Forsyningskædens synlighed er ikke bare et slagord; Det er et imperativ

Tidsstempel: 3. februar 2023 kl. 12:00
Kildeknude: 1939098

Det burde ikke være overraskende, at bedre ordre-, lager- og forsendelsessynlighed topper prioriteringslisten for 60 % til 80 % af virksomhederne i forsyningskædeundersøgelser. 

Hvor producenter og detailhandlere engang udviklede, lagerførte og skubbede store mængder varer ud til regionale markeder baseret på forudsigelige historiske og sæsonbestemte mønstre, er D2C e-handel tilgængelig for meget bredere publikum via internettet på pull-basis. En samlet, næsten kontinuerlig strøm af mindre ordrer afsendt efter behov, sammen med stigende samlet fragtefterspørgsel, har oversvømmet terminal-, lager-, udstyrs- og køretøjskapacitet på et stramt arbejdsmarked. 

Foranderlige kundeforventninger forværrer vanskelighederne. Last-mile pres og omkostninger er vidt forskellige for palleteret fragt holdt i et distributionscenter til gradvis frigivelse til fabrikker eller butikker efter afsenderens anvisning, versus tidsbestemte ordrer med flere leveringstids- og lokationsmuligheder og en basisforventning om rettidig og fuld levering.  

Uanset om det er en ny pandemivariant, vejrbegivenhed eller containerskib, der blokerer Suez-kanalen, kan uforudsete omstændigheder nemt give et vendepunkt, der bringer efterspørgsel, udbud og kapacitet ud af overensstemmelse natten over. 

Synlighedens mange bevægelige dele

De fleste forsyningskæder mangler stadig tilstrækkelig synlighed på nedstrøms efterspørgselssiden ved salgsstedet (POS), opstrøms i leverandørindkøb og produktion og i transit under forsendelse. At mærke efterspørgslen tidligt er især kritisk i betragtning af den vedvarende markedsvolatilitet på grund af konstant D2C-vækst, forstærket af pandemien, klimaet, krigen i Ukraine, global inflation og andet eksternt pres.  

Efterspørgselssignaler driver forsyningskæden mere end nogen anden enkelt indflydelse. De dikterer, hvad der skal produceres, i hvilke mængder og hvor de skal sendes - kort sagt alt fra sourcing til aktiv- og ressourceallokering til workflow. Det virker derfor kontraintuitivt, at de fleste konventionelle hierarkiske forsyningskædemodeller stadig ikke forbinder fabrikker og leverandører direkte til detailhandlere og kunder i en dydig feedback-loop.

I stedet flyder det meste af kommunikationen fra midten og udad, og partnerinput strækker sig sjældent ud over et niveau op eller ned, og fanger kritiske data inde i organisatoriske siloer. Tredjeparts aggregatordata forsvinder i marketing, CRM-data (customer relationship management) i salg, produktionsdata i drift og i C-suiten. Dette udgør en betydelig risiko for højere omkostninger og tabt forretning i tilfælde af en afbrydelse. 

Forsyningskædens kompleksitet forværrer problemet, idet mere end 60 % af de globale forbrugere nu bruger e-handel, mere end 25 millioner globale detailforretninger åbner, en ti-dobling af nye produkter, der kommer på markedet hvert år i løbet af det seneste årti, og 10 % af varer, der oplever lagerudbud.

"På nye markeder sender globale producenter gennem distributører, og deres synlighed stopper på det tidspunkt," forklarer Suresh Prahlad Bharadwaj, platformchef for TradeEdge hos EdgeVerve Systems, et helejet datterselskab af Infosys. "De ved ikke, hvem deres kunder er, for det meste små mor-og-pop-butikker. Selv i moderne handel, hvor producenter sælger gennem en grossist eller direkte til en store butik som Walmart eller Target, er de ikke udstyret til at behandle, at salgsstedets synlighed kommer tilbage til dem." 

