Forecasting supplier lead time to optimize supply chain operations

Решение логистических задач с помощью более точного прогнозирования времени обработки заказов на основе данных

Пандемия COVID-19 существенно изменила привычки потребителей. Дефицит заставил людей переходить на новые бренды. Например, в сегменте бакалеи многие совершали покупки реже, но при этом часто покупали больше. В результате товарные запасы стали быстрее уходить из магазинов, что повлияло как на логистические цепочки, так и на финансовые модели, и привело к проблемам с валовой прибылью.

В то же время растут затраты из-за отсутствия товаров на складах, а проблемы с пополнением могут повлиять на рентабельность и общий успех бизнеса. Потребители менее терпимы к пустым полкам, когда конкуренты, число которых растет, предлагают практически мгновенный доступ к информации о ценах и наличии товаров и могут удовлетворить потребности покупателей, предоставляя им услуги и товары различными способами. На самом деле 29 % потребителей утверждают, что отсутствие товара в наличии заставит их совершить покупку в магазине другого бренда.

Задача предприятий розничной торговли состоит в том, чтобы постоянно удовлетворять запросы покупателей, которые хотят найти товар в нужном количестве в любое время и в любом месте. Для успешного достижения своих финансовых целей розничные продавцы должны стратегически управлять товарными запасами в каждом звене логистической цепочки и обеспечивать бесперебойность и эффективность процесса пополнения запасов.

Прогнозирование времени обработки заказа поставщиком, т. е. прогнозирование времени, которое потребуется поставщику для предоставления товара или услуги после размещения заказа, помогает розничным компаниям планировать производственные графики и управлять уровнем запасов для эффективного удовлетворения потребительского спроса при минимизации избыточных запасов и связанных с ними затрат.

Время обработки заказа зависит от различных факторов, таких как удаленность поставщика от пункта доставки продукции, сложность продукта, наличие сырья, производственные мощности, время транспортировки и др. Из-за большого количества переменных предприятиям розничной торговли необходима платформа данных, обеспечивающая централизованный доступ к историческим данным и данным реального времени из различных корпоративных систем, бизнес-записей и технических вводных. Эти данные затем можно использовать при обучении моделей машинного обучения для прогнозирования ожидаемого времени обработки заказа с учетом транзакций заказов на приобретение.

Устранение рисков в логистической цепочке и улучшенное управление запасами с помощью передовой аналитики и машинного обучения

В этом примере мы продемонстрируем, как платформа данных Oracle помогает предприятиям розничной торговли использовать передовые методы аналитики и прогнозирования (включая статистическое моделирование, анализ трендов и исторических данных), а также машинное обучение для точной оценки ожидаемых сроков поставки товаров. Обладая этой информацией, розничные продавцы могут оптимизировать планирование запасов и эффективно контролировать влияние перечисленных ниже переменных.

• Время обработки заказа и транспортировка, включая согласование доступности источников, графиков поставок, времени в пути и затрат.
• Разнообразные портфели продуктов, включая задачи управления широким ассортиментом продукции, ее наличием, конфигурацией упаковок, условиями заказа и стоимостью у сотен поставщиков.
• Сложности местного рынка, включая структуру спроса и такие факторы, как сезонность и промоакции.
• Финансовые и физические ограничения, включая бюджеты, ограничения по хранению и желаемые обороты.
• Давление нереализованных запасов в местах выполнения заказов, включая финансовые последствия избытка запасов и уценки, необходимость постоянно обеспечивать высокий уровень обслуживания клиентов, а также поддерживать наличие продукции для предотвращения потерь сбыта и снижения покупательской лояльности.

На этом изображении показано, как платформу данных Oracle для розничной торговли можно использовать для прогнозирования сроков обработки заказов поставщиками и оптимизации логистических операций, чтобы предприятия розничной торговли могли сохранить свои позиции на рынке и максимально увеличить рентабельность. Платформа включает в себя следующие пять основных компонентов:

1. 1. Источники данных, обнаружение
2. 2. Импорт, преобразование
3. 3. Сохранение, отбор, создание
4. 4. Анализ, обучение, прогнозирование
5. 5. Измерение, исполнение

Компонент «Источники данных, обнаружение» включает три категории данных.

1. 1. Данные приложений поступают из Fusion Financials, Oracle E-Business Suite, SCM, EPM и eSourcing.
2. 2. Данные бизнес-записей содержат данные о запасах, данные SCM (диспетчерский центр), данные об эффективности поставщиков и опросы поставщиков.
3. 3. Технические входные данные поступают из журналов.

Компонент «Импорт, преобразование» содержит три ресурса.

1. 1. Для пакетного импорта используются OCI Data Integration, Oracle Data Integrator и DB Tools.
2. 2. Массовый перенос предполагает использование OCI FastConnect, OCI Data Transfer, MFT и OCI CLI.
3. 3. Для сбора данных об изменениях используется OCI GoldenGate.

Все три ресурса однонаправленно объединяются с облачным хранилищем в рамках компонента «Сохранение, отбор, создание».

