Ja vadāt pārtikas ražošanas uzņēmumu, jūs šobrīd cīnāties karā divās frontēs. No vienas puses, jums ir klienti, kuri kļūst arvien jutīgāki pret cenām, pieaugot viņu pašu rēķiniem par pārtikas precēm. No otras puses, jums ir globāla piegādes ķēde, kas šķietami turas kopā tikai uz līmlentes un lūgšanām. Mazajiem ražotājiem vidusceļš — jūsu peļņas marža — sarūk ar katru dienu.
Pēdējo desmitgadi esmu pavadījis, pētot šīs nozares uzņēmumu peļņas un zaudējumu aprēķinus, un modelis vienmēr ir viens un tas pats: tie ir izcili radoši savās receptēs, bet bīstami manuāli savos aprēķinos. Lielākā daļa mazo ražotāju iepērk sastāvdaļas, balstoties uz principu "tā mēs vienmēr esam darījuši" vai reaģējot uz brīdinājumu par zemu krājumu līmeni izklājlapā. Augstas nepastāvības laikmetā tas vairs nav tikai neefektīvi; tas apdraud jūsu izdzīvošanu.
Nesen es strādāju ar butika stila granolas un uzkodu ražotāju — sauksim tos par "Field & Flour" —, kam izdevās paveikt ko tādu, ko lielākā daļa konsultantu uzskata par neiespējamu viņu mēroga uzņēmumam. Viņi samazināja savu pārdotās produkcijas pašizmaksu (COGS) par 12% tikai 90 dienās. Viņi to nepanāca, pārejot uz lētākām, nekvalitatīvām sastāvdaļām vai atlaižot virtuves darbiniekus. Viņi to paveica, ieviešot liesu, ļoti specifisku AI mazajam biznesam pieeju, kas pilnībā koncentrējās uz "prognozējošo iepirkumu" (Predictive Procurement).
"Just-in-Time" ilūzijas slazds
💡 Vai vēlaties, lai Penijs analizē jūsu biznesu? Viņa kartē, kuras lomas AI var aizstāt, un izveido pakāpenisku plānu. Sāciet savu bezmaksas izmēģinājuma versiju →
Gadiem ilgi mazajiem uzņēmumiem tika teikts atdarināt tādu milžu kā Toyota vai Nestlé "Just-in-Time" (JIT) piegādes modeļus. Ideja bija vienkārša: neiesaldējiet skaidru naudu krājumos; pērciet to, kas jums nepieciešams, tieši tad, kad tas nepieciešams.
Bet mazajam ražotājam JIT bieži vien ir slazds. Jums nav tāda apjoma, lai pieprasītu prioritāti no piegādātājiem, tāpēc, iestājoties deficītam vai strauji pieaugot cenām, jūs esat pirmais, kuru skar ierobežojumi. Field & Flour katru mēnesi zaudēja tūkstošus, jo pirka auzas un medu par augstākajām tirgus cenām tikai tāpēc, ka tajā brīdī viņu tvertnes bija tukšas.
Es to saucu par iepirkumu kavēšanos (The Procurement Lag). Tās ir slēptās izmaksas par reaktīvu, nevis prognozējošu rīcību. Ja jums trūkst datu, lai pamanītu gaidāmo cenu kāpumu, jūs maksājat "nepastāvības nodokli", kas apēd jūsu peļņu vēl pirms esat ieslēguši krāsnis.
1. solis: Datu fragmentācijas problēmas risināšana
Pirms mēs varējām pieslēgt jebkādus AI rīkus, mums bija jāsakārto esošais haoss. Field & Flour dati atradās četrās dažādās vietās: vecā Sage grāmatvedības sistēmā, trīs dažādos piegādātāju portālos, manuālā ražošanas žurnālā un papīra rēķinu kaudzē.
AI nav maģija; tas ir modeļu atpazīšanas dzinējs. Ja modeļi ir aprakti papīros, dzinējs nevar iedarboties. Mēs izmantojām vienkāršu OCR (optiskās rakstzīmju atpazīšanas) rīku, lai digitalizētu vēsturiskos rēķinus par trim gadiem. Tas sniedza AI atskaites punktu: Cik mēs maksājām par medu 2022. gada jūnijā salīdzinājumā ar 2023. gada jūniju? Kurš piegādātājs pastāvīgi kavē piegādes?
Ja meklējat līdzīgu ceļvedi savai ražotnei, mūsu nozares ietaupījumu rokasgrāmata pārtikas un dzērienu ražošanai precīzi apraksta, kā veikt šo datu tvertņu auditu, nealgojot datu zinātnieku.
2. solis: "Nepastāvības arbitrāžas" ieviešana
Šeit sāk darboties faktiskais AI mazajam biznesam. Mēs neveidojām pielāgotu modeli — šāda mēroga uzņēmumam tā būtu naudas izšķiešana. Tā vietā mēs izmantojām gatavu prognozēšanas analītikas un automatizētas tirgus uzraudzības kombināciju.
Mēs izveidojām sistēmu, kas salīdzināja Field & Flour vēsturisko patēriņu ar globālajām preču cenu plūsmām un laikapstākļu modeļiem galvenajos audzēšanas reģionos. AI ne tikai skatījās uz to, ko viņi izmantoja; tas skatījās uz to, ko darīja tirgus.
Otrajā mēnesī sistēma signalizēja par augstu varbūtību, ka bioloģisko mandeļu cena pieaugs par 15% sausuma dēļ Kalifornijā. Parasti Field & Flour būtu gaidījuši, līdz krājumi beigsies, lai veiktu jaunu pasūtījumu. Tā vietā AI virzītais ieskats ļāva viņiem fiksēt lielapjoma pirkumu trīs nedēļas agrāk par pašreizējo cenu. Šis viens gājiens viņiem ietaupīja £4,200 — vairāk nekā pašas AI ieviešanas izmaksas.
Šī ir nepastāvības arbitrāža: informācijas ātruma izmantošana, lai kompensētu pirktspējas trūkumu. Ja nevarat iepirkt tik daudz kā lielie spēlētāji, jums jāiepērk gudrāk nekā viņiem.
3. solis: 90/10 likums ražošanas plānošanā
Viens no būtiskākajiem pārtikas uzņēmuma maržas samazinātājiem nav tikai sastāvdaļu izmaksas; tās ir atkritumu un neefektivitātes izmaksas ražošanas laikā.
Mēs piemērojām to, ko es saucu par 90/10 likumu. Mēs atklājām, ka 90% no Field & Flour ražošanas plānošanas bija atkārtota datu ievade — krājumu pārbaude, pasūtījumu pārbaude un maiņu norīkošana. Tikai 10% prasīja dibinātāja intuitīvo izjūtu par kvalitāti un zīmolu.
Automatizējot šos 90%, AI spēja optimizēt partiju lielumus, pamatojoties uz sastāvdaļu ierašanās datumiem. Ja sēklu sūtījums aizkavējās par 48 stundām, AI ne tikai par to ziņoja; tas automātiski pārkārtoja ražošanas kalendāru, lai par prioritāti izvirzītu produktus, kuros izmanto esošos krājumus, nodrošinot darbinieku produktivitāti, nevis dīkstāvi.
Mēs izvērtējām arī sekundārās izmaksas. Lai gan sastāvdaļu iepirkšana bija galvenā uzvara, mēs pat piemērojām AI vadītu plānošanu telpu uzturēšanai. Piemēram, analizējot komunālo pakalpojumu izmantošanu un uzkopšanas grafikus, mēs konstatējām, ka viņi pārtērē līdzekļus ārpakalpojumu sanitārijai. Ja jebkad esat domājuši, vai jūsu pieskaitāmās izmaksas nav pārāk lielas, apskatiet mūsu salīdzinājumu AI pret tradicionālajām uzkopšanas pakalpojumu izmaksām, lai redzētu, kā automatizācija maina telpu apsaimniekošanas ekonomiku.
Rezultāti: vairāk nekā tikai skaitļi izklājlapā
90 dienu perioda beigās skaitļi runāja paši par sevi:
- Izejvielu izmaksas: samazinātas par 7%, pateicoties labākam laikam un "nepastāvības arbitrāžai".
- Atkritumu samazināšana: kritums par 18%, pateicoties precīzākai ražošanas saskaņošanai ar pieprasījumu.
- Darba efektivitāte: 5% pieaugums, jo darbiniekiem nekad nebija "jāgaida sastāvdaļas".
Kopējais COGS samazinājums: 12.2%.
Taču lielākais ieguvums nebija tikai tie 12%. Tas bija stresa samazinājums uzņēmuma dibinātājai. Viņa pārstāja būt "ugunsdzēsēja", kas reaģē uz katru piegādes ķēdes kļūmi, un kļuva par izpilddirektori. AI viņu neaizstāja; tas sniedza viņai skaidrību, lai pieņemtu labākus lēmumus.
Kā sākt savā uzņēmumā
Ja esat mazais ražotājs, kurš izjūt spiedienu, nesāciet ar "labākā AI rīka" meklēšanu. Sāciet ar savu vājo punktu apzināšanu.
- Identificējiet 3 nepastāvīgākās sastāvdaļas. Kuru cenas svārstās visvairāk?
- Digitalizējiet savu vēsturi. Jūs nevarat prognozēt nākotni, ja nepārzināt savu pagātni.
- Meklējiet "starpnieku nodokli". Vai maksājat starpniekam vai konsultantam par darbu, ko varētu veikt vienkāršs prognozēšanas skripts?
AI mazajam biznesam nav par robotikas nākotni. Tas ir par rentabilitātes tagadni. Katra diena, kad vilcināties ieviest pat pamata prognozējošo iepirkumu, ir diena, kad maksājat "manuālo nodokli" saviem konkurentiem.
Ja vēlaties redzēt, kā šīs sistēmas piemērojamas jūsu specifiskajai nozarei, apmeklējiet mani aiaccelerating.com. Mēs nenodarbojamies ar teoriju; mēs nodarbojamies ar transformāciju. Šī konkurētspējas priekšrocību logs šobrīd ir atvērts, taču tas nebūs atvērts mūžīgi. Rīkojieties pirmais vai tieciet nobīdīts malā.