อย่าเสียเปล่า อย่าขาดแคลน: ผู้ผลิตอาหารลดต้นทุนสินค้าที่ขาย (COGS) ลง 22% ด้วย AI พยากรณ์ได้อย่างไร

โลกของการผลิตอาหารและเครื่องดื่มดำเนินงานอยู่บนอัตรากำไรที่ต่ำมาก และข้อจำกัดด้านเวลาของสินค้าที่เน่าเสียง่าย เป็นสภาพแวดล้อมที่มีความเสี่ยงสูง ซึ่งวัตถุดิบที่เสียไปทุกชิ้น และผลิตภัณฑ์ที่ขายไม่ได้ทุกรายการ ล้วนส่งผลกระทบโดยตรงต่อผลกำไร ผู้ประกอบการหลายรายที่ผมได้พูดคุยด้วยทราบดีว่าพวกเขาจำเป็นต้องฉลาดขึ้น แต่ก็มักจะรู้สึกท่วมท้นกับข้อมูลจำนวนมากเกี่ยวกับ AI พวกเขาได้ยินเกี่ยวกับการเปลี่ยนแปลงครั้งใหญ่ แต่ไม่สามารถมองเห็นได้ว่าจะนำมาประยุกต์ใช้กับความท้าทายเฉพาะของตนเองได้อย่างไร เช่น การจัดการผลิตผลสด หรือการรับมือกับความต้องการที่ผันผวนสำหรับผลิตภัณฑ์เฉพาะกลุ่ม

แต่จะเป็นอย่างไรหากคุณสามารถพยากรณ์ความต้องการได้อย่างแม่นยำ จนแทบจะกำจัดของเสียให้หมดไป? จะเป็นอย่างไรหากคุณสามารถเพิ่มประสิทธิภาพสินค้าคงคลังได้อย่างสมบูรณ์แบบ จนคุณมีเพียงพอเสมอ แต่ไม่มากเกินไป? นี่ไม่ใช่เรื่องนิยายวิทยาศาสตร์ ผมได้ทำงานร่วมกับธุรกิจหลายร้อยแห่งในการเปลี่ยนผ่านนี้ และรูปแบบก็ชัดเจน: การประยุกต์ใช้ AI แบบเจาะจง โดยเฉพาะในด้านการพยากรณ์ความต้องการและการจัดการสินค้าคงคลัง กำลังพิสูจน์ให้เห็นว่าเป็นเครื่องมือที่สร้างความแตกต่างอย่างแท้จริง ซึ่งเป็นความจริงอย่างยิ่งสำหรับธุรกิจที่กำลังมองหา เครื่องมือ AI ที่ดีที่สุดสำหรับการผลิตอาหารและเครื่องดื่ม โดยที่ความเสี่ยงของการทำผิดพลาดหมายถึงการเน่าเสียของผลิตผลและรายได้ที่สูญเสียไปอย่างแท้จริง

ผมขอเล่าเรื่องราวเกี่ยวกับผู้ผลิตอาหารรายเล็กและอิสระรายหนึ่งที่ผมเคยทำงานด้วย – เราจะเรียกพวกเขาว่า 'Artisan Eats' พวกเขาเชี่ยวชาญด้านอาหารสำเร็จรูปสดใหม่ระดับกูร์เมต์ โดยจัดส่งให้กับผู้ค้าปลีกอิสระและลูกค้าโดยตรง ความท้าทายของพวกเขาเป็นเรื่องคลาสสิกในภาคส่วนนี้: ความต้องการที่ไม่สามารถคาดการณ์ได้ ควบคู่ไปกับวัตถุดิบที่เน่าเสียง่ายสูง ผลลัพธ์ที่ได้คือวงจรของการสั่งซื้อมากเกินไป (นำไปสู่การสูญเสียอย่างมาก) หรือสั่งซื้อน้อยเกินไป (นำไปสู่การพลาดการขายและลูกค้าที่ไม่พอใจ) ต้นทุนสินค้าที่ขาย (COGS) ของพวกเขาเพิ่มสูงขึ้นจากการจัดการที่ไม่มีประสิทธิภาพนี้ ซึ่งบีบรัดอัตรากำไรที่ต่ำอยู่แล้วของพวกเขา พวกเขาติดอยู่ในสิ่งที่ผมเรียกว่า ความขัดแย้งของความเน่าเสียง่าย (The Perishability Paradox): ยิ่งพวกเขาพยายามสร้างผลิตภัณฑ์สดใหม่คุณภาพสูงมากเท่าไหร่ พวกก็ยิ่งเปราะบางต่อการจัดการสินค้าคงคลังที่ไม่ดีมากเท่านั้น

