Prepoznavnost dobavne verige ni le floskula; To je imperativ

Časovni žig: 3. februar 2023 12
Izvorno vozlišče: 1939098

Ne bi smelo biti presenetljivo, da je boljša vidljivost naročil, inventarja in pošiljk na vrhu prednostnega seznama za 60 % do 80 % podjetij v raziskavah dobavne verige. 

Kjer so proizvajalci in trgovci na drobno nekoč razvili, založili in izrinili velike količine blaga na regionalne trge na podlagi predvidljivih zgodovinskih in sezonskih vzorcev, je e-trgovina D2C dostopna veliko širšemu občinstvu prek interneta na podlagi vleka. Skupni, skoraj neprekinjeni tok manjših naročil, poslanih na zahtevo, je skupaj z naraščajočim splošnim povpraševanjem po tovoru preplavil kapacitete terminalov, skladišč, opreme in vozil na tesnem trgu dela. 

Spremenljiva pričakovanja strank povečujejo težave. Pritiski zadnjega kilometra in stroški so zelo različni za paletiziran tovor, ki se hrani v distribucijskem centru za postopno sprostitev v tovarne ali trgovine po pošiljateljevih navodilih, v primerjavi s časovno določenimi naročili z več možnostmi časa in lokacije dostave ter osnovnim pričakovanjem pravočasnosti in dostava v celoti.  

Ne glede na to, ali gre za novo različico pandemije, vremenske razmere ali zabojniško ladjo, ki blokira Sueški prekop, lahko nepredvidene okoliščine zlahka povzročijo prelomno točko, zaradi katere povpraševanje, ponudba in zmogljivost čez noč izginejo iz usklajenosti. 

Številni gibljivi deli vidljivosti

Večina dobavnih verig še vedno nima ustrezne vidljivosti na nižji strani povpraševanja na prodajnem mestu (POS), navzgor pri pridobivanju dobaviteljev in proizvodnji ter v tranzitu med pošiljanjem. Zgodnje zaznavanje povpraševanja je še posebej pomembno glede na stalno nestanovitnost trga zaradi stalne rasti D2C, ki jo povečujejo pandemija, podnebje, vojna v Ukrajini, svetovna inflacija in drugi zunanji pritiski.  

Signali povpraševanja bolj kot kateri koli drug posamezen vpliv poganjajo dobavno verigo. Narekujejo, kaj proizvesti, v kakšnih količinah in kam poslati – skratka, vse od nabave do sredstev in dodeljevanja virov do poteka dela. Zdi se torej protiintuitivno, da večina običajnih hierarhičnih modelov dobavne verige še vedno ne povezuje tovarn in dobaviteljev neposredno s trgovci na drobno in strankami v dobri povratni zanki.

Namesto tega večina komunikacije teče iz centra navzven, prispevki partnerjev pa le redko segajo čez eno raven navzgor ali navzdol, kar kritične podatke ujame v organizacijske silose. Podatki o zbiralnikih tretjih oseb so v trženju, podatki o upravljanju odnosov s strankami (CRM) v prodaji, podatki o proizvodnji v operacijah in v C-suiteu. To predstavlja veliko tveganje za višje stroške in izgubo posla v primeru motenj. 

Kompleksnost dobavne verige še povečuje težavo, saj več kot 60 % svetovnih potrošnikov zdaj uporablja e-trgovino, odprtih je več kot 25 milijonov globalnih maloprodajnih mest, v zadnjem desetletju se vsako leto na trg desetkratno poveča število novih izdelkov in 10 % blaga, ki je zmanjkalo.

»Na trgih v razvoju globalni proizvajalci pošiljajo prek distributerjev in njihova prepoznavnost se na tej točki ustavi,« pojasnjuje Suresh Prahlad Bharadwaj, vodja platforme za TradeEdge pri EdgeVerve Systems, hčerinski družbi v XNUMX-odstotni lasti Infosysa. »Ne vedo, kdo so njihove stranke, večinoma majhne mami-in-pop trgovine. Celo v sodobni trgovini, kjer proizvajalci prodajajo prek veletrgovca ali neposredno v velikih trgovinah, kot sta Walmart ali Target, niso opremljeni za obdelavo te vidnosti na prodajnem mestu, ki se jim vrača.« 

V decentraliziranem okolju e-trgovine, pravi Suresh, so lahko prodajna mesta razpršena med stotine ali tisoče distributerjev, trgovcev na drobno in spletnih mest, vsi z različnimi stopnjami zrelosti pri zbiranju in izmenjavi podatkov ter različnimi načini oblikovanja podatkov in komuniciranja. 

