Amatu alus brūvēšanas un amatnieciskas pārtikas ražošanas pasaulē eksistē slēpts, kluss nodoklis, kas apēd jūsu peļņas maržu vēl pirms pirmais klients ir paspējis baudīt malku vai kumosu no jūsu produkta. Es to saucu par Produktu bojāšanās nodokli. Tie ir 15% krājumu, ko saražojāt, baidoties no preču trūkuma, bet kuri galu galā nonāca atkritumos, jo mainījās laikapstākļi, vietējais festivāls tika atcelts lietus dēļ vai sociālo mediju tendences mainījās straujāk nekā jūsu fermentācijas cikls.
Gadiem ilgi mazie ražotāji to ir pieņēmuši kā neizbēgamas „uzņēmējdarbības izmaksas”. Taču, strādājot ar simtiem šīs nozares dibinātāju, es varu teikt, ka atšķirība starp zīmolu, kas cīnās par izdzīvošanu, un zīmolu, kas paplašinās, bieži vien slēpjas tajā, kā tie izmanto datus nākotnes prognozēšanai. Labākie AI rīki pārtikas un dzērienu ražošanai vairs nav paredzēti tikai tādiem gigantiem kā Nestlé vai Diageo; tie tagad ir pieejami arī amatnieku maiznīcai ar 10 darbiniekiem un neatkarīgai spirta rūpnīcai. Integrējot ārējos signālus, piemēram, laikapstākļu modeļus un sociālo tīklu noskaņojumu, šie ražotāji samazina savu pārdotās produkcijas pašizmaksu (COGS) vidēji par 12%.
Inventāra bufera slazds
💡 Vai vēlaties, lai Penijs analizē jūsu biznesu? Viņa kartē, kuras lomas AI var aizstāt, un izveido pakāpenisku plānu. Sāciet savu bezmaksas izmēģinājuma versiju →
Lielākā daļa mazo ražotāju darbojas tā dēvētajā Inventāra bufera slazdā. Tā kā zaudēta pārdošanas darījuma izmaksas (preču trūkums) šķiet sāpīgākas par atkritumu radītajām izmaksām, dibinātāji dabiski mēdz ražot par daudz. Jūs labāk izvēlaties desmit papildu IPA kastes, nekā paziņojat galvenajam vairumtirgotājam, ka preces nav noliktavā.
Taču šis „buferis” ir abpusgriezīgs zobens. Tas iesaldē naudas plūsmu, palielina uzglabāšanas izmaksas un — ātri bojājošos produktu gadījumā — tieši noved pie produktu bojāšanās. Kad es analizēju amatniecības zīmolu bilances, „drošības krājumi” bieži vien ir tā vieta, kur peļņa iet bojā. AI maina šo bufera matemātiku. Statisku 20% papildu krājumu vietā „katram gadījumam”, AI nodrošina Elastīgo buferizāciju — ražošanas apjomu pielāgošanu, pamatojoties uz augstas varbūtības pieprasījuma signāliem, nevis vēsturiskajiem vidējiem rādītājiem.
Pāreja no prognozēšanas uz pieprasījuma sintēzi
Tradicionālā prognozēšana skatās atpakaļskata spogulī. Tā saka: „Pagājušā gada jūlijā mēs pārdevām 500 vienības, tātad šī gada jūlijā mums jāsaražo 500 vienības.”
Pieprasījuma sintēze, ietvars, ko iesaku saviem klientiem, skatās caur vējstiklu. Tā ne tikai analizē jūsu pagātnes pārdošanas datus, bet sintezē trīs atšķirīgus datu slāņus:
- Makrovides dati: Ja esat craft lāgera ražotājs, 2 grādu pieaugums brīvdienu prognozē nav tikai patīkami laikapstākļi — tas ir izmērāms 8% pieaugums bāra patēriņā. AI modeļi apstrādā hiperlokālo laikapstākļu API datus, lai pielāgotu ražošanas grafikus divas nedēļas uz priekšu.
- Sociālo tīklu noskaņojums un vietējais konteksts: AI rīki tagad var „ieklausīties” vietējo pasākumu datos. Vai jūsu izplatītāju tuvumā notiek maratons? Vai kāda konkrēta sastāvdaļa ir kļuvusi populāra TikTok? Tas nav tikai „mārketinga triks” — tas ir ražošanas signāls.
- Vēsturiskais pamats: Jūsu iekšējie pārdošanas dati joprojām ir pamats, taču tie vairs nav vienīgais balsts.
Jūs varat redzēt, kā tas izpaužas mūsu nozares ietaupījumu rokasgrāmatā, kur mēs detalizēti aprakstām konkrētus maržas uzlabojumus, pārejot no statiskām tabulām uz dinamisku sintēzi.
Labākie AI rīki pārtikas un dzērienu ražošanai: praktiskais kopums
Jums nav nepieciešama datu zinātnes komanda, lai sāktu. „Labākais” rīks ir tas, kas integrējas jūsu esošajā darba plūsmā, neradot papildu manuālu administratīvo slogu. Lūk, kā es iedalu pašreizējo piedāvājumu mazajiem un vidējiem ražotājiem:
1. Viedā ERP un krājumu vadība
Tādi rīki kā Katana Cloud Manufacturing vai Unleashed ir sākuši integrēt prognozēšanas funkcijas. Tomēr reālo „AI grūdienu” bieži sniedz papildinājumi, piemēram, Inventory Planner by Sage vai Syrup Tech, kas izmanto mašīnmācīšanos, lai ieteiktu precīzu brīdi ražošanas uzsākšanai, pamatojoties uz izpildes laikiem un prognozētiem pieprasījuma lēcieniem.
2. Ārējo signālu integrācija
Ražotājiem, kuru darbību būtiski ietekmē laikapstākļi, tādas platformas kā Planalytics nodrošina laikapstākļu ietekmēta pieprasījuma analīzi. Mazākiem zīmoliem es bieži iesaku izmantot Zapier, lai savienotu laikapstākļu API (piemēram, OpenWeather) ar vienkāršu OpenAI uzvedni, kas izvērtē jūsu ražošanas grafiku attiecībā pret gaidāmo prognozi. Tas ir lēts veids, kā iegūt „AI līmeņa” ieskatus par aptuveni £20 mēnesī.
3. Loģistikas un izplatīšanas optimizācija
Kad produkts ir saražots, nākamais izaicinājums ir nogādāt to pareizajā vietā. Izmantojot AI vadītu loģistikas stratēģiju, jūs nodrošināt, ka ne tikai saražojat pareizo daudzumu, bet arī nosūtāt to uz konkrētu ģeogrāfisko vietu, kur pieprasījums ir vislielākais. Tas novērš „krājumu disbalansu”, kad Mančestrā ir pārpalikums, bet Londonā — deficīts. Ja pārvaldāt savu autoparku, viedāku autoparka vadības rīku ieviešana var vēl vairāk samazināt oglekļa emisijas un katras piegādes izmaksas.
80/20 svaiguma attiecība
Viens no efektīvākajiem ietvariem, ko esmu redzējis ražotāju praksē, ir 80/20 svaiguma attiecība.
Mērķis ir automatizēt 80% no jūsu ikdienas „pamatproduktu” krājumu vadības, izmantojot AI. Tie ir jūsu visu gadu pieprasītie produkti, par kuriem dati ir skaidri un modeļi — prognozējami. Ļaujot AI rūpēties par pamatklāsta krājumu papildināšanu, jūs atbrīvojat uzņēmuma dibinātāju vai ražošanas vadītāju fokusēties uz atlikušajiem 20% — augsta riska un augstas peļņas sezonālajiem speciālajiem piedāvājumiem vai ierobežotiem laidieniem, kur „intuīcija” un radošais instinkts joprojām pārspēj jebkuru algoritmu.
Runa nav par cilvēka izslēgšanu no amatniecības; runa ir par matemātikas noņemšanu no cilvēka pleciem, lai viņš varētu koncentrēties uz amatu.
Finansiālā realitāte: Kāpēc 12% ir svarīgi
Ja jūsu COGS ir £500,000 gadā, 12% ietaupījums nav tikai noapaļošanas kļūda — tā ir £60,000 tīrā peļņa. Tā ir jauna pārdošanas vadītāja alga, pirmā iemaksa par jaunu konservēšanas līniju vai „drošības spilvens”, kas nepieciešams, lai izturētu enerģijas izmaksu pieaugumu.
Esmu redzējis amatu alus darītavas, kas izmanto šos ietaupījumus, lai pārietu no 3 dienu izpildes laika uz „precīzi laikā” (just-in-time) ražošanu, faktiski dubultojot sava produkta svaiguma rādītāju pārdošanas brīdī. Nozarē, kurā kvalitāte ir viss, „prognozējamais svaigums” ir spēcīga konkurences priekšrocība.
Kā sākt (bez pārmērībām)
Ja jūtat Produktu bojāšanās nodokļa smagumu, nemēģiniet pārveidot visu savu darbību vienā naktī. Sāciet ar vienu datu kategoriju.
- 1. fāze: Savienojiet savus pārdošanas datus ar pamata pieprasījuma plānošanas rīku. Beidziet izmantot „Pagājušais gads + 5%” kā savu mērķi.
- 2. fāze: Atrodiet vienu ārējo mainīgo, kas jūs ietekmē visvairāk. Vai tie ir laikapstākļi? Vietējie pasākumi? Sociālās tendences? Sāciet iekļaut šos datus savās ražošanas sanāksmēs.
- 3. fāze: Automatizējiet sava „pamatklāsta” krājumu papildināšanu.
AI transformācijas logs pārtikas un dzērienu nozarē pamazām aizveras. Zīmoli, kas pāries no „minēšanas” uz „zināšanu”, būs tie, kas aizņems plauktu vietas nākotnē. Matemātika ir vienkārša: mazāk atkritumu nozīmē lielāku maržu, un lielāka marža nozīmē iespēju investēt vairāk nekā jūsu konkurenti.
Ja esat gatavi pārtraukt neapzinātu krājumu izšķērdēšanu, ir pienācis laiks ieskatīties datos. Esmu redzējis, kas notiek, kad ražotāji to dara pareizi — tā ir atšķirība starp balansēšanu uz pašizmaksas robežas un patiesas vērtības radīšanu.