ความท้าทาย: สูตรสำเร็จของความสูญเปล่า (และโอกาสที่หายไป)

การดำเนินงานของ Artisan Eats ส่วนใหญ่เป็นแบบใช้คนพยากรณ์ การพยากรณ์ยอดขายอ้างอิงจากสัญชาตญาณ ค่าเฉลี่ยในอดีต และการคาดเดาที่ดีที่สุดของผู้จัดการ วัตถุดิบถูกสั่งซื้อเป็นรายสัปดาห์ บางครั้งเป็นรายวัน โดยอิงตามการประมาณการเหล่านี้ จุดเด่นในการขายของพวกเขา – สดใหม่ คุณภาพสูง ไม่มีสารกันบูด – ก็เป็นจุดอ่อนของพวกเขาเมื่อพูดถึงเรื่องของเสีย อาหารที่ยังไม่ขายได้หนึ่งชุดหมายถึงการต้องทิ้งวัตถุดิบคุณภาพดีและมักจะมีราคาแพงออกไป ซึ่งเท่ากับเป็นการจ่ายเงินสำหรับสิ่งที่ไม่ก่อให้เกิดผลตอบแทนใดๆ นี่ไม่ใช่แค่ค่าใช้จ่ายวัตถุดิบเท่านั้น แต่ยังรวมถึงแรงงาน พลังงาน และบรรจุภัณฑ์ที่เกี่ยวข้อง วงจรนี้เป็นภาระทางการเงินที่สำคัญสำหรับพวกเขา ซึ่งมีส่วนอย่างมากต่อ COGS และขัดขวางความสามารถในการขยายขนาดของพวกเขา

พวกเขาพยายามใช้วิธีการแบบดั้งเดิมหลายวิธี: การเจรจาสัญญาซัพพลายเออร์ที่เข้มงวดยิ่งขึ้น การลดช่วงผลิตภัณฑ์ และแม้แต่การทดลองใช้ส่วนประกอบที่มีอายุการเก็บรักษานานขึ้น (ซึ่งขัดแย้งกับคำมั่นสัญญาของแบรนด์) ไม่มีสิ่งใดที่ส่งผลต่อ COGS ได้อย่างแท้จริง เนื่องจากปัญหาพื้นฐาน – การพยากรณ์ความต้องการที่ไม่แม่นยำ – ยังคงไม่ได้รับการแก้ไข มันเหมือนกับการพยายามปะหลังคารั่วด้วยถังเล็กๆ ปัญหาพื้นฐานต้องการวิธีแก้ไขที่แข็งแกร่งกว่า

การแทรกแซงของ AI: จากการคาดเดาไปสู่ความแม่นยำ

เมื่อ Artisan Eats เข้ามาหาผม เป้าหมายหลักของพวกเขาคือการควบคุม COGS โดยไม่ลดทอนคุณภาพของผลิตภัณฑ์ ผมให้ความสำคัญกับการพยากรณ์ความต้องการและการจัดการสินค้าคงคลังของพวกเขาในทันที นี่คือส่วนที่ AI เปล่งประกายอย่างแท้จริง โดยเฉพาะอย่างยิ่งกับการหลั่งไหลของเครื่องมือที่เข้าถึงได้และทรงพลังที่มีอยู่ในปัจจุบัน เราเริ่มต้นด้วยการพิจารณาข้อมูลที่พวกเขามีอยู่แล้ว: ประวัติการขาย ปฏิทินโปรโมชั่น การเปลี่ยนแปลงตามฤดูกาล แม้กระทั่งตารางกิจกรรมในท้องถิ่น ธุรกิจส่วนใหญ่กำลังนั่งอยู่บนขุมทองข้อมูลที่พวกเขาไม่ได้ใช้ประโยชน์อย่างเต็มที่ – สิ่งที่ผมเรียกว่า ผลตอบแทนจากข้อมูล (The Data Dividend)

กลยุทธ์ของเราเกี่ยวข้องกับการนำโซลูชัน AI พยากรณ์ที่ออกแบบมาโดยเฉพาะสำหรับความท้าทายของห่วงโซ่อุปทาน แทนที่จะสร้างสิ่งใหม่ทั้งหมด เราเลือกใช้เครื่องมือสำเร็จรูปที่สามารถรวมเข้ากับแพลตฟอร์มการขายที่มีอยู่ของพวกเขาได้ กุญแจสำคัญคือการค้นหา เครื่องมือ AI ที่ดีที่สุดสำหรับการผลิตอาหารและเครื่องดื่ม ที่ใช้งานง่ายและนำเสนอข้อมูลเชิงลึกที่ชัดเจนและนำไปปฏิบัติได้ ไม่ใช่แค่เพียงอัลกอริทึมที่ซับซ้อน

