Forecasting supplier lead time to optimize supply chain operations

Rezolvați provocările din lanțul de aprovizionare cu prognoze mai exacte, bazate pe date, privind timpul de finalizare

Pandemia de COVID-19 a perturbat obiceiurile consumatorilor. Criza a obligat oamenii să încerce mărci noi și, mai ales în sectorul alimentar, mulți au făcut cumpărături mai rar, dar au cumpărat mai mult o dată. Drept urmare, stocurile din magazine au început să se epuizeze mai rapid, perturbând atât lanțurile de aprovizionare, cât și modelele financiare și generând probleme cu capitalul brut.

În același timp, costul rămânerii fără produse în stoc a crescut, iar problemele de reaprovizionare riscau să afecteze rentabilitatea afacerilor respective și succesul lor, în general. Consumatorii sunt mai puțin toleranți când văd rafturile goale, dacă au acces virtual instantaneu la prețurile și la disponibilitatea produselor și serviciilor de la tot mai mulți concurenți, care le pot furniza în mai multe moduri, la alegerea cumpărătorului. De fapt, 29% dintre consumatori spun că epuizarea articolelor unui magazin i-ar determina să cumpere din altă parte.

Provocarea pentru retaileri este de a satisface constant cererea clienților, indiferent de cantitatea dorită, magazinul ales și momentul achiziției. Pentru a-și atinge cu succes obiectivele financiare, retailerii trebuie să gestioneze strategic mărfurile pe care le transportă în fiecare punct al lanțului de aprovizionare și să se asigure că procesul de reaprovizionare este întotdeauna simplu și eficient.

Prognozarea timpului de finalizare al furnizorilor – estimarea timpului necesar unui furnizor pentru a livra un produs sau un serviciu după plasarea comenzii – ajută retailerii să își planifice programele de producție și să gestioneze nivelurile stocurilor pentru a satisface eficient cererea clienților, minimizând totodată excesul de mărfuri și costurile asociate acestuia.

Timpul de finalizare pentru un furnizor depinde de diverși factori, cum ar fi distanța furnizorului față de destinația produsului, complexitatea produsului, disponibilitatea materiilor prime, capacitatea de producție și durata transportării, printre altele. Având în vedere numărul variabilelor, retailerii au nevoie de o platformă de date care să le ofere acces centralizat la date istorice și în timp real din mai multe sisteme, evidențe și informații corporative, utilizabile apoi pentru instruirea modelelor de machine learning să prognozeze timpii de finalizare preconizați pe baza tranzacțiilor din comenzile de achiziție.

Eliminați riscurile pentru operațiunile din lanțul de aprovizionare și îmbunătățiți gestionarea stocurilor prin analize avansate și machine learning

În acest caz de utilizare, vom demonstra cum poate ajuta Oracle Data Platform retailerii să folosească metode de analiză și de prognozare avansate (inclusiv statisticile, analizarea tendințelor și analizarea istoricului datelor) și machine learning pentru a estima cu precizie datele de livrare preconizate. Cu ajutorul acestor informații, retailerii pot să optimizeze planificarea stocurilor și să gestioneze eficient impactul unor variabile precum

• timpii de finalizare și transport – inclusiv coordonarea disponibilității la sursă, programările expedierilor, duratele transporturilor și costurile;
• portofoliile diverselor produse – inclusiv provocările privind gestionarea unei game largi de produse, disponibilitatea, configurarea pachetelor, condițiile de comandare și costurile pentru sute de furnizori;
• complexitatea pieței locale – inclusiv tiparele cererii și influența unor factori precum sezonul și promoțiile;
• restricțiile financiare și fizice – inclusiv privind bugetul, spațiul de stocare și rotațiile dorite;
• presiunea stocurilor în locațiile destinatarilor comenzilor – inclusiv impactul financiar al excesului de stoc și al reducerii prețurilor, presiunea oferirii constante a unor servicii pentru clienți excelente și necesitatea menținerii disponibilității, pentru evitarea pierderii vânzărilor și a fidelității clienților.

