Forecasting supplier lead time to optimize supply chain operations

透過更準確的資料導向前置時間預測來解決供應鏈挑戰

COVID-19 疫情破壞了消費者習慣。短缺迫使人們嘗試新品牌，尤其是在雜貨行業，許多人較不頻繁地購物，但往往在購物時買得更多。因此，庫存開始更快地從店內移出，同時兼顧供應鏈和財務模式並造成毛利率問題。

同時缺貨成本也隨之增加，而補貨問題則可能影響獲利能力和整體業務成功。如果消費者幾乎能夠從不斷增加的競爭者中即時存取定價和產品可用性，他們能以多種方式提供服務和產品以滿足其需求，便無法忍受空白的貨架。事實上，29% 的消費者表示缺貨項目會讓他們在其他品牌購物。

零售商的挑戰是持續滿足客戶，他們想要在他們想要的時間及地點找到他們想要的商品數量。為了順利達成財務目標，零售商必須策略性地管理他們在供應鏈中每個時間點所進行的庫存，並確保補貨處理永遠順暢且有效率。

預測供應商前置時間 - 預測供應商在下單後交付產品或服務所需的時間 - 協助零售商規劃生產排程及管理庫存層次以有效滿足客戶需求，同時將超量庫存及其相關成本降到最低。

供應商的前置時間取決於各種因素，例如供應商與產品目的地的距離、產品的複雜性、原物料的可用性、產能及運輸時間等。由於變數數目的緣故，零售商需要一個資料平台，以便能夠集中存取來自某個企業系統、業務記錄及技術輸入範圍的歷史和即時資料，然後可用來訓練機器學習模型，根據採購單交易預測預期的前置時間。

藉助進階分析和機器學習功能，衍生供應鏈作業並改善庫存管理

在本使用案例中，我們將示範如何建置 Oracle Data Platform，以協助零售商使用進階分析和預測方法 (包括統計模型製作、趨勢分析及歷史資料分析)，以及機器學習，準確預估貨物的預期交付日期。零售商可利用這項資訊將庫存規劃最佳化，並有效管理變數，例如

• 前置時間和運輸 - 包括協調來源可用性、出貨排程、差旅時間和成本
• 多元化支柱合 - 包括管理各種產品、可用性、包裝組態、訂購條款和跨數百家供應商成本的挑戰
• 當地市場複雜性，包括需求模式和影響，例如季節性和促銷
• 財務和實體限制，包括預算、儲存限制和所需週轉率
• 履行地點的庫存壓力 (包括庫存過剩與減價的財務影響)、持續提供卓越客戶服務壓力，以及維持可用性以防止銷售損失及消除客戶忠誠度

此影像顯示如何使用 Oracle Data Platform for Retail 來預測供應商前置時間，並將供應鏈作業最佳化，協助零售商維持市場地位，同時最大化獲利能力。此平台包含下列五個要素：

1. 1. 資料來源，探索
2. 2. 擷取、轉換
3. 3. 堅持、策劃、建立
4. 4. 分析、學習、預測
5. 5. 衡量、行動

「資料來源」、「探索」支柱包含三種資料類別。

1. 1. 應用程式資料來自 Fusion Financials、Oracle E-Business Suite、SCM、EPM 和 eSourcing。
2. 2. 業務記錄資料包括庫存、SCM (控制塔)、供應商績效資料，以及供應商調查。
3. 3. 技術輸入資料來自日誌。

擷取、轉換支柱由三個功能組成。

1. 1. 批次擷取會使用 OCI 資料整合、Oracle Data Integrator 和資料庫工具。
2. 2. 大量傳輸使用 OCI FastConnect、OCI 資料傳輸、MFT 及 OCI CLI。
3. 3. 使用 OCI GoldenGate 進行變更資料擷取。

這三種功能全都串連成「持續、策劃、建立」支柱內的雲端儲存空間功能。

「持續」、「策劃」、「建立」支柱由四個功能組成。

1. 1. 服務資料存放區使用 Oracle Autonomous Data Warehouse 或 Exadata Cloud Service。
2. 2. 雲端儲存空間使用 OCI 物件儲存。
3. 3. 批次處理使用 OCI Data Flow。
4. 4. 治理使用 OCI 資料目錄。

這些功能會在支柱內連接。雲端儲存空間會以單向方式連線至服務資料存放區，也會以雙向方式連線至批次處理。

單一功能可連接至「分析、學習、預測」支柱：服務資料存放區同時連線至分析和視覺化功能及機器學習功能。

分析、學習、預測產品組由三個功能組成。

1. 1. 分析和視覺化使用 Oracle Analytics Cloud、GraphStudio 和 ISV。
2. 2. 資料產品、API 使用 OCI API 閘道和 OCI 函數
3. 3. 機器學習使用 OCI Data Science、Oracle ML 以及 Oracle ML Notebooks。

