Forecasting supplier lead time to optimize supply chain operations

Résolvez les problèmes liés à la chaîne d'approvisionnement avec des prévisions de délai plus précises et reposant sur les données

La pandémie de COVID-19 a perturbé les habitudes des consommateurs. Les pénuries ont contraint les populations à essayer de nouvelles marques, en particulier dans le secteur alimentaire, où les achats ont été moins fréquents, mais souvent plus importants en volume. Par conséquent, les stocks ont commencé à sortir plus rapidement des magasins, ce qui a freiné les chaînes d'approvisionnement et les modèles financiers et a entraîné des problèmes de marge brute.

Dans le même temps, le coût de rupture de stock a augmenté et les problèmes de réapprovisionnement peuvent avoir un impact sur la rentabilité et la réussite globale de l'entreprise. Les consommateurs tolèrent tout simplement moins les rayons vides lorsqu'ils peuvent accéder quasi-instantanément aux tarifs et à la disponibilité des produits par un nombre croissant de concurrents qui peuvent proposer des services et des produits de différentes manières pour répondre à leurs besoins. En fait, 29 % des consommateurs affirment qu'une rupture de stock sur un article les pousseraient à faire leurs achats auprès d'une autre marque.

Le défi pour les détaillants est de satisfaire constamment les clients qui veulent trouver la quantité de marchandises qu'ils veulent, à la fois où ils le souhaitent et quand ils le souhaitent. Pour atteindre leurs objectifs financiers, les détaillants doivent gérer stratégiquement le stock dont ils disposent à chaque étape de la chaîne d'approvisionnement et s'assurer que le processus de réapprovisionnement est toujours fluide et efficace.

Prévoir le délai fournisseur, c'est-à-dire prédire le temps nécessaire à un fournisseur pour livrer un produit ou un service après la commande, aide les détaillants à planifier leurs programmes de production et à gérer les niveaux de stock afin de répondre efficacement à la demande des clients tout en minimisant les excédents de stock et les coûts associés.

Le délai d'un fournisseur dépend de différents facteurs, tels que la distance entre le fournisseur et la destination du produit, la complexité du produit, la disponibilité des matières premières, la capacité de production et le temps de transport, entre autres. En raison du nombre de variables, les détaillants ont besoin d'une plateforme de données qui leur offre un accès centralisé aux données historiques et en temps réel à partir de différents systèmes d'entreprise, de dossiers commerciaux et d'entrées techniques, lesquels peuvent ensuite être utilisés pour entraîner des modèles de machine learning à prévoir les délais prévus en fonction des transactions de commande d'achat.

Éliminez les risques des opérations de la chaîne d'approvisionnement et améliorez la gestion des stocks grâce à des analyses avancées et au machine learning

Dans ce cas d'utilisation, nous montrerons comment Oracle Data Platform est conçu pour aider les détaillants à utiliser des méthodes avancées d'analyse et de prévision (notamment la modélisation statistique, l'analyse des tendances et l'analyse des données historiques) et le machine learning pour estimer avec précision les dates de livraison attendues des marchandises. Grâce à ces informations, les détaillants peuvent optimiser la planification des stocks et gérer efficacement l'impact de variables telles que

• Délais et transport, notamment la coordination de la disponibilité des sources, des calendriers d'expédition, des temps de déplacement et des coûts
• Divers portefeuilles de produits, notamment les défis liés à la gestion d'une large gamme de produits, de la disponibilité, des configurations d'emballage, des conditions de commande et de coûts à l'échelle de centaines de fournisseurs
• Complexités du marché local, notamment les modèles de demande et les influences telles que la saisonnalité et les promotions
• Contraintes financières et physiques, notamment les budgets, les limitations de stockage et les rotations souhaitées
• Pression des stocks sur les sites d'exécution, notamment l'impact financier des surstocks et des démarques, la pression de fournir constamment un service client d'excellence et la nécessité de maintenir la disponibilité afin d'éviter les pertes de ventes et l'érosion de la fidélisation des clients

Cette image montre comment utiliser Oracle Data Platform pour la vente au détail afin de prévoir les délais des fournisseurs et d'optimiser les opérations de la chaîne d'approvisionnement, de manière à aider les détaillants à maintenir leur position sur le marché tout en optimisant leur rentabilité. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut trois catégories de données.

1. 1. Les données d'application proviennent de Fusion Financials, d'Oracle E-Business Suite, de SCM, d'EPM et de eSourcing.
2. 2. Les données des enregistrements d'entreprise comprennent les stocks, la SCM (tour de contrôle), les données de performances des fournisseurs et les enquêtes sur les fournisseurs.
3. 3. Les données d'entrée technique proviennent des journaux.

Le pilier « Ingestion et transformation » comprend trois fonctionnalités.

1. 1. L'ingestion par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.
2. 2. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
3. 3. La capture des données de modification utilise OCI GoldenGate.

Les trois fonctionnalités se connectent de manière unidirectionnelle au stockage cloud dans le pilier « Sauvegarde, tri et création ».

Le pilier « Sauvegarde, tri et création » comprend quatre fonctionnalités.

