Forecasting supplier lead time to optimize supply chain operations

Risolvi le problematiche della catena di fornitura con previsioni dei lead time più accurate e basate sui dati

La pandemia COVID-19 ha stravolto le abitudini dei consumatori. Le carenze hanno costretto le persone a provare nuovi brand e, in particolare, nel settore alimentare, molte persone hanno acquistato meno frequentemente ma spesso hanno acquistato di più quando hanno avuto l'opportunità di farlo. Di conseguenza, il magazzino ha iniziato a spostarsi più velocemente dai negozi, correggendo sia le catene di fornitura che i modelli finanziari e causando problemi di margine lordo.

Allo stesso tempo, il costo dell'esaurimento delle scorte è aumentato e i problemi di rifornimento possono influire sulla redditività e sul successo aziendale complessivo. I consumatori sono semplicemente meno tolleranti rispetto agli scaffali vuoti quando hanno accesso immediato a prezzi e disponibilità di prodotti da un numero crescente di concorrenti, in grado di fornire servizi e prodotti in più modi per soddisfare le loro esigenze. Di fatto, il 29% dei consumatori afferma che gli articoli esauriti sono una spinta a fare acquisti presso un altro brand.

La sfida per i retailer è soddisfare costantemente i clienti che desiderano trovare la quantità di merce che desiderano, dove e quando vogliono. Per raggiungere con successo i propri obiettivi finanziari, i retailer devono gestire in modo strategico l'inventario che portano in ogni punto della catena di fornitura e assicurarsi che il processo di rifornimento sia sempre fluido ed efficiente.

La previsione del lead time del fornitore, che prevede il tempo necessario per consentire a un fornitore di consegnare un prodotto o un servizio dopo la creazione di un ordine, consente ai retailer di pianificare i propri programmi di produzione e gestire i livelli di magazzino per soddisfare in modo efficace la domanda del cliente, riducendo al minimo le eccedenze di magazzino e i relativi costi associati.

Il lead time per un fornitore dipende da vari fattori, ad esempio la distanza dalla destinazione del prodotto, la complessità del prodotto, la disponibilità di materie prime, la capacità di produzione e il tempo di trasporto. A causa del numero di variabili, i retailer hanno bisogno di una piattaforma di dati che fornisca loro un accesso centralizzato ai dati cronologici e in tempo reale da una vasta gamma di sistemi aziendali, record aziendali e input tecnici, che possono quindi essere utilizzati per addestrare modelli di apprendimento automatico in modo da prevedere i lead time previsti in base alle transazioni degli ordini di acquisto.

Elimina i rischi legati alle operazioni della supply chain e migliora la gestione dell'inventario con analisi avanzate e apprendimento automatico

In questo caso d'uso, dimostreremo in che modo Oracle Data Platform è progettata per aiutare i retailer a utilizzare metodi avanzati di analisi e previsione (inclusa la modellazione statistica, l'analisi delle tendenze e l'analisi dei dati cronologici) e l'apprendimento automatico per stimare con precisione le date di consegna previste delle merci. Grazie a queste informazioni, i retailer possono ottimizzare la pianificazione dell'inventario e gestire in modo efficace l'impatto di variabili come

• Lead time e trasporti, incluso il coordinamento della disponibilità delle risorse, dei programmi di spedizione, dei tempi di viaggio e dei costi
• Portafogli di prodotti diversificati, incluse le sfide legate alla gestione di una vasta gamma di prodotti, disponibilità, configurazioni di pacchetti, termini di ordini e costi su centinaia di fornitori
• Difficoltà del mercato locale, compresi modelli di domanda e influenze come stagionalità e promozioni
• Vincoli finanziari e fisici, inclusi budget, limitazioni di storage e turni desiderati
• Pressione per l'inventario nelle ubicazioni di evasione degli ordini, incluso l'impatto finanziario di scorte eccessive e di ribassi, la pressione di fornire costantemente un servizio clienti eccellente e la necessità di mantenere la disponibilità per evitare vendite perse e la perdita di clienti fidelizzati

Questa immagine mostra come utilizzare Oracle Data Platform per il retail per prevedere i lead time dei fornitori e ottimizzare le operazioni della catena di fornitura, aiutando i retailer a mantenere la posizione di mercato massimizzando al contempo la redditività. La piattaforma include i seguenti cinque pilastri:

1. 1. Data Sources, Discovery
2. 2. Ingestione, trasformazione
3. 3. Persist, Curate, Create
4. 4. Analyze, Learn, Predict
5. 5. Measure, Act

Il pillar Data Sources, Discovery include due categorie di dati.