Această imagine prezintă modul în care pot utiliza retailerii Oracle Data Platform pentru a prognoza timpii de finalizare ai furnizorilor și a optimiza operațiunile din lanțul de aprovizionare, astfel încât să își mențină poziția pe piață, maximizând totodată rentabilitatea. Platforma conține următorii cinci piloni:

1. 1. Surse de date, descoperire
2. 2. Asimilare, transformare
3. 3. Persistență, organizare, creare
4. 4. Analiză, învățare, estimare
5. 5. Măsurare, acționare

Pilonul Surse de date, descoperire include trei categorii de date.

1. 1. Datele aplicației provin din Fusion Financials, Oracle E-Business Suite, SCM, EPM și eSourcing.
2. 2. Datele din evidențele companiei cuprind stocurile, SCM (turnul de control), datele despre performanța furnizorilor și feedbackul furnizorilor.
3. 3. Datele tehnice de intrare provin din jurnale.

Pilonul Asimilare, transformare cuprinde trei capacități.

1. 1. Asimilarea în set utilizează OCI Data Integration, Oracle Data Integrator și instrumentele DB.
2. 2. Transferul în masă utilizează OCI FastConnect, OCI Data Transfer, MFT și OCI CLI.
3. 3. Captarea datelor de modificare utilizează OCI GoldenGate.

Toate cele trei capacități se conectează unidirecțional la capacitatea de stocare în cloud din cadrul pilonului Persistență, organizare, creare.

Pilonul Persistență, organizare, creare cuprinde patru capacități.

1. 1. Banca de date pentru deservire utilizează Oracle Autonomous Data Warehouse sau Exadata Cloud Service.
2. 2. Stocarea în cloud utilizează OCI Object Storage.
3. 3. Prelucrarea în set utilizează OCI Data Flow.
4. 4. Organizarea utilizează OCI Data Catalog.

Aceste capacități sunt conectate în cadrul pilonului. Stocarea în cloud este conectată unidirecțional la banca de date pentru deservire și bidirecțional la prelucrarea în set.

În cadrul pilonului Analiză, învățare și estimare se conectează o singură capacitate: banca de date pentru deservire, care se conectează atât la capacitatea de analiză și vizualizare, cât și la cea de machine learning.

Pilonul Analiză, învățare și estimare cuprinde trei capacități.

1. 1. Analize și vizualizări utilizează Oracle Analytics Cloud, GraphStudio și ISV-uri.
2. 2. Produse de date, API-uri utilizează OCI API Gateway și OCI Functions.
3. 3. Machine learning utilizează OCI Data Science, Oracle ML și Oracle ML Notebooks.

Pilonul Măsurare, acționare cuprinde trei consumatori: panoul de bord și rapoartele, aplicațiile și modelele.

Panouri de bord și rapoarte cuprinde persoanele și partenerii, colaborarea cu furnizorii și transmiterea datelor, istoricul performanțelor furnizorilor, analiza cererii și situația privind stocurile epuizate sau în exces.

Aplicații include gestionarea avansată a stocurilor și planificarea cererii.

În Modele, sunt cuprinse operațiunile furnizorilor./p>

Cei trei piloni centrali – Asimilare, transformare; Persistență, organizare, creare și Analiză, învățare, estimare – sunt acceptați de infrastructură, rețea, securitate și IAM.

Există trei moduri principale de injectare a datelor într-o arhitectură, pentru ca retailerii să poată prognoza eficient timpul de finalizare al furnizorilor.

