Az ellátási lánc láthatósága nem csak egy hívószó; Ez egy kötelező érvényű

Időbélyeg: 3. február 2023. 12:00
Forrás csomópont: 1939098

Nem lehet meglepő, hogy az ellátási lánc felméréseiben a vállalatok 60-80%-ánál a rendelések, készletek és szállítmányok jobb láthatósága áll a prioritások listáján. 

Ahol a gyártók és a kiskereskedők egykor nagy mennyiségű árut fejlesztettek, raktároztak fel és juttattak ki a regionális piacokra a kiszámítható történelmi és szezonális minták alapján, a D2C e-kereskedelem sokkal szélesebb közönség számára érhető el az interneten keresztül, húzás alapján. Az igény szerint szállított kisebb megrendelések összesített, csaknem folyamatos áramlása, valamint a növekvő általános áruszállítási kereslet, elárasztották a terminálokat, raktárakat, berendezéseket és járműkapacitásokat a szűkös munkaerőpiacon. 

Az ügyfelek változékony elvárásai fokozzák a nehézségeket. Az utolsó mérföld nyomása és költségei nagymértékben eltérnek az elosztóközpontban tárolt raklapos áruk esetében, amelyek a feladó utasítására fokozatosan kerülnek ki a gyárakba vagy üzletekbe, illetve az időben meghatározott rendelések esetében, amelyek többféle szállítási időpontot és helyszínt tartalmaznak, valamint a határidőre és a szállításra vonatkozó alapelvárást. teljes körű szállítás.  

Legyen szó új járványváltozatról, időjárási eseményről vagy a Szuezi-csatornát elzáró konténerhajóról, az előre nem látható körülmények könnyen olyan fordulópontot jelenthetnek, amely egyik napról a másikra kibillenti a keresletet, a kínálatot és a kapacitást. 

A láthatóság számos mozgó alkatrésze

A legtöbb ellátási lánc még mindig hiányzik a megfelelő láthatóságról a downstream keresleti oldalon az értékesítési pontnál (POS), a beszállítói beszerzésben és a gyártásban felfelé, illetve a szállítás során a szállítás során. A kereslet korai érzékelése különösen kritikus a folyamatos D2C növekedés miatti folyamatos piaci volatilitás miatt, amelyet felerősít a világjárvány, az éghajlat, az ukrajnai háború, a globális infláció és más külső nyomások.  

A keresleti jelzések minden más egyedi befolyásnál jobban irányítják az ellátási láncot. Ők határozzák meg, hogy mit kell előállítani, milyen mennyiségben és hova kell szállítani – egyszóval mindent, a beszerzéstől az eszköz- és erőforrás-allokáción át a munkafolyamatig. Ellentmondónak tűnik tehát, hogy a legtöbb hagyományos hierarchikus ellátási lánc modell még mindig nem köti össze közvetlenül a gyárakat és a beszállítókat a kiskereskedőkkel és a vásárlókkal egy jó visszacsatolási körben.

Ehelyett a legtöbb kommunikáció a központból kifelé folyik, és a partnerek bemenete ritkán terjed egy szintnél feljebb vagy lejjebb, és a kritikus adatokat a szervezeti silókba zárja. A harmadik féltől származó aggregátorok adatai a marketingben, az ügyfélkapcsolat-kezelési (CRM) adatok az értékesítésben, a termelési adatok az üzemeltetésben és a C-suite-ban sínylődnek. Ez jelentős kockázatot jelent a magasabb költségekre és az üzlet elvesztésére egy fennakadás esetén. 

Az ellátási lánc összetettsége tovább súlyosbítja a problémát: a világ fogyasztóinak több mint 60%-a használja az e-kereskedelmet, több mint 25 millió globális kiskereskedelmi egység nyílt, az elmúlt évtizedben évente tízszeresére nőtt a piacra kerülő új termékek száma, és 10 Az áruk %-a készlethiányt tapasztal.

„A feltörekvő piacokon a globális gyártók forgalmazókon keresztül szállítanak, és láthatóságuk ezen a ponton megszűnik” – magyarázza Suresh Prahlad Bharadwaj, az Infosys teljes tulajdonú leányvállalata, az EdgeVerve Systems TradeEdge platformvezetője. „Nem tudják, kik a vásárlóik, többnyire kis anya- és popboltok. Még a modern kereskedelemben is, ahol a gyártók nagykereskedőn keresztül vagy közvetlenül egy nagy boltba, például a Walmartba vagy a Targetbe árulnak, nincsenek felszerelve arra, hogy feldolgozzák azt az értékesítési ponti láthatóságot, amely visszatér hozzájuk.” 

