Forecasting supplier lead time to optimize supply chain operations

التغلب على تحديات سلسلة التوريد من خلال توقعات وقت تسليم أكثر دقة وقائمة على البيانات

أدت جائحة COVID-19 إلى تعطيل عادات المستهلكين. وأجبرت العجز الناس على تجربة علامات تجارية جديدة، وخاصة في قطاع البقالة، العديد من الأفراد يتسوقون بشكل أقل تواترا ولكن غالبًا ما يشترون أكثر عندما يفعلون ذلك. ونتيجة لذلك، بدأ المخزون في الخروج من المتاجر بشكل أسرع، مما أدى إلى توتر كل من سلاسل التوريد والنماذج المالية وتسبب مشاكل في إجمالي الهامش.

وفي الوقت نفسه، زادت تكلفة نفاد المخزون ويمكن أن تؤثر مشكلات التجديد على الربحية ونجاح الأعمال بشكل عام. فالمستهلكون أقل تحملًا من الأرفف الفارغة عندما يكون لديهم وصول فوري تقريبًا إلى الأسعار وتوافر المنتجات من عدد متزايد من المنافسين الذين يمكنهم تقديم الخدمات والمنتجات بطرق متعددة لتلبية احتياجاتهم. في الواقع، يقول 29% من المستهلكين إن الأصناف الخارجة عن المخزون ستقودهم إلى التسوق في علامة تجارية أخرى.

يكمن التحدي الذي يواجهه بائعو التجزئة في إرضاء العملاء الذين يرغبون في العثور على كمية البضائع التي يريدونها في المكان الذي يريدونه وفي الوقت الذي يريدونه. لتحقيق أهدافهم المالية بنجاح، يجب على بائعي التجزئة إدارة المخزون الذي يحملونه بشكل إستراتيجي في كل نقطة في سلسلة التوريد والتأكد من أن عملية التجديد سلسة وفعالة دائمًا.

يساعد توقع مهلة المورد - التنبؤ بمقدار الوقت الذي سيستغرقه المورد لتقديم منتج أو خدمة بعد تقديم الطلب - تجار التجزئة على تخطيط جداول الإنتاج الخاصة بهم وإدارة مستويات المخزون لتلبية طلب العملاء بشكل فعال مع تقليل المخزون الزائد والمرتبط به التكاليف.

تعتمد فترة تسليم المورد على عوامل مختلفة، مثل مسافة المورد من وجهة المنتج وتعقيد المنتج وتوافر المواد الخام وقدرة الإنتاج ووقت النقل، وغيرها. وبسبب عدد المتغيرات، يحتاج بائعو التجزئة إلى نظام أساسي للبيانات يوفر لهم وصولاً مركزيًا إلى البيانات التاريخية وفي الوقت الفعلي من مجموعة من أنظمة المؤسسة وسجلات الأعمال والمدخلات الفنية، والتي يمكن استخدامها بعد ذلك لتدريب نماذج التعلم الآلي للتنبؤ بفترات التسليم المتوقعة استنادًا إلى معاملات أوامر الشراء.

استخلاص عمليات منظومة التوريد وتحسين إدارة المخزون من خلال التحليلات المتقدمة والتعلم الآلي

في حالة الاستخدام هذه، سنوضح كيفية إنشاء منصة بيانات Oracle لمساعدة بائعي التجزئة على استخدام التحليلات المتقدمة وأساليب التنبؤ (بما في ذلك النمذجة الإحصائية وتحليل الاتجاهات وتحليل البيانات التاريخية) والتعلم الآلي لتقدير تواريخ التسليم المتوقعة للسلع بدقة. باستخدام هذه المعلومات، يمكن لبائعي التجزئة تحسين تخطيط المخزون وإدارة تأثير المتغيرات مثل

• فترات التسليم والنقل - بما في ذلك تنسيق توافر المصدر وجداول الشحن وأوقات السفر والتكاليف
• حافظات منتجات متنوعة - بما في ذلك تحديات إدارة مجموعة واسعة من المنتجات وإمكانية التوفر وتكوينات الحزم وشروط الطلب والتكاليف عبر مئات الموردين
• تعقيدات السوق المحلية-بما في ذلك أنماط الطلب والتأثيرات مثل الموسمية والترقيات
• القيود المالية والفعلية - بما في ذلك الميزانيات، وقيود التخزين، والمناوبات المطلوبة
• ضغط المخزون في مواقع التنفيذ - بما في ذلك التأثير المالي للتخزينات الزائدة وتخفيضات الأسعار، والضغط لتقديم خدمة عملاء ممتازة باستمرار، والحاجة إلى الحفاظ على التوفر لمنع فقدان المبيعات وتآكل ولاء العملاء

توضح هذه الصورة كيف يمكن استخدام منصة بيانات Oracle للبيع بالتجزئة للتنبؤ بفترات تسليم الموردين وتحسين عمليات سلسلة التوريد، مما يساعد بائعي التجزئة على الحفاظ على وضع السوق مع زيادة الربحية إلى أقصى حد. وتشمل المنصة الدعائم الخمس التالية:

1. 1. مصادر البيانات، الاكتشاف
2. 2. استيعاب، تحويل
3. 3. الاحتفاظ، التوقع، الإنشاء
4. 4. التحليل والتعلم والتنبؤ
5. 5. القياس، العمل

يتضمن ركيزة مصادر البيانات والاكتشاف ثلاث فئات من البيانات.

1. 1. تأتي بيانات التطبيق من Fusion Financials وOracle E-Business Suite وSCM وEPM وeSourcing.
2. 2. تشتمل بيانات سجل الأعمال على مخزون وSCM (برج تحكم) وبيانات أداء الموردين واستبيانات الموردين.
3. 3. تأتي بيانات المدخلات الفنية من السجلات.

تتكون ركيزة الاستيعاب والتحويل من ثلاث إمكانيات.

1. 1. يستخدم استيعاب الدفعة أدوات تكامل بيانات OCI وOracle Data Integrator وDB.
2. 2. يستخدم النقل المجمع OCI FastConnect ونقل بيانات OCI وMFT وOCI CLI.
3. 3. يستخدم تغيير رصد البيانات OCI GoldenGate.

تتصل جميع الإمكانات الثلاث بشكل أحادي الاتجاه بقدرة التخزين السحابية ضمن عمود Persist وCurate وCreate.

تتكون دعامة الاستمرار والدقة والإنشاء من أربع قدرات.

1. 1. يستخدم مخزن بيانات العرض Oracle Autonomous Data Warehouse أو Exadata Cloud Service.
2. 2. يستخدم تخزين السحابة تخزين كائنات OCI.
3. 3. تستخدم المعالجة الدفعية تدفق بيانات OCI.
4. 4. تستخدم الحوكمة OCI Data Catalog.

هذه القدرات مرتبطة بالركيزة. يتصل التخزين السحابي بشكل غير مباشر بمخزن بيانات الخدمة؛ كما أنه متصل بشكل ثنائي الاتجاه بمعالجة الدفعات.

ترتبط إحدى الإمكانات بركيزة التحليل والتعلم والتنبؤ: يتصل مخزن بيانات الخدمة بكل من القدرة على التحليلات والتصور وإمكانية التعلم الآلي.

تشتمل دعامة التحليل والتعلم والتنبؤ على ثلاث إمكانات.

1. 1. تستخدم التحليلات والتمثيل المرئي Oracle Analytics Cloud وGraphStudio وموردي البرامج المستقلين (ISV).
2. 2. منتجات البيانات، تستخدم واجهات برمجة التطبيقات بوابة OCI API ووظائف OCI
3. 3. يستخدم التعلم الآلي OCI Data Science وOracle ML وOracle ML Notebooks.

يتألف عمود "التدبير، الفعل" من ثلاثة مستهلكين: لوحة المعلومات والتقارير والتطبيقات والنماذج.

تتضمن لوحات المعلومات والتقارير الأشخاص والشركاء، وتعاون الموردين ومشاركة البيانات، وأداء الموردين التاريخي، وتحليلات الطلب، وعمليات التخزين المؤقت.

تشتمل التطبيقات على إدارة مخزون متقدمة وتخطيط للطلب.

تشتمل النماذج على عمليات المورد./p>

الركائز الأساسية الثلاثة - الاستيعاب، والتحويل؛ والاستمرار، والدقة، والإنشاء، والتحليل، والتعلم، والتنبؤ - مدعومة بالبنية الأساسية، والشبكة، والأمان، وIAM.

هناك ثلاث طرق رئيسية لإدخال البيانات في بنية لتمكين بائعي التجزئة من التنبؤ بفعالية بفترة تسليم المورد.

• للبدء، نحتاج إلى فهم وضع المخزون العام لدينا لضمان عدم تخزين المنتجات بشكل زائد أو نقص في المخزون. للقيام بذلك، نستخدم Oracle Cloud Infrastructure (OCI) GoldenGate لتمكين تغيير استيعاب البيانات من بيانات جرد المستودعات في الوقت الفعلي تقريبًا من قواعد البيانات التشغيلية لجميع خطوط الإنتاج أو مجموعة فرعية منها. يمكننا بعد ذلك استخدام هذه البيانات لتعديل الأسعار إما لنقل المخزون أو تجنب الخروج.
• للتنبؤ بدقة بأداء المورّدين، نحتاج أيضًا إلى فهم الأداء والاتجاهات والأنماط القديمة. يتطلب ذلك عادةً تحميل حجم كبير من بيانات المعاملات (بما في ذلك بيانات ERP، مثل المشتريات والفوترة وسلسلة التوريد وبيانات الخدمات اللوجستية) وغيرها من القياسات ومجموعات البيانات التشغيلية (مثل البيانات المتعلقة بالاستهلاك والمخزون والمبادلات السريعة) من مخازن البيانات المحلية باستخدام طرق وخدمات النقل المجمع، مثل خدمة نقل بيانات OCI.
• يمكننا الآن استخدام استيعاب مجموعة المعالجة لإضافة مجموعات بيانات ذات صلة بالموردين، مثل الطلبات المقدمة مع المورد على مدار فترة زمنية محددة، بما في ذلك تاريخ الطلب والكمية المطلوبة وتاريخ التسليم. غالبًا ما تشتمل مجموعات البيانات هذه على كميات كبيرة من البيانات المحلية، وفي معظم الحالات، يكون استيعاب الدُفعات كافياً وأكثر كفاءة. بالنسبة لبيانات موردينا، سنستخدم Oracle Data Integrator لاستيعاب البيانات في دورة يومية. يتم الحصول على هذه البيانات في الأساس من أنظمة عمليات المعاملات التشغيلية وعادة ما تكون مصمَّمة في شكل علائقي منظم للغاية. تتضمن أمثلة هذه البيانات حركات أمر الشراء، بما في ذلك تفاصيل المورد (على سبيل المثال، الاسم والمعرف والتسجيل ومعلومات الممثل) والأصل والوجهة وتاريخ التسليم المتفق عليه وتاريخ التسليم الفعلي وبنود العقد والسعر وطريقة الشحن وما إلى ذلك. ويمكن أيضا استيعاب البيانات المتعلقة بأداء المورد، بما في ذلك موثوقية تسليمها، وجودة سلعها أو خدماتها، وأي تأخيرات أو مشاكل حدثت في الماضي، على الرغم من أن هذه البيانات عادة ما تكون أقل تنظيما وقد تتطلب درجة أكبر من المعالجة.
• من خلال احتساب فترة التسليم لكل طلب تم تقديمه مسبقًا مع المورد، يمكننا احتساب متوسط فترة التسليم وتحديد الاتجاهات والتباينات. ويمكن ربط هذه الاتجاهات والتباينات بعوامل خارجية يمكن أن تؤثر على مهلة المورد، مثل تأخيرات النقل، والتغيرات في القدرة الإنتاجية للمورد، والأحداث البيئية (مثل الطقس الحاد)، أو الأحداث الاجتماعية السياسية (مثل الصراع أو العمل الصناعي). يمكن استخدام بيانات إضافية لمراقبة اتجاهات السوق وأنماط الطلب لتوقع الزيادات المحتملة في الطلب التي يمكن أن تؤثر على فترة تسليم المورد.

يتم بناء استمرارية البيانات ومعالجتها على ثلاثة مكونات.

• يتم تخزين البيانات الأولية المستحدثة من جميع المصادر في التخزين السحابي. سوف نستخدم تدفق بيانات OCI من أجل معالجة الدفعة لهذه البيانات المستمرة الآن، ومستويات المخزون، وبيانات التخطيط الجغرافي، والبيانات المرجعية للمنتج. ستقوم معالجة الدفعة بإعادة معالجة البيانات وإزالة أية تكرارات أو قيم مفقودة أو قيم شاذة يمكن أن تتخطى التحليل. يتم إرجاع مجموعات البيانات التي تمّت معالجتها هذه إلى التخزين السحابي للاستمرارية، والطول، والتحليل، وفي النهاية للتحميل في نموذج محسّن إلى مخزن بيانات الخدمة بتنسيق يمكن تحليله بسهولة.
• لقد أنشأنا الآن مجموعات بيانات معالجة جاهزة للاستمرار في نموذج علائقي محسّن لأداء التنظيم والاستعلام في متجر بيانات الخدمة المقدم من Oracle Autonomous Data Warehouse. وهذا سيمكننا من تحديد المنتجات وإرجاعها حسب السعر وملف تعريف الطلب ومستوى المخزون والموقع.

تعتمد إمكانية التحليل والتعلم والتنبؤ على تقنيتين.

• تتيح لنا خدمات التحليلات والتمثيل المرئي استخدام التقنيات الإحصائية، مثل تحليل الانحدار وتحليل المتوالية الزمنية وخوارزميات التعلم الآلي لتحديد الأنماط والاتجاهات في البيانات. باستخدام هذا التحليل، يمكننا بعد ذلك تطوير نموذج تنبؤ يمكنه التنبؤ بدقة بفترة تسليم المورد والتحقق باستمرار من دقة النموذج من خلال مقارنة فترات التسليم المتوقعة بفترات التسليم الفعلية لمجموعة من الطلبات. سيتم استخدام نتائج عملية التحقق هذه لتحسين النموذج وتحسين دقته. تتضمن خدمات التحليلات والتمثيل المرئي لدينا الإمكانيات التالية:
  