"Kdo so moje stranke, kje se nahajajo, kaj naročajo?" vpraša Suresh. "Da bi to vedel, moram sodelovati s trgovci na drobno, da se te skupne informacije o prodajnem mestu in skladišču hitro vrnejo proizvajalcem, da se lahko prilagodijo." Trenutno, dodaja, lahko ta postopek traja od tri do štiri tedne, pri čemer se zanaša na tretje osebe, ki zbirajo podatke, kot sta Nielsen ali IRI, da zberejo in uskladijo podatke iz plošče trgovin ter nato pripravijo poročila po meri za določene stranke. "V današnjem svetu," pravi, "je to prepozno."

Ko se je moč obdelave podatkov v oblaku povečala in so se stroški znižali, pojasnjuje Suresh, več trgovcev na drobno in posrednikov sklepa pogodbe o neposredni izmenjavi podatkov s podjetji strank, da bi podatke o prodaji iz primarnega vira razpršili nazaj navzgor po verigi. Ampak to je šele začetek.

Iskanje igel v kopih sena

Programsko zasnovana orodja za zaznavanje povpraševanja, ki jih podpirata umetna inteligenca in strojno učenje, pridobivajo pozornost zaradi svoje sposobnosti napovedovanja povpraševanja v bližnji prihodnosti. Ta orodja modelirajo podatke POS v realnem času glede na notranje in zunanje anomalije dobavne verige, kot so podnebni dogodki, zastoji v pristaniščih, železniška stavka, spremembe cen goriva, dvigi obrestnih mer in visoke stopnje brezposelnosti – vse to vpliva na odločitve o nakupu. 

Skratka, podrobno razumevanje pogojev, pod katerimi je bilo blago prodano včeraj, ponuja kratkoročne vpoglede v to, kako in kje se bo isto blago verjetno prodajalo jutri, pod enakimi ali drugačnimi pogoji. Ker se sčasoma zbirajo podrobnejši podatki, umetna inteligenca in strojno učenje zaznavata vzorce in vpoglede, ki bi jih običajna ročna operacija, ki se izvaja v paketu za načrtovanje virov podjetja (ERP), zamudila. Pogostejši intervali poročanja skrajšajo odzivni čas ob nenadnih, bolj izrazitih dogodkih.

Glede na skorajšnji propad tradicionalnega dolgoročnega strateškega načrtovanja in načrtovanja povpraševanja od izbruha COVID-a, lahko sestavljanje podatkov v skoraj realnem času na ta način prinese pomembne koristi. Podjetja nenadoma delajo na podlagi včerajšnjih podatkov o prodaji in inventarju POS trgovin v trgovini POS in podatkov o zalogah v primerjavi s tedni starimi povzetki poročil. Podatki o prodaji prav tako zagotavljajo natančnejše rezultate napovedovanja povpraševanja kot primerljivi podatki o pošiljkah, saj je blago lahko poslano iz različnih razlogov – na primer zaradi menjave ali vzorčnega blaga.

Z uporabo definiranih poslovnih pravil in standardov kot meril uspešnosti, AI in strojno učenje preslika SKU trgovca na drobno, izdelek, UPC in drugo kodiranje glede na kode proizvajalca kot del procesa vključevanja. Prav tako lahko razlikujejo med standardnimi in promocijskimi SKU-ji z, recimo, majhnimi spremembami vsebine za isti izdelek. Pomembna prednost je zmožnost umetne inteligence in strojnega učenja, da analizirata in odpravita fantomske zaloge in prikažeta praznine, da lahko predvidita in zmanjšata zaloge. Z uporabo analitike lahko podjetja potrdijo podatke o trendih prodaje v nekaj urah.

"Ena od stvari, ki jih vemo o napovedovanju, je, da ne bo natančno," trdi Suresh. »Vprašanje torej postane, kako zapolnimo vrzeli. To storimo z izvajanjem kratkoročnih odločitev o dopolnitvi v celotnem omrežju.«  

Gradnja omrežja vrednosti dobavne verige

Nadaljnja preglednost v tem, kako trgi in stranke medsebojno vplivajo na prodajo, pri čemer ustvarjajo dragocene signale povpraševanja v procesu, postavlja mizo za večji ponovni razmislek o celotni dobavni verigi. 

Vidnost tako navzgor kot navzdol, od naročila do plačila v nehierarhičnem omrežnem modelu »mnogo proti mnogo«, predstavlja priložnost za poročanje in skupno rabo podatkov od konca do konca v realnem času ter za sodelovanje vseh strani v omrežju. 

Postopek se začne z izgradnjo enega samega, zaupanja vrednega vira informacij, ki ga je mogoče deliti v omrežju. Partnerji so vključeni z ustreznimi dovoljenji za dostop do določenih vrst podatkov za posebne namene. Podatki, vključno z ustreznimi obrazci, dokumentacijo in komunikacijo, so standardizirani, usklajeni in strukturirani v skupnem formatu baze podatkov za lažjo uporabo. 

Kaj se torej zgodi, ko začnejo signali povpraševanja utripati? Ali je mogoče proizvodnjo hitro povečati ali zmanjšati ali spremeniti mešanico izdelkov in zaporedje, da se zagotovi pravočasno izpolnjevanje naročil? Ali imajo dobavitelji stopnje 2 materiale in dele za povečanje proizvodnje po potrebi? Če ne, ali je mogoče obstoječi inventar v sistemu poiskati, preusmeriti in dopolniti? Če ne, ali bi morale operativne in načrtovalske skupine ponovno razmisliti o varnostnih zalogah, diverzifikaciji dobaviteljev ali alternativah portfelja izdelkov? Kakšni bi bili stroški? Čas je ključnega pomena pri pridobivanju odgovorov na ta vprašanja in sprejemanju optimalnih korektivnih ukrepov.

Pomembna razlika z omrežnim modelom je v tem, da lahko dobavitelji, proizvajalci in trgovci na drobno ne samo zaznajo sprememb povpraševanja, ampak tudi neposredno in proaktivno sodelujejo v realnem času pri reševanju problemov, namesto da bi vsak imel ločeno ločeno komunikacijo prek glavnega podjetja. kjer se lahko ključne podrobnosti izgubijo v prevodu. Poleg tega lahko umetna inteligenca in analitika, omogočena s strojnim učenjem, izvajata na stotine ali tisoče scenarijev v minutah, pri čemer vsakega preigrata na podlagi trenutnih in preteklih podatkov o pošiljkah in inventarju, da oblikujeta optimalno rešitev.

Toda kot pravi stari tehnološki pregovor: smeti noter, smeti ven. Učinkovitost omrežja je le toliko dobra, kot sta partnerski nakup in točen nabor podatkov. "Ne gre le za tehnologijo v oblaku," vztraja Suresh, "gre za spodbujanje skladnosti partnerjev pri poročanju, obsegu in pravočasnosti podatkov, razdrobljenosti informacij in pogostosti njihove deljenja."

Suresh priznava, da so do zdaj v glavnem zelo velika podjetja, v obsegu 6 milijard dolarjev in več, poganjala to raven digitalne preobrazbe, deloma zaradi njihovega vzvoda za izsiljevanje in upravljanje sprememb z manjšimi dobavitelji, prodajalci, in stranke. Toda priložnost vidi v zaposlovanju strank v razponu od 1 do 5 milijard dolarjev. 

Kam vse to vodi? Sčasoma bo za podjetja vseh velikosti postala nujna digitalna preobrazba, ki bo sčasoma privedla do medsebojnega povezovanja in konsolidacije dobavnih verig. Poiščite več operacij in procesov, ki bodo avtomatizirani, kar bo dodatno skrajšalo odzivne čase, odpravilo napake in skrčilo cikel od naročila do plačila, hkrati pa sprostite ljudi in vire za bolj produktivno in nagrajujoče delo. Uvajanje in usklajevanje podatkov bo verjetno postalo skoraj plug-and-play za male in srednje velike dobavitelje in prodajalce, pri čemer se bo omrežna zmogljivost pojavila kot ključna razlika na poti, da postane vseprisotna. 

Bistvo: Po kratkem, včasih težkem obdobju prilagajanja bo dobavna veriga kmalu postala veliko hitrejša, enostavnejša in bolj prožna. 

Povezave do virov: 

EdgeVerve, http://www.edgeverve.com 

TradeEdge, www.edgeverve.com/tradeedge

Časovni žig:

Več od Možgani dobavne verige