Maisto ir gėrimų gamybos pasaulis veikia su itin mažomis maržomis ir spaudžiant greito gedimo laiko bombai. Tai didelės rizikos aplinka, kurioje kiekvienas iššvaistytas ingredientas, kiekvienas neparduotas produktas tiesiogiai mažina pelningumą. Daugelis verslo savininkų, su kuriais bendrauju, žino, kad jiems reikia tapti protingesniems, tačiau juos dažnai pribloškia triukšmas, supantis dirbtinį intelektą. Jie girdi apie dideles transformacijas, bet negali pamatyti, kaip tai tinka jų specifiniams iššūkiams, tokiems kaip šviežių produktų valdymas ar kintančios nišinio produkto paklausos sprendimas.
O kas, jei galėtumėte prognozuoti paklausą taip tiksliai, kad praktiškai pašalintumėte atliekas? O kas, jei galėtumėte optimizuoti savo atsargas taip tobulai, kad visada turėtumėte pakankamai, bet niekada per daug? Tai nėra mokslinė fantastika. Dirbau su šimtais įmonių dėl šio perėjimo, ir tendencija yra aiški: tikslinės dirbtinio intelekto programos, ypač tokiose srityse kaip paklausos prognozavimas ir atsargų valdymas, pasirodo esančios persilaužimas. Tai ypač aktualu įmonėms, ieškančioms geriausių DI įrankių maisto ir gėrimų gamybai, kur klaidos kaina yra tiesiogine prasme pūvantys produktai ir prarastos pajamos.
Leiskite man papasakoti apie mažą, nepriklausomą maisto gamintoją, su kuriuo dirbau – pavadinkime juos „Artisan Eats“. Jie specializavosi šviežiuose, gurmaniškuose paruoštuose patiekaluose, pristatydami juos nepriklausomiems mažmenininkams ir tiesiogiai vartotojams. Jų iššūkis buvo klasikinis jų sektoriuje: nenuspėjama paklausa kartu su labai greitai gendančiais ingredientais. Rezultatas buvo nuolatinis per didelio užsakymo (vedantis prie didelių atliekų) arba per mažo užsakymo (vedantis prie praleistų pardavimų ir nepatenkintų klientų) ciklas. Jų parduotų prekių savikaina (COGS) buvo padidinta dėl šio neefektyvaus šokio, spaudžiant jau ir taip mažas maržas. Jie buvo įstrigę tame, ką aš vadinu Gedimo paradoksu: kuo daugiau pastangų jie dėjo kurdami aukštos kokybės, šviežius produktus, tuo labiau pažeidžiami jie tapo netinkamam atsargų valdymui.
Iššūkis: atliekų (ir prarastų galimybių) receptas
„Artisan Eats“ veikla buvo daugiausia rankinė. Pardavimų prognozavimas rėmėsi nuojauta, istoriniais vidurkiais ir vadovo geriausiais spėjimais. Ingredientai buvo užsakomi kas savaitę, kartais kasdien, remiantis šiomis prognozėmis. Jų unikalus pardavimo pasiūlymas – švieži, aukštos kokybės, be konservantų – taip pat buvo jų Achilo kulnas, kalbant apie atliekas. Neparduotų patiekalų partija reiškė puikių, dažnai brangių, ingredientų išmetimą, efektyviai mokant už tai, kas neatnešė jokios grąžos. Tai buvo ne tik žaliavų kaina; tai buvo ir darbo jėga, energija bei pakuotė. Šis ciklas reikšmingai išsekino jų finansus, ženkliai prisidėjo prie jų COGS ir stabdė jų gebėjimą plėstis.
Jie išbandė įvairius tradicinius metodus: derėjimąsi dėl griežtesnių tiekėjų sutarčių, produktų asortimento mažinimą, net eksperimentavimą su ilgesnio galiojimo laiko komponentais (kas prieštaravo jų prekės ženklo pažadui). Nieko iš tiesų nepakeitė jų COGS, nes pagrindinė problema – netikslus paklausos prognozavimas – liko neišspręsta. Tai buvo tarsi bandymas užtaisyti kiaurą stogą mažu kibiru; pagrindinei problemai reikėjo tvirtesnio sprendimo.