1. 1. Le dépôt de données de service utilise Autonomous Data Warehouse ou Exadata Cloud Service.
2. 2. Le stockage cloud utilise OCI Object Storage.
3. 3. Le traitement par lots utilise OCI Data Flow.
4. 4. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Une fonctionnalité se connecte au pilier « Analyses, apprentissage et prévision » : le dépôt de données de service se connecte à la fois à la fonction d'analyse et de visualisation, et à la fonctionnalité de machine learning.

Le pilier « Analyses, apprentissage et prévision » comprend trois fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.
2. 2. Les produits de données et les API utilisent OCI API Gateway et OCI Functions
3. 3 Le machine learning utilise OCI Data Science, Oracle ML et les blocs-notes Oracle ML.

Le pilier « Mesures et réactions » comprend trois consommateurs : les tableaux de bord et de rapports, les applications et les modèles.

Les tableaux de bord et les rapports comprennent les personnes et les partenaires, la collaboration avec les fournisseurs et le partage des données, l'historique des performances des fournisseurs, l'analyse de la demande, ainsi que les ruptures de stock et les excès de stock.

Les applications comprennent la gestion avancée des stocks et la planification de la demande.

Les modèles comprennent les opérations fournisseur./p>

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Il existe trois façons principales d'injecter des données dans une architecture pour permettre aux détaillants de prévoir efficacement le délai fournisseur.

• Pour commencer, nous devons comprendre notre position de stock globale pour nous assurer que les produits ne sont pas surstockés ou sous-stockés. Pour ce faire, nous utilisons Oracle Cloud Infrastructure (OCI) GoldenGate pour permettre l'ingestion de la capture des données de modification des données d'inventaire d'entrepôt en quasi-temps réel à partir de bases de données opérationnelles pour toutes les lignes de produits ou un sous-ensemble de lignes de produits. Nous pouvons ensuite utiliser ces données pour ajuster les prix afin de déplacer des stocks ou d'éviter une rupture de stock.
• Pour prévoir précisément les performances des fournisseurs, nous devons également comprendre l'historique des performances, des tendances et des modèles. Cela nécessite généralement le chargement d'un grand volume de données transactionnelles (y compris des données ERP, telles que les données d'approvisionnement, de facturation, de chaîne d'approvisionnement et de logistique), ainsi que d'autres métriques et ensembles de données opérationnels (tels que les données de consommation, de stock et d'échange à chaud) à partir de banques de données sur site à l'aide de méthodes et de services de transfert en masse, tels qu'OCI Data Transfer Service.
• Nous pouvons désormais utiliser l'ingestion par lots pour ajouter des ensembles de données appropriés aux fournisseurs, tels que les commandes passées avec le fournisseur sur une période donnée, notamment la date de la commande, la quantité commandée et la date de livraison. Ces ensembles de données comprennent souvent d'importants volumes de données, généralement sur site. Dans la plupart des cas, l'ingestion par lots est suffisante et la plus efficace. Pour nos données fournisseur, nous utiliserons Oracle Data Integrator pour ingérer les données au cours d'un cycle quotidien. Ces données proviennent principalement de systèmes de traitement des transactions opérationnelles et sont normalement modélisées sous une forme relationnelle hautement structurée. Ces données incluent par exemple les transactions de commande d'achat, notamment les détails du fournisseur (nom, ID, immatriculation et coordonnées), l'origine et la destination, la date de livraison convenue, la date de livraison réelle, les articles et le prix du contrat, le mode d'expédition, etc. Des données sur les performances du fournisseur, notamment sa fiabilité de livraison, la qualité de ses biens ou services et tout retard ou problème survenu dans le passé peuvent également être ingérées, même si elles sont généralement moins structurées et peuvent nécessiter un niveau de traitement plus élevé.
• En calculant le délai de chaque commande passée avec le fournisseur, nous pouvons calculer un délai moyen et identifier les tendances et les variations. Ces tendances et variations peuvent être mises en corrélation avec des facteurs externes qui pourraient avoir un impact sur le délai du fournisseur, tels que les retards de transport, les changements dans la capacité de production du fournisseur, les événements environnementaux (tels que des conditions météorologiques extrêmes) ou les événements sociopolitiques (tels que des conflits ou des grèves). Des données supplémentaires peuvent être utilisées pour surveiller les tendances du marché et les modèles de demande afin d'anticiper les pics de demande potentiels qui pourraient avoir un impact sur le délai du fournisseur.

La persistance et le traitement des données reposent sur trois composants.

• Les données brutes ingérées à partir de toutes les sources sont stockées dans le stockage cloud. Nous utiliserons OCI Data Flow pour le traitement par lots de ces données, niveaux de stock, données de géocartographie et données de référence de produit, désormais persistants. Le traitement par lots retraitera les données et supprimera les doublons, les valeurs manquantes ou les valeurs aberrantes qui pourraient fausser l'analyse. Ces ensembles de données traitées sont renvoyés vers le stockage cloud pour la sauvegarde, le tri et l'analyse, et finalement le chargement sous forme optimisée vers le dépôt de données de service, sous un format qui peut facilement être analysé.
• Nous avons créé des ensembles de données traités prêts à être rendus persistants sous forme relationnelle optimisée pour le traitement et les performances des requêtes dans le dépôt de données de service fourni par Oracle Autonomous Data Warehouse. Cela nous permettra d'identifier et de retourner les produits par prix, profil de demande, niveau de stock et lieu.

