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

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 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.

Tok procesa

Platforma za mašinsko učenje kompanije BE-terna poseduje i modul SF & SO, a način na koji modul funkcioniše prikazan je na Slici 1. Takođe, uključeni su i moduli za kontrolu zaliha, za kontrolu kalendara dobavljača, sređivanje podataka (istorijske anomalije), detekciju aktivnih artikala, ograničenja i tako dalje.

Modul zatim bira dobavljača ili artikal za naručivanje. Ulazni podaci dolaze iz različitih izvora, kao što su ERP i BI sistemi ili kao podaci trećih strana, poput informacija o vremenskoj prognozi, prevozu, bitnim dešavanjima i slično. Ulazni podaci prolaze kroz obradu u vremenskim prozorima (po minutima, dnevno, nedeljno, mesečno, godišnje i tako dalje) i slivaju se u jedinstven objekat koji predstavlja konkretan vremenski okvir. Podaci se prosleđuju u model za predviđanje prodaje koji prvo identifikuje tipove artikala (roba široke potrošnje, sezonski artikli, artikli sa dužim životnim ciklusom, novi proizvodi, promotivni materijal i tako dalje) i njima se treniraju različiti modeli mašinskog učenja koristeći različite grupe funkcionalnosti i samoprocene nad posebno određenim setom potadaka. Model koji daje najbolje rezultate se koristi za predviđanje prodaje za naredni period (dužina perioda zavisi od potreba preduzeća). Artikli obogaćeni predviđanjem se šalju u plan poručivanja gde se razmatraju ograničenja vezana za konkretne dobavljače i zahteve, i gde se uključuju podaci iz predviđanja, i simuliraju rezultati kako bi se optimizovala vrednost porudžbine koja je postavljena kao preporučena. Preporuka se šalje u ERP sistem da bi bila revidirana i od strane sektora nabavke i u alate poslovne inteligencije BI (eng. Business Intelligence) koji sadrže dodatne podatke koji pomažu da se rezultati lakše shvate. Na Slici 1. prikazani su koraci procesa modula SF & SO platforme za mašinsko učenje kompanije BE-terna.

Slika 1. Tok procesa modula SF & SO platforme za mašinsko učenje kompanije BE-terna

Kako rešenje doprinosi vašem poslovanju u praksi?

Pre nego što otpočnete implementaciju SF & SO modula platforme za mašinsko učenje preduzeća BE-terna, predlažemo vam da sprovedete tesitranje odabirom seta artikala (od 50 do 500 artikala) i procenite potencijalne benefite optimizacije. U nastavku vam prikazujemo rezultate jednog takvog testa koji je kasnije rezultirao uspešnim usvajanjem modula od strane sektora nabavke.

Podaci: Primili smo podatke o prodaji i narudžbinama za 250 artikala. Podaci su sadržali realne podatke o distribuciji artikala. Podacima su bili obuhvaćeni i roba široke potrošnje i prozvodi sa dužim životnim ciklusom, novi proizvodi, ali i promotivni proizvodi, kao i proizvodi sa kratkim rokom trajanja.

Koristili smo mali uzorak artikala i pokušali smo da odgovorimo na sledeća pitanja:

• Koliko su predviđanja tačna?
• Da li možemo da smanjimo periode nestašice zaliha?
• Da li možemo da smanjimo nivo zaliha?

Procenjivali smo svih 250 artikala i predstavili smo rezultate.

Tačnost predviđanja je bila izračunata srednjom apsolutnom greškom i srednjom apsolutnom procentualnom greškom koje se često koriste u regresionim zadacima. Kako je lista artikala duga, izveštavamo samo o artiklima kojima je srednja apsolutna procentualna greška iznad 20%. Predviđanje se onda koristi u planu poručivanja koji kao izlaz daje narudžbine koje se odnose na poručene zalihe koje doprinose potencijalnim nedostacima zaliha. Na Slici 2 i Slici 3 prikazani su primeri robe široke potrošnje i sezonskog artikla.

Prikazujemo rezultate predviđanja (na levom grafiku, Slika 2) gde zelena linija prikazuje stvarnu prodaju, a plava predviđenu. Srednja apsolutna procentualna greška je 11%. Predviđanje je upotrebljeno za optimizaciju zaliha na grafiku koji je prikazan da desne strane, pri čemu zelena linija predstavlja stvarni nivo zaliha, a plava linija optimizovani nivo zaliha. Tamnoplava oblast predstavlja smanjenje nivoa zaliha. Primećujemo da se zelena linija (stvarni nivo zaliha) povećava sa svakom porudžbinom (četiri puta u mesecu). Sa druge strane, u našoj simulaciji je prva porudžbina 23. juna, a poručena količina je znatno manja jer smo automatski izvršili ponovnu proveru sigurnosnih zaliha i u skladu sa performansama predviđanja smo ga postavili značajno niže. Jasno je da je nivo zaliha smanjen.

