DI ir atsargų valdymas. Kas yra DI? Prieš gilinantis į galimybę panaudoti DI atsargų valdumui, pirma išsiaiškinkime kas yra dirbtinio intelekto technologija. Tai yra mašininio mokymosi technologija, kuri analizuoja istorinius duomenis, kad sukurtų prognozes. Mašininio mokymosi technologija analizuoja pardavimų istoriją, akcijų veiklą, kainų duomenis, konkurentų veiklą, orą ir nesuskaičiuojamus kitus duomenų taškus. Technologijos galimybės išties įspūdingos. Mašininio mokymosi technologija gali analizuoti duomenis, kurių analizavimui žmogui prireiktų mėnesių, ar metų. Ji gali identifikuoti ryšius tarp duomenų taškų, kurių niekada nebūtų buvę įmanoma analizuoti rankiniu būdu.
Tai sukuria apčiuopiamą naudą tam tikromis aplinkybėmis. Jei paklausos dėsningumai išlieka stabilūs ir istoriniai duomenys gali būti naudojami prognozuoti būsimą elgseną, tada mašininis mokymasis gali būti naudojamas prognozių tikslumui pagerinti.
Tačiau išlieka pagrindinis apribojimas, kurio negali įveikti jokia mašininio mokymosi technika: gebėjimas prognozuoti ateitį priklauso nuo ekstrapoliavimo iš praeities. T.y. jei ateitis panaši į praeitį, tada mašininio mokymosi technikos gali būti naudojamos būsimiems įvykiams prognozuoti. Tačiau jei rinkoje įvyko pokyčių, pasikeitė konkurencijos salygos arba atsirado netikėtos tendencijos, tada net pažangiausia sistema neteisingai projektuos praeitį į ateitį.
Sistema nesupranta jūsų rinkos. Ji gali identifikuoti dėsningumus duomenyse be jokio supratimo apie verslo realybę, kurią tie dėsningumai atspindi.
DI ir atsargų valdymas
DI formuojama tikrumo iliuzija
Su tradiciniais prognozavimo metodais buvo generuojami skaičiai, bet visi žinojo, kad skaičiai yra tik apytikslis įvertinimas. Galutinį sprendimą priimdavo žmogus, vertindamas platesnę informaciją. Visi išliko sveikais skeptikais, kai kalbama apie prognozės tikslumą.
Bet su DI prognozavimo sistema duomenų pateikimas skiriasi. Pažangūs algoritmai, sudėtingas pateikimas, skaičių tikslumas – visa tai sukuria tikrumo iliuziją. Komandos, dirbančios su DI sistema, mano, kad pažangūs algoritmai, naudojami prognozei generuoti, daro jas tikslesnes, nei jos iš tikrųjų yra.
Gaunate tiksliai klaidingas prognozes, kurios pateikiamos kaip galutinės. Sistema projektuos paklausą su neįtikėtinu tikslumu, tačiau faktiniai rezultatai skirsis iš esmės, nes ateitis gali būti kitokia.
Kokios yra atsargų valdymo problemų priežastys?
Dauguma problemų, susijusių su atsargų valdymu susijusios ne tik su prognozėmis, bet ir su ilgais tiekėjų pristatymo terminais, kurie reiškia, kad verslas investuoja į užsakytus produktus ir užsaldo pinigus savaitėms ar mėnesiams, iki kol juos iš tikrųjų panaudos. Nelanksčios užsakymų sistemos neleidžia keisti užsakymo dažnumo. Nepalankūs santykiais su tiekėjais neleidžia greitai reaguoti į pasikeitusią situaciją. Dar yra paklausos nepastovumo veiksniai, konkurentų veiksmai, socialinės žiniasklaidos marketingas, vartotojų elgsenos pokyčiai, ekonomikos pokyčiai.
Geresnės prognozės nepanaikina paklausos nepastovumo. Geresnės prognozės nesutrumpina pristatymo terminų. Geresnės prognozės nepadaro jūsų tiekėjų lankstesniais. Geresnės prognozės nepanaikina konkurentų veiksmų ir t.t.
Esminis pokytis atsargų valdyme
Kad ir kaip būtų keista šiais technologijų laikais, bet DI nedaro atsargų valdymo efektyvesniu. Reikia pakeisti patį požiūrį į atsargų valdymą, t.y. nebandyti prognozuoti, bet valdyti pagal esamus faktinius duomenis. Tokiu principu veikia dinaminis atsargų valdymas ir dinaminis buferis.
DBM (dynamic buffer management) grožis slypi jo paprastume. Priskiriate buferį kiekvienai prekei. Tada sekate, kiek tos prekės sunaudojama laikui bėgant. Jei prekės gali pritrūkti, padidinkite buferį. Jei ji jos likučio yra per daug, sumažinkite buferį. Ši sistema mokosi iš realybės, o ne iš istorijos. Ji reaguoja į pokyčius nedelsiant, o ne laukia, kol istorijoje atsiras nauji dėsningumai ir tai atsispindės naujoje prognozėje. Ji prisitaiko nuolat, remdamasi tuo, kas vyksta dabar.
DI vertė atsargų valdyme
DI teikiamų naudų tikrai galime rasti. DI įrankiai yra puikūs strateginei analizei, kur istorinis dėsningumų atpažinimas gali suteikti naudos:
- Kokių produktų pardavimai auga ar mažėja?
- Kur regioniniai paklausos dėsningumai yra skirtingi?
- Kokie santykiai su tiekėjais ir kaip tai lemia prekių pardavimus?
- Kokie produktų portfeliai generuoja geriausią grąžą?
Šie strateginiai klausimai gali pasinaudoti mašininio mokymosi dėsningumų atpažinimo galimybes.
DI gali taip pat gerai pasitarnauti asortimento valdymui:
- naudokite DI ilgalaikei portfelio strategijai
- naudokite DI tiekėjų ir kategorijų analizei
- naudokite DI pajėgumų planavimo sprendimams.
DI sprendimai atitinka tikrąsias mašininio mokymosi modelio stiprybes.