1. 1. I dati delle applicazioni provengono da Fusion Financials, Oracle E-Business Suite, SCM, EPM ed eSourcing.
2. 2. I dati dei record aziendali comprendono magazzino, SCM (torre di controllo), dati sulle prestazioni dei fornitori e sondaggi sui fornitori.
3. 3. I dati di input tecnici provengono dai log.

Il pillar Ingest, Transform comprende tre funzionalità.

1. 1. Batch ingestion utilizza OCI Data Integration, Oracle Integration Cloud e strumenti DB.
2. 2. Il trasferimento in blocco usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. L'acquisizione dei dati di modifica utilizza OCI GoldenGate.

Tutte e tre le funzionalità si connettono in modo unidirezionale all'interno dello storage cloud nel pillar Persist, Curate, Create.

Il pillar Persist, Curate, Createa comprende quattro funzionalità.

1. 1. Il data store preposto utilizza Oracle Autonomous Data Warehouse o Exadata Cloud Service.
2. 2. Cloud Storage utilizza OCI object storage.
3. 4. L'elaborazione batch utilizza OCI Data Flow.
4. 5. Governance utilizza OCI Data Catalog.

Queste funzionalità sono connesse all'interno del pillar. Lo storage cloud è connesso in modo unidirezionale al data store di servizio e, inoltre, è connesso in modo bidirezionale all'elaborazione in batch.

Una funzionalità si connette al pillar Analyze, Learn, Predict: il data store di servizio si connette sia alla funzionalità di analisi e visualizzazione che alla funzionalità di apprendimento automatico.

Il pillar Analyze, Learn, Predict comprende tre funzionalità.

1. 1. Analitycs e visualizzazione utilizzano Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Prodotti dati, API utilizza gateway API OCI e OCI Functions.
3. 2. Il machine learning utilizza OCI Data Science, Oracle ML e i notebook Oracle ML.

Il pillar Measure, Act comprende tre consumatori: dashboard e report, applicazioni e modelli.

I dashboard e i report comprendono persone e partner, collaborazione e condivisione dei dati dei fornitori, performance storiche dei fornitori, analisi della domanda, esaurimenti scorte e scorte in eccesso.

Le applicazioni comprendono la gestione avanzata dell'inventario e la pianificazione della domanda.

I modelli comprendono le operazioni del fornitore./p>

I tre pillar centrali: Ingest, Transform; Persist, Curate, Create; and Analyze, Learn, Predict sono supportati dall'infrastruttura, dalla rete, dalla sicurezza e da IAM.

Esistono tre modi principali per inserire i dati in un'architettura e consentire ai retailer di prevedere in modo efficace il lead time dei fornitori.