ระยะที่ 1: การพยากรณ์ความต้องการที่แม่นยำยิ่งขึ้น

เราเริ่มต้นด้วยการป้อนข้อมูลการขายในอดีตของพวกเขา – รวมถึงตัวเลขยอดขายรายวัน โปรโมชั่น และปัจจัยภายนอก เช่น รูปแบบสภาพอากาศและวันหยุด – เข้าไปในเครื่องมือพยากรณ์ความต้องการ AI บนคลาวด์ เครื่องมือนี้ก้าวข้ามค่าเฉลี่ยแบบง่ายๆ มันระบุรูปแบบที่ซับซับซ้อนและไม่เป็นเชิงเส้นที่สายตามนุษย์อาจมองข้ามไป ตัวอย่างเช่น มันเรียนรู้ว่าวันอังคารที่มีแดดจัดหลังวันหยุดธนาคารจะมียอดขายอาหารเมดิเตอร์เรเนียนเพิ่มขึ้นอย่างชัดเจน ในขณะที่วันศุกร์ที่มีฝนตกอาจเพิ่มยอดขายอาหารประเภท Comfort Food ของพวกเขา นอกจากนี้ยังคำนึงถึงอายุการเก็บรักษาเฉพาะของส่วนผสมแต่ละชนิด โดยให้การพยากรณ์ที่ไม่ใช่แค่ปริมาณเท่านั้น แต่ยังรวมถึงช่วงเวลาที่เหมาะสมด้วย

สิ่งนี้ช่วยลดการคาดเดาไปได้มาก แทนที่จะมีการประชุมประจำสัปดาห์เพื่อถกเถียงเป้าหมายการขาย พวกเขาได้รับข้อมูลพยากรณ์ที่ขับเคลื่อนด้วยข้อมูล ซึ่งได้รับการอัปเดตแบบเรียลไทม์ สิ่งนี้ช่วยให้พวกเขาสามารถ:

• ปรับตารางการผลิต: ผลิตใกล้เคียงกับความต้องการที่คาดการณ์ไว้ ลดการผลิตที่มากเกินไป
• เพิ่มประสิทธิภาพการจัดซื้อวัตถุดิบ: สั่งซื้อเท่าที่จำเป็น ในเวลาที่จำเป็น ลดการเน่าเสียให้เหลือน้อยที่สุด
• บริหารจัดการโปรโมชั่นเชิงรุก: ระบุผลิตภัณฑ์ที่มีแนวโน้มว่าจะเกินและวางแผนโปรโมชั่นที่ตรงเป้าหมายเพื่อขายออกไปก่อนหมดอายุ แทนที่จะรอรับมือกับของเสียที่กำลังจะเกิดขึ้น

ระยะที่ 2: การเพิ่มประสิทธิภาพสินค้าคงคลังแบบไดนามิก

เมื่อมีการพยากรณ์ความต้องการที่แม่นยำยิ่งขึ้น ขั้นตอนต่อไปคือการเพิ่มประสิทธิภาพสินค้าคงคลัง นี่คือจุดที่ระบบจัดการสินค้าคงคลังที่ขับเคลื่อนด้วย AI แยกต่างหากเข้ามามีบทบาท ระบบนี้ไม่เพียงแค่บอกพวกเขาว่ามีอะไรอยู่บ้าง แต่ยังจัดการจุดสั่งซื้อซ้ำและปริมาณอย่างมีประสิทธิภาพ โดยพิจารณาจากระยะเวลารอคอยสินค้าจากซัพพลายเออร์ ความจุในการจัดเก็บ และอายุการเก็บรักษาของส่วนผสมแต่ละชนิด นอกจากนี้ยังสามารถจำลองผลกระทบทางการเงินของระดับสต็อกที่แตกต่างกันได้อีกด้วย

หนึ่งในประเด็นที่สำคัญที่สุดสำหรับ Artisan Eats คือการจัดการ ความกดดันด้านอายุการเก็บรักษา (The Shelf-Life Squeeze) – แรงกดดันอย่างต่อเนื่องจากข้อจำกัดด้านความสดใหม่ของวัตถุดิบ ระบบ AI คำนึงถึงสิ่งนี้ โดยแนะนำคำสั่งซื้อที่สร้างสมดุลระหว่างการประหยัดต้นทุนกับข้อกำหนดด้านความสดใหม่ และยังแจ้งเตือนปัญหาที่อาจเกิดขึ้นล่วