공급망 가시성은 단순한 캐치프레이즈가 아닙니다. 필수사항입니다

타임 스탬프 : 3 년 2023 월 12 일 오전 00:XNUMX
소스 노드 : 1939098

공급망 조사에서 기업의 60~80%가 더 나은 주문, 재고 및 선적 가시성을 우선 순위 목록에 올린다는 것은 놀라운 일이 아닙니다. 

한때 제조업체와 소매업체가 예측 가능한 역사적 및 계절적 패턴을 기반으로 대량의 상품을 개발, 비축 및 지역 시장에 내보냈던 곳에서 D2C 전자 상거래는 인터넷을 통해 훨씬 더 많은 청중이 풀 기반으로 액세스할 수 있습니다. 전반적인 화물 수요 증가와 함께 수요에 따라 배송되는 소액 주문의 집합적이고 거의 연속적인 흐름은 타이트한 노동 시장에서 터미널, 창고, 장비 및 차량 용량을 압도했습니다. 

변덕스러운 고객의 기대는 어려움을 가중시킵니다. 화주의 지시에 따라 공장이나 상점에 점진적으로 출시하기 위해 유통 센터에 보관된 팔레트화된 화물의 라스트 마일 압력과 비용은 여러 배송 시간 및 위치 옵션이 있고 정시 및 전체 배송.  

새로운 팬데믹 변종, 기상 이변 또는 수에즈 운하를 막는 컨테이너선 등 예측하지 못한 상황은 하룻밤 사이에 수요, 공급 및 용량을 어긋나게 하는 티핑 포인트를 쉽게 제공할 수 있습니다. 

Visibility의 많은 움직이는 부분

대부분의 공급망은 여전히 ​​판매 시점(POS)의 다운스트림 수요 측면, 공급업체 소싱 및 생산의 업스트림, 선적 중 운송 중 적절한 가시성이 부족합니다. 팬데믹, 기후, 우크라이나 전쟁, 글로벌 인플레이션 및 기타 외부 압력으로 증폭된 꾸준한 D2C 성장으로 인한 지속적인 시장 변동성을 고려할 때 조기에 수요를 감지하는 것이 특히 중요합니다.  

다른 단일 영향보다 수요 신호가 공급망을 주도합니다. 그들은 무엇을 생산하고, 어떤 수량으로, 어디로 배송할지 결정합니다. 즉, 소싱에서 자산 및 리소스 할당, 워크플로우에 이르기까지 모든 것입니다. 그렇다면 대부분의 기존 계층적 공급망 모델이 여전히 공장과 공급업체를 선순환적인 피드백 루프로 소매업체 및 고객에게 직접 연결하지 않는다는 것은 직관에 반하는 것처럼 보입니다.

대신 대부분의 커뮤니케이션은 중앙에서 바깥쪽으로 흐르고 파트너 입력은 거의 한 수준 위 또는 아래로 확장되지 않아 조직 사일로 내부에 중요한 데이터가 갇히게 됩니다. 타사 수집기 데이터는 마케팅, 영업의 CRM(고객 관계 관리) 데이터, 운영의 생산 데이터 및 C-suite에서 쇠퇴합니다. 이로 인해 중단이 발생할 경우 더 높은 비용과 비즈니스 손실의 상당한 위험이 있습니다. 

공급망의 복잡성은 현재 전 세계 소비자의 60% 이상이 전자상거래를 사용하고 있고, 25만 개 이상의 글로벌 소매점이 문을 열었으며, 지난 10년 동안 매년 시장에 출시되는 신제품의 XNUMX배 증가, 품절이 발생한 상품의 %.

Infosys의 전액 출자 자회사인 EdgeVerve Systems의 TradeEdge 플랫폼 책임자인 Suresh Prahlad Bharadwaj는 "신흥 시장에서 글로벌 제조업체는 유통업체를 통해 배송하며 그 지점에서 가시성이 멈춥니다"라고 설명합니다. “그들은 그들의 고객이 누구인지 모릅니다. 대부분 소규모 엄마와 팝 가게들입니다. 제조업체가 도매업체를 통해 판매하거나 Walmart 또는 Target과 같은 대형 매장에 직접 판매하는 현대 무역에서도 그들은 판매 시점 가시성을 다시 처리할 준비가 되어 있지 않습니다.” 