Suresh szerint egy decentralizált e-kereskedelmi környezetben az értékesítési pontok több száz vagy több ezer forgalmazó, kiskereskedő és webhely között oszlanak el, amelyek mindegyike eltérő érettségi szinttel rendelkezik az adatok gyűjtésében és megosztásában, valamint az adatok formázásának és kommunikációjának különböző módjai. 

"Kik az ügyfeleim, hol vannak, mit rendelnek?" kérdezi Suresh. „Ahhoz, hogy ezt tudjam, együtt kell működnöm a kiskereskedőkkel, hogy az összesített értékesítési pont- és raktárkészlet-információkat gyorsan visszajussam a gyártókhoz, hogy kiigazíthassák.” Hozzáteszi, jelenleg ez a folyamat három-négy hétig is eltarthat, és külső adatszolgáltatókra, például a Nielsenre vagy az IRI-re támaszkodva gyűjtik össze és harmonizálják az adatokat az üzletek paneljéből, majd egyedi jelentéseket készítenek az egyes ügyfelek számára. – A mai világban – mondja –, már késő.

Ahogy a felhőalapú adatfeldolgozási teljesítmény nőtt, és a költségek csökkentek – magyarázza Suresh – egyre több kiskereskedő és közvetítő köt le közvetlen adatmegosztási megállapodást az ügyfélcégekkel, hogy az elsődleges forrásból származó értékesítési adatokat a láncban felfelé terjessze. De ez még csak a kezdet.

Tűk keresése a szénakazalokban

A mesterséges intelligencia és a gépi tanulás által támogatott szoftveralapú keresletérzékelő eszközök egyre jobban felfigyelnek arra, hogy képesek előre jelezni a közeljövő keresletét. Ezek az eszközök aggregált valós idejű POS-adatokat modelleznek a belső és külső ellátási lánc anomáliáihoz, például az éghajlati eseményekhez, a kikötői torlódásokhoz, a vasúti sztrájkhoz, az üzemanyagárak változásaihoz, a kamatemelésekhez és a magas munkanélküliségi rátához – ezek mind befolyásolják a vásárlási döntéseket. 

Röviden, az áruk tegnapi értékesítési feltételeinek részletes megértése rövid távú betekintést nyújt abba, hogy ugyanazok az áruk holnap valószínűleg hogyan és hol fognak eladni, azonos vagy eltérő feltételek mellett. Ahogy az idő múlásával egyre részletesebb adatokat gyűjtenek össze, a mesterséges intelligencia és a gépi tanulás felismeri azokat a mintákat és betekintést, amelyek hiányoznának egy vállalati erőforrás-tervezési (ERP) csomagon futó hagyományos kézi műveletből. A gyakoribb jelentési időközök lerövidítik a válaszidőt, ha hirtelen, hangsúlyosabb események fordulnak elő.

Tekintettel arra, hogy a hagyományos hosszú távú stratégiai és keresleti tervezés a COVID kezdete óta majdnem megszűnt, a közel valós idejű adatok ilyen módon történő összeállítása jelentős előnyökkel járhat. A cégek hirtelen dolgoznak a tegnapi POS-áruház-SKU értékesítési és készletadatokon, szemben a hetek óta tartó összesítő jelentésekkel. Az értékesítési adatok hajlamosak pontosabb kereslet-előrejelzési eredményeket szolgáltatni, mint az összehasonlítható szállítási adatok, mivel az áruk szállítása többféle okból történhet – például csere vagy mintaáru.

Meghatározott üzleti szabályok és szabványok viszonyítási alapként történő használata, a mesterséges intelligencia és a gépi tanulás leképezi a kiskereskedő SKU-t, terméket, UPC-t és más kódolást a gyártói kódokkal a bevezetési folyamat részeként. Különbséget is tudnak tenni a szabványos és a promóciós cikkszámok között, mondjuk ugyanazon termék kis tartalmi változtatásaival. A mesterséges intelligencia és a gépi tanulás fontos előnye, hogy képes elemezni és kiküszöbölni a fantomkészleteket, és megjeleníteni az üregeket, hogy előre jelezze és csökkentse a készlethiányt. Az elemzések segítségével a vállalatok órákon belül érvényesíthetik az értékesítési trendadatokat.

„Az egyik dolog, amit tudunk az előrejelzésről, hogy nem lesz pontos” – érvel Suresh. „Tehát az a kérdés, hogyan tömjük be a hiányosságokat. Ezt a rövid távú utánpótlási döntések végrehajtásával tesszük a teljes hálózaton.  

Az ellátási lánc értékhálózatának kiépítése

A piacok és a vevők egymásra gyakorolt ​​hatása az eladások befolyásolására, és értékes keresleti jelzéseket generál a folyamat során, megalapozza a teljes ellátási lánc átfogóbb újragondolását. 

Az upstream és a downstream láthatóság, a megrendeléstől a fizetésig egy nem hierarchikus, „sok-sok” hálózati modellben, lehetőséget kínál a végpontok közötti, valós idejű adatjelentésekre és -megosztásra, valamint az összes fél együttműködésére. a hálózatban. 

A folyamat egyetlen, megbízható, megosztható információforrás kiépítésével kezdődik a hálózaton keresztül. A partnerek megfelelő engedélyekkel rendelkeznek ahhoz, hogy bizonyos típusú adatokhoz férhessenek hozzá meghatározott felhasználási célokra. Az adatok, beleértve a vonatkozó űrlapokat, a dokumentációt és a kommunikációt, szabványosítva, harmonizálva és egységes adatbázis-formátumban vannak strukturálva a könnyű használat érdekében. 

Tehát mi történik, amikor a kereslet jelei villogni kezdenek? Gyorsan növelhető vagy csökkenthető a termelés, vagy módosítható-e a termékösszetétel és a sorrend a rendelések időben történő kitöltése érdekében? Rendelkeznek-e a 2. szintű beszállítók az anyagokkal és alkatrészekkel a termelés szükség szerinti növeléséhez? Ha nem, akkor a rendszerben meglévő készlet megkereshető, átirányítható és feltölthető? Ha nem, a műveleti és tervezési csapatoknak újra kell gondolniuk a biztonsági készleteket, a beszállítói diverzifikációt vagy a termékportfólió alternatíváit? Milyen költséghatások lennének? Az idő kritikus fontosságú ahhoz, hogy választ kapjunk ezekre a kérdésekre és megtegyük az optimális korrekciós intézkedéseket.

A hálózati modellhez képest az a lényeges különbség, hogy a beszállítók, a gyártók és a kiskereskedők nemcsak érzékelik a kereslet eltolódását, hanem közvetlenül és proaktívan, valós időben együttműködnek a problémák megoldásában, ahelyett, hogy mindegyikük külön, elzárt kommunikációt folytatna a fő vállalaton keresztül. ahol a döntő részletek elveszhetnek a fordításban. Ezen túlmenően az AI és a gépi tanulásra alkalmas elemzés több száz vagy több ezer forgatókönyvet képes futtatni percek alatt, mindegyiket a jelenlegi és korábbi szállítási és készletadatok alapján kijátszva optimális megoldást kialakítani.

De ahogy a régi technológiai közmondás tartja: szemetet be, szemetet ki. A hálózati teljesítmény csak olyan jó, mint a partnerek részvétele és a pontos adatkészlet. „Ez nem csak a felhőben lévő technológiáról szól – hangoztatja Suresh –, hanem a partnerek jelentéstételi kötelezettségének előmozdításáról, az adatok mennyiségéről és időszerűségéről, az információk részletességéről és megosztásának gyakoriságáról.”

Suresh elismeri, hogy eddig főleg nagyon nagy, 6 milliárd dolláros és afeletti cégek hajtották végre a digitális átalakulás ilyen szintjét, részben azért, mert a kisebb beszállítókkal, beszállítókkal, beszállítókkal, kereskedőkkel való változást kikényszerítették és irányították, és az ügyfelek. De lehetőséget lát az ügyfelek toborzásában 1-5 milliárd dollár között. 

Hová vezet ez az egész? Idővel minden méretű vállalkozás számára elengedhetetlen lesz a digitális átalakulás, ami az ellátási láncok összekapcsolásához és konszolidációjához vezet. Keressen több automatizálandó műveletet és folyamatot, tovább lerövidítve a válaszidőket, kiküszöbölve a hibákat, és tömörítve a megrendelés-fizetési ciklust, miközben embereket és erőforrásokat szabadít fel a termelékenyebb, kifizetődőbb munkához. A bevezetés és az adatharmonizáció valószínűleg szinte „plug-and-play” lesz a kis- és közepes méretű beszállítók és szállítók számára, és a hálózati képesség kulcsfontosságú megkülönböztető tényező lesz a mindenütt elterjedtté válás útján. 

A lényeg: Egy rövid, időnként nehéz alkalmazkodási időszak után az ellátási lánc sokkal gyorsabb, egyszerűbb és rugalmasabb lesz. 

Erőforrás linkek: 

EdgeVerve, http://www.edgeverve.com 

TradeEdge, www.edgeverve.com/tradeedge

Időbélyeg:

Még több Supply Chain Brain