Компонент «Сохранение, отбор, создание» содержит четыре ресурса.

1. 1. В качестве служебного хранилища данных используются Oracle Autonomous Data Warehouse или Exadata Cloud Service.
2. 2. В облачном хранилище используется OCI Object Storage.
3. 3. Для пакетной обработки используется OCI Data Flow.
4. 4. Для управления используется OCI Data Catalog.

Эти ресурсы связаны в рамках компонента. Облачное хранилище однонаправленно подключено к служебному хранилищу данных, а также двунаправленно подключено к пакетной обработке.

Один ресурс подключается к компоненту «Анализ, обучение, прогнозирование»: служебное хранилище данных подключается к ресурсу аналитики и визуализации, а также к ресурсу машинного обучения.

Компонент «Анализ, обучение, прогнозирование» содержит три ресурса.

1. 1. Для аналитики и визуализации используются Oracle Analytics Cloud, GraphStudio и ПО независимых поставщиков (ISV).
2. 2. Для продуктов данных и API используются OCI API Gateway и OCI Functions.
3. 3. В машинном обучении используются OCI Data Science, Oracle ML и Oracle ML Notebooks.

Компонент «Измерение, исполнение» состоит из трех потребителей: инфопанели и отчетов, приложений, моделей.

Инфопанели и отчеты охватывают людей и партнеров, взаимодействие с поставщиками и обмен данными, исторические показатели эффективности поставщиков, аналитику спроса, а также дефицит и излишки запасов.

Приложения включают в себя расширенное управление запасами и планирование спроса.

Модели включают в себя операции поставщиков./p>

Три центральных компонента — «Импорт, преобразование», «Сохранение, отбор, создание» и «Анализ, обучение, прогнозирование» — поддерживаются инфраструктурой, сетью, средствами безопасности и продуктами IAM.

Существует три основных способа импорта данных в архитектуру, позволяющие предприятиям розничной торговли эффективно прогнозировать время выполнения заказов поставщиками.

• Для начала необходимо сформировать общее понимание того, где находятся запасы, чтобы исключить их переизбыток или дефицит. Для этого используется решение Oracle Cloud Infrastructure (OCI) GoldenGate, позволяющее импортировать собранные данные об изменениях путем получения из операционных БД данных о складских запасах практически в реальном времени. Импортироваться могут данные по всем или некоторым линиям продуктов. Затем эти данные можно использовать для корректировки цен с целью перемещения запасов или предотвращения их дефицита.
• Для точного прогнозирования эффективности поставщиков необходимо также понимать исторические показатели эффективности, тенденции и закономерности. Как правило, для этого требуется загрузить большой объем транзакционных данных (включая данные ERP, такие как данные о закупках, выставлении счетов, цепочке поставок и логистике) и других операционных метрик и наборов данных (например, данные о потреблении, запасах и оперативных заменах) из локальных хранилищ данных с использованием методов и сервисов массовой передачи данных, таких как OCI Data Transfer Service.
• После этого можно использовать пакетный импорт для добавления наборов данных, относящихся к поставщикам, например заказов, размещенных у поставщика за определенный период времени, включая дату заказа, заказанное количество и дату поставки. Такие наборы содержат большие объемы данных, зачастую размещенных локально, и в большинстве случаев достаточным и наиболее эффективным является пакетный импорт. Данные поставщиков будут импортироваться ежедневно с использованием Oracle Data Integrator. Эти данные в основном поступают из операционных систем обработки транзакций и обычно моделируются в высокоструктурированной реляционной форме. Примером таких данных могут служить операции по заказу на приобретение, включающие сведения о поставщике (например, его название, идентификатор, регистрационную и контактную информацию), пункт отправления и назначения, согласованную дату поставки, фактическую дату поставки, позиции и цену контракта, способ отгрузки и т. д. Данные об эффективности поставщика, включая надежность его поставок, качество товаров и услуг, а также задержки или проблемы, имевшие место в прошлом, также могут быть импортированы, хотя эти данные обычно менее структурированы и могут потребовать более тщательной обработки.
• Рассчитав время обработки каждого заказа, ранее размещенного у поставщика, можно вычислить среднее время обработки заказа и выявить тренды и отклонения. Эти тренды и отклонения могут быть соотнесены с внешними факторами, способными повлиять на время обработки заказа поставщиком, такими как транспортные задержки, изменения в производственных мощностях поставщика, экологические события (например, неблагоприятные погодные условия) или социально-политические события (например, производственные конфликты или забастовки). Дополнительные данные могут использоваться для мониторинга рыночных трендов и структуры спроса с целью прогнозирования возможных всплесков спроса, которые могут повлиять на время обработки заказа поставщиком.

Сохранение и обработка данных базируются на трех компонентах.

