Tedarik zinciri operasyonlarını optimize etmek için tedarikçi bekleme süresini tahmin etme

Tedarik zinciri zorluklarını daha doğru, veriye dayalı tedarik süresi tahminleriyle çözün

COVID-19 pandemisi tüketici alışkanlıklarında çığır açtı. Kıtlık insanları yeni markalar denemeye zorladı ve özellikle market sektöründe birçok insan daha seyrek alışveriş yaptı, ancak alışveriş yaptıklarında genellikle daha fazla ürün satın aldılar. Sonuç olarak, envanter mağazalarda daha hızlı tükenmeye başladı ve hem tedarik zincirlerini hem de finansal modelleri zorlayarak brüt marj sorunlarına neden oldu.

Aynı zamanda, tükenmiş stok maliyeti arttı ve stok yenileme sorunları kârlılığı ve genel iş başarısını etkileyebilir. Tüketiciler, ihtiyaçlarını karşılamak için çeşitli şekillerde hizmet ve ürün sunabilen ve sayıları giderek artan rakiplerin fiyat ve ürün stok durumuna neredeyse anında erişebildiklerinde, boş raflara daha az tolerans göstermektedir. Aslında, tüketicilerin %29'u tükenmiş ürünlerin başka bir markadan alışveriş yapmalarını sağlayacağını söylüyor.

Perakendecilerin yaşadığı zorluk, istedikleri miktarda ürünü hem istedikleri yerde hem de istedikleri zaman bulmak isteyen müşterileri sürekli olarak memnun etmektir. Perakendeciler, finansal hedeflerine başarıyla ulaşmak için tedarik zincirinin her noktasında taşıdıkları envanteri stratejik olarak yönetmeli ve yenileme sürecinin her zaman sorunsuz ve verimli olmasını sağlamalıdır.

Tedarikçi tedarik süresini tahmin etmek yani bir tedarikçinin sipariş verildikten sonra bir ürün veya hizmet sunması için gereken süreyi tahmin etmek, perakendecilerin envanter fazlası ve ilişkili maliyetlerini en aza indirirken müşteri talebini etkili bir şekilde karşılamak için üretim çizelgelerini planlamalarına ve envanter düzeylerini yönetmelerine yardımcı olur.

Bir tedarikçinin tedarik süresi, tedarikçinin ürün hedefinden uzaklığı, ürünün karmaşıklığı, hammadde kullanılabilirliği, üretim kapasitesi ve taşımacılık süresi gibi çeşitli faktörlere bağlıdır. Değişken sayısı nedeniyle perakendecilerin, bir dizi kurumsal sistem, iş kaydı ve teknik girdiden alınan tarihsel ve gerçek zamanlı verilere merkezi erişim sağlayan bir veri platformuna ihtiyacı vardır. Bu platformlar, makine öğrenimi modellerini satın alma siparişi işlemlerine dayalı olarak beklenen tedarik sürelerini tahmin etmek üzere eğitmek için kullanılabilir.

Gelişmiş analitik ve makine öğrenimi ile tedarik zinciri operasyonlarının riskini azaltın ve envanter yönetimini iyileştirin

Bu kullanım senaryosunda perakendecilerin, malların beklenen teslim tarihlerini doğru bir şekilde tahmin etmek üzere gelişmiş analitik ve tahmin yöntemlerini (istatistiksel modelleme, eğilim analizi ve tarihsel veri analizi dahil) ve makine öğrenimini kullanmalarına yardımcı olmak için Oracle Veri Platformu'nun nasıl oluşturulduğunu göstereceğiz. Perakendeciler bu bilgi sayesinde envanter planlamasını optimize edebilir ve aşağıdakiler gibi değişkenlerin etkisini etkili bir şekilde yönetebilir:

• Kaynak kullanılabilirliğini, sevkiyat çizelgelerini, seyahat sürelerini ve maliyetleri koordine etmek dahil olmak üzere tedarik süreleri ve taşımacılık
• Uüzlerce tedarikçi arasında çok çeşitli ürünleri, bulunabilirliği, paket konfigürasyonlarını, sipariş koşullarını ve maliyetleri yönetmenin zorlukları dahil olmak üzere çeşitli ürün porföyleri
• Talep örüntüleri ve mevsimsellik ile promosyonlar gibi etkiler dahil olmak üzere yerel piyasa karmaşıklıkları
• Bütçeler, depolama sınırlamaları ve istenen dönüşler dahil olmak üzere finansal ve fiziksel kısıtlamalar
• Stok fazlası ve indirimlerin finansal etkisi, sürekli olarak mükemmel müşteri hizmeti sunma baskısı ve satış kaybını ve müşteri sadakatinin kaybı yaşanmasını önlemek için kullanılabilirliği sürdürme ihtiyacı dahil olmak üzere sipariş karşılama lokasyonlarındaki envanter baskısı

Bu görüntüde, perakendeye yönelik Oracle Veri Platformu'nun tedarikçi tedarik sürelerini tahmin etmek ve tedarik zinciri işlemlerini optimize etmek ve perakendecilerin kârlılığı en üst düzeye çıkarırken pazardaki konumlarını korumalarına yardımcı olmak için nasıl kullanılabileceği gösterilmektedir. Aşağıda platformun beş ayağı verilmiştir:

1. 1. Veri Kaynağı, Keşif
2. 2. Alım, Dönüştürme
3. 3. Sürdürme, Düzenleme, Oluşturma
4. Analiz, Öğrenme, Tahmin
5. 5. Ölçme, Eyleme Geçme

Veri Kaynağı, Keşif ayağı üç veri kategorisi içerir.

1. 1. Uygulama verileri Fusion Financials, Oracle E-Business Suite, SCM, EPM ve eSourcing'den gelir.
2. 2. İş kaydı verileri envanter, SCM (kontrol kulesi), tedarikçi performans verileri ve tedarikçi anketlerinden oluşur.
3. 3. Teknik girdi verileri günlüklerden gelir.

Alma, Dönüştürme ayağı üç yetenekten oluşur.

1. 1. Toplu alım OCI Veri Entegrasyonu, Oracle Data Integrator ve Veritabanı araçlarını kullanır.
2. 2. Toplu aktarım OCI FastConnect, OCI Veri Aktarımı, MFT ve OCI CLI'sini kullanır.
3. 3. Değişiklik verileri yakalama OCI GoldenGate kullanır.

Üç yetenek de tek yönlü olarak Sürdürme, Düzenleme, Oluşturma ayağında bulut depolamaya bağlanır.

Sürdürme, Düzenleme, Oluşturma ayağı dört yetenekten oluşur.

1. 1. Hizmet veren veri deposu, Oracle Autonomous Data Warehouse veya Exadata Cloud Service'ı kullanır.
2. 2. Bulut depolama, OCI Object Storage'ı kullanır.
3. 4. Toplu işleme, Oracle Data Flow'u kullanır.
4. 4. Yönetişim, OCI Data Catalog'u kullanır.

Bu yetenekler ayak içinde bağlantılıdır. Bulut depolama, hizmet veren veri deposuna tek yönlü olarak bağlıdır; aynı zamanda toplu işleme çift yönlü olarak bağlıdır.

Bir yetenek Analiz, Öğrenme, Tahmin ayağına bağlanır: Hizmet veren veri deposu hem analitik hem de görselleştirme yeteneği ve makine öğrenimi özelliğine bağlanır.

Analiz, Öğrenme, Tahmin ayağı üç yetenek içerir.

1. 1. Analitik ve görselleştirme Oracle Analytics Cloud, GraphStudio ve ISV'leri kullanır.
2. 2. Veri Ürünleri, API'ler OCI API Gateway ve OCI Functions'ı kullanır.
3. 2. Makine öğrenimi OCI Data Science, Oracle ML ve Oracle ML Notebooks'u kullanır.

Ölçme, Eylem Geçme ayğaı üç tüketiciden oluşur: konsol ve raporlar, uygulamalar ve modeller.

Konsollar ve raporlar, kişiler ve iş ortakları, tedarikçi iş birliği ve veri paylaşımı, tarihsel tedarikçi performansı, talep analitiği, eksik stok ve stok fazlalıklarından oluşur.

Uygulama yazılımları gelişmiş envanter yönetimi ve talep planlamasından oluşur.

Modeller tedarikçi operasyonlarından oluşur./p>

Bu üç temel ayak altyapı, ağ, güvenlik ve IAM tarafından desteklenir: Alma, Dönüştürme, Sürdürme, Düzenleme, Oluşturma ve Analiz, Öğrenme, Tahmin.

Perakendecilerin tedarikçi tedarik süresini etkili şekilde tahmin etmesini sağlamak için bir mimariye veri eklemenin üç ana yolu vardır.

• İşleme başlamak için, ürünlerin aşırı stoklu veya az stoklu olmadığından emin olmak amacıyla genel envanter konumumuzu anlamamız gerekir. Bunu yapmak için, tüm üretim hatları veya bir üretim hattı alt grubu için operasyonel veritabanlarından neredeyse gerçek zamanlı depo envanter verilerinin değişiklik verisi yakalama alımınısağlamak üzere Oracle Cloud Infrastructure (OCI) GoldenGate kullanıyoruz. Daha sonra bu verileri, envanteri taşımak veya eksik stoğu önlemek amacıyla fiyatları ayarlamak için kullanabiliriz.
• Tedarikçi performansını doğru tahmin edebilmek için tarihsel performansı, eğilimleri ve örüntüleri da anlamamız gerekir. Bu genellikle OCI Data Transfer Service gibi toplu aktarım yöntemlerini ve hizmetlerini kullanarak şirket içi veri depolarından büyük hacimli işlem verilerinin (tedarik, faturalama, tedarik zinciri ve lojistik verileri gibi ERP verileri dahil) ve diğer operasyonel ölçümlerin ve veri kümelerinin (tüketim, envanter ve etkin takaslar gibi) yüklenmesini gerektirir.
• Artık sipariş tarihi, sipariş edilen miktar ve teslimat tarihi de dahil olmak üzere belirli bir zaman diliminde tedarikçiye verilen siparişler gibi tedarikçilerle ilgili veri kümelerini eklemek için toplu alım özelliğini kullanabiliriz. Bu veri kümeleri genellikle şirket içi büyük hacimli verilerden oluşur ve çoğu durumda toplu alım yeterli ve en verimli yöntemdir. Tedarikçi verilerimiz için verileri günlük döngüde almak üzere Oracle Data Integrator kullanacağız. Bu veriler temel olarak operasyonel işlem süreci sistemlerinden alınır ve normalde yüksek düzeyde yapılandırılmış ilişkisel biçimde modellenir. Bu verilere örnek olarak tedarikçi detayları (örneğin, ad, kimlik, kayıt ve irtibat bilgileri), kaynak ve hedef, kabul edilen teslimat tarihi, fiili teslimat tarihi, sözleşme kalemleri ve fiyatı, sevkiyat yöntemi vb. dahil olmak üzere satın alma siparişi işlemleri verilebilir. Tedarikçinin performansıyla ilgili teslimat güvenilirliği, mal veya hizmetlerinin kalitesi ve geçmişte meydana gelen gecikme veya sorunlar da dahil olmak üzere veriler de alınabilir, ancak bu veriler genellikle daha az yapılandırılmıştır ve daha yüksek düzeyde işleme gerektirebilir.
• Tedarikçiyle daha önce verilen her sipariş için tedarik süresini hesaplayarak ortalama bir tedariki süresi hesaplayabilir, eğilimleri ve varyasyonları belirleyebiliriz. Bu eğilimler ve varyasyonlar, tedarikçinin nakliye gecikmeleri, tedarikçinin üretim kapasitesindeki değişiklikler, çevresel olaylar (ağır hava durumu gibi) veya sosyopolitik olaylar (çatışma veya endüstriyel eylem gibi) gibi tedarik süresini etkileyebilecek dış etkenlerle ilişkilendirilebilir. Tedarikçinin tedarik süresini etkileyebilecek, talep artışlarını öngörmek amacıyla piyasa eğilimlerini ve talep modellerini izlemek için ek veriler kullanılabilir.

Veri kalıcılığı ve işleme, üç bileşen üzerine kuruludur.

• Tüm kaynaklardan alınan ham veriler bulut depolama alanında depolanır. Artık kalıcı verilerin, envanter düzeylerinin, coğrafi eşleme verilerinin ve ürün referans verilerinin toplu işlenmesi için OCI Data Flow'u kullanacağız. Toplu işleme, verileri yeniden işleyecek ve analizi çarpıtabilecek tüm kopyaları, eksik değerleri veya aykırı değerleri kaldıracaktır. Bu işlenen veri kümeleri ileride kalıcılık, düzeltme ve analiz için bulut depolama alanına döndürülür ve en nihayetinde kolayca analiz edilebilecek şekilde hizmet veren veri deposuna optimize edilmiş biçimde yüklenir.
• Artık Oracle Autonomous Data Warehouse tarafından sağlanan hizmet veren veri deposunda düzeltme ve sorgu performansı için optimize edilmiş ilişkisel formda kalıcı olmaya hazır işlenmiş veri kümeleri oluşturduk. Bu, ürünleri fiyat, talep profili, envanter seviyesi ve konuma göre tanımlamamızı ve iade etmemizi sağlayacaktır.

Analitik, öğrenme ve tahmin kabiliyeti üç teknolojiye dayanır.

• Analitik ve görselleştirme hizmetleri regresyon analizi ve zaman serisi analizi gibi istatistiksel teknikleri ve verilerdeki örüntüler ile eğilimleri belirlemek için makine öğrenimi algoritmalarını kullanmamızı sağlar. Bu analitiği kullanarak, tedarikçinin tedarik süresini doğru bir şekilde tahmin edebilen ve bir dizi sipariş için tahmin edilen tedarik sürelerini fiili tedarik süreleriyle karşılaştırarak modelin doğruluğunu sürekli olarak doğrulayabilen bir tahmin modeli geliştirebiliriz. Bu doğrulamanın sonuçları modeli geliştirmek ve doğruluğunu artırmak için kullanılır. Analitik ve görselleştirme hizmetlerimiz şu yetenekleri içerir:
  