I et decentraliseret e-handelsmiljø, siger Suresh, kan salgssteder være spredt blandt hundredvis eller tusindvis af distributører, forhandlere og websteder, alle med forskellige niveauer af modenhed i indsamling og deling af data og forskellige måder at formatere data og kommunikere på. 

"Hvem er mine kunder, hvor befinder de sig, hvad bestiller de?" spørger Suresh. "For at vide det er jeg nødt til at samarbejde med detailhandlere for at få den samlede information om salgssted og lagerbeholdning tilbage til producenterne hurtigt, så de kan foretage justeringer." Lige nu, tilføjer han, kan denne proces tage tre til fire uger, idet man stoler på tredjepartsdatasyndikatorer som Nielsen eller IRI til at indsamle og harmonisere data fra et panel af butikker og derefter udarbejde tilpassede rapporter til bestemte kunder. "I dagens verden," siger han, "er det for sent."

Efterhånden som cloud-baseret databehandlingskraft er steget, og omkostningerne er faldet, forklarer Suresh, skærer flere detailhandlere og mellemhandlere direkte datadelingsaftaler med kundevirksomheder for at sprede primære salgsdata op i kæden. Men det er kun begyndelsen.

Find nåle i høstakke

Softwarebaserede efterspørgselsfølende værktøjer, hjulpet af kunstig intelligens og maskinlæring, får opmærksomhed for deres evne til at forudsige den nærmeste fremtid. Disse værktøjer modellerer aggregerede POS-data i realtid mod interne og eksterne uregelmæssigheder i forsyningskæden, såsom klimahændelser, overbelastning af havne, en jernbanestrejke, bevægelser i brændstofpriserne, rentestigninger og høje arbejdsløshedsrater - som alle har indflydelse på købsbeslutninger. 

Kort sagt, en detaljeret forståelse af de betingelser, hvorunder varer blev solgt i går, giver kortsigtet indsigt i, hvordan og hvor de samme varer sandsynligvis vil sælge i morgen, under de samme eller forskellige betingelser. Efterhånden som mere granuleret data indsamles over tid, registrerer kunstig intelligens og maskinlæring mønstre og indsigter, som ville blive savnet af en traditionel manuel operation, der kører på en Enterprise Resource Planning (ERP) suite. Hyppigere rapporteringsintervaller forkorter responstiden, når der opstår pludselige, mere udtalte hændelser.

I betragtning af at traditionel langsigtet strategisk planlægning og efterspørgselsplanlægning nær forfaldet siden begyndelsen af ​​COVID, kan det give vigtige fordele at konstruere næsten realtidsdata på denne måde. Pludselig arbejder virksomheder på gårsdagens POS-butik-SKU-salg og lagerdata, i forhold til uger gamle opsummerende rapportering. Salgsdata har også en tendens til at levere mere nøjagtige efterspørgselsprognoseresultater end sammenlignelige forsendelsesdata, da varer kan sendes af en række forskellige årsager - for eksempel ombytning eller vareprøver.

Brug af definerede forretningsregler og standarder som benchmarks, AI og maskinlæringskort forhandler SKU, produkt, UPC og anden kodning mod producentkoder som en del af onboarding-processen. De kan også skelne mellem standard- og reklame-SKU'er med f.eks. små indholdsændringer for det samme produkt. En vigtig fordel er evnen til AI og maskinlæring til at analysere og eliminere fantombeholdning og vise tomrum for at forudsige og reducere lagerudbud. Ved hjælp af analyser kan virksomheder validere salgstendensdata inden for få timer.

"En af de ting, vi ved om prognoser, er, at det ikke vil være nøjagtigt," argumenterer Suresh. "Så spørgsmålet bliver, hvordan vi lukker hullerne. Vi gør det gennem udførelse af kortsigtede genopfyldningsbeslutninger på tværs af hele netværket.”  

Opbygning af Supply Chain Value Network

Nedstrøms synlighed i, hvordan markeder og kunder interagerer for at påvirke salget, hvilket genererer værdifulde efterspørgselssignaler i processen, sætter bordet for en større gentænkning af hele forsyningskæden. 