• Per iniziare il nostro processo, abbiamo bisogno di fare l'inventario di magazzino complessivo per garantire che i prodotti non siano in eccesso o mancanti. A tale scopo, utilizziamo Oracle Cloud Infrastructure (OCI) GoldenGate per abilitare l'acquisizione dei dati di modifica del magazzino pressoché in tempo reale da database operativi relativi a tutte o a un sottoinsieme delle linee di prodotti. Possiamo utilizzare questi dati per adeguare i prezzi e spostare il magazzino o evitare un esaurimento scorte.
• Per prevedere in modo accurato le prestazioni dei fornitori, dobbiamo anche comprendere le prestazioni storiche, i trend e i modelli. In genere, questa procedura richiede il caricamento di un elevato volume di dati transazionali (inclusi dati ERP, ad esempio approvvigionamento, fatturazione, catena di fornitura e dati di logistica) e di altre metriche e set di dati operativi (ad esempio dati su consumo, inventario e hot swap) da data store on-premise utilizzando metodi e servizi di trasferimento di massa, come OCI Data Transfer Service.
• È ora possibile utilizzare l'batch ingestion per aggiungere set di dati rilevanti per i fornitori, ad esempio ordini effettuati con il fornitore in un periodo di tempo specifico, tra cui la data dell'ordine, la quantità ordinata e la data di consegna. Questi set di dati spesso includono grandi volumi di dati on-premise e, nella maggior parte dei casi, il batch ingestion è in genere sufficiente e la soluzione più efficiente. Per i dati dei nostri fornitori, utilizzeremo Oracle Data Integrator per includere i dati in un ciclo giornaliero. Questi dati provengono principalmente da sistemi operativi di elaborazione delle transazioni e sono normalmente modellati in forma relazionale altamente strutturata. Esempi di questi dati includono le transazioni dell'ordine di acquisto, inclusi i dettagli del fornitore (ad esempio nome, ID, registrazione e informazioni di contatto), l'origine e la destinazione, la data di consegna concordata, la data di consegna effettiva, gli articoli del contratto e il prezzo, il metodo di spedizione e così via. I dati sulle prestazioni del fornitore, compresa l'affidabilità della consegna, la qualità dei propri beni o servizi e qualsiasi ritardo o problema che si sia verificato in passato, possono anche essere inclusi, anche se questi dati sono generalmente meno strutturati e possono richiedere un maggiore grado di elaborazione.
• Calcolando il lead time per ogni ordine precedentemente effettuato con il fornitore, possiamo calcolare un lead time medio e identificare tendenze e variazioni. Queste tendenze e variazioni possono essere correlate con fattori esterni che potrebbero influire sul lead time del fornitore, come ritardi nel trasporto, cambiamenti nella capacità di produzione del fornitore, eventi ambientali (come eventi meteorologici gravi) o eventi socio-politici (come conflitti o azioni industriali). È possibile utilizzare dati aggiuntivi per monitorare le tendenze del mercato e i modelli di domanda per prevedere potenziali picchi di domanda che potrebbero influire sul lead time del fornitore.

La persistenza e l'elaborazione dei dati si basano su tre componenti.

• I dati di tipo ingested RAW provenienti da tutte le fonti vengono memorizzati nello storage cloud. Useremo OCI Data Flow per l'elaborazione in batch di questi dati ora persistenti, inclusi i livelli delle scorte, i dati di mappatura geografica e i dati di riferimento del prodotto. L'elaborazione batch rielabora i dati e rimuove eventuali duplicati, valori mancanti o valori anomali che potrebbero distorcere l'analisi. Una volta elaborati, questi set di dati vengono collocati nuovamente nello storage cloud per le funzioni di persistenza, conservazione e analisi successive e infine per il caricamento in un formato facilmente analizzabile nel data store.
• È così che vengono creati set di dati elaborati pronti per essere resi persistenti in formato relazionale al fine di ottimizzare le prestazioni in termini di conservazione e query nel data store fornito da Oracle Autonomous Data Warehouse. Ciò ci consentirà di identificare e restituire i prodotti in base al prezzo, al profilo della domanda, al livello di magazzino e all'ubicazione.

La capacità di analizzare, apprendere e prevedere si basa su tre tecnologie.

• I servizi di analisi e visualizzazione ci consentono di utilizzare tecniche statistiche, come l'analisi di regressione e l'analisi delle serie temporali, e algoritmi di apprendimento automatico per identificare pattern e tendenze nei dati. Utilizzando questa analisi, possiamo quindi sviluppare un modello di previsione in grado di prevedere con precisione il lead time del fornitore e convalidare continuamente l'accuratezza del modello confrontando i lead time previsti con i lead time effettivi per una serie di ordini. I risultati di questa convalida verranno utilizzati per perfezionare il modello e migliorarne la precisione. I nostri servizi di analisi e visualizzazione includono le funzionalità riportate di seguito:
  