Slika 2. Predviđanje tražnje i optimizacija zaliha robe široke potrošnje. Možemo da primetimo tačnost predviđanja i značajni pad u količinama na zalihama.

Slika 3. Predviđanje tražnje i optimizacija zaliha sezonskih artikala. Možemo da primetimo izbegnute nestašice zaliha i smanjenje količine na zalihama na kraju meseca.

Sezonski artikal je prikazan na Slici 3. Srednja apsolutna procentualna greška predviđanja iznosi 8%. Predviđanje se koristi za optimizaciju zaliha prikazanu na desnom grafiku gde zelena linija predstavlja stvarni nivo zaliha, plava linija je optimizovani nivo zaliha, a svetloplava oblast prikazuje koliko je količina na zalihama povećana, dok tamnoplava oblast ilustruje koliko su zalihe smanjene. Na početku meseca predviđamo prodaju, pravimo porudžbinu i to povećava nivo zaliha (svetloplava oblast). Zalihe su na niskom nivou. Međutim, 11. juna, zelena linija prikazuje nedovoljnu količinu na zalihama iako naša (plava linija) to ne prikazuje. Zbog nestašica zaliha, naručili su previše.

Na kraju meseca, simulacija je održala nizak nivo količina na zalihama, a pri tome je izbegnuta nestašica zaliha.

Ukupne nestašice zaliha

Evaluacija 250 artikala rezultirala je odgovorima na pitanja nivoa zaliha i nestašice zaliha. Procenjivali smo koliko puta se dogodilo da naš klijent ostane bez zaliha i broj puta kada je modul SF & SO doveo do nestašice. Rezultati su prikazani na Slici 4. Njihove aktivnosti su rezultirale bar jednom nestašicom zaliha za 44% artikala tokom godine evaluacije dok je modul SF & SO dovodio do istog scenarija samo za 14% artikala.

Dakle, možemo smanjiti periode nestašice zaliha, odnosno, preciznije, možemo automatski generisati porudžbine za 86% artikala.

Ukupni nivo zaliha

Evaluacija je pokazala da možemo da smanjimo zalihe u određenim situacijama, a da ih povećamo u drugim, kako bismo izbegli nestašicu zaliha. Razlika u nivou zaliha po artiklu prikazana je na sledećoj slici. Leva strana prikazuje smanjenje zaliha, a desna povećanje zaliha. Smanjili smo nivo zaliha između 25% i 60%. Povećanje zaliha na kraju grafika predstavlja narudžbine nastale sa ciljem izbegavanja nestašica zaliha koje se se pojavile u realnom vremenu.

Korisnički interfejs

Značajan faktor u usvajanju projekata zasnovanih na veštačkoj inteligenciji je korisničko iskustvo i smislenost rezultata koji pomažu da se izgradi poverenje u sistem. Šaljemo rezultate direktno u ERP sistem gde sektor nabavke može da ispravi ili jednostavno prihvati predloge. Dodatno, prikazujemo rezultate u aplikaciji Qlik kako što je prikazano na slici ispod. Predstavljamo stvarnu i predviđenu prodaju i prikazujemo trenutni i preporučeni nivo zaliha. Takođe, prikazani su i određeni statistički parametri kako bi sektor nabavke mogao da sastavi narudžbine ili da evaluira predviđanje ukoliko je potrebno. Iz iskustva, sektor nabavke gradi poverenje u sistem korišćenjem aplikacije i onda, nakon par narudžbina, otvori Qlik da vidi trendove u prodaji i pronađe objašnjenje za predloge koje smatra „neobičnim“.

Zaključak

Optimizacija zaliha je najlakši, oprobani metod za značajne uštede i povećanje prihoda. Modul Sales Forecasting & Stock Optimisation je modul platforme zasnovane na mašinskom učenju koji implementira kompanija BE-terna, a koji vam može pomoći da smanjite nivo zaliha i nestašice zaliha a da pri tome povećate efikasnost procesa sastavljanja porudžbina jer za većinu artikala taj proces može biti automatizovan. Ovde smo samo prikazali procese optimizacije zaliha u distributivnim centrima.

Međutim, modeli koji uključuju kupce dodatno unapređuju tačnost predviđanja, nivo usluge i korisničko zadovoljstvo.