Toidu- ja joogitootmise maailm tegutseb üliõhukeste marginaalide ja rikneva kauba pidevalt tiksuva kellaga. See on kõrgete panustega keskkond, kus iga raisatud koostisosa, iga müümata toode sööb otse kasumlikkusse. Paljud ettevõtete omanikud, kellega ma räägin, teavad, et nad peavad nutikamaks saama, kuid neid valdab sageli tehisintellekti ümbritsev tohutu müra. Nad kuulevad suurtest ümberkujundamistest, kuid ei näe, kuidas see kehtib nende konkreetsete väljakutsete kohta, nagu värske toodangu haldamine või nišitoodete kõikuv nõudlus.
Aga mis siis, kui sa suudaksid nõudlust ennustada sellise täpsusega, et sa praktiliselt elimineeriksid raiskamise? Mis siis, kui sa suudaksid oma varusid nii täiuslikult optimeerida, et sul oleks alati piisavalt, aga mitte kunagi liiga palju? See ei ole ulme. Olen töötanud sadade ettevõtetega selle ülemineku kallal ja muster on selge: sihitud tehisintellekti rakendused, eriti sellistes valdkondades nagu nõudluse prognoosimine ja varude haldamine, osutuvad mängumuutjateks. See kehtib eriti nende ettevõtete kohta, kes otsivad parimaid tehisintellekti tööriistu toidu-joogitootmiseks, kus vigade tegemise panused on sõna otseses mõttes riknevad tooted ja kaotatud tulu.
Lubage mul rääkida teile ühest väikesest iseseisvast toidutootjast, kellega ma töötasin – nimetagem neid 'Artisan Eats'. Nad spetsialiseerusid värsketele, gurmee valmistoitudele, tarnides neid iseseisvatele jaemüüjatele ja otse tarbijatele. Nende väljakutse oli nende sektoris klassikaline: ettearvamatu nõudlus koos kergesti rikneva toorainega. Tulemuseks oli pidev tsükkel kas üle tellimise (mis viis märkimisväärse raiskamiseni) või ala tellimise (mis viis saamata jäänud müügi ja rahulolematute klientideni). Nende müüdud kaupade maksumus (COGS) oli selle ebatõhusa tantsu tõttu suurenenud, surudes nende niigi kitsaid marginaale. Nad olid lõksus, mida ma nimetan riknevuse paradoksiks: mida rohkem nad pingutasid kvaliteetsete, värskete toodete loomisel, seda haavatavamaks nad varude ebaõige haldamise suhtes muutusid.
Väljakutse: Retsept raiskamisele (ja kaotatud võimalustele)
Artisan Eatsi tegevus oli suures osas manuaalne. Müügi prognoosimine põhines kõhutundel, ajaloolistel keskmistel ja juhi parimal hinnangul. Toorainet telliti iganädalaselt, mõnikord iga päev, nende hinnangute põhjal. Nende ainulaadne müügiargument – värske, kvaliteetne, ilma säilitusaineteta – oli ka nende Achilleuse kand raiskamise osas. Müümata jäänud toitude partii tähendas täiesti heade, sageli kallite koostisosade äraviskamist, makstes tõhusalt millegi eest, mis tulu ei toonud. See ei puudutanud ainult tooraine maksumust; see puudutas ka tööjõudu, energiat ja pakendit. See tsükkel oli märkimisväärne rahaline koormus, panustades oluliselt nende COGS-i ja takistades nende võimet kasvada.
Nad proovisid erinevaid traditsioonilisi meetodeid: tihedamate tarnijalepingute läbirääkimine, tootevaliku vähendamine, isegi katsetamine pikema säilivusajaga komponentidega (mis olid vastuolus nende kaubamärgi lubadusega). Miski ei suutnud nende COGS-i märkimisväärselt mõjutada, sest põhiprobleem – ebatäpne nõudluse prognoosimine – jäi lahendamata. See oli nagu lekkiva katuse lappimine väikese ämbriga; põhiprobleem vajas tugevamat lahendust.