Synlighed både upstream og downstream, fra ordre til betaling i en ikke-hierarkisk, "mange-til-mange" netværksmodel, giver mulighed for end-to-end, real-time datarapportering og -deling og for samarbejde mellem alle parter i netværket. 

Processen begynder med at bygge en enkelt, pålidelig, delbar kilde til information på tværs af netværket. Partnere får passende tilladelser til at få adgang til bestemte typer data til specifikke formål. Data, herunder relevante formularer, dokumentation og kommunikation, er standardiseret, harmoniseret og struktureret i et fælles databaseformat for at gøre det nemt at bruge. 

Så hvad sker der, når efterspørgselssignalerne begynder at blinke? Kan produktionen hurtigt skaleres op eller ned, eller kan produktmixet og sekvenseringen ændres for at sikre, at ordrer bliver udfyldt til tiden? Har Tier 2-leverandører materialer og dele til at øge produktionen efter behov? Hvis ikke, kan eksisterende beholdning i systemet lokaliseres, omdirigeres og genopfyldes? Hvis ikke, bør drifts- og planlægningsteams genoverveje sikkerhedslagre, leverandørdiversificering eller produktporteføljealternativer? Hvad ville omkostningsvirkningerne være? Tid er afgørende for at få svar på disse spørgsmål og træffe den optimale korrigerende handling.

Den vigtige forskel med netværksmodellen er, at leverandører, producenter og detailhandlere ikke kun kan fornemme efterspørgselsskift, men også samarbejde direkte og proaktivt i realtid for at løse problemer i stedet for hver især at have separat, lukket kommunikation gennem hovedvirksomheden hvor afgørende detaljer kan gå tabt i oversættelsen. Derudover kan AI- og maskinlæringsaktiverede analyser køre hundredvis eller tusindvis af scenarier på få minutter, hvor de hver især kan spille baseret på aktuelle og historiske forsendelses- og lagerdata for at formulere en optimal løsning.

Men som det gamle tech-ordsprog siger: skrald ind, skrald ud. Netværkets ydeevne er kun så god som partner buy-in og et nøjagtigt datasæt. "Det handler ikke kun om teknologi i skyen," insisterer Suresh, "det handler om at drive partnernes overholdelse af rapportering, mængden og aktualiteten af ​​data, detaljeret information og den hyppighed, hvormed de deles."

Suresh erkender, at det indtil nu hovedsageligt har været meget store virksomheder, i størrelsesordenen $6 milliarder og derover, der har drevet dette niveau af digital transformation, delvist på grund af deres løftestang til at fremtvinge og styre forandringer med mindre leverandører, leverandører, og kunder. Men han ser en mulighed i at rekruttere kunder i intervallet 1 til 5 milliarder dollars. 

Hvor er alt dette på vej hen? Det vil med tiden blive bydende nødvendigt for virksomheder af alle størrelser at foretage digital transformation, hvilket fører til sammenkobling og konsolidering af forsyningskæder over tid. Se efter flere operationer og processer, der skal automatiseres, hvilket yderligere forkorter svartider, eliminerer fejl og komprimerer ordre-til-betaling-cyklussen, mens du frigør mennesker og ressourcer til mere produktivt, givende arbejde. Onboarding og dataharmonisering vil sandsynligvis blive næsten plug-and-play for små og mellemstore leverandører og leverandører, hvor netværkskapacitet opstår som en vigtig differentiator på vejen til at blive allestedsnærværende. 

Den nederste linje: Efter en kort, til tider svær, tilpasningsperiode, er forsyningskæden ved at blive meget hurtigere, enklere og mere modstandsdygtig. 

Ressource-links: 

EdgeVerve, http://www.edgeverve.com 

TradeEdge, www.edgeverve.com/tradeedge

Tidsstempel:

Mere fra Supply Chain Brain