Če vodite podjetje za proizvodnjo hrane, se trenutno borite na dveh frontah. Na eni strani imate stranke, ki so vse bolj cenovno občutljive, ko se njihovi računi za živila povečujejo. Na drugi strani imate globalno dobavno verigo, za katero se zdi, da jo skupaj držita le lepilni trak in upanje. Za male proizvajalce se srednja pot – vaša marža – vsak dan krči.
Zadnje desetletje sem preučeval izkaze poslovnega izida podjetij v tem sektorju in vzorec je vedno enak: so izjemno ustvarjalni pri svojih receptih, a nevarno ročni pri svoji matematiki. Večina malih proizvajalcev nabavlja sestavine na podlagi načela 'tako smo vedno počeli' ali pa se odzove na opozorilo o nizki zalogi v preglednici. V dobi visoke nestanovitnosti to ni več le neučinkovito; to je grožnja vašemu preživetju.
Pred kratkim sem sodeloval z butičnim proizvajalcem granole in prigrizkov – poimenujmo jih 'Field & Flour' – ki mu je uspelo nekaj, kar večina svetovalcev pravi, da je za podjetje njihove velikosti nemogoče. V samo 90 dneh so znižali svoje stroške prodanega blaga (COGS) za 12 %. Tega niso dosegli s prehodom na cenejše, manj kakovostne sestavine ali z odpuščanjem kuhinjskega osebja. To so dosegli z uvedbo vitkega, zelo specifičnega pristopa k umetni inteligenci za mala podjetja, ki se je v celoti osredotočal na 'napovedno nabavo'.
Past iluzije 'ravno ob pravem času' (Just-in-Time)
💡 Želite, da Penny analizira vaše podjetje? Načrtuje, katere vloge lahko umetna inteligenca nadomesti, in sestavi načrt po fazah. Začnite z brezplačnim preizkusom →
Leta so malim podjetjem govorili, naj posnemajo modele dostave 'Just-in-Time' (JIT) velikanov, kot sta Toyota ali Nestlé. Ideja je bila preprosta: ne vežite denarja v zaloge; kupite tisto, kar potrebujete, točno takrat, ko to potrebujete.
Toda za majhnega proizvajalca je JIT pogosto past. Nimate obsega, da bi od dobaviteljev zahtevali prednost, zato ste ob pomanjkanju ali skoku cen prvi na udaru. Podjetje Field & Flour je vsak mesec izgubljalo tisoče, ker so kupovali oves in med po najvišjih tržnih cenah preprosto zato, ker so bili takrat njihovi zabojniki prazni.
To imenujem nabavni zaostanek (The Procurement Lag). To je skrit strošek reaktivnega namesto napovednega delovanja. Ko nimate podatkov, da bi predvideli skok cen, plačate 'davek na nestanovitnost', ki poje vaš dobiček, še preden sploh vklopite pečice.
1. korak: Reševanje problema razdrobljenosti podatkov
Preden smo lahko vključili katero koli orodje umetne inteligence, smo morali urediti nered. Field & Flour je imel podatke na štirih različnih mestih: v starem računovodskem sistemu Sage, na treh različnih portalih dobaviteljev, v ročnem proizvodnem dnevniku in na kupu papirnatih računov.
Umetna inteligenca ni čarovnija; je mehanizem za prepoznavanje vzorcev. Če so vzorci pokopani v papirju, se mehanizem ne more zagnati. Uporabili smo preprosto orodje OCR (optično prepoznavanje znakov) za digitalizacijo zgodovinskih računov za zadnja tri leta. To je umetni inteligenci dalo izhodišče: Koliko smo plačali za med junija 2022 v primerjavi z junijem 2023? Kateri dobavitelj dosledno zamuja?
Če iščete podoben načrt za svoj obrat, naš industrijski vodnik za prihranke pri proizvodnji hrane in pijače natančno razčleni, kako opraviti revizijo teh podatkovnih silosov brez najema podatkovnega znanstvenika.
2. korak: Implementacija 'arbitraže nestanovitnosti'
Tukaj nastopi dejanska umetna inteligenca za mala podjetja. Nismo zgradili modela po meri – to je za podjetje te velikosti izguba denarja. Namesto tega smo uporabili kombinacijo že pripravljene napovedne analitike in avtomatiziranega spremljanja trga.
Vzpostavili smo sistem, ki je navzkrižno povezoval zgodovinsko porabo podjetja Field & Flour s svetovnimi viri cen surovin in vremenskimi vzorci v ključnih rastnih regijah. Umetna inteligenca ni gledala le tistega, kar so porabili; gledala je, kaj se dogaja na trgu.