Tehisintellekti sekkumine: oletustest täpsuseni
Kui Artisan Eats minu poole pöördus, oli nende peamine eesmärk oma COGS-i kontrolli alla saamine ilma toote kvaliteeti kahjustamata. Minu kohene fookus oli nende nõudluse prognoosimisel ja varude haldamisel. Need on valdkonnad, kus tehisintellekt tõeliselt särab, eriti arvestades praegu kättesaadavate juurdepääsetavate ja võimsate tööriistade sissevoolu. Alustasime vaadates andmeid, mis neil juba olemas olid: müügiajalugu, reklaamikalendrid, hooajalised variatsioonid, isegi kohalike sündmuste ajakavad. Enamik ettevõtteid istub andmete kullakaevul, mida nad täielikult ei kasuta – seda nimetan ma andmete dividendiks.
Meie strateegia hõlmas ennustava tehisintellekti lahenduse juurutamist, mis oli spetsiaalselt loodud tarneahela väljakutseteks. Selle asemel, et ehitada midagi nullist, valisime valmis tööriistad, mis saaksid integreerida nende olemasoleva müügiplatvormiga. Peamine oli leida parimad tehisintellekti tööriistad toidu-joogitootmiseks, mis olid kasutajasõbralikud ja pakkusid selgeid, teostatavaid teadmisi, mitte ainult keerulisi algoritme.
1. etapp: täiustatud nõudluse prognoosimine
Alustasime nende ajalooliste müügiandmete – sealhulgas igapäevaste müüginumbrite, kampaaniate ja väliste tegurite (nagu ilmastikutingimused ja pühad) – sisestamisega pilvepõhisesse tehisintellekti nõudluse prognoosimise tööriista. See tööriist läks kaugemale lihtsatest keskmistest. See tuvastas keerulisi, mittelineaarseid mustreid, mida inimene silmaga ei märkaks. Näiteks õppis see, et päikeseline teisipäev pärast riigipüha näeks nende Vahemere roa müügis konkreetset tõusu, samas kui vihmane reede võiks nende mugavustoidu valikut turgutada. See arvestas ka iga koostisosa konkreetse säilivusajaga, pakkudes prognoose, mis ei puudutanud ainult kogust, vaid ka ajastust.
See kõrvaldas suure osa oletustest. Iganädalase müügieesmärkide arutelu koosoleku asemel said nad andmepõhiseid prognoose, mida värskendati peaaegu reaalajas. See võimaldas neil:
- Kohandada tootmisgraafikuid: Tootmine lähemale oodatavale nõudlusele, vähendades ületootmist.
- Optimeerida koostisosade ostmist: Tellida täpselt seda, mida vaja, siis, kui vaja, minimeerides riknemist.
- Ennetavalt hallata kampaaniaid: Tuvastada tooted, mis tõenäoliselt on üleliigsed, ja planeerida sihitud kampaaniaid nende müümiseks enne nende aegumist, selle asemel, et reageerida ähvardavale raiskamisele.
2. etapp: dünaamiline varude optimeerimine
Täpsemate nõudluse prognoosidega oli järgmine samm optimeerida nende varusid. Siin tuli mängu eraldi tehisintellektil põhinev varude haldamise süsteem. See süsteem ei öelnud neile lihtsalt, mis neil oli; see haldas aktiivselt ümbertellimispunkte ja -koguseid, arvestades tarnijate tarneaegu, laoruumi ja iga koostisosa säilivusaega. See võis isegi modelleerida erinevate laovarude finantsmõju.
Artisan Eatsi jaoks oli üks kriitilisemaid aspekte säilivusaja kitsikuse haldamine – piiratud koostisainete värskuse pidev surve. Tehisintellekti süsteem võttis seda arvesse, soovitades tellimusi, mis tasakaalustasid kulude kokkuhoidu värskusnõuetega, isegi märkides potentsiaalseid probleeme nädalaid ette. Näiteks kui tarnijal tekkisid viivitused, sai süsteem neid hoiatada proaktiivselt alternatiivseid allikaid otsima või tootmist kohandama, vältides laovarusid või kvaliteedikompomisatsiooni.
Süvendatud ülevaate saamiseks, kuidas need süsteemid saavad tootmistegevust muuta, juhatan ma ettevõtteid sageli meie juhendi juurde AI tootmises, mis hõlmab kõike alates tootmisliini optimeerimisest kuni kvaliteedikontrollini.
