在《聊聊AI Agent在供应链场景下的运用(上篇)》中,风叔从供应链五大环节出发,先容了每个环节中AI Agent能够带来的提效。
但是对付AI Agent的运用细节,风叔点到为止了,没有详细展开解释。
在这篇文章中,风叔就来聊聊这个话题。

在企业发展的过程中,随着规模日渐扩大,供应链的问题也会逐渐凸显出来。

首先,发卖操持的准确度越来越低,市场竞争愈发激烈,消费者喜好难以预判,原来制订发卖操持的手段,已经很难再跟上市场的变革。
其次,采购问题越来越突出,供应商供货不及时、货品质量有问题、库存积压开始举头,有些地区供不应求,而有些地区又无人问津。
第三,业务相应不及时,有些渠道缺货很严重,但供应链相应迟缓,每每须要良久才能补上渠道的缺货。

这都是在业务扩展的过程中,非常普遍的问题。
因此我们须要搭建供应链的基本防线,以应对难以预测的需求大水。

第一道防线是需求预测,也便是发卖预测,预测得越准确,应对效果就会越好,但是发卖预测不可能100%准确,常日我们的目标是达成80%的准确率,抵挡80%的大水。

运用AI Agent搭建供应链的三道防线

需求预测拦不住的需求,会流到第二道防线,也便是库存操持。
库存操持越科学,越能有效缓冲需求颠簸,而库存操持的关键便是安全库存和订货点。

如果库存操持也拦不住,需求会流到第三道防线,也便是监控实行。
通过供应链的快速反馈来知足额外的需求,比如缺货预警、自动补货、门店间调拨、需求延迟知足和补偿,都是非常有效的实行手段。

下面,风叔结合AI Agent,详细先容这三道防线的搭建办法。
大家也可以私信风叔“供应链Agent”,得到更详细的供应链资料后逐步理解和学习。

第一道防线,需求预测

销量预测是第一道防线,销量预测越准确,后面库存和实行的压力就越小。

销量预测紧张包括商品、韶光和渠道三个维度。
商品维度是各个产品的销量,尤其对付零售、餐饮、快消等行业,渠道售卖的品类每每会比较多;韶光维度便是日、周、月、季度、年,详细的颗粒度要看业务划分;渠道维度包括所有的渠道售点,比如每个门店、每个电商平台,方便进行渠道铺货。

为什么要做销量预测?根本缘故原由在于供应链的相应能力有限。

试想一下,当消费者购买商品时,如果企业能做到急速有货,那就根本不须要销量预测了。
就像我们日常生活中从来不会做用水量预测一样,由于打开水龙头极大概率都是可以直接打水利用的。

正是由于供应链的相应韶光短则一天,长则一周乃至数周,我们才须要做合理的销量预测,以填补供应链相应时效的不敷。
相应周期越长,相应能力越有限,对销量预测的依赖度就越高。

那么详细该如何做销量预测呢?包括拟合和估算两个环节。

1. 拟合

拟合是指利用历史的销量数据,通过线性回归算法,打算每个因子对付销量的影响权重,然后再预测未来的销量,个中影响销量的核心因子包括地点、门店、日期、时令、景象、节假日、优惠活动、产品价格等等。

可以构建一个帮助每个门店预测未来一周销量的AI Agent,其构建流程如下:

AI Agent对接订单系统,抽取过去三年,每个门店每个品类的销量数据,并且将数据按周聚合。
之以是要取三年的数据,是考虑到时令成分,很多品类会受到时令影响;AI Agent利用干系性算子,提取出影响销量的关键因子,避免引入过多因子造成过拟合;对过去三年的韶光段做随机分配,将80%的周作为演习样本,20%的周作为演习样本;利用演习样本的数据集,利用提取到的核心关键因子,通过线性回归模型进行演习,打算每个关键因子的详细权重;利用测试样本进行模型测试,并不断微调因子和模型参数。
设置一个销量预测准确率的阈值,比如80%,当利用模型预测某一周某个门店的销量时,如果偏差率不超过20%,则认为这个测试点是准确的。
然后统计所有测试点的准确度,当测试集中准确率超过80%时,则认为模型演习完成。
利用演习好的模型,每周预测一次每个门店下周的销量。

2. 估算

拟合的方法虽然很有效,但是有一定的局限性,比较适宜销量相对稳定、客群相对分散的产品,而对付需求相对集中的产品,利用拟合就不得当了。
比如某个渠道的某个产品,单个客户占了其销量的30%,这个客户需求的略微变革,都能对产品的整体销量造成很大影响。

因此,这种情形下可以采取估算法,估计该客户在未来一段期间内对该产品的需求上升或低落的比例。

“上帝的物化主,凯撒的归凯撒”,放在这里便是“拟合的归拟合,估算的归估算”。
我们要见告AI Agent哪些属于占销量比重很大的客户,要先把这部分单独挑出来利用估算法,对付剩下的需求相对稳定且客户分散的部分,利用前面提到的拟合法。

当企业给出需求预测的结果之后,还有一件事情非常主要,即对接企业的发卖端和供应链端,以及关键的供应商,担保高下游部门和互助伙伴根据同一个数字进行协同。

这个时候,AI Agent就可以再次发挥代价,比如每周做完销量预测后,将销量预测的报告结果自动通过邮件发送给关联部门。

第二道防线,库存操持

再准确的销量预测也不可能达到100%准确,常日来说需求预测能抵挡住80%的需求,就已经非常空想了。
接下来的需求大水,就得靠库存操持来抵挡了。

比如预测来日诰日门店会有100件的销量,但实际售出了120件,这多出来的20件从哪里来交付,便是门店库存。

很多人对库存的理解存在误区,认为库存都是不好的。
实在,合理的库存是供应链的粘合剂,可以应对需求的不愿定性,有效对接需求和供给。
真正有害的是风险库存,是指库存过多,须要极永劫光的消化,乃至完备无法消化。

常日来说,库存分为四类,周转库存、安全库存、过剩库存和风险库存。

周转库存:业务正常经营用的库存,由周转周期决定,比如如果周转周期是一周,门店日常都会备一周的货,这便是周转库存。
安全库存:用来应对需求和供给的不愿定性,以达到特定客户做事水平的库存。
安全库存是库存操持的核心,设置合理的安全库存,有助于我们应对攻击第二道防线的需求大水。
过剩库存:超出周转库存和安全库存,但是能够在一定韶光内消化掉的库存。
比如在某些行业,过剩库存是指在1个月内能消化掉的库存。
风险库存:整体库存中剩余的部分,即存在巨大风险,很难在短期被消化掉的库存,极易形成库存坏账。

我们的目标是有充足的周转库存和安全库存,以应对市场需求,但只管即便肃清过剩库存和风险库存。

对付安全库存,其高低取决于三个成分,需求的不愿定性、供给的不愿定性和做事水平的哀求。

1. 需求的不愿定性

需求的稳定性越好,安全库存就越少,需求的稳定性越差,安全库存就越多。
试想一下,如果门店每天稳定售出100件,最多高下颠簸5件,那安全库存只要5件就足够了。
但如果门店本日售出20件、来日诰日售出200件,那就必定须要更多的安全库存来应对。

有哪些会对需求产生明显影响的成分呢?

第一类是环境成分,比如景象,对付线下门店来讲,下雨天的客流量就会明显下滑,环境成分带来的需求颠簸会比较大,且常日来的比较溘然,难以预测;第二类是节日和匆匆销成分,在大型节假日、周年庆、满减活动期间,需求常日会涌现上涨,但这类成分是可以提前预判,方便提前备货;第三类是竞争成分,比如周围开了同类型的门店,会分走大量的线下流量,我们须要密切关注市场竞争的变革趋势,只管即便让竞争的影响来的相比拟较缓慢;第四类是用户成分,比如用户本身的需求和偏好发生了变革,导致需求变少,这类成分不会溘然发生,群体偏好的变革一样平常会有一个漫长的过程;还有一类是意外成分,比如溘然涌现的热点或负面舆论,也会让需求涌现大幅颠簸。

对付需求的颠簸,须要找到一种量化需求不愿定性的办法。

可以利用统计学上的标准差,常日我们假设需求的颠簸是符合正态分布的,那标准差便是量化实际值与预测值的差距。

标准差的打算办法有标准的公式,因此也可以利用AI Agent,剖析历史发卖数据,打算每个渠道、每个品类的标准差,理解产品在不同韶光段、不同渠道下的需求变革情形,从而量化需求不愿定性。

2. 供给的不愿定性

供给的不愿定性每每是指供应周期的不愿定性,供应周期越稳定,安全库存就越少;供应周期越不稳定,安全库存就越多。

试想一下,我们先固定需求因子,假设每天稳定售出100件,如果供应商能做到非常稳定地每周送货700件,完备知足一周的发卖需求,就不须要设置安全库存。
而如果供应商的供应周期很不稳定,有的时候是一周,有的时候须要2周、3周乃至更久,我们就不得不设置更多的安全库存,以应对供应商迟迟不送货时的市场需求。

有哪些会对需求产生明显影响的成分呢?

第一类是供应商成分,供应商的生产能力、财务状况、管理水平等成分都会影响供给的稳定性,比如供应商因财务问题导致生产线停产,这将直接影响企业的原材料供应。
第二类是运输和物流成分,运输过程中的耽误、损耗、事件以及海关清关等问题可能导致供应链中的供给颠簸。
第三类是政策和法规成分,比如某国家溘然提高了对某种原材料的出口关税,导致该原材料的国际市场价格颠簸,影响企业的生产本钱和产品供应。
第四类是自然成分和突发事宜,可能导致供应链中断,比如2011年日本福岛地震导致当地多家汽车制造商的零部件供应中断,进而影响了环球汽车市场的供应。

可以看到,影响供给的因子都是比较难提前预判的,以是企业都要设置相应的安全库存,以应对供给的颠簸。

对付供给的颠簸,我们同样采取标准差的打算办法,即假设供应商的供应周期也是知足正态分布的。
因此也可以利用AI Agent,剖析每个品类的供货历史数据,理解每个供应商的交货周期、产品质量、价格颠簸等方面的信息,从而量化供给的不愿定性。

3. 做事水平的哀求

做事水平是指,当需求产生时,有多大概率能够用现有库存来知足需求。
做事水平越高,安全库存就越多;做事水平越低,安全库存就越少。

试想一下,如果消费者来门店消费,必须立时有货,没有货消费者可能就会投诉,那就须要配置更多的安全库存;而如果消费者对付是否有现货没有那么高的哀求,过几天再来取货也可以接管,那就不须要配置很多的安全库存,由于还有韶光进行补货和调货。

95%的情形能急速知足客户需求,和80%的情形能急速知足客户需求,这两者的做事水平是不一样的。
但是我们不直接用概率来代表做事水平,而是Z值。

Z值表示离需求正态分布轴线间隔多少个标准差。
以下图为例,如果放置1个标准差的安全库存,做事水平会从50%提高到84.13%;再额外放置1个标准差的安全库存时,做事水平会提高到97.7%;再放置一个标准差的安全库存时,做事水平能提升到99.9%。

做事水平就会以Z值来表示,如果要实现95%的有货率,那通过查表可知Z值为1.64,即放1.64个标准差的安全库存即可。
不丢脸出做事水平越高,本钱就会越高。

为了达到99.9%的有货率,我们须要配置3个标准差的安全库存,导致库存太高,库存周转率太低。
企业要平衡好做事水平和本钱的关系,当然从用户体验出发,做事水平越高越好,但我们也可以有其他办法来知足。
比如95%的情形下急速由当前库存知足,99%的情形能在2天内发货,100%的情形能在3天内发货。

4. 安全库存的打算

在确定需求的不愿定性、供给的不愿定性和做事水平之后,就可以打算终极的安全库存。
在上图中,根号下的前半部分是需求的不愿定性,由均匀补货周期、需求预测的颗粒度、需求预测的标准差来决定。
根号下的后半部分是供应的不愿定性,由均匀需求预测值、补货周期的标准差决定。
这里做单位换算的缘故原由,是为了担保需求预测的韶光单位和补货周期的韶光单位同等。