「衡量、行動」支柱由三個消費者組成：儀表板與報表、應用程式及模型。

儀表板和報表包括人員與合作夥伴、供應商協同合作和資料共用、歷史供應商績效、需求分析以及缺貨和庫存。

應用程式包括進階庫存管理和需求規劃。

模型由供應商營運組成。/p>

基礎架構、網路、安全性和 IAM 均支援三大支柱要素：擷取、轉換、持續、策劃、建立及分析、學習、預測。

將資料注入架構有三種主要方式，讓零售商有效地預測供應商前置時間。

• 首先，我們需要瞭解我們的整體庫存狀況，以確保產品不會庫存過剩或不足。為此，我們使用 Oracle Cloud Infrastructure (OCI) GoldenGate 從所有或部分產品線從作業資料庫啟用變更資料擷取擷取，從近乎即時的倉儲庫存資料。接著，您可以使用此資料來調整價格以移轉庫存或避免缺貨。
• 為了準確預測供應商績效，我們也必須瞭解歷史績效、趨勢和模式。這通常需要使用大量傳輸方法和服務 (例如 OCI 資料傳輸服務) 從內部部署資料存放區載入大量的交易資料 (包括採購、開立商業發票、供應鏈及物流資料) 和其他營運評量標準與資料集 (例如消費、庫存和熱交換的資料)。
• 我們現在可以使用批次擷取來新增與供應商相關的資料集，例如於特定期間向供應商下訂單 (包括訂單日期、訂購數量和交貨日期)。這些資料集通常包含許多一般內部部署資料，在大多數情況下，批次擷取作業都是足夠的且最有效率。針對供應商資料，我們將使用 Oracle Data Integrator 在每日週期中擷取資料。此資料主要源自營運交易流程系統，通常以高度結構化關聯形式建模。此資料的範例包括採購單交易，包括供應商明細 (例如其名稱、ID、註冊和聯絡資訊)、原產地和目的地、議定交付日期、實際交付日期、合約項目和價格、出貨方式等等。供應商績效上的資料，包括交付可靠性、商品或服務的品質，以及過去發生的任何延遲或問題，都可以擷取，雖然此資料通常較不結構化，且可能需要較大的處理程度。
• 藉由計算先前與供應商一起下訂單的前置時間，我們可計算平均前置時間，並識別趨勢與差異。這些趨勢和變化可與可能影響供應商前置時間的外部因素相關，例如運輸延遲、供應商產能的變化、環境事件 (如嚴重天氣) 或社會政治事件 (如衝突或工業行動)。其他資料可用來監控市場趨勢和需求模式，以預測可能會影響供應商前置時間的潛在需求高峰。

資料持續性與處理建立在三個元件上。

• 所有來源的擷取原始資料都儲存在雲端儲存空間中。我們將使用 OCI Data Flow進行目前持續儲存的資料、庫存層級、地理對應資料及產品參考資料的批次處理。批次處理會重新處理資料，並移除可能扭曲分析的任何重複、遺漏值或極端值。這些已處理的資料集會傳回至雲端儲存空間以供向前持續儲存、策劃及分析，最終會以可輕鬆分析的格式，載入至服務資料存放區。
• 我們現在已建立已準備好持續儲存於最佳化關聯式表單的已處理資料集，以便在 Oracle Autonomous Data Warehouse 提供的服務資料存放區中提供策劃與查詢效能。這可讓我們依價格、需求設定檔、存貨層次及地點來識別與退回產品。

分析、學習和預測的能力是以三項技術為基礎。

• 分析和視覺化服務讓我們能夠使用統計技術，例如回歸分析和時間序列分析，以及機器學習演算法來識別資料的模式和趨勢。接著，我們就可以利用這項分析，開發能夠準確預測供應商前置時間的預測模型，並比較預測前置時間與一組訂單的實際前置時間，以持續驗證模型的準確性。此驗證的結果將用來調整模型並提高其準確性。我們的分析和視覺化服務包括下列功能：
  
  
  • 描述性分析說明具有長條圖與圖表的目前趨勢，並支援使用預先定義規則來根據特定條件 (例如銷售績效、存貨層次或競爭對手訂價) 調整價格的訂價演算法開發。例如，如果某零售商已庫存超過 30 天，則可以設定將產品價格降低 10%，然後延遲購買新庫存，或使用前置時間預測來議定稍後交貨的價格，以決定適當的時間。
  • 預測分析可預測未來的事件、識別趨勢，以及判斷不確定結果的機率。零售商可透過預測分析利用歷史銷售資料來識別價格與需求之間的關聯性。接著，他們可以使用此分析來預測消費者行為的變更如何影響需求，並適當地調整庫存計畫，使用預估的前置時間來協助確保在需要時有足夠的目前庫存量，同時將過多的庫存及其相關成本降到最低。此外，預測分析還可提供價格彈性模型，此模型使用統計模型來測量敏感需求是如何變動價格。零售商可使用此分析來識別最佳的庫存層級點數，以充分提高銷售和獲利能力，以及相應地進行庫存採購的時間。
  • 規範分析提出適當的動作以支援最佳決策，並可用於前置時間預測，以協助將保留庫存和缺貨相關的成本降到最低。藉由將採購與生產活動與供應商前置時間相配合，零售商可根據準確的前置時間，減少過多的庫存、持貨成本及加速出貨的支出，並與供應商更妥善地議價及條款。
• 除了使用進階分析之外，還會開發、訓練及部署機器學習模型。這些模型使用人工智慧分析大量資料，並識別可用來最佳化庫存採購和庫存層級的模式和趨勢。零售商可以使用機器學習演算法預測客戶行為、識別何時購買庫存，以及最佳化多個產品和市場的價格。
• 我們所規劃、經過測試且高品質的資料與模型可套用治理規則與政策，並可在資料網格架構內顯示為「資料產品 (API)」，以便在零售組織之間分配。

使用零售資料平台提高庫存管理和客戶滿意度

藉由準確預測供應商前置時間，零售商可以更妥善規劃庫存層次和生產排程，確保他們擁有正確數量的產品，以滿足客戶需求，即使產品會根據季節性、促銷及其他影響而變動。因此他們能夠

• 識別何時購買存貨，以及供應商
• 藉由在正確的時間訂購正確的產品數量，將存貨持貨成本降至最低並避免缺貨，進而導致銷售損失與不滿意的客戶
• 透過規劃供應商的採購和付款來管理現金流量，協助他們最佳化營運資金並避免現金流量短缺
• 透過更好地溝通前置時間和其他績效指標來建立更穩固的關係，進而改善績效、更佳定價和更可靠的交付排程