Forecasting supplier lead time to optimize supply chain operations

Resolva os desafios da cadeia de suprimentos com previsões de lead time mais precisas e orientadas a dados

A pandemia da COVID-19 mudou os hábitos dos consumidores. A escassez forçou as pessoas a experimentar novas marcas e, particularmente, no setor de alimentos, muitas pessoas compraram com menos frequência, mas muitas vezes em maior quantidade quando compravam. Como resultado, o estoque começou a sair das lojas mais rapidamente, eliminando cadeias de suprimentos e modelos financeiros, o que gerou problemas de margem bruta.

Ao mesmo tempo, o custo da falta de estoque aumentou e os problemas de reposição podem afetar a lucratividade e o sucesso geral dos negócios. Os consumidores estão simplesmente menos tolerantes às prateleiras vazias quando eles têm acesso quase instantâneo aos preços e disponibilidade dos produtos de um número crescente de concorrentes que podem oferecer serviços e produtos de várias maneiras para atender às suas necessidades. De fato, 29% dos consumidores dizem que itens fora de estoque os levariam a comprar em outra marca.

O desafio para os varejistas é satisfazer consistentemente os clientes que desejam encontrar a quantidade de mercadorias que desejam onde desejam e quando desejam. Para atingir suas metas financeiras, os varejistas devem gerenciar estrategicamente o estoque que carregam em cada ponto da cadeia de suprimentos e garantir que o processo de reposição seja sempre tranquilo e eficiente.

Prever o lead time do fornecedor, prevendo o tempo que levará para um fornecedor entregar um produto ou serviço depois que um pedido ser feito, ajuda os varejistas a planejar seus cronogramas de produção e gerenciar níveis de estoque para atender à demanda do cliente com eficácia, minimizando o excesso de estoque e seus custos associados.

O lead time de um fornecedor depende de vários fatores, como a distância do fornecedor do destino do produto, a complexidade do produto, a disponibilidade de matérias-primas, a capacidade de produção e o tempo de transporte, entre outros. Devido ao número de variáveis, os varejistas precisam de uma plataforma de dados que lhes forneça acesso centralizado a dados históricos e em tempo real de uma variedade de sistemas empresariais, registros de negócios e informações técnicas, que pode ser utilizada para treinar modelos de machine learning para prever lead times esperados com base nas transações de ordens de compra.

Reduza os riscos nas operações da cadeia de suprimentos e melhore o gerenciamento do estoque com análises avançadas e machine learning

Neste caso de uso, demonstraremos como a Oracle Data Platform foi desenvolvida para ajudar os varejistas a usar métodos avançados de análise e previsão (incluindo modelagem estatística, análise de tendências e análise de dados históricos) e machine learning para estimar com precisão as datas de entrega esperadas de mercadorias. Com essas informações, os varejistas podem otimizar o planejamento de estoque e gerenciar com eficiência o impacto de variáveis, como

• Lead times e transporte, incluindo coordenação da disponibilidade da origem, cronogramas de envio, tempos de viagem e custos
• Portfólios de produtos diversos, incluindo os desafios de gerenciar uma ampla variedade de produtos, disponibilidade, configurações de pacotes, termos de pedidos e custos em centenas de fornecedores
• Complexidades do mercado local, incluindo padrões de demanda e influências, como sazonalidade e promoções
• Restrições financeiras e físicas, incluindo orçamentos, limitações de armazenamento e giros desejados
• Pressão do estoque nos locais de atendimento, incluindo o impacto financeiro de excesso de estoque e descontos, a pressão para oferecer consistentemente um excelente serviço de atendimento ao cliente e a necessidade de manter a disponibilidade para evitar a perda de vendas e a erosão da fidelidade do cliente

Esta imagem mostra como a Oracle Data Platform para varejo pode ser usada para prever lead times de fornecedores e otimizar as operações da cadeia de suprimentos, ajudando os varejistas a manter a posição do mercado e maximizar a lucratividade. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição, Ação

O pilar Fontes de Dados, Descoberta inclui três categorias de dados.

1. 1. Os dados da aplicação são provenientes do Fusion Financials, Oracle E-Business Suite, SCM, EPM e eSourcing.
2. 2. Os dados de registro de negócios incluem estoque, SCM (torre de controle), dados de desempenho do fornecedor e pesquisas do fornecedor.
3. 3. Os dados de entrada técnicos são provenientes de logs.

O pilar Ingestão, Transformação abrange três recursos.

1. 1. A ingestão em lote usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.
2. 2. A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. A captura de dados de alteração usa o OCI GoldenGate.

