Як алгоритми вирішують, що стоїть на полицях

З відрахунків до прогнозування

Традиційне управління запасами відстежувало кількість: скільки одиниць зараз на полиці. Воно покладалося на сканування штрих-кодів, періодичні фізичні перевірки та історичні середні значення, що означало, що рішення завжди були на крок поза актуальним попитом. Результат був у постійному коливанні між надлишком (блокування капіталу, ризик псування або застарівання) і дефіцитом (втрачені продажі, екстрені витрати на доставку).

Розумні системи управління запасами додають шар прогнозування поверх відстеження. Вони отримують дані про фактичні продажі в реальному часі, інформацію постачальників і іноді зовнішні сигнали, такі як погода або акції, а потім використовують статистичні та машинне навчання для передбачення того, що знадобиться до того, як це станеться. Три концепції лежать в основі цього: ABC-аналіз, який розділяє запаси на високоцінні (A), середньоцінні (B) та низькоцінні (C) категорії, щоб зусилля моніторингу відповідали фінансовому ризику; Just-in-Time (JIT), який синхронізує поставки лише тоді, коли вони потрібні для виробництва; і буфер безпеки, обчислений запас, розмір якого відповідає варіації очікуваного попиту, а не грубі оцінки.

Процес: дані в, замовлення виконуються

Розумний механізм працює відносно послідовним чином. Спочатку збір даних: системи POS (Point of Sale), записи ERP про замовлення, системи управління складським господарством, портали постачальників та іноді дані про погоду чи економіку повідомляють. Друге, інтеграція та очищення, де автоматичні правила видаляють дублікати або невідповідні записи до того, як щось прогнозується.

Третє, і центральне для всієї системи, є прогнозування попиту. Класичні підходи використовують ARIMA (Autoregressive Integrated Moving Average), статистичний часовий ряд, який розділяє тренд, сезонність та шум у історичних даних про продажі. Більш сучасні системи додають нейронні мережі поверх цього, які можуть виявляти нелінійні зв’язки, яких немає в ARIMA, наприклад, як акція в одній області впливає на попит в іншій.

Четверте, оптимізація запасів використовує цей прогноз для розрахунку цільових рівнів запасу на одиницю товару, коригуючи буфер безпеки відповідно до змін у прогнозованої варіативності попиту. П’яте, коли запас перетинає поріг, система автоматично генерує замовлення постачальникам без участі людини. Шосте, RFID (Radio Frequency Identification) мітки та IoT-датчики надають дані про місцезнаходження та рух товарів у ланцюгу поставок в режимі реального часу.

Які витрати це реально зменшує

Витрати на утримання запасів – складське зберігання, страхування, псування, застарівання – здебільшого становлять 20-30% вартості продукту на рік. Безпосереднє скорочення надлишків безпосередньо впливає на цю цифру. З іншого боку, уникнення дефіциту запасів запобігає втратам від продажів та додатковим витратам на термінову доставку, які компанії оплачують для їх вирішення після того, як вони виникають.

Один задокументований кейс до/після: мережа роздрібних магазинів перейшла від частого дефіциту запасів до 98% виконання замовлень після впровадження, що призвело до зменшення втрачених продажів на 15%, зниження витрат на утримання запасів на 20% та підвищення загальної ефективності на 10%. Це ті показники – коефіцієнт виконання замовлень, обертання запасів, рівень дефіциту – які роблять прогнозування покращень вимірними, а не просто описовими.

Как это проявляется в различных отраслях

Zara аналізує дані про продажі майже в реальному часі з магазинів по всьому світу, щоб скоригувати виробництво та дистрибуцію, реагуючи на зміни трендів протягом декількох днів — швидкість, яку традиційні торговельні ланцюги поставок, побудовані на сезонних циклах закупівель, не можуть досягти. Цей час реакції запобігає знижкам: менше невипроданого товару означає менше знижок.

Boeing застосовує відстеження в реальному часі по надзвичайно складній ланцюгу постачання компонентів літаків, зменшуючи затримки та витрати на утримання, використовуючи прогнозування для передбачення несправностей компонентів і планування обслуговування. Pfizer покладається на розумні системи для управління запасами температурочутливих вакцин та ліків, де збереження цілісності продукту відповідно до суворих правил регулювання має таку ж важливість, як і вартість.

Nestlé застосовує подібне прогнозування до швидкопсувних продуктів, таких як молочні продукти та свіжі фрукти та овочі, враховуючи сезонність, акції та погоду, щоб мінімізувати псування.

Вартість, терміни та місця невдачі

Вартість впровадження різко збільшується залежно від розміру компанії: невеликі підприємства зазвичай витрачають від 5000 до 20000 доларів США на базові SaaS платформи для управління запасами, середні компанії – від 30000 до 100000 доларів США, а великі підприємства можуть перевищувати 1 мільйон доларів. Термін окупності зазвичай становить 12-24 місяці. Сам процес розгортання потребує часу: початкове налаштування – 1-3 місяців, пілотне тестування – 3-6 місяців, повне розгортання – 6-12 місяців, залежно від складності інтеграції.

Несправності виявляються послідовно у всіх випадках: низька якість даних призводить до поганих прогнозів, відсутність підтримки з боку керівництва уповільнює прийняття рішень та недооцінка часу та необхідного навчання персоналу. Жодне з цих проблем не є алгоритмічними – це організаційні проблеми, тому дані про управління та поетапне пілотне розгортання повторюються як стратегії пом’якшення наслідків.

Напрямок розвитку

Глибокі нейронні мережі подальші підвищують точність прогнозів, обробляючи складніші нелінійні закономірності попиту, ніж статистичні моделі на зразок ARIMA. Зростає впровадження IoT-датчиків для розширеного відстеження у реальному часі, що охоплює не лише готову продукцію, але й сировинні матеріали та вантажі в дорозі. Цифрові двійники – віртуальні моделі фізичних активів або об’єктів – дозволяють компаніям моделювати рішення щодо запасів перед їх реалізацією, безпосередньо пов’язуючи прогнозування обслуговування з плануванням запасів.

Аналітиків веде до автономного управління запасами: систем, які коригують рівні поповнення без необхідності схвалення кожного замовлення людиною, завершуючи цикл, який наразі вимагає схвалення автоматично згенерованих закупівельних ордерів.

Загальні витрати на утримання запасів становлять зазвичай 20-30% вартості продукту – найбільша цифра, яку ставлять перед собою розумні прогнози.

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.