Tulemused: 22% COGS-i vähendamine
Mõju oli kiire ja märkimisväärne. Kuue kuu jooksul pärast täielikku juurutamist nägi Artisan Eats vapustavat 22% vähenemist oma müüdud kaupade maksumuses (COGS). See ei olnud lihtsalt marginaalne paranemine; see oli transformatiivne. Siin on jaotus, kust kokkuhoid tuli:
- Vähenenud koostisainete raiskamine (15% vähenemine): Ostude täpsema sobitamise abil nõudlusega vähendasid nad drastiliselt kasutamata kergesti riknevaid koostisosi. Vähem toitu prügikastis tähendas rohkem raha pangas.
- Optimeeritud tööjõukulud (5% vähenemine): Ennustatavamad tootmisgraafikud tähendasid vähem ületunde kiirtellimuste jaoks ja tõhusamat personali jaotust aeglasematel perioodidel. Meeskond sai keskenduda kvaliteedile ja innovatsioonile, selle asemel, et rabelda üleliigse või puuduse haldamisega.
- Madalamad laokulud (2% vähenemine): Kuigi väiksem osa kogu kokkuhoiust, tähendas vähem üleliigseid varusid väiksemat vajadust külmhoone ja energiatarbimise järele.
- Paranenud rahavoog: Vähem kapitali seotud aeglaselt liikuva või raisatud varudega vabastas vahendeid, mida sai reinvesteerida turundusse, tootearendusse või lihtsalt tervema finantspuhvri loomiseks.
Lisaks otsestele rahalistele säästudele oli hindamatuid teiselseid eeliseid. Klientide rahulolu paranes tänu väiksemale laovarude puudumisele. Töötajate moraal tõusis, kuna pidev raiskamise haldamise stress vähenes. Ettevõte saavutas paindlikkuse ja reageerimisvõime taseme, mida tal varem kunagi polnud, võimaldades neil kiiresti reageerida turumuutustele või uutele võimalustele.
See juhtumiuuring illustreerib kaunilt sihitud tehisintellekti jõudu toidusektoris. Täpsemate näidete ja raamistike jaoks, mis on kohandatud sellele tööstusele, uurige meie pühendatud ressurssi AI säästud toidu- ja joogitootmises.
Kokkuvõte: See ei puuduta asendamist, vaid täpsustamist
Artisan Eats ei asendanud oma kogu meeskonda tehisintellektiga. Nad andsid oma olemasolevale meeskonnale paremat ja täpsemat teavet. Tootmisjuhid said nüüd teha otsuseid konkreetsete andmete, mitte intuitsiooni põhjal, vabastades neid keskenduma kõrgema väärtusega ülesannetele, nagu retseptide innovatsioon ja kvaliteedikontroll. See on nutika tehisintellekti rakendamise olemus: inimvõimete suurendamine, mitte ainult nende automatiseerimine.
See lugu on võimas meeldetuletus, et tehisintellekti transformatsioon ei seisne alati massiivsetes, mitme miljoni naela suurustes ümberkorraldustes. Sageli on see kriitiliste kitsaskohtade – nagu nõudluse prognoosimine kergesti rikneva kauba ettevõttes – tuvastamises ja õigete tehisintellekti tööriistade rakendamises nende täpseks lahendamiseks. Esialgne investeering tehisintellekti tööriistadesse ja juurutamisprotsess Artisan Eatsi jaoks oli tagasihoidlik, eriti võrreldes kiire tulu tagastusega, mida nad COGS-i vähendamisel nägid. Nende kasutatud tööriistad olid juurdepääsetavad, pilvepõhised lahendused, mis ei vajanud andmeteadlaste armeed.
Kui teie ettevõte võitleb sarnaste väljakutsetega – olgu see siis tarneahela optimeerimine, kergesti rikneva kauba haldamine või lihtsalt COGS-i vähendamine – on nüüd võimalus ennustavat tehisintellekti ära kasutada. Alustage olemasolevate andmete vaatamisest, oma suurimate kulude tuvastamisest ja seejärel uurige kättesaadavaid tehisintellekti tööriistu, mis suudavad pakkuda teile sama täpsust, mis muutis Artisan Eatsi. Tulevik ei seisne raiskamise ignoreerimises; see seisneb selle ennustamises ja vältimises.