają z usług OCI API Gateway i OCI Functions
3. 3. W uczeniu maszynowym wykorzystywane są usługi OCI Data Science, Oracle ML i Oracle ML Notebooks.

Filar „Pomiar, działanie” obejmuje trzech odbiorców: kartoteka i raporty, aplikacje i modele.

Kartoteki i raporty obejmują pracowników i partnerów, współpracę z dostawcami i udostępnianie danych, historyczne wyniki dostawców, analizę popytu oraz wyczerpanie i nadwyżki zapasów.

Aplikacje obejmują zaawansowane zarządzanie zapasami i planowanie popytu.

Modele zawierają operacje dostawcy./p>

Trzy główne filary — „Wchłanianie, przekształcanie”, „Utrwalanie, selekcjonowanie, tworzenie” oraz „Analizowanie, uczenie się i przewidywanie” — są obsługiwane przez infrastrukturę, sieć, zabezpieczenia i IAM.

Istnieją trzy główne sposoby wprowadzania danych do architektury umożliwiające sprzedawcom detalicznym efektywne prognozowanie czasu realizacji dostaw.

• Na początek musimy poznać ogólny stan zapasów do dyspozycji, aby upewnić się, że ilość produktów na stanie nie jest ani zbyt duża ani zbyt mała. W tym celu korzystamy z Oracle Cloud Infrastructure (OCI) GoldenGate, aby uruchomić wchłanianie pobranych zmian danych magazynowych w czasie zbliżonym do rzeczywistego z operacyjnych baz danych dla wszystkich lub wybranych linii produktów. Następnie możemy użyć tych danych do dostosowania cen w celu zwiększenia rotacji zapasów lub niedopuszczenia do ich wyczerpania.
• Aby dokładnie przewidzieć wyniki dostawców, musimy także poznać historyczne wyniki, trendy i wzorce. Zazwyczaj wymaga to ładowania dużych ilości danych transakcyjnych (w tym danych ERP, takich jak zakupy, fakturowanie, łańcuch zaopatrzenia i dane logistyczne) oraz innych miar i zbiorów danych operacyjnych (takich jak dane dotyczące zużycia, stanu zapasów i wymiany typu „hot swap”) z lokalnych magazynów danych przy użyciu metod i usług transferu masowego, takich jak OCI Data Transfer Service.
• Możemy teraz użyć wchłaniania wsadowego, aby dodać zbiory danych odpowiednie dla dostawców, takie jak zamówienia składane u dostawcy w określonym okresie, w tym datę zamówienia, zamówioną ilość oraz datę dostawy. Zbiory te często składają się z dużych ilości zwykle danych lokalnych, a w większości przypadków ich wchłanianie wsadowe jest wystarczające i najbardziej efektywne. W przypadku danych naszych dostawców będziemy korzystać z usługi Oracle Data Integrator do pozyskiwania danych w cyklu dziennym. Dane te pochodzą głównie z systemów operacyjnych procesów transakcyjnych i zwykle są modelowane w wysoce uporządkowanej postaci relacyjnej. Te dane to przykładowo transakcje zamówienia zakupu, w tym dane dostawcy (na przykład nazwa, numer identyfikacyjny, dane rejestrowe i kontaktowe dostawcy), miejsca pochodzenia i docelowe, uzgodniona data dostawy, rzeczywista data dostawy, pozycje kontraktu i cena, metoda wysyłki itd. Można również pozyskiwać dane dotyczące wyników dostawcy, w tym rzetelności dostaw, jakości towarów lub usług oraz wszelkich opóźnień lub problemów, które wystąpiły w przeszłości, chociaż dane te są zazwyczaj mniej ustrukturyzowane i mogą wymagać większego stopnia przetwarzania.
• Obliczając czas realizacji dla każdego zamówienia złożonego wcześniej u dostawcy, możemy obliczyć średni czas realizacji oraz określić trendy i różnice. Trendy i różnice mogą być skorelowane z czynnikami zewnętrznymi potencjalnie wpływającymi na czas realizacji dostawcy, takimi jak opóźnienia w transporcie, zmiany zdolności produkcyjnych dostawcy, zdarzenia atmosferyczne (takie jak trudne warunki pogodowe) lub socjopolityczne (takie jak konflikt lub spór pracowniczy). Za pomocą dodatkowych danych można monitorować trendy rynkowe i wzorce popytu, aby przewidywać potencjalny wzrost popytu, który może wpłynąć na czas realizacji dostawcy.

Utrwalanie i przetwarzanie danych opiera się na trzech składnikach.

• Wchłonięte nieprzetworzone dane ze wszystkich źródeł są przechowywane w magazynie w chmurze. Do przetwarzania wsadowego tych utrwalonych danych, stanów zapasów, danych odwzorowywania geograficznego oraz danych referencyjnych produktu będziemy używać usługi OCI Data Flow. Przetwarzanie wsadowe spowoduje ponowne przetworzenie danych i usunięcie duplikatów, brakujących lub odstających wartości, które mogłyby zniekształcić analizę. Te przetworzone zbiory danych są zwracane do magazynu w chmurze w celu ich utrwalenia, wyselekcjonowania i analizy, a ostatecznie do obsługującego magazynu danych w formacie umożliwiającym ich analizowanie.
• Utworzyliśmy przetworzone zbiory danych, które są gotowe do utrwalenia w zoptymalizowanej formie relacyjnej w celu przeprowadzenia selekcji i procedury zapytań w obsługującym magazynie danych zapewnianym przez Oracle Autonomous Data Warehouse. Umożliwi nam to identyfikację i zwrot produktów według ceny, profilu popytu, stanu zapasów i lokalizacji.

Funkcjonalność analizowania, uczenia się i przewidywania opiera się na trzech technologiach.

• Usługi analiz i wizualizacji pozwalają nam wykorzystywać techniki statystyczne, takie jak analiza regresji i szeregów czasowych oraz algorytmy uczenia maszynowego do identyfikowania wzorców i trendów danych. Korzystając z tej analizy, możemy następnie opracować model prognozy, który będzie w stanie dokładnie przewidywać czas realizacji dostawcy i stale weryfikować dokładność modelu, porównując przewidywane i faktyczne czasy realizacji dla zbioru zamówień. Wyniki tej weryfikacji zostaną wykorzystane do udoskonalenia modelu i zwiększenia jego dokładności. Nasze usługi analiz i wizualizacji obejmują następujące funkcjonalności:
  
  
  • Analizy opisowe zawierają opisy bieżących trendów wraz z histogramami i wykresami oraz obsługują tworzenie algorytmów kalkulacji cen, które wykorzystują wstępnie zdefiniowane reguły do dostosowywania cen na podstawie określonych kryteriów, takich jak wyniki sprzedaży, stany zapasów czy ceny konkurentów. Na przykład sprzedawca detaliczny może wprowadzić regułę obniżania ceny produktu o 10%, który pozostaje na stanie przez ponad 30  dni, oraz opóźnić zakup nowych zapasów lub negocjować cenę późniejszej dostawy, używając prognoz czasu realizacji do określenia odpowiedniego terminu.
  • Analizy predykcyjne służą do przewidywania przyszłych zdarzeń, identyfikowania trendów i określania prawdopodobieństwa niepewnych rezultatów. Dzięki analizie predykcyjnej sprzedawcy detaliczni mogą używać historycznych danych dotyczących sprzedaży do identyfikowania korelacji między ceną a popytem. Następnie mogą użyć tej analizy do przewidywania, w jaki sposób zmiany w zachowaniach klientów wpłyną na popyt, i odpowiedniego dostosowywania planów magazynowych, wykorzystując szacowany czas realizacji do zapewnienia wystarczającej ilości zapasów na stanie i jednocześnie minimalizując nadwyżkę zapasów i związane z nimi koszty. Ponadto analizy predykcyjne mogą dostarczyć modele elastyczności cenowej, które wykorzystują modele statystyczne do pomiaru wrażliwości popytu na zmiany cen. Sprzedawcy detaliczni mogą używać tej analizy do identyfikowania optymalnych punktów stanu zapasów, aby zmaksymalizować sprzedaż i rentowność oraz odpowiednio zaplanować zakupy zapasów.
  • Analiza preskryptywna służy do proponowania odpowiednich działań wspierających podejmowanie optymalnych decyzji i może być wykorzystywana do prognozowania czasu realizacji w celu zminimalizowania kosztów związanych z utrzymywaniem i wyczerpaniem zapasów. Dzięki dostosowaniu działań związanych z zaopatrzeniem i produkcją do czasów realizacji zamówień przez dostawców sprzedawcy detaliczni mogą zmniejszyć nadwyżkę zapasów, koszty magazynowania i ekspresowych wysyłek, a także negocjować korzystniejsze ceny i warunki z dostawcami na podstawie dokładnego czasu realizacji.
• Oprócz stosowania zaawansowanych narzędzi analitycznych, opracowywane, trenowane i wdrażane są modele uczenia maszynowego. Modele te wykorzystują sztuczną inteligencję do analizowania dużych ilości danych oraz identyfikowania wzorców i trendów, które mogą być używane do optymalizacji zakupów zapasów i stanów magazynowych. Sprzedawcy detaliczni mogą używać algorytmów uczenia maszynowego do przewidywania zachowań klientów, określania czasu i źródła zakupu zapasów oraz optymalizowania cen różnych produktów i na różnych rynkach.
• W naszych wyselekcjonowanych, przetestowanych i wysokiej jakości danych i modelach można zastosować zasady i polityki dotyczące zarządzania. Mogą one także być udostępniane jako „produkt danych” (API) w architekturze siatki danych do dystrybucji w obrębie organizacji opieki sprzedaży detalicznej.

Usprawnienie gospodarki zapasami i zwiększenie zadowolenia klientów za pomocą platformy danych dla handlu detalicznego

Dzięki dokładnemu prognozowaniu czasu realizacji zamówień przez dostawców sprzedawcy detaliczni mogą lepiej planować stany zapasów i harmonogramy produkcji, aby zapewnić dostępność odpowiednich produktów we właściwych ilościach i zaspokoić popyt klientów, nawet jeśli jest on zmienny i zależy od sezonu, akcji promocyjnej lub innych czynników. W rezultacie są w stanie:

• Zidentyfikować czas i źródło dokonania zakupów
• Zminimalizować koszty magazynowania zapasów, zamawiając odpowiednie ilości produktów we właściwym czasie i unikając niedoboru zapasów, który mógłby spowodować utratę obrotów i niezadowolenie klientów
• Zarządzać przepływem środków pieniężnych przez planowanie zakupów i płatności na rzecz dostawców, co pomaga im zoptymalizować kapitał obrotowy i uniknąć niewystarczających przepływów pieniężnych
• Budować silniejsze relacje z dostawcami poprzez lepszą komunikację w zakresie czasów realizacji i innych miar wydajności, co może prowadzić do lepszych wyników, korzystniejszych cen i bardziej niezawodnych harmonogramów dostaw