DI intervencija: nuo spėliojimo iki tikslumo
Kai „Artisan Eats“ kreipėsi į mane, jų pagrindinis tikslas buvo kontroliuoti savo COGS, nepakenkiant produkto kokybei. Mano tiesioginis dėmesys buvo sutelktas į paklausos prognozavimą ir atsargų valdymą. Tai sritys, kuriose DI išties spindi, ypač atsižvelgiant į dabar prieinamų galingų įrankių antplūdį. Pradėjome nuo jų jau turimų duomenų: pardavimų istorijos, akcijų kalendorių, sezoninių svyravimų, net vietinių renginių tvarkaraščių. Dauguma įmonių sėdi ant duomenų aukso kasyklos, kurios visiškai neišnaudoja – ką aš vadinu Duomenų dividendais.
Mūsų strategija apėmė nuspėjamojo dirbtinio intelekto sprendimo, specialiai sukurto tiekimo grandinės iššūkiams, įgyvendinimą. Užuot kūrę kažką nuo nulio, mes pasirinkome paruoštus įrankius, kurie galėtų integruotis su jų esama pardavimų platforma. Svarbiausia buvo rasti geriausius DI įrankius maisto ir gėrimų gamybai, kurie būtų patogūs vartotojui ir teiktų aiškias, veiksmingas įžvalgas, o ne tik sudėtingus algoritmus.
1 fazė: patobulintas paklausos prognozavimas
Pradėjome įkeldami jų istorinius pardavimų duomenis – įskaitant kasdienius pardavimų rodiklius, akcijas ir išorinius veiksnius, tokius kaip oro sąlygos ir šventės – į debesų pagrindu veikiantį dirbtinio intelekto paklausos prognozavimo įrankį. Šis įrankis viršijo paprastus vidurkius. Jis identifikavo sudėtingus, nelinijinius modelius, kurių žmogaus akis nepastebėtų. Pavyzdžiui, jis sužinojo, kad saulėtas antradienis po banko šventės padidintų Viduržemio jūros regiono patiekalų pardavimus, o lietingas penktadienis galėtų padidinti jų „comfort food“ asortimento pardavimus. Jis taip pat atsižvelgė į kiekvieno ingrediento specifinį galiojimo laiką, teikdamas prognozes, kurios buvo ne tik apie kiekį, bet ir apie laiką.
Tai pašalino didžiąją dalį spėliojimų. Vietoj savaitinio susitikimo, kuriame buvo aptariami pardavimų tikslai, jie gavo duomenimis pagrįstas prognozes, kurios buvo atnaujinamos beveik realiuoju laiku. Tai leido jiems:
- Koreguoti gamybos grafikus: gamyba arčiau numatomos paklausos, sumažinant perteklinę gamybą.
- Optimizuoti ingredientų pirkimą: užsakyti tiksliai tai, ko reikia, kai reikia, minimizuojant gedimą.
- Proaktyviai valdyti akcijas: nustatyti produktus, kurie greičiausiai bus pertekliniai, ir planuoti tikslines akcijas, kad juos parduotų prieš jiems pasibaigiant, užuot reagavus į artėjančias atliekas.
2 fazė: dinaminis atsargų optimizavimas
Turint tikslesnes paklausos prognozes, kitas žingsnis buvo optimizuoti jų atsargas. Čia pasitelktas atskira dirbtinio intelekto valdoma atsargų valdymo sistema. Ši sistema ne tik pasakė, ką jie turi; ji aktyviai valdė pakartotinio užsakymo taškus ir kiekius, atsižvelgdama į tiekėjų pristatymo laiką, sandėliavimo pajėgumus ir kiekvieno ingrediento galiojimo laiką. Ji netgi galėjo modeliuoti skirtingų atsargų lygių finansinį poveikį.
Vienas iš svarbiausių aspektų „Artisan Eats“ buvo galiojimo laiko spaudimo valdymas – nuolatinis riboto ingredientų šviežumo spaudimas. DI sistema atsižvelgė į tai, rekomenduodama užsakymus, kurie subalansavo sąnaudų taupymą su šviežumo reikalavimais, netgi perspėdama apie galimas problemas prieš kelias savaites. Pavyzdžiui, jei tiekėjas susidurdavo su vėlavimais, sistema galėjo perspėti juos proaktyviai ieškoti alternatyvių šaltinių arba koreguoti gamybą, užkertant kelią atsargų trūkumui ar kokybės kompromisui.
Norėdami išsamiau sužinoti, kaip šios sistemos gali transformuoti gamybos operacijas, dažnai nukreipiu įmones į mūsų vadovą apie DI gamyboje, kuris apima viską nuo gamybos linijos optimizavimo iki kokybės kontrolės.
Rezultatai: 22% sumažintos gamybos sąnaudos (COGS)
Poveikis buvo greitas ir reikšmingas. Per šešis mėnesius nuo visiško įgyvendinimo „Artisan Eats“ pasiekė stulbinantį 22% parduotų prekių savikainos sumažėjimą. Tai nebuvo tik nežymus pagerėjimas; tai buvo transformacija. Štai iš kur atsirado santaupos:
- Sumažintos ingredientų atliekos (15% sumažėjimas): pirkimus geriau priderinus prie paklausos, jie drastiškai sumažino nepanaudotų greitai gendančių ingredientų kiekį. Mažiau maisto šiukšliadėžėje reiškė daugiau pinigų banke.
- Optimizuotos darbo sąnaudos (5% sumažėjimas): labiau nuspėjami gamybos grafikai reiškė mažiau viršvalandžių skubiems užsakymams ir efektyvesnį personalo paskirstymą lėtesniais laikotarpiais. Komanda galėjo susitelkti į kokybę ir inovacijas, užuot skubėjus tvarkyti perteklių ar trūkumus.
- Mažesnės sandėliavimo sąnaudos (2% sumažėjimas): Nors tai buvo mažesnė bendrų sutaupymų dalis, turint mažiau perteklinių atsargų, reikėjo mažiau šaldymo sandėliavimo vietos ir energijos sąnaudų.
- Pagerintas pinigų srautas: mažiau kapitalo, susieto su lėtai judančiomis ar iššvaistytomis atsargomis, atlaisvino lėšų, kurias galima reinvestuoti į rinkodarą, produktų kūrimą arba tiesiog sveikesnio finansinio rezervo kūrimą.
Be tiesioginių finansinių sutaupymų, buvo ir neįkainojamos antrinės naudos. Klientų pasitenkinimas pagerėjo dėl retesnių atsargų trūkumų. Darbuotojų moralė pakilo, sumažėjus nuolatiniam atliekų valdymo stresui. Verslas įgijo tokį lankstumo ir reagavimo lygį, kokio niekada neturėjo anksčiau, leidžiantį greitai reaguoti į rinkos pokyčius ar naujas galimybes.
Ši atvejo analizė puikiai iliustruoja tikslinio DI galią maisto sektoriuje. Norėdami gauti konkretesnių pavyzdžių ir sistemų, pritaikytų šiai pramonei, išnagrinėkite mūsų specialų resursą apie DI taupymus maisto ir gėrimų gamyboje.
Išvada: svarbu ne pakeisti, o tobulinti
„Artisan Eats“ nepakeitė visos savo komandos dirbtiniu intelektu. Jie suteikė savo esamai komandai geresnę, tikslesnę informaciją. Gamybos vadovai dabar galėjo priimti sprendimus, pagrįstus konkrečiais duomenimis, o ne intuicija, atlaisvindami juos sutelkti dėmesį į didesnės vertės užduotis, tokias kaip receptų inovacijos ir kokybės kontrolė. Tai yra protingo DI diegimo esmė: žmogiškųjų gebėjimų didinimas, o ne tik jų automatizavimas.
Ši istorija yra galingas priminimas, kad DI transformacija ne visada susijusi su dideliais, milijonų svarų vertės pertvarkymais. Dažnai tai yra kritinių kliūčių – pavyzdžiui, paklausos prognozavimo greitai gendančių prekių versle – nustatymas ir tinkamų DI įrankių taikymas, siekiant juos išspręsti tiksliai. Pradinės investicijos į DI įrankius ir „Artisan Eats“ diegimo procesą buvo nedidelės, ypač palyginti su sparčia grąža, kurią jie gavo sumažinus COGS. Jų naudoti įrankiai buvo prieinami, debesų pagrindu veikiantys sprendimai, kuriems nereikėjo duomenų mokslininkų armijos.
Jei jūsų verslas susiduria su panašiais iššūkiais – ar tai būtų tiekimo grandinės optimizavimas, greitai gendančių prekių valdymas, ar tiesiog COGS mažinimas – dabar yra galimybė pasinaudoti nuspėjamuoju DI. Pradėkite nuo esamų duomenų peržiūros, nustatykite didžiausius sąnaudų nutekėjimus, o tada išnagrinėkite prieinamus DI įrankius, kurie gali suteikti jums tokį pat tikslumą, kuris transformavo „Artisan Eats“. Ateitis nėra apie atliekų ignoravimą; tai apie jų numatymą ir prevenciją.