Os três recursos se conectam unidirecionalmente ao recurso de armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

O pilar Persistência, Curadoria, Criação abrange quatro recursos.

1. 1. O armazenamento de dados de serviço utiliza o Autonomous Data Warehouse e o Exadata Cloud Service.
2. 2. O armazenamento em nuvem usa OCI Object Storage.
3. 3. O processamento em lote usa OCI Data Flow.
4. 4. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

Um recurso se conecta ao pilar Análise, Aprendizado, Predição: O armazenamento de dados de serviço se conecta tanto ao recurso de análise e visualização quanto ao recurso de machine learning.

O pilar Análise, Aprendizado, Previsão abrange três recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.
2. 2. Produtos de dados, APIs usam o OCI API Gateway e o OCI Functions
3. 3 O machine learning usa o OCI Data Science, Oracle ML e o Oracle ML Notebooks.

O pilar Medição, Ação compreende três consumidores: painéis e relatórios, aplicações e modelos.

Painéis e relatórios compreendem pessoas e parceiros, colaboração e compartilhamento de dados de fornecedores, desempenho histórico do fornecedor, análise de demanda, falta de estoque e estoque em excesso.

As aplicações incluem gerenciamento de estoque avançado e planejamento de demanda.

Os modelos incluem as operações do fornecedor./p>

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Há três maneiras principais de injetar dados em uma arquitetura para permitir que os varejistas prevejam efetivamente o lead time dos fornecedores.

• Para começar, precisamos entender nossa posição geral de estoque para garantir que os produtos não sejam estocados em excesso ou que falte estoque. Para fazer isso, usamos o Oracle Cloud Infrastructure (OCI) GoldenGate para permitir a ingestão de captura de alteração de dados de inventário de depósito quase em tempo real de bancos de dados operacionais para todas ou um subconjunto das linhas de produtos. Depois, podemos usar esses dados para ajustar os preços para mover o estoque ou evitar uma falta de estoque.
• Para prever o desempenho do fornecedor com precisão, também precisamos entender o desempenho histórico, as tendências e os padrões. Isso normalmente demanda carregar um grande volume de dados transacionais (incluindo dados de ERP, como compras, faturamento, cadeia de suprimentos e dados de logística) e outras métricas operacionais e conjuntos de dados (como dados sobre consumo, estoque e hot swaps) de armazenamentos de dados on-premises usando métodos e serviços de transferência em massa, como o OCI Data Transfer Service.
• Agora, podemos usar a ingestão em lote para adicionar conjuntos de dados relevantes aos fornecedores, como pedidos feitos com o fornecedor durante um período específico, incluindo a data do pedido, a quantidade pedida e a data de entrega. Esses conjuntos de dados geralmente compreendem grandes volumes de dados geralmente on-premises e, na maioria dos casos, a ingestão em lote costuma ser suficiente e mais eficiente. Para nossos dados de fornecedores, usaremos o Oracle Data Integrator para ingeri-los em um ciclo diário. Esses dados são originados principalmente de sistemas de processo de transação operacional e normalmente modelados em forma relacional altamente estruturada. Exemplos desses dados incluem transações de ordem de compra, incluindo detalhes do fornecedor (por exemplo, nome, ID, registro e informações de contato), origem e destino, data de entrega acordada, data de entrega real, itens e preço do contrato, método de entrega etc. Os dados sobre o desempenho do fornecedor, incluindo a confiabilidade da entrega, a qualidade de suas mercadorias ou serviços e quaisquer atrasos ou problemas ocorridos no passado também podem ser ingeridos, embora esses dados geralmente sejam menos estruturados e possam exigir um grau maior de processamento.
• Ao calcular o lead time de cada pedido feito anteriormente com o fornecedor, podemos calcular um lead time médio e identificar tendências e variações. Essas tendências e variações podem ser correlacionadas com fatores externos que podem afetar o lead time do fornecedor, como atrasos no transporte, mudanças na capacidade de produção do fornecedor, eventos ambientais (como clima severo) ou eventos sociopolíticos (como conflito ou ação industrial). Dados adicionais podem ser usados para monitorar tendências de mercado e padrões de demanda para antecipar possíveis picos de demanda que podem afetar o lead time do fornecedor.

A persistência e o processamento de dados são baseados em três componentes.