V drugem mesecu je sistem opozoril na visoko verjetnost 15-odstotnega dviga cen organskih mandljev zaradi suše v Kaliforniji. Običajno bi Field & Flour čakal, da bi jim zaloge pošle, preden bi ponovno naročili. Namesto tega jim je vpogled, ki ga je vodila umetna inteligenca, omogočil, da so tri tedne prej sklenili nakup večje količine po takratni ceni. Ta ena sama poteza jim je prihranila £4,200 – več kot je znašal strošek celotne uvedbe umetne inteligence.
To je arbitraža nestanovitnosti: uporaba hitrosti informacij za nadomestitev pomanjkanja kupne moči. Ko ne morete kupiti toliko kot veliki igralci, morate kupovati pametneje od njih.
3. korak: Pravilo 90/10 pri načrtovanju proizvodnje
Eden najpomembnejših dejavnikov, ki zmanjšujejo maržo živilskega podjetja, niso le stroški sestavin; so stroški odpadkov in neučinkovitosti med proizvodnjo.
Uporabili smo tisto, kar imenujem pravilo 90/10. Ugotovili smo, da je 90 % načrtovanja proizvodnje v podjetju Field & Flour predstavljal ponavljajoč se vnos podatkov – preverjanje zalog, preverjanje naročil in dodeljevanje izmen. Le 10 % je zahtevalo ustanoviteljičin 'občutek' za kakovost in blagovno znamko.
Z avtomatizacijo teh 90 % je umetna inteligenca lahko optimizirala velikosti serij glede na datume prihoda sestavin. Če je pošiljka semen zamujala za 48 ur, umetna inteligenca tega ni le označila; samodejno je prerazporedila koledar proizvodnje, da bi dala prednost izdelkom, ki so uporabljali obstoječo zalogo, s čimer je osebje ostalo produktivno, namesto da bi čakalo.
Preučili smo tudi sekundarne stroške. Čeprav je bila nabava sestavin velika zmaga, smo načrtovanje, vodeno z umetno inteligenco, uporabili celo pri vzdrževanju njihovega obrata. Na primer, z analizo njihove porabe komunalnih storitev in urnikov čiščenja smo ugotovili, da so preveč trošili za zunanje izvajalce sanitarnih storitev. Če ste se kdaj spraševali, ali so vaši splošni stroški previsoki, si oglejte našo razčlenitev stroškov umetne inteligence v primerjavi s tradicionalnimi čistilnimi storitvami, da vidite, kako avtomatizacija spreminja ekonomiko upravljanja objektov.
Rezultati: Onkraj preglednic
Po 90 dneh so številke govorile same zase:
- Stroški surovin: Zmanjšani za 7 % zaradi boljšega časovnega načrtovanja in 'arbitraže nestanovitnosti'.
- Zmanjšanje odpadkov: Padlo za 18 % zaradi tesnejšega usklajevanja proizvodnje s povpraševanjem.
- Učinkovitost dela: 5-odstotno povečanje, ker osebje nikoli ni 'čakalno na sestavine'.
Skupno znižanje COGS: 12,2 %.
Toda prava zmaga ni bila le teh 12 %. Bilo je zmanjšanje stresa za ustanoviteljico. Nehala je biti 'gasilka', ki se odziva na vsako težavo v dobavni verigi, in začela biti direktorica. Umetna inteligenca je ni nadomestila; dala ji je jasnost za sprejemanje boljših odločitev.
Kako začeti v lastnem podjetju
Če ste mali proizvajalec, ki čuti pritisk, ne začnite z iskanjem 'najboljšega orodja AI'. Začnite z iskanjem svojih točk trenja.
- Identificirajte svoje 3 najbolj nestanovitne sestavine. Katerim cena najbolj niha?
- Digitalizirajte svojo zgodovino. Prihodnosti ne morete napovedati, če ne poznate svoje preteklosti.
- Poiščite 'agencijski davek'. Ali plačujete posredniku ali svetovalcu za delo, ki bi ga lahko opravil preprost napovedni skript?
Umetna inteligenca za mala podjetja se ne nanaša na prihodnost robotike. Gre za sedanjost dobičkonosnosti. Vsak dan, ko odlašate z uvedbo vsaj osnovnega napovednega naročanja, je dan, ko svojim konkurentom plačujete 'ročni davek'.
Če želite videti, kako se ti okviri nanašajo na vaš specifični sektor, me obiščite na aiaccelerating.com. Ne ukvarjamo se s teorijo; ukvarjamo se s transformacijo. Okno za to konkurenčno prednost je trenutno odprto, vendar ne bo ostalo odprto za vedno. Premaknite se prvi ali pa vas bodo premaknili s poti.