Jeśli prowadzą Państwo firmę zajmującą się produkcją żywności, toczą Państwo obecnie walkę na dwóch frontach. Z jednej strony są klienci, którzy stają się coraz bardziej wrażliwi na ceny w miarę wzrostu ich własnych rachunków za zakupy. Z drugiej strony mają Państwo globalny łańcuch dostaw, który sprawia wrażenie, jakby trzymał się na słowo honoru. Dla małych producentów złoty środek — marża — kurczy się z każdym dniem.
Ostatnią dekadę spędziłem analizując rachunki zysków i strat (P&L) przedsiębiorstw w tym sektorze i schemat jest zawsze ten sam: wykazują się one genialną kreatywnością w swoich recepturach, ale ryzykownie manualnym podejściem do matematyki. Większość małych producentów pozyskuje składniki w oparciu o zasadę „zawsze tak robiliśmy” lub reagując na powiadomienie o niskim stanie magazynowym w arkuszu kalkulacyjnym. W erze wysokiej zmienności nie jest to już tylko nieefektywne; to zagrożenie dla przetrwania firmy.
Niedawno współpracowałem z butikowym producentem granoli i przekąsek — nazwijmy ich „Field & Flour” — któremu udało się dokonać czegoś, co większość konsultantów uważa za niemożliwe dla firmy tej wielkości. Obniżyli oni koszt własny sprzedaży (COGS) o 12% w zaledwie 90 dni. Nie zrobili tego poprzez przejście na tańsze, gorsze składniki ani poprzez zwolnienie personelu kuchennego. Zrobili to, wdrażając oszczędne, wysoce specyficzne podejście do AI dla małych firm, które koncentrowało się całkowicie na „predykcyjnym zaopatrzeniu” (Predictive Procurement).
Pułapka iluzji „Just-in-Time”
💡 Chcesz, żeby Penny przeanalizowała Twój biznes? Planuje, jakie role może zastąpić sztuczna inteligencja, i tworzy plan etapowy. Rozpocznij bezpłatny okres próbny →
Przez lata małym firmom powtarzano, aby naśladowały modele dostaw „dokładnie na czas” (Just-in-Time, JIT) gigantów takich jak Toyota czy Nestlé. Idea była prosta: nie mroź gotówki w zapasach; kupuj to, czego potrzebujesz, dokładnie wtedy, gdy tego potrzebujesz.
Jednak dla małego producenta JIT jest często pułapką. Nie dysponują Państwo wolumenem pozwalającym na wymuszenie priorytetu u dostawców, więc gdy uderza niedobór lub następuje skok cen, są Państwo pierwsi w kolejce do „wyciśnięcia”. Field & Flour traciło tysiące funtów każdego miesiąca, ponieważ kupowali owies i miód po szczytowych cenach rynkowych tylko dlatego, że akurat wtedy ich magazyny były puste.
Nazywam to opóźnieniem zakupowym (The Procurement Lag). To ukryty koszt bycia reaktywnym zamiast predykcyjnym. Kiedy brakuje danych, aby dostrzec nadchodzący skok cen, płacą Państwo „podatek od zmienności”, który zjada zysk, zanim jeszcze w ogóle włączą Państwo piece.
Krok 1: Rozwiązanie problemu fragmentacji danych
Zanim mogliśmy podłączyć jakiekolwiek narzędzia ChatGPT lub inne rozwiązania AI, musieliśmy uporządkować chaos. Field & Flour posiadało dane w czterech różnych miejscach: starym systemie księgowym Sage, trzech różnych portalach dostawców, ręcznym dzienniku produkcji i na stosie papierowych faktur.
AI nie jest magią; to silnik rozpoznawania wzorców. Jeśli wzorce są pogrzebane w papierach, silnik nie ruszy. Użyliśmy prostego narzędzia OCR (optyczne rozpoznawanie znaków), aby zdigitalizować faktury historyczne z trzech lat. Dało to sztucznej inteligencji punkt odniesienia: Ile płaciliśmy za miód w czerwcu 2022 roku w porównaniu z czerwcem 2023? Który dostawca systematycznie spóźnia się z dostawami?
Jeśli szukają Państwo podobnej mapy drogowej dla własnego zakładu, nasz branżowy przewodnik po oszczędnościach w produkcji żywności i napojów szczegółowo opisuje, jak przeprowadzić audyt tych silosów danych bez zatrudniania analityka danych.
Krok 2: Wdrożenie „arbitrażu zmienności”
Tutaj wkracza właściwe AI dla małych firm. Nie budowaliśmy niestandardowego modelu — to strata pieniędzy dla firmy tej skali. Zamiast tego użyliśmy kombinacji gotowych narzędzi analityki predykcyjnej i zautomatyzowanego monitoringu rynku.
Skonfigurowaliśmy system, który krzyżował historyczne zużycie Field & Flour z globalnymi kanałami cen surowców i wzorcami pogodowymi w kluczowych regionach upraw. AI nie patrzyło tylko na to, co zużyli; patrzyło na to, co robi rynek.
W drugim miesiącu system zasygnalizował wysokie prawdopodobieństwo 15-procentowej podwyżki cen migdałów ekologicznych z powodu suszy w Kalifornii. Zazwyczaj Field & Flour czekałoby, aż zapasy będą na wyczerpaniu, aby złożyć zamówienie. Zamiast tego, wgląd oparty na AI pozwolił im zablokować zakup hurtowy trzy tygodnie wcześniej po aktualnej cenie. Ten jeden ruch zaoszczędził im £4,200 — więcej niż wyniósł koszt samego wdrożenia AI.
To jest właśnie arbitraż zmienności: wykorzystanie szybkości informacji w celu skompensowania braku siły nabywczej. Kiedy nie można kupować tyle, co giganci, trzeba kupować inteligentniej niż oni.
Krok 3: Reguła 90/10 w harmonogramowaniu produkcji
Jednym z najbardziej znaczących obciążeń dla marży firmy spożywczej nie jest tylko koszt składników; to koszt odpadów i nieefektywności podczas produkcji.
Zastosowaliśmy to, co nazywam regułą 90/10. Odkryliśmy, że 90% planowania produkcji w Field & Flour polegało na powtarzalnym wprowadzaniu danych — sprawdzaniu stanów magazynowych, zamówień i przydzielaniu zmian. Tylko 10% wymagało „intuicji” założycielki w kwestii jakości i marki.
Automatyzując te 90%, AI było w stanie zoptymalizować wielkość partii w oparciu o daty przyjazdu składników. Jeśli dostawa nasion opóźniła się o 48 godzin, AI nie tylko to zgłosiło; automatycznie przetasowało kalendarz produkcji, aby priorytetowo potraktować produkty wykorzystujące istniejące zapasy, dzięki czemu personel pracował wydajnie, zamiast czekać bezczynnie.
Przyjrzeliśmy się również kosztom wtórnym. Chociaż pozyskiwanie składników było wielkim zwycięstwem, zastosowaliśmy nawet harmonogramowanie oparte na AI w konserwacji ich obiektu. Na przykład, analizując zużycie mediów i harmonogramy sprzątania, zidentyfikowaliśmy, że przepłacali za outsourcing usług sanitarnych. Jeśli kiedykolwiek zastanawiali się Państwo, czy Państwa koszty ogólne są zawyżone, zapraszamy do zapoznania się z naszym zestawieniem koszty AI w porównaniu z tradycyjnymi usługami sprzątania, aby zobaczyć, jak automatyzacja zmienia ekonomię zarządzania obiektami.
Wyniki: Poza arkuszem kalkulacyjnym
Po 90 dniach liczby mówiły same za siebie:
- Koszty surowców: Zredukowane o 7% dzięki lepszemu wyczuciu czasu i „arbitrażowi zmienności”.
- Redukcja odpadów: Spadek o 18% dzięki ścisłemu dopasowaniu produkcji do popytu.
- Wydajność pracy: Wzrost o 5%, ponieważ pracownicy nigdy nie musieli „czekać na składniki”.
Całkowita redukcja COGS: 12,2%.
Ale prawdziwym zwycięstwem nie było tylko te 12%. Była to redukcja stresu założycielki. Przestała być „strażakiem” reagującym na każdy problem w łańcuchu dostaw, a stała się prawdziwym prezesem (CEO). AI jej nie zastąpiło; dało jej jasność niezbędną do podejmowania lepszych decyzji.
Jak zacząć we własnej firmie
Jeśli są Państwo małym producentem odczuwającym presję rynkową, nie należy zaczynać od szukania „najlepszego narzędzia AI”. Należy zacząć od zidentyfikowania punktów krytycznych.
- Zidentyfikujcie 3 najbardziej zmienne składniki. Które z nich mają największe wahania cen?
- Zdigitalizujcie swoją historię. Nie można przewidzieć przyszłości, jeśli nie zna się swojej przeszłości.
- Szukajcie „podatku od pośredników”. Czy płacą Państwo agencji lub konsultantowi za pracę, którą mógłby wykonać prosty skrypt predykcyjny?
AI dla małych firm nie dotyczy przyszłości robotyki. Dotyczy teraźniejszości rentowności. Każdy dzień zwłoki we wdrożeniu choćby podstawowego predykcyjnego zaopatrzenia to dzień, w którym płacą Państwo „podatek od pracy ręcznej” swoim konkurentom.
Jeśli chcą Państwo zobaczyć, jak te ramy mają zastosowanie w Państwa konkretnym sektorze, zapraszam do kontaktu na aiaccelerating.com. Nie zajmujemy się teorią; zajmujemy się transformacją. Okno dla tej przewagi konkurencyjnej jest teraz otwarte, ale nie będzie trwało wiecznie. Wykonajcie Państwo pierwszy ruch, zanim wyprzedzi Was konkurencja.