• Os dados brutos ingeridos de todas as origens são armazenados no armazenamento na nuvem. Usaremos o OCI Data Flow para o processamento em lote desses dados mantidos, níveis de estoque, dados de mapeamento geográfico e dados de referência do produto. O processamento em lote reprocessará os dados e removerá quaisquer duplicações, valores ausentes ou discrepâncias que possam distorcer a análise. Esses conjuntos de dados processados retornam ao armazenamento em nuvem para persistência, curadoria e análise e, por fim, para carregamento de forma otimizada no armazenamento de dados de serviço em um formato que possa ser facilmente analisado.
• Agora criamos conjuntos de dados processados que estão prontos para serem mantidos em forma relacional otimizada para curadoria e desempenho de consulta no armazenamento de dados de serviço fornecido pelo Oracle Autonomous Data Warehouse. Isso nos permitirá identificar e retornar os produtos por preço, perfil de demanda, nível de estoque e local.

A capacidade de analisar, aprender e prever é baseada em três tecnologias.

• Os serviços de análise e visualização nos permitem usar técnicas estatísticas, como análise de regressão e análise de séries temporais, além de algoritmos de machine learning para identificar padrões e tendências nos dados. Usando essa análise, podemos então desenvolver um modelo de previsão que pode prever com precisão o lead time do fornecedor e validar continuamente a precisão do modelo ao comparar os lead times previstos com os lead times reais de um conjunto de pedidos. Os resultados desta validação serão utilizados para refinar o modelo e melhorar sua precisão. Nossos serviços de análise e visualização incluem os seguintes recursos:
  
  
  • A análise descritiva descreve as tendências atuais com histogramas e gráficos e oferece suporte ao desenvolvimento de algoritmos de preços que utilizam regras predefinidas para ajustar preços com base em critérios específicos, como desempenho de vendas, níveis de estoque ou preços do concorrente. Por exemplo, um varejista pode definir uma regra para diminuir o preço de um produto em 10% se ele estiver em estoque por mais de 30 dias e atrasar a compra de novo estoque ou negociar um preço para uma entrega posterior usando previsões de lead time para determinar o tempo apropriado.
  • A análise preditiva prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos. Com a análise preditiva, os varejistas podem usar dados históricos de vendas para identificar correlações entre preço e demanda. Em seguida, eles podem usar essa análise para prever como as alterações no comportamento do consumidor afetarão a demanda e ajustar os planos do estoque de acordo, utilizando lead times estimados para ajudar a garantir que eles tenham estoque suficiente quando precisarem, minimizando o excesso de estoque e seus custos associados. Além disso, a análise preditiva pode fornecer modelos de elasticidade de preço, que usam modelos estatísticos para avaliar a sensibilidade da demanda às mudanças de preço. Os varejistas podem usar essa análise para identificar os pontos ideais de nível de estoque para maximizar as vendas, a lucratividade e programar as compras de estoque de acordo.
  • A análise prescritiva propõe ações adequadas para dar suporte à tomada de decisão ideal e pode ser usada para previsão de lead time para ajudar a minimizar os custos associados à retenção de estoque e à falta de estoque. Ao alinhar as atividades de compra e produção com os lead times dos fornecedores, os varejistas podem reduzir o excesso de estoque, os custos de transporte e a despesa de expedição expedida e negociar melhor os preços e os termos com os fornecedores com base em lead times precisos.
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos utilizam inteligência artificial para analisar grandes volumes de dados e identificar padrões e tendências que podem ser usados para otimizar compras de estoque e níveis de estoque. Os varejistas podem usar algoritmos de machine learning para prever o comportamento do cliente, identificar quando comprar estoque e de quais fornecedores e otimizar preços em vários produtos e mercados.
• Nossos dados e modelos selecionados, testados e de alta qualidade podem ter regras e políticas de governança aplicadas e podem ser expostos como um “produto de dados” (API) em uma arquitetura de malha de dados para distribuição em toda a organização de varejo.

Melhore o gerenciamento de estoque e a satisfação do cliente com uma plataforma de dados de varejo

Ao prever com precisão o lead time dos fornecedores, os varejistas podem planejar melhor seus níveis de estoque e programações de produção para garantir que eles tenham os produtos certos disponíveis nas quantidades certas para atender à demanda dos clientes, mesmo que eles oscilem conforme a sazonalidade, promoções e outras influências. Como resultado, eles conseguem

• Identificar quando comprar estoque e de quais fornecedores
• Minimizar os custos de transporte do inventário pedindo as quantidades certas de produtos no momento certo e evitar a falta de estoque, o que pode resultar em perdas de vendas e clientes insatisfeitos
• Gerenciar o fluxo de caixa planejando suas compras e pagamentos aos fornecedores, ajudando-os a otimizar o capital de giro e evitar a escassez de fluxo de caixa
• Criar relações mais fortes com seus fornecedores se comunicando melhor sobre lead times e outras métricas de desempenho, o que pode levar a um melhor desempenho, melhores preços e programações de entrega mais confiáveis