Försörjningskedjans synlighet är inte bara ett slagord; Det är ett imperativ

Tidsstämpel: 3 februari 2023 12:00
Källnod: 1939098

Det borde inte vara förvånande att bättre synlighet för beställningar, lager och leveranser toppar prioriteringslistan för 60 % till 80 % av företagen i undersökningar av försörjningskedjan. 

Där tillverkare och återförsäljare en gång utvecklade, lagrade och sköt ut stora volymer av varor till regionala marknader baserat på förutsägbara historiska och säsongsbetonade mönster, är D2C e-handel tillgänglig för mycket bredare publik via internet, på pull-basis. Ett samlat, nästan kontinuerligt flöde av mindre beställningar som skickas på begäran, tillsammans med en ökande total fraktefterfrågan, har översvämmat terminal-, lager-, utrustnings- och fordonskapaciteten på en trång arbetsmarknad. 

Föränderliga kunders förväntningar förvärrar svårigheterna. Last-mile-trycket och kostnaderna är mycket olika för pallgods som hålls i ett distributionscenter för gradvis frisättning till fabriker eller butiker på avsändarens anvisningar, jämfört med tidsbestämda beställningar med flera leveranstider och platsalternativ och en baslinjeförväntning om i tid och fullständig leverans.  

Oavsett om det är en ny pandemivariant, väderhändelse eller containerfartyg som blockerar Suezkanalen, kan oförutsedda omständigheter lätt ge en tipppunkt som kastar efterfrågan, utbud och kapacitet ur överensstämmelse över en natt. 

Siktens många rörliga delar

De flesta försörjningskedjor saknar fortfarande tillräcklig synlighet på efterfrågesidan nedströms vid försäljningsstället (POS), uppströms i leverantörsförsörjning och produktion, och i transit under transport. Att känna av efterfrågan tidigt är särskilt viktigt med tanke på pågående marknadsvolatilitet på grund av stadig D2C-tillväxt, förstärkt av pandemin, klimatet, kriget i Ukraina, global inflation och andra externa påtryckningar.  

Efterfrågesignaler, mer än någon annan enskild påverkan, driver försörjningskedjan. De dikterar vad som ska produceras, i vilka kvantiteter och vart de ska skickas - kort sagt, allt från inköp till tillgångs- och resursallokering till arbetsflöde. Det verkar därför kontraintuitivt att de flesta konventionella hierarkiska leveranskedjemodeller fortfarande inte kopplar fabriker och leverantörer direkt till återförsäljare och kunder i en god feedbackloop.

Istället flödar den mesta kommunikationen från centrum och utåt, och partnerinmatning sträcker sig sällan längre än en nivå upp eller ner, vilket fångar kritiska data i organisatoriska silor. Tredjeparts aggregatordata försvinner i marknadsföring, data om kundrelationshantering (CRM) i försäljning, produktionsdata i verksamheten och i C-suiten. Detta innebär en betydande risk för högre kostnader och förlorade affärer vid avbrott. 

Försörjningskedjans komplexitet förvärrar problemet, med mer än 60 % av globala konsumenter som nu använder e-handel, mer än 25 miljoner globala butiker öppnar, en tiofaldig ökning av nya produkter som kommer ut på marknaden varje år under det senaste decenniet, och 10 % av varorna upplever stockouts.

"På tillväxtmarknader skickar globala tillverkare via distributörer, och deras synlighet stannar vid den punkten", förklarar Suresh Prahlad Bharadwaj, plattformschef för TradeEdge på EdgeVerve Systems, ett helägt dotterbolag till Infosys. "De vet inte vilka deras kunder är, mest små mamma-och-pop-butiker. Även i modern handel, där tillverkare säljer genom en grossist eller direkt till en storbutik som Walmart eller Target, är de inte utrustade för att bearbeta den synlighet på försäljningsställen som kommer tillbaka till dem.” 

I en decentraliserad e-handelsmiljö, säger Suresh, kan försäljningsställen vara spridda bland hundratals eller tusentals distributörer, återförsäljare och webbplatser, alla med olika mognadsnivåer när det gäller att samla in och dela data, och olika sätt att formatera data och kommunicera. 

"Vilka är mina kunder, var finns de, vad beställer de?" frågar Suresh. "För att veta det måste jag samarbeta med återförsäljare för att snabbt få tillbaka den samlade informationen om försäljningsställen och butikslager till tillverkarna, så att de kan göra justeringar." Just nu, tillägger han, kan den processen ta tre till fyra veckor, beroende på tredjepartsdatasyndikatorer som Nielsen eller IRI för att samla in och harmonisera data från en panel av butiker och sedan förbereda anpassade rapporter för särskilda kunder. "I dagens värld," säger han, "är det för sent."

I takt med att den molnbaserade databearbetningskraften har ökat och kostnaderna har sjunkit, förklarar Suresh, skär fler återförsäljare och mellanhänder direkta datadelningsavtal med kundföretag för att sprida försäljningsdata från primära källor uppåt i kedjan. Men det är bara början.

Hitta nålar i höstackar

Mjukvarubaserade efterfrågeavkännande verktyg, med hjälp av artificiell intelligens och maskininlärning, får uppmärksamhet för sin förmåga att förutsäga en nära framtida efterfrågan. Dessa verktyg modellerar aggregerade POS-data i realtid mot interna och externa avvikelser i försörjningskedjan som klimathändelser, överbelastning i hamnar, en järnvägsstrejk, bränsleprisrörelser, räntehöjningar och höga arbetslöshetssiffror – allt som påverkar köpbeslut. 