• Când începem, trebuie să cunoaștem situația tuturor stocurilor, pentru a ne asigura că nu există marfă în exces sau stocuri aproape epuizate. În acest scop, utilizăm Oracle Cloud Infrastructure (OCI) GoldenGate pentru asimilarea captării datelor de modificare din totalul datelor aproape în timp real privind stocurile aflate în bazele de date operaționale, pentru toate produsele sau doar pentru anumite categorii. Apoi, putem utiliza aceste date pentru a modifica prețurile în funcție de scop: fie creșterea vânzărilor, fie evitarea epuizării stocurilor.
• Pentru a estima cât mai exact performanța furnizorilor, trebuie să le cunoaștem istoricul performanței, tendințele și tiparele. În acest scop, de obicei, trebuie încărcat un volum mare de date tranzacționale (inclusiv date ERP precum cele privind achizițiile, facturarea, lanțul de aprovizionare și logistica), de parametri și de date operaționale (cum ar fi datele despre consum, stocuri și schimbările rapide) din depozitele de date on-premises prin metode și servicii de transfer în masă, cum ar fi OCI Data Transfer Service.
• Acum, putem utiliza asimilarea în set pentru a adăuga seturile de date relevante pentru furnizori, cum ar fi comenzile plasate într-o anumită perioadă, inclusiv data fiecărei comenzi, cantitatea comandată și data livrării. Aceste seturi de date cuprind adesea volume mari de date, aflate de obicei on-premises, iar în majoritatea cazurilor, asimilarea în set este suficientă și eficientă. În cazul datelor legate de furnizorii noștri, vom utiliza Oracle Data Integrator pentru asimilarea lor într-un ciclu zilnic. Aceste date provin în principal din sisteme operaționale de procesare a tranzacțiilor și sunt modelate de obicei într-o formă relațională foarte structurată. De exemplu, astfel de date sunt tranzacțiile pentru comenzile de achiziție, inclusiv detalii despre furnizor (de exemplu, numele, numărul de identificare, numărul licenței și informațiile de contact ale acestuia), locul de plecare și destinația, data convenită a livrării, data efectivă a livrării, articolele comandate și prețurile lor, metoda de expediere etc. Pot fi asimilate și datele privind performanța furnizorului, inclusiv calitatea livrărilor acestora, calitatea produselor sau serviciilor livrate, precum și întârzierile sau problemele apărute în trecut, deși aceste date sunt, de obicei, mai puțin structurate și pot necesita un grad mai mare de prelucrare.
• Cunoscând timpul de finalizare pentru fiecare comandă plasată anterior la furnizor, putem să calculăm timpul de finalizare mediu și să identificăm tendințele și fluctuațiile. Tendințele și fluctuațiile respective pot fi corelate cu factorii externi care ar putea avea impact asupra timpului de finalizare al furnizorului, cum ar fi întârzierea transportului, modificarea capacității de producție a furnizorului, evenimente legate de mediu (cum ar fi vremea nefavorabilă) sau evenimente sociopolitice (cum ar fi conflictele sau grevele). Pot fi utilizate și alte date, din monitorizarea tendințelor pieței și a modelelor de cerere, pentru anticiparea eventualelor creșteri ale cererii care ar putea afecta timpul de finalizare al furnizorului.

Persistența și prelucrarea datelor se bazează pe trei componente.

• Datele brute asimilate din toate sursele sunt stocate în spațiul de stocare din cloud. Vom utiliza OCI Data Flow pentru prelucrarea în set a acestor date acum persistente: nivelurile stocurilor, datele de localizare geografică și datele de referință despre produse. Prelucrarea în set va reprelucra datele și va elimina toate dublurile, valorile lipsă sau valorile aberante care ar putea afecta analiza. Aceste seturi de date prelucrate sunt returnate în spațiul de stocare din cloud pentru persistența, organizarea și analizarea lor ulterioară și, în cele din urmă, pentru încărcarea lor în banca de date pentru deservire într-un format optimizat, pentru a fi analizate cu ușurință.
• Acum, am creat seturi de date prelucrate, gata de păstrare într-un format relațional optimizat, pentru organizare și interogare performantă, în banca de date pentru deservire furnizată de Oracle Autonomous Data Warehouse. Astfel, putem identifica și returna produsele în funcție de preț, profilul cererii, nivelul stocului și locație.

Capacitatea de analiză, învățare și estimare se bazează pe trei tehnologii.

• Serviciile de analiză și vizualizare ne permit să utilizăm tehnici statistice, cum ar fi analiza regresivă și analiza seriilor cronologice, precum și algoritmi de machine learning pentru a identifica tiparele și tendințele datelor. Cu ajutorul acestei analize, putem dezvolta apoi un model de prognoză care poate estima extrem de bine timpul de finalizare al furnizorului, validând permanent precizia modelului prin compararea timpilor de finalizare estimați cu cei efectivi pentru un set de comenzi. Rezultatele acestei validări vor fi utilizate pentru rafinarea modelului și îmbunătățirea preciziei acestuia. Serviciile noastre de analiză și vizualizare cuprind următoarele capacități:
  
  
  • Analiza descriptivă descrie tendințele actuale prin histograme și diagrame, sprijinind crearea unor algoritmi de stabilire a prețurilor conform unor reguli prestabilite, pentru ca prețurile să fie modificate în funcție de anumite criterii, cum ar fi performanța vânzărilor, nivelul stocului sau prețurile concurenților. De exemplu, un retailer poate stabili reguli, cum ar fi reducerea cu 10% prețul oricărui produs care a fost în stoc peste 30 de zile și întârzierea achiziționării articolelor noi în stoc sau negocierea unui preț pentru livrarea lor ulterioară, utilizând prognozele privind timpul de finalizare pentru a stabili momentul potrivit.
  • Analiza predictivă anticipează evenimente, identifică tendințe și stabilește probabilitatea unor rezultate incerte. Cu ajutorul analizei predictive, retailerii pot utiliza datele din istoricul vânzărilor pentru identificarea corelațiilor dintre preț și cerere. Apoi, pot utiliza aceste analize pentru a anticipa modul în care va fi afectată cererea de schimbarea comportamentului consumatorilor și a ajusta planurile privind stocurile corespunzător, utilizând timpii de finalizare estimativi pentru a se asigura că stocurile sunt suficiente atunci când este necesar și minimizând totodată excesul de mărfuri și costurile asociate acestuia. În plus, analiza predictivă poate oferi modele pentru flexibilitatea prețurilor, care utilizează statisticile pentru a măsura sensibilitatea cererii la modificările de preț. Retailerii pot utiliza aceste analize pentru a identifica nivelul optim al fiecărui stoc, astfel încât să maximizeze vânzările și rentabilitatea și să își planifice reaprovizionarea în consecință.
  • Analiza prescriptivă propune acțiunile adecvate care optimizează procesul decizional și poate fi utilizată pentru prognozarea timpului de finalizare, în scopul minimizării costurilor asociate stocării mărfurilor și epuizării stocurilor. Coordonându-și activitățile de achiziție și de producție cu cele ale furnizorilor, retailerii pot să reducă stocurile în exces, costurile de transport și cheltuielile expedierii rapide și să negocieze cu furnizorii prețuri și condiții mai avantajoase, conform timpilor reali de finalizare.
• Pe lângă utilizarea analizelor avansate, sunt create, instruite și implementate modele de machine learning. Aceste modele utilizează inteligența artificială pentru a analiza cantități mari de date și a identifica tiparele și tendințele care pot fi utilizate pentru optimizarea reaprovizionării și a nivelului stocurilor. Retailerii pot utiliza algoritmi de machine learning pentru a anticipa comportamentul clienților, pentru a ști când trebuie să se reaprovizioneze și de la ce furnizori și pentru a-și optimiza prețurile pentru toate produsele și piețele.
• Datele și modelele noastre organizate, testate și de înaltă calitate pot să fie supuse unor reguli și politici de guvernanță și expuse ca „produs de date” (API) într-o arhitectură de rețea de date, pentru a fi distribuite în cadrul organizației retailerului respectiv.

Îmbunătățiți gestionarea stocurilor și satisfacția clienților utilizând o platformă de date pentru retail

Prin prognozarea exactă a timpilor de finalizare ai furnizorilor, retailerii își pot planifica mai bine nivelul stocurilor și programele de producție, pentru a se asigura că produsele sunt disponibile la momentul potrivit și în cantitatea potrivită, conform cererii clienților, chiar dacă aceasta fluctuează în funcție de sezon, promoții și alți factori. Prin urmare, aceștia

• vor ști când trebuie să se reaprovizioneze și de la ce furnizori;
• vor minimiza costurile stocării mărfurilor, comandând produsele în cantitățile potrivite și la momentul potrivit, evitând totodată epuizarea stocurilor, care înseamnă vânzări pierdute și clienți nemulțumiți;
• își vor gestiona bine fluxul de numerar planificând achizițiile și plățile către furnizori, pentru a-și optimiza capitalul de lucru și a evita deficitul de numerar;
• vor crea relații mai strânse cu furnizorii, datorită comunicării mai bune privind timpii de finalizare și alți parametri de performanță, ceea ce poate îmbunătăți performanța, prețurile și programarea livrărilor.