분산형 전자 상거래 환경에서 판매 지점은 수백 또는 수천 개의 유통업체, 소매업체 및 웹사이트에 분산될 수 있으며, 모두 데이터 수집 및 공유의 성숙도와 데이터 형식 지정 및 통신 방법이 다릅니다. 

"내 고객은 누구이며, 어디에 위치해 있으며, 무엇을 주문하고 있습니까?" Suresh가 묻습니다. "그것을 알기 위해서는 소매업체와 협력하여 집계된 POS 및 매장 재고 정보를 제조업체에 신속하게 제공하여 제조업체가 조정할 수 있도록 해야 합니다." 현재 이 프로세스는 Nielsen 또는 IRI와 같은 제XNUMX자 데이터 신디케이터에 의존하여 상점 패널에서 데이터를 수집 및 조정한 다음 특정 고객을 위한 맞춤형 보고서를 준비하는 데 XNUMX~XNUMX주가 소요될 수 있다고 덧붙입니다. "오늘날의 세계에서는 너무 늦었습니다."라고 그는 말합니다.

클라우드 기반 데이터 처리 능력이 증가하고 비용이 낮아짐에 따라 더 많은 소매업체와 중개인이 고객 회사와의 직접적인 데이터 공유 거래를 중단하여 기본 소스 판매 데이터를 체인 백업에 분산시키고 있다고 Suresh는 설명합니다. 그러나 그것은 시작에 불과합니다.

건초 더미에서 바늘 찾기

인공 지능과 머신 러닝의 도움을 받는 소프트웨어 기반 수요 감지 도구는 가까운 미래의 수요를 예측할 수 있는 능력으로 주목을 받고 있습니다. 이러한 도구는 구매 결정에 영향을 미치는 기후 변화, 항만 정체, 철도 파업, 연료 가격 변동, 금리 상승 및 높은 실업률과 같은 내부 및 외부 공급망 이상에 대한 실시간 POS 데이터를 집계합니다. 

요컨대, 어제 상품이 판매된 조건을 세부적으로 이해하면 동일하거나 다른 조건에서 동일한 상품이 내일 판매될 가능성이 있는 방법과 위치에 대한 단기 통찰력을 제공합니다. 시간이 지남에 따라 보다 세분화된 데이터가 수집됨에 따라 인공 지능 및 머신 러닝은 전사적 자원 관리(ERP) 제품군에서 실행되는 기존의 수동 작업에서 놓칠 수 있는 패턴과 통찰력을 감지합니다. 더 빈번한 보고 간격은 갑작스럽고 더 뚜렷한 이벤트가 발생할 때 응답 시간을 단축합니다.

코로나XNUMX 발병 이후 기존의 장기 전략 및 수요 계획이 거의 소멸한 상황에서 이러한 방식으로 거의 실시간 데이터를 구축하면 중요한 이점을 얻을 수 있습니다. 갑자기 회사는 몇 주 전의 요약 보고와 비교하여 어제의 POS 매장-SKU 판매 및 재고 데이터를 사용하고 있습니다. 판매 데이터는 또한 비교 가능한 배송 데이터보다 더 정확한 수요 예측 결과를 제공하는 경향이 있습니다. 예를 들어 교환 또는 샘플 상품과 같은 다양한 이유로 상품이 배송될 수 있기 때문입니다.

정의된 비즈니스 규칙 및 표준을 벤치마크로 사용하여 AI 및 기계 학습은 온보딩 프로세스의 일부로 제조업체 코드에 대한 소매업체 SKU, 제품, UPC 및 기타 코딩을 매핑합니다. 또한 동일한 제품에 대한 작은 콘텐츠 변경으로 표준 및 판촉 SKU를 구별할 수 있습니다. 중요한 이점은 품절을 예측하고 줄이기 위해 팬텀 재고를 분석 및 제거하고 공백을 표시하는 AI 및 머신 러닝의 기능입니다. 기업은 분석을 사용하여 몇 시간 내에 판매 추세 데이터를 검증할 수 있습니다.

"우리가 예측에 대해 알고 있는 것 중 하나는 예측이 정확하지 않을 것이라는 것입니다."라고 Suresh는 주장합니다. “그래서 문제는 우리가 격차를 어떻게 메울 것인가 하는 것입니다. 우리는 전체 네트워크에서 단기 보충 결정을 실행하여 이를 수행합니다.”  

공급망 가치 네트워크 구축

시장과 고객이 판매에 영향을 미치기 위해 상호 작용하는 방식에 대한 다운스트림 가시성은 프로세스에서 귀중한 수요 신호를 생성하여 전체 공급망을 더 크게 재고할 수 있는 테이블을 설정합니다. 

