Važna obavijest  •  Od srpnja 2020. godine ADACTA d.o.o. posluje pod imenom BE-terna d.o.o. • Pročitajte više!  
Predviđanje prodaje i optimizacija zaliha u opskrbnom lancu uz pomoć tehnologije strojnog učenja
blog

Predviđanje prodaje i optimizacija zaliha u opskrbnom lancu uz pomoć tehnologije strojnog učenja

3 min read Jul 12, 2020

Optimizacija zaliha je važan KPI kada je riječ o opskrbnom lancu budući da se promjene u zalihama odražavaju na novčani tijek. S jedne strane, konstantno visoka razina zaliha (eng. overstocking) ukazuje na to da je novac zarobljen u zalihama propušteno ulaganje u razvoj poslovanja, dok s druge strane, niska razina zaliha (česte tzv. stock-out situacije) ukazuje na to da novac može biti izgubljen kroz propuštenu prodaju.

Glavni cilj optimizacije zaliha je smanjenje razine zaliha, ali i dalje imati najbolji proizvod na pravom mjestu i u pravo vrijeme, kako bi se spriječio gubitak potencijalnih prodajnih prilika ili zaustavljanje proizvodnje.
Poduzeća često zapošljavaju ljude koji su zaduženi za naručivanje robe. Od njih se zahtjeva poznavanje artikala i asortimana, praćenje trendova i promjena u prodajnim aktivnostima, ali i analiziranje događaja koji utječu na prodaju kako bi pripremili odgovarajuću narudžbenicu za svaki artikl. Moraju uzeti u obzir oba cilja - održavanje niske razine zaliha uz smanjivanje rizika ostanka bez zaliha (stock-out situacija). Ovo je relativno efikasan pristup kada se jedna osoba bavi s planiranjem i naručivanjem za mali brojem artikla. Međutim, kako se broj artikla po osobi povećava, dolazimo do situacije koja je dosta kompleksna i u kojoj je teže donijeti ispravnu odluku. Broj parametara koji je potrebno analizirati i pratiti oduzima sve više vremena i postaju zahtjevni čovjeku za obradu bez pomoći tehnologije. Spomenuto dovodi do čestih propusta u procesu naručivanja u vidu manjka zaliha, zbog čega se s ciljem njihovog nadomještanja stvaraju veće narudžbe koje završavaju prekomjernim razinama zaliha, pa čak i "mrtvim" zalihama.

BE-terna ML platforma

Potreba da se olakša proces naručivanja ubrzala je istraživanje i razvoj raznih pristupa i alata. Najčešće se koriste rule-based alati koji se ne mogu automatski prilagoditi promjenama na tržištu, odnosno specifičnostima različitih industrija. Kako bismo riješili ovaj problem razvili smo module za predviđanje prodaje i optimizaciju zaliha na BE-terna Machine Learning platformi, gdje koristimo tehnike strojnog učenja iz više različitih izvora podataka, kako bi se otkrile promjene i omogućilo automatsko prilagođavanje istima.


BE-terna ML Platform SF & SO modul generira naloge za nabavu robe koji se izdaju dobavljačima, kreira detaljne izvještaje i omogućava reviziju generiranih naloga, kako bi korisnik zadužen za nabavu robe odmah prihvatio prijedlog ili ga ispravio. Cilj ML platforme je generiranje preporuka za automatsko naručivanje koje će:
  • poboljšati efikasnost naručivanja smanjenjem vremena potrebnog za izradu nabavnog naloga,
  • smanjiti razinu zaliha (optimizacija zaliha) i pozitivno utjecati na novčani tijek i
  • dovesti do minimalnog broja slučajeva nestanka zaliha (poboljšana usluga) što će za posljedicu imati povećanje profita.
Kako bismo ostvarili sve gore navedene prednosti, ključno je pružiti kupcu "user-friendly" i intuitivno sučelje za prikaz rezultata. Zbog toga koristimo BI alate za interaktivnu prezentaciju rezultata modela strojnog učenja. Uspjeh bilo kojeg AI alata ovisi o povjerenju i prihvaćanju od strane korisnika, tako da je korisničko iskustvo jednako važno kao i točnost ML platforme.

Ako želite saznati više o spomenutoj ML platformi, mogućnostima njene upotrebe, kako riješiti razine zaliha uz pomoć tehnologije strojnog učenja i još mnogo toga, nastavite sa čitanjem bloga na našoj internacionalnoj web stranici.

BLOG

Sales forecasting and stock optimisation in supply chain with Machine Learning technology

Pročitajte blog

Ostanite informirani

Prijavite se na naš newsletter i prvi saznajte informacije o novostima, poslovnim rješenjima i događanjima. 

O autoru

Božidara Cvetkovic

Lead Data Scientist