La capacité d'analyser, d'apprendre et de prévoir repose sur quatre technologies.

• Les services d'analyse et de visualisation nous permettent d'utiliser des techniques statistiques, telles que l'analyse de régression et l'analyse de séries temporelles, ainsi que des algorithmes de machine learning pour identifier les modèles et les tendances des données. A l'aide de cette analyse, nous pouvons ensuite développer un modèle de prévision capable de prévoir avec précision le délai du fournisseur et de valider en permanence l'exactitude du modèle en comparant les délais prévus aux délais réels pour un ensemble de commandes. Les résultats de cette validation seront utilisés pour affiner le modèle et améliorer sa précision. Nos services d'analyse et de visualisation incluent les fonctionnalités suivantes :
  
  
  • L'analyse descriptive décrit les tendances actuelles avec des histogrammes et des graphiques et prend en charge le développement d'algorithmes de tarification qui utilisent des règles prédéfinies pour ajuster les prix en fonction de critères spécifiques, tels que les performances de vente, les niveaux de stock ou la tarification des concurrents. Par exemple, un détaillant peut définir une règle pour réduire le prix d'un produit de 10 % s'il est en stock depuis plus de 30 jours et retarder l'achat de nouveaux stocks ou négocier un prix pour une livraison ultérieure en utilisant les prévisions de délai pour déterminer le moment approprié.
  • L'analyse prédictive prévoit les événements futurs, identifie les tendances et détermine la probabilité de résultats incertains. Grâce à l'analyse prédictive, les détaillants peuvent utiliser les données historiques des ventes pour identifier les corrélations entre le prix et la demande. Ils peuvent ensuite utiliser cette analyse pour prévoir l'impact de l'évolution du comportement des consommateurs sur la demande et ajuster les plans de stock en conséquence, en utilisant les délais estimés pour s'assurer qu'ils disposent de suffisamment de stock lorsqu'ils en ont besoin tout en minimisant les excédents de stock et les coûts associés. En outre, les analyses prédictives peuvent fournir des modèles d'élasticité des prix, qui utilisent des modèles statistiques pour mesurer la sensibilité de la demande aux variations de prix. Les détaillants peuvent utiliser cette analyse pour identifier les points de niveau de stock optimaux afin d'optimiser les ventes et la rentabilité, ainsi que le moment où leurs achats de stock sont effectués en conséquence.
  • L'analyse prescriptive propose des actions appropriées pour assurer une prise de décision optimale et peut être utilisée pour la prévision des délais afin de minimiser les coûts associés à la tenue du stock et aux ruptures de stock. En alignant les activités d'achat et de production sur les délais des fournisseurs, les détaillants peuvent réduire les excédents de stock, les coûts de possession et les frais d'expédition accélérée, et ainsi mieux négocier les tarifs et les conditions avec les fournisseurs en fonction de délais précis.
• Outre l'utilisation d'analyses avancées, des modèles de machine learning sont développés, entraînés et déployés. Ces modèles utilisent l'intelligence artificielle pour analyser de grandes quantités de données et identifier les modèles et les tendances pouvant être utilisés pour optimiser les achats et les niveaux de stock. Les détaillants peuvent utiliser des algorithmes de machine learning pour prévoir le comportement des clients, identifier le moment d'acheter les stocks et auprès de quels fournisseurs, et optimiser les prix sur plusieurs produits et marchés.
• Vos règles et politiques de gouvernance peuvent être appliqués à nos données et modèles organisés, testés et de haute qualité, et peuvent être exposés en tant que « produit de données » (API) au sein d'une architecture de maillage de données à des fins de distribution dans l'ensemble de l'entreprise de vente au détail.

Améliorer la gestion des stocks et la satisfaction des clients grâce à une plateforme de données de vente au détail

En prévoyant avec précision les délais des fournisseurs, les détaillants peuvent mieux planifier leurs niveaux de stock et leurs calendriers de production afin de s'assurer qu'ils disposent des quantités adéquates de produits disponibles pour répondre à la demande des clients, même si celle-ci fluctue en fonction de la saison, des promotions et d'autres influences. Par conséquent, ils sont capables de

• Identifier quand acheter le stock et auprès de quels fournisseurs
• Réduire les coûts de possession de leurs stocks en commandant les bonnes quantités de produits au bon moment et en évitant le sous-stockage, qui peut entraîner une perte de vente et l'insatisfaction des clients
• Gérer leur flux de trésorerie en planifiant leurs achats et les paiements aux fournisseurs, afin d'optimiser leur fonds de roulement et d'éviter les pénuries de trésorerie
• Renforcer les relations avec leurs fournisseurs grâce à une meilleure communication sur les délais et d'autres indicateurs de performances dans l'objectif d'améliorer les performances, d'améliorer les prix et de bénéficier de délais de livraison plus fiables