비계층적 "다대다" 네트워크 모델에서 주문에서 결제까지 업스트림 및 다운스트림 모두의 가시성은 종단 간 실시간 데이터 보고 및 공유와 모든 당사자의 협업 기회를 제공합니다. 네트워크에서. 

프로세스는 네트워크 전체에서 정보에 대한 신뢰할 수 있고 공유 가능한 단일 소스를 구축하는 것으로 시작됩니다. 파트너는 특정 용도로 특정 유형의 데이터에 액세스할 수 있는 적절한 권한으로 온보딩됩니다. 관련 양식, 문서 및 커뮤니케이션을 포함한 데이터는 사용하기 쉽도록 공통 데이터베이스 형식으로 표준화, 조화 및 구조화됩니다. 

그렇다면 수요 신호가 깜박이기 시작하면 어떻게 될까요? 생산 규모를 신속하게 확장 또는 축소하거나 주문이 제 시간에 채워지도록 제품 혼합 및 시퀀싱을 수정할 수 있습니까? Tier 2 공급업체는 필요에 따라 생산량을 급증시킬 수 있는 재료와 부품을 가지고 있습니까? 그렇지 않은 경우 시스템의 기존 재고를 찾고, 리디렉션하고, 보충할 수 있습니까? 그렇지 않다면 운영 및 계획 팀이 안전 재고, 공급업체 다각화 또는 제품 포트폴리오 대안을 재고해야 합니까? 비용 영향은 무엇입니까? 이러한 질문에 대한 답을 얻고 최적의 시정 조치를 취하는 데 시간은 매우 중요합니다.

네트워크 모델과의 중요한 차이점은 공급업체, 제조업체 및 소매업체가 수요 변화를 감지할 수 있을 뿐만 아니라 문제를 해결하기 위해 각각 주요 회사를 통해 별도의 사일로 통신을 하는 대신 실시간으로 직접 사전 예방적으로 협력할 수 있다는 것입니다. 중요한 세부 사항이 번역에서 손실될 수 있습니다. 또한 AI 및 기계 학습 지원 분석은 몇 분 안에 수백 또는 수천 개의 시나리오를 실행할 수 있으며 각각 현재 및 과거 배송 및 재고 데이터를 기반으로 게임을 진행하여 최적의 솔루션을 구성합니다.

그러나 오래된 기술 속담처럼 쓰레기를 넣으면 쓰레기가 나옵니다. 네트워크 성능은 파트너 바이인과 정확한 데이터 세트만큼만 우수합니다. Suresh는 "단순히 클라우드의 기술에 관한 것이 아니라 보고, 데이터의 양과 적시성, 정보의 세분성 및 공유 빈도에서 파트너의 규정 준수를 촉진하는 것과 관련이 있습니다."라고 주장합니다.

Suresh는 지금까지 이러한 수준의 디지털 혁신을 주도한 기업이 주로 6억 달러 이상 규모의 대기업이었다는 점을 인정합니다. 부분적으로는 소규모 공급업체, 벤더, 그리고 고객. 그러나 그는 1억 달러에서 5억 달러 범위의 고객을 모집할 기회가 있다고 보고 있습니다. 

이 모든 것이 어디로 향하고 있습니까? 시간이 지남에 따라 모든 규모의 기업이 디지털 변환을 수행하여 시간이 지남에 따라 공급망의 상호 연결 및 통합으로 이어지는 것이 필수적이 될 것입니다. 더 많은 작업과 프로세스를 자동화하고, 응답 시간을 더욱 단축하고, 오류를 제거하고, 주문-지불 주기를 단축하는 동시에 보다 생산적이고 보람 있는 작업을 위해 인력과 리소스를 확보하십시오. 온보딩 및 데이터 조화는 유비쿼터스가 되는 과정에서 네트워크 기능이 주요 차별화 요소로 부상하면서 중소 공급업체 및 벤더에게 거의 플러그 앤 플레이 방식이 될 것입니다. 

결론: 짧고 때로는 어려운 조정 기간이 지나면 공급망이 훨씬 더 빠르고 단순하며 탄력적으로 변할 것입니다. 

자료 링크 : 

EdgeVerve, http://www.edgeverve.com 

트레이드에지, www.edgeverve.com/tradeedge

타임 스탬프 :

더보기 공급망 브레인