  
  • L'analisi descrittiva descrive gli andamenti correnti con istogrammi e grafici e supporta lo sviluppo di algoritmi di determinazione prezzi che utilizzano regole predefinite per adeguare i prezzi in base a criteri specifici, quali prestazioni di vendita, livelli di magazzino o prezzi dei concorrenti. Ad esempio, un retailer può impostare una regola per ridurre del 10% il prezzo di un prodotto se è rimasto in magazzino per più di 30 giorni e ritardare l'acquisto di un nuovo prodotto o negoziare un prezzo per una consegna successiva utilizzando le previsioni del lead time per definire i tempi appropriati.
  • L'analitica predittiva prevede eventi futuri, identifica le tendenze e determina la probabilità di risultati incerti. Grazie all'analisi predittiva, i retailer possono utilizzare i dati cronologici sulle vendite per identificare le correlazioni tra prezzo e domanda. Possono quindi utilizzare questa analisi per prevedere in che modo le variazioni del comportamento dei consumatori influiranno sulla domanda e adeguare di conseguenza i piani di magazzino, utilizzando i lead time stimati per garantire che dispongano di scorte disponibili sufficienti quando ne hanno bisogno riducendo al minimo le eccedenze di magazzino e i relativi costi associati. Inoltre, l'analisi predittiva può fornire modelli di elasticità dei prezzi, che utilizzano modelli statistici per misurare la sensibilità della domanda ai cambiamenti di prezzo. I retailer possono utilizzare questa analisi per identificare i punti di livello ottimale delle scorte e massimizzare vendite e redditività, nonché gli acquisti di magazzino.
  • L'analisi prescrittiva propone azioni appropriate per supportare un processo decisionale ottimale e può essere utilizzata per la previsione dei lead time in modo da ridurre al minimo i costi associati alla gestione dell'inventario e delle scorte. Allineando le attività di approvvigionamento e produzione ai lead time dei fornitori, i retailer possono ridurre le eccedenze di magazzino, i costi di mantenimento e le spese di spedizione rapida e negoziare meglio prezzi e termini con i fornitori in base a lead time accurati.
• Oltre all'uso di analytics avanzati, vengono sviluppati, addestrati e distribuiti modelli di machine learning. Questi modelli utilizzano l'intelligenza artificiale per analizzare grandi quantità di dati e identificare pattern e tendenze che possono essere utilizzati per ottimizzare i prezzi. I retailer possono utilizzare algoritmi di apprendimento automatico per prevedere il comportamento dei clienti, capire quando acquistare e da quali fornitori e ottimizzare i prezzi su più prodotti e mercati.
• I dati e modelli di alta qualità esaminati e testati possono essere disciplinati da regole e policy di governance ed esposti come "prodotti di dati" (API) in un'architettura di data mesh per distribuirli all'interno dell'organizzazione retail.

Migliora la gestione dell'inventario e la soddisfazione dei clienti con una piattaforma di dati per il retail

Prevedendo in modo accurato il lead time dei fornitori, i retailer possono pianificare meglio i livelli di magazzino e i programmi di produzione per assicurarsi di disporre dei prodotti giusti nelle quantità appropriate per soddisfare la domanda dei clienti, anche in base alle fluttuazioni a livello di stagionalità, promozioni e altri fattori. Di conseguenza, sono in grado di

• Identificare quando aumentare le scorte e da quali fornitori
• Ridurre al minimo i costi di mantenimento dell'inventario ordinando le giuste quantità di prodotti al momento giusto ed evitare di rimanere senza scorte, con conseguente perdita di vendite e clienti insoddisfatti
• Gestire il flusso di cassa pianificando gli acquisti e i pagamenti ai fornitori, aiutandoli a ottimizzare il capitale circolante ed evitare carenze del flusso di cassa
• Creare relazioni più solide con i fornitori attraverso una migliore comunicazione sui lead time e su altre metriche delle prestazioni, con prestazioni ottimizzate, prezzi migliori e pianificazioni delle consegne più affidabili