  
  • تصف التحليلات الوصفية الاتجاهات الحالية باستخدام الرسوم البيانية والمدرجات التكرارية وتدعم تطوير خوارزميات التسعير التي تستخدم قواعد محددة مسبقًا لتعديل الأسعار استنادًا إلى معايير محددة، مثل أداء المبيعات أو مستويات المخزون أو تسعير المنافس. على سبيل المثال، قد يضع بائع التجزئة قاعدة لتقليل سعر المنتج بنسبة 10% إذا كان المخزون موجودًا لأكثر من 30 يومًا وتأخير شراء مخزون جديد أو التفاوض على سعر لتسليم لاحق باستخدام تقديرات فترة التسليم لتحديد التوقيت المناسب.
  • تتوقع التحليلات التنبؤية الأحداث المستقبلية، وتحدد الاتجاهات، وتحدد احتمالية النتائج غير المؤكدة. باستخدام التحليلات التنبؤية، يمكن لبائعي التجزئة استخدام بيانات المبيعات التاريخية لتحديد الارتباطات بين السعر والطلب. ويمكنهم بعد ذلك استخدام هذا التحليل للتنبؤ بكيفية تأثير التغييرات في سلوك المستهلك على الطلب وتعديل خطط المخزون وفقًا لذلك، باستخدام فترات التسليم المقدرة للمساعدة على ضمان توفر مخزون كافٍ عند الحاجة إليه مع تقليل المخزون الزائد والتكاليف المرتبطة به. بالإضافة إلى ذلك، يمكن أن توفر التحليلات التنبؤية نماذج مرونة الأسعار، والتي تستخدم النماذج الإحصائية لقياس مدى حساسية الطلب للتغييرات في السعر. يمكن لبائعي التجزئة استخدام هذا التحليل لتحديد أفضل نقاط مستوى المخزون لزيادة المبيعات والربحية إلى أقصى حد ووقت شراء المخزون وفقًا لذلك.
  • تقترح التحليلات التوجيهية إجراءات مناسبة لدعم اتخاذ القرارات المثلى ويمكن استخدامها للتنبؤ بفترة التسليم للمساعدة في تقليل التكاليف المرتبطة بحيازة عمليات الجرد والمخزون. من خلال مواءمة أنشطة الشراء والإنتاج مع مهلات تسليم المورد، يمكن لبائعي التجزئة تقليل فائض المخزون وتكاليف النقل وتكاليف الشحن المعجل والتفاوض بشكل أفضل على الأسعار والشروط مع الموردين استنادًا إلى فترات تسليم دقيقة.
• إلى جانب استخدام التحليلات المتقدمة، يتم تطوير نماذج التعلم الآلي وتدريبها ونشرها. تستخدم هذه النماذج الذكاء الاصطناعي لتحليل كميات كبيرة من البيانات وتحديد الأنماط والاتجاهات التي يمكن استخدامها لتحسين مشتريات المخزون ومستويات المخزون. يمكن لبائعي التجزئة استخدام خوارزميات التعلم الآلي للتنبؤ بسلوك العملاء، وتحديد وقت شراء المخزون والموردين منهم، وتحسين الأسعار عبر العديد من المنتجات والأسواق.
• يمكن أن تحتوي البيانات والنماذج المُعالجة والمختبرة وعالية الجودة لدينا على قواعد وسياسات الإدارة المطبقة ويمكن عرضها كمنتج بيانات (واجهة برمجة التطبيقات) داخل بنية شبكة بيانات للتوزيع عبر مؤسسة الرعاية الصحية.

تحسين إدارة المخزون ورضا العملاء باستخدام نظام أساسي لبيانات البيع بالتجزئة

من خلال التنبؤ بدقة بفترة تسليم المورد، يمكن لبائعي التجزئة تخطيط مستويات المخزون وجداول الإنتاج بشكل أفضل لضمان توفر المنتجات المناسبة بالكمية المناسبة لتلبية طلب العميل، حتى مع تقلبها استنادًا إلى الموسمية والعروض الترويجية والتأثيرات الأخرى. ونتيجة لذلك، يمكنهم

• تحديد وقت شراء المخزون ومن الموردين
• تقليل تكاليف حمل المخزون من خلال طلب الكميات المناسبة من المنتجات في الوقت المناسب وتجنب نقص المخزون، مما قد يؤدي إلى فقد المبيعات وعدم رضا العملاء
• إدارة التدفق النقدي من خلال تخطيط عمليات الشراء والمدفوعات للمورّدين، مما يساعدهم على تحسين رأس المال العامل وتجنب نقص التدفقات النقدية.
• بناء علاقات أقوى مع مورديها من خلال تحسين الاتصال بشأن فترات التسليم ومقاييس الأداء الأخرى، مما قد يؤدي إلى تحسين الأداء وتسعير أفضل وجداول تسليم أكثر موثوقية