这也是标准公式,可以演习AI Agent完成干系的打算。

安全库存的利用非常广泛,门店有门店的安全库存、品类有品类的安全库存、仓库有仓库的安全库存。
我们不能将胡子眉毛一把抓的来看安全库存,一定要按渠道和品类进行拆分。

5. 安全库存的优化

AI Agent还可以用来进行安全库存的优化。
在影响安全库存的三个成分中,做事水平和企业的代价主见息息相关,比较难调度这个指标。
为了降落安全库存,我们要从降落需求和供给的颠簸性动手。

1)降落需求的不愿定性:

第一,是提高需求预测准确性,AI Agent可以利用更前辈的统计方法、机器学习算法等工具进行需求预测,并且定期更新预测模型,以适应市场的变革。
第二,还可以利用AI Agent自动爬取网络,网络关于消费者需求、行业趋势、竞争对手等方面的信息,即时理解市场的真实需求。

2)降落供给的不愿定性:

第一,要避免过度依赖单一供应商,与多个可靠的供应商建立互助关系,降落因单一供应商涌现问题导致的供给中断。
AI Agent可用于供应商寻源、条件筛选、资质审查,降落人工寻源的本钱。
第二,优化供应商评估和管理,定期对供应商的质量、交货期、价格等方面进行评估,对付表现不佳的供应商,及时采纳方法改进或改换。
第三,是加强供应链协同,通过信息共享、协同操持等办法,提高供应链的整体稳定性。
这也是AI Agent的强项,保持企业和供应商之间高效的信息流动。

第三道防线,监控实行

纵然安全库存设置的再合理,偶尔也会有一些突发情形产生,比如溘然某一天客户需求大幅上升,第二道防线也抵挡不住的时候,就须要第三道防线来承接,也便是监控和实行。

所有的操持都是不足准确的,这是操持的先天不敷,以是须要实行来填补。
关于供应链的实行,包含两个层面:

首先是严格落实第一道防线和第二道防线的政策,即按照发卖操持和库存操持,以效率最高、本钱最低的办法进行落实。
由于发卖操持和库存操持都是详细的数字,须要通过信息化系统的培植,搭建完全的流程,保障供应商、工厂、仓储、渠道的协同。
比如当AI Agent查询到库存到达安全库存水位线以下时,自动发起采购要求。

其次是驱动供应链快速、有效地相应没有提前预见的情形。
比如当面对突发的需求暴涨时,可以通过给予用户权柄等手段进行安抚,同时向上游快速反响市场的需求变革,通过协同、催货等办法,加速供应链心脏的跳动。

现在,很多精良的企业,已经利用AI Agent将监控实行做到自动化。
当Agent检测到存在非常情形,比如提前售罄、库存过多、供货不及时等,系统会自动以邮件、短信、电话的办法,对干系卖力人进行关照提醒。

还有的企业已经建立供应链可视化系统,通过供应链管理系统(SCM)和环球定位系统(GPS)等技能手段,实现供应链各环节数据的实时采集和监控,比如各个门店的实时销量和库存、各个仓库的剩余库存、在路途中的在途库存、产线上的生产速率、哪些环节有预警等等数据,都可以通过可视化系统,从全局上节制供应链的运行情形。

总结

本篇文章,风叔详细先容了如何搭建供应链的三道防线,以应对变幻莫测的市场需求。
随着AI和大数据的发展,这些事情也由传统的基于人工履历,越来越转向自动化和智能化。

供应链也是一个非常适宜AI大模型落地的业务领域,对付立志想在AI ToB领域做出一番事情的朋友,可以重点考虑这个方向。

在后续文章中,风叔还会先容AI大模型在营销、门店、HR、法务等领域的运用处景和实现方法,敬请期待!

作者:风叔,微信"大众号:风叔云

本文由@风叔 原创发布于大家都是产品经理,未经作者容许,禁止转载。

题图来自Unsplash,基于CC0协议。

该文不雅观点仅代表作者本人,大家都是产品经理平台仅供应信息存储空间做事。