• Импортированные необработанные данные из всех источников сохраняются в облачном хранилище. Мы используем OCI Data Flow для пакетной обработки уже сохраненных данных, данных о запасах, картографических данных и справочных данных о продуктах. Пакетная обработка позволяет повторно обработать данные и удалить дубликаты, пропущенные значения или выбросы, которые могут исказить результаты анализа. Эти обработанные наборы данных возвращаются в облачное хранилище для дальнейшего хранения, отбора и анализа и в конечном счете для загрузки в оптимизированном виде в служебное хранилище данных в формате, удобном для анализа.
• Теперь у нас есть обработанные наборы данных, которые готовы к хранению в оптимизированной реляционной форме для отбора и выполнения запросов в служебном хранилище данных, предоставляемом средствами Oracle Autonomous Data Warehouse. Это позволит идентифицировать и возвращать продукты по цене, профилю спроса, уровню запасов и местоположению.

Способность к анализу, обучению и прогнозированию базируется на трех технологиях.

• Сервисы аналитики и визуализации позволяют использовать статистические методы, такие как регрессионный анализ и анализ на основе временных рядов, а также алгоритмы машинного обучения для выявления закономерностей и трендов в данных. С помощью такого анализа можно разработать модель прогнозирования, позволяющую точно предсказать время обработки заказа поставщиком, и постоянно проверять точность модели путем сравнения спрогнозированного времени с фактическим временем обработки некоторого набора заказов. Результаты проверки будут использоваться для уточнения модели и повышения ее точности. Наши сервисы аналитики и визуализации предоставляют следующие возможности:
  
  
  • Описательная аналитика описывает текущие тренды с помощью гистограмм и диаграмм и поддерживает разработку алгоритмов ценообразования, в которых используются предварительно определенные правила для корректировки цен на основе определенных критериев, таких как показатели продаж, уровень запасов или цены конкурентов. Например, розничный продавец может установить правило снижения цены на товар на 10 %, если он находится на складе более 30 дней, и отложить закупку новых запасов или договориться о цене на более позднюю поставку, используя для определения подходящих сроков прогнозируемое время обработки заказа.
  • Прогнозная аналитика прогнозирует события, выявляет тренды и определяет вероятность неопределенных результатов. С помощью прогнозной аналитики предприятия розничной торговли могут использовать исторические данные о продажах для выявления корреляций между ценой и спросом. На основе этого анализа они могут прогнозировать, как изменения в поведении потребителей повлияют на спрос и соответствующим образом корректировать планирование запасов, используя расчетные сроки обработки заказов, чтобы обеспечить наличие достаточного количества запасов на складе в нужный момент, минимизируя при этом избытки запасов и связанные с ними затраты. Кроме того, прогнозная аналитика позволяет разработать модели эластичности цен, в которых используются статистические модели для измерения чувствительности спроса к изменению цены. Предприятия розничной торговли могут использовать этот анализ для определения оптимальных уровней запасов, обеспечивающих максимальный объем продаж и рентабельность, и соответствующим образом планировать закупки.
  • Предписывающая аналитика предлагает подходящие действия для поддержки оптимального принятия решений и может использоваться для прогнозирования сроков опережения, чтобы минимизировать затраты, связанные с хранением запасов и дефицитом запасов. Согласовывая закупочную и производственную деятельность со сроками обработки заказов поставщиками, предприятия розничной торговли могут сократить избыточные запасы, затраты на хранение и ускоренную доставку, а также более обоснованно обговаривать цены и условия с поставщиками с учетом точных сроков обработки заказов.
• Наряду с расширенной аналитикой разрабатываются, обучаются и развертываются модели машинного обучения. В этих моделях искусственный интеллект используется для анализа больших объемов данных и выявления закономерностей и трендов, которые можно использовать для оптимизации закупок и уровня запасов. Предприятия розничной торговли могут применять алгоритмы машинного обучения для прогнозирования поведения покупателей, определения сроков закупки и поставщиков запасов, а также оптимизации цен на товары на различных рынках.
• К нашим тщательно отобранным и протестированным данным и моделям высокого качества могут применяться правила и политики управления. Эти данные и модели могут быть представлены в виде продукта данных (API) в архитектуре сети Data Mesh для распространения во всей организации розничной торговли.

Повышение эффективности управления запасами и уровня удовлетворенности заказчиков с помощью платформы данных для розничной торговли

Точное прогнозирование времени обработки заказа поставщиками позволяет организациям розничной торговли лучше планировать уровни запасов и производственные графики, чтобы обеспечить наличие необходимых товаров в нужном количестве для удовлетворения покупательского спроса, даже если он колеблется в зависимости от сезонности, промоакций и других факторов. В результате предприятия розничной торговли могут:

• Определять, когда и у каких поставщиков нужно закупать запасы.
• Минимизировать стоимость поддержания запасов за счет заказа необходимого количества продукции в нужное время и избежать дефицита, который может привести к нереализованным продажам и недовольству покупателей.
• Управлять движением денежных средств путем планирования закупок и платежей поставщикам, что позволяет оптимизировать рабочий капитал и избежать дефицита денежных средств.
• Укрепить отношения с поставщиками за счет более результативного общения по вопросам сроков обработки заказов и других метрик, что может привести к повышению эффективности, оптимизации ценообразования и разработке более надежных графиков поставок.