  
  • Açıklayıcı analitik (histogram ve grafiklerle mevcut eğilimleri açıklar), satış performansı, envanter seviyeleri veya rakip fiyatlandırması gibi belirli ölçütlere dayalı olarak fiyatları ayarlamak için önceden tanımlanmış kurallar kullanan fiyatlandırma algoritmalarının geliştirilmesini destekler. Örneğin, bir perakendeci 30 günden uzun süredir stokta bulunan bir ürünün fiyatını %10 oranında düşürmek için bir kural belirleyebilir ve uygun zamanlamayı belirlemek için teslimat süresi tahminlerini kullanarak yeni envanter alımını geciktirebilir veya daha sonraki bir teslimat için fiyat pazarlığı yapabilir.
  • Öngörüye dayalı analitikler gelecekteki olayları tahmin eder, eğilimleri belirler ve belirsiz sonuçların olasılığını belirler. Öngörüye dayalı analitik sayesinde perakendeciler geçmiş satış verilerini kullanarak fiyat ve talep arasındaki korelasyonları belirleyebilir. Ardından, bu analitiği kullanarak tüketici davranışındaki değişikliklerin talebi nasıl etkileyeceğini tahmin edebilir ve envanter planlarını buna göre ayarlayıp tahmini tedarik sürelerini kullanarak envanter fazlalığını ve ilişkili maliyetlerini en aza indirirken ihtiyaç duydukları anda yeterli stoğa sahip olduklarından emin olabilirler. Ayrıca tahmine dayalı analitik, fiyat esnekliği modelleri sağlayabilir. Bu model, talebin fiyat değişikliklerine karşı ne kadar hassas olduğunu ölçmek için istatistiksel modeller kullanır. Perakendeciler, bu analizi kullanarak satışları ve kârlılığı en üst düzeye çıkarmak ve envanter satın alma işlemlerinin gereken süreyi belirlemek için kullanabilir.
  • Yönlendiren analitik, optimum karar vermeyi desteklemek için uygun eylemler önerir ve envanteri ve eksik stokların tutulmasıyla ilişkili maliyetleri en aza indirmeye yardımcı olmak üzere redarik süresi tahmini için kullanılabilir. Tedarik ve üretim faaliyetlerini tedarikçi tedarik süreleriyle uyumlu hale getirerek perakendeciler envanter fazlalığını, taşıma maliyetlerini ve hızlandırılmış sevkiyat masrafını azaltabilir ve doğru tedarik sürelerine göre tedarikçilerle daha iyi fiyat ve şartlar üzerinde anlaşmaya varabilir.
• Gelişmiş analitiğin yanı sıra makine öğrenimi modelleri geliştirilir, eğitilir ve devreye alınır. Bu modeller, yapay zekayı kullanarak büyük miktarda veriyi analiz eder ve envanter satın almalarını ve envanter seviyelerini optimize etmek için kullanılabilecek örüntüleri ve eğilimleri belirler. Perakendeciler, müşteri davranışını tahmin etmek,envanterin ne zaman ve hangi tedarikçiden satın alınacağını belirlemek ve birden fazla ürün ve piyasa genelinde fiyatları optimize etmek için makine öğrenimi algoritmalarını kullanabilir.
• Düzenlenmiş, test edilmiş ve yüksek kaliteli verilerimiz ve modellerimiz yönetişim kurallarına ve politikalarına sahip olabilir ve perakende organizasyonu genelinde dağıtım için bir veri ağı mimarisi içinde bir "veri ürünü" (API) olarak sunulabilir.

Perakende veri platformu ile envanter yönetimini ve müşteri memnuniyetini artırın

Tedarikçinin tedarik süresini doğru bir şekilde tahmin eden perakendeciler, mevsimselliğe, promosyonlara ve diğer etkilere göre dalgalansa bile müşteri talebini karşılamak için doğru ürünlere sahip olduklarından emin olmak için envanter seviyelerini ve üretim çizelgelerini daha iyi planlayabilir. Sonuç olarak şunları yapabilirler:

• Envanterin ne zaman ve hangi tedarikçilerden satın alınacağını belirleme
• Doğru miktarda ürünü doğru zamanda sipariş ederek ve yetersiz stok yapmaktan kaçınarak envanter bulundurma maliyetlerini en aza indirme ve satış kaybına ve memnuniyetsiz müşterilere neden olabilecek eksik stoklamadan kaçınma
• Satın alımlarını ve tedarikçilere ödemelerini planlayarak nakit akışlarını yönetme, işletme sermayelerini optimize etmelerine ve nakit akışı sıkıntısı yaşamamalarına yardımcı olma
• Tedarik süreleri ve diğer performans metrikleri hakkında daha iyi iletişim sayesinde tedarikçileriyle daha güçlü ilişkiler kurarak performansın iyileştirilmesini sağlama (bu da daha iyi fiyatlandırmaya ve daha güvenilir teslimat çizelgelerine yol açar)