Važno obaveštenje  •  Kompanija Adacta d.o.o. nastavlja poslovanje pod nazivom BE-terna d.o.o. • Jul, 2020. Pročitajte više o tome !
Predviđanje prodaje i optimizacija zaliha u lancu snabdevanja uz pomoć tehnologije mašinskog učenja
Blog

Predviđanje prodaje i optimizacija zaliha u lancu snabdevanja uz pomoć tehnologije mašinskog učenja

3 min read Jul 12, 2020

Optimizacija zaliha je važan KPI kada je reč o lancu snabdevanja, pošto se direktno odražava na tokove novca. Sa jedne strane, konstantno visok nivo zaliha (eng. overstocking) ukazuje na to da novac potrošen na zalihe nije novac koji treba da bude uložen u potencijalni rast, dok sa druge strane, nizak nivo zaliha (česte tzv. stock-out situacije) ukazuju na to da novac može biti izgubljen kroz propuštenu prodaju.

Glavni cilj optimizacije zaliha je smanjenje nivoa zaliha, ali i dalje imati pravi proizvod na pravom mestu i u pravo vreme, kako bi se sprečio gubitak potencijalne prodaje ili zaustavljanje proizvodnje.

Kompanije često zapošljavaju ljude koji su zaduženi za izdavanje naloga. Od njih se zahteva da budu upućeni u artikle, da prate prodaju i promene u prodajnom ponašanju, ali i da analiziraju događaje koji utiču na prodaju kako bi adekvatno kreirali porudžbinu po artiklu. Oni moraju uzeti u obzir oba cilja - održavanje niskog nivoa zaliha uz smanjivanje mogućnosti ostanka bez zaliha (stock-out situacije). Ovo je relativno efikasan pristup kada se jedna osoba bavi sa malim brojem artikla prilikom planiranja i poručivanja. Međutim, kako se broj artikla po osobi povećava, dolazimo do situacije koja je dosta kompleksnija i gde je teže doneti ispravnu odluku. Broj parametara koji je potrebno analizirati, posmatrati i razmatrati raste do tog nivoa rada koji oduzima vreme i koji u većini slučajeva nije moguće da bude efikasno obrađen putem ljudskog mozga za sve artikle. Pomenuto dovodi do čestog nedostatka zaliha, zbog kojih se kasnije kreiraju veće porudžbine koje završavaju prekomernim nivoima zaliha, pa čak i "mrtvim" zalihama.

Potreba da se olakša proces naručivanja ubrzala je istraživanje i razvoj raznih pristupa i alata koji mogu da pomognu kupcu. Najčešće se koriste alati zasnovani na pravilima (eng. rule-based tools) koji se ne mogu automatski prilagoditi promenama na tržištu, odnosno tražnji. Da bismo prevazišli ovaj problem razvili smo module za predviđanje prodaje i optimizaciju zaliha na BE-terna ML platformi, gde se koriste tehnike mašinskog učenja za više izvora podataka, kako bi se otkrile promene i omogućilo automatsko prilagođavanje.

BE-terna ML Platform SF & SO modul generiše naloge za kupovinu koji su kreirani ka dobavljačima, kreira detaljne izveštaje i omogućava reviziju generisanih naloga, kako bi kupac odmah prihvatio preporuku ili je ispravio. Cilj ML platforme je generisanje preporuka za automatsko poručivanje koje će:

  • Poboljšati efikasnost poručivanja putem smanjenog vremena potrebnog za popunjavanje naloga,
  • Rezultirati u smanjenom nivou zaliha (optimizaciji zaliha) za povećan protok novca i
  • Rezultirati u manjem broju slučajeva nestanka zaliha (poboljšana usluga) za povećan profit.

Da bismo ostvarili sve gore navedene prednosti, ključno je pružiti kupcu "user-friendly" i adekvatno objašnjenje rezultata.  Mi koristimo BI alate za interaktivno ispitivanje rezultata. Uspeh bilo kog AI alata zavisi od poverenja i prihvatanja ljudi koji bi trebalo da ga koriste, tako da je korisničko iskustvo jednako važno kao i tačnost ML platforme.

Ukoliko želite više da saznate o pomenutoj ML platformi, mogućnostima upotrebe platfome, kako rešiti nivoe zaliha uz pomoć tehnologije mašinskog učenja i još mnogo toga, nastavite sa čitanjem bloga na našoj internacionalnoj web stranici - link.

Svideo vam se sadržaj koji ste pročitali?

Prijavite se na naš newsletter i budite u toku sa najnovijim informacijama ...

O autoru

Božidara Cvetkovic

Lead Data Scientist