Kort sagt, att på ett detaljerat sätt förstå villkoren under vilka varor såldes i går ger kortsiktiga insikter om hur och var samma varor sannolikt kommer att säljas i morgon, under samma eller olika förhållanden. I takt med att mer detaljerad data samlas in över tiden känner artificiell intelligens och maskininlärning mönster och insikter som skulle missas av en traditionell manuell operation som körs på en ERP-svit (Enterprise Resource Planning). Tätare rapporteringsintervall förkortar svarstiden när plötsliga, mer uttalade händelser inträffar.

Med tanke på att traditionell långsiktig strategisk planering och efterfrågeplanering nästan försvann sedan covid började, kan att konstruera nästan realtidsdata på detta sätt ge viktiga fördelar. Plötsligt jobbar företag på gårdagens POS-butik-SKU-försäljnings- och lagerdata, kontra veckorgammal sammanfattningsrapportering. Försäljningsdata tenderar också att ge mer exakta resultat för efterfrågeprognoser än jämförbara leveransdata, eftersom varor kan skickas av en mängd olika anledningar - till exempel utbyten eller provvaror.

Genom att använda definierade affärsregler och standarder som riktmärken, AI och maskininlärning karthandlare SKU, produkt, UPC och annan kodning mot tillverkarkoder som en del av introduktionsprocessen. De kan också skilja mellan standard- och reklam-SKU:er med till exempel små innehållsändringar för samma produkt. En viktig fördel är förmågan hos AI och maskininlärning att analysera och eliminera fantominventering och visa tomrum för att förutsäga och minska stockouts. Med hjälp av analyser kan företag validera försäljningstrenddata inom några timmar.

"En av de saker vi vet om prognoser är att det inte kommer att vara korrekt," hävdar Suresh. "Så frågan blir hur vi täpper till klyftorna. Vi gör det genom att verkställa kortsiktiga påfyllningsbeslut över hela nätverket.”  

Bygga värdenätverket för försörjningskedjan

Nedströms synlighet i hur marknader och kunder interagerar för att påverka försäljningen, vilket genererar värdefulla efterfrågesignaler i processen, bäddar för en större omtanke av hela leveranskedjan. 

Synlighet både uppströms och nedströms, från beställning till betalning i en icke-hierarkisk, "många-till-många" nätverksmodell, erbjuder en möjlighet för end-to-end, realtidsrapportering och delning av data, och för samarbete mellan alla parter i nätverket. 

Processen börjar med att bygga en enda, pålitlig, delbar källa för information över nätverket. Partners får lämpliga behörigheter för att komma åt specifika typer av data för specifik användning. Data, inklusive relevanta formulär, dokumentation och kommunikation, är standardiserade, harmoniserade och strukturerade i ett gemensamt databasformat för enkel användning. 

Så vad händer när efterfrågesignalerna börjar blinka? Kan produktionen skalas upp eller ned snabbt, eller kan produktmixen och sekvenseringen ändras för att säkerställa att beställningar fylls i tid? Har Tier 2-leverantörer material och delar för att öka produktionen efter behov? Om inte, kan befintligt lager i systemet lokaliseras, omdirigeras och fyllas på? Om inte, bör verksamhets- och planeringsteam ompröva säkerhetslager, diversifiering av leverantörer eller produktportföljalternativ? Vilka blir kostnadseffekterna? Tid är avgörande för att få svar på dessa frågor och vidta de optimala korrigerande åtgärderna.

Den viktiga skillnaden med nätverksmodellen är att leverantörer, tillverkare och återförsäljare inte bara kan känna av förändringar i efterfrågan, utan också samarbeta direkt och proaktivt, i realtid, för att lösa problem, snarare än att var och en har separat, tystad kommunikation genom huvudföretaget där avgörande detaljer kan gå vilse i översättningen. Dessutom kan AI- och maskininlärningsaktiverad analys köra hundratals eller tusentals scenarier på minuter, spela var och en baserat på aktuella och historiska leverans- och lagerdata för att formulera en optimal lösning.

Men som det gamla tekniska ordspråket lyder: skräp in, skräp ut. Nätverksprestanda är bara så bra som partnerköp och en korrekt datauppsättning. "Det handlar inte bara om teknik i molnet," insisterar Suresh, "det handlar om att driva på att samarbeta med partners i rapportering, volymen och aktualiteten för data, detaljerad information och frekvensen med vilken den delas."

Suresh erkänner att det hittills huvudsakligen har varit mycket stora företag, i intervallet 6 miljarder dollar och däröver, som har drivit denna nivå av digital transformation, delvis på grund av deras inflytande att tvinga fram och hantera förändringar med mindre leverantörer, leverantörer, och kunder. Men han ser en möjlighet i att rekrytera kunder i intervallet 1 till 5 miljarder dollar. 

Vart är allt detta på väg? Det kommer med tiden att bli absolut nödvändigt för företag av alla storlekar att genomföra digital transformation, vilket leder till sammankoppling och konsolidering av försörjningskedjor över tiden. Leta efter fler operationer och processer som ska automatiseras, vilket ytterligare förkortar svarstiderna, eliminerar fel och komprimerar order-to-pay-cykeln, samtidigt som människor och resurser frigörs för mer produktivt och givande arbete. Onboarding och dataharmonisering kommer sannolikt att bli nästan plug-and-play för små och medelstora leverantörer och leverantörer, med nätverkskapacitet som framträder som en viktig differentiator på vägen till att bli allestädes närvarande. 

Summan av kardemumman: Efter en kort, ibland svår, anpassningsperiod är leveranskedjan på väg att bli mycket snabbare, enklare och mer motståndskraftig. 

Resurslänkar: 

EdgeVerve, http://www.edgeverve.com 

TradeEdge, www.edgeverve.com/tradeedge

Tidsstämpel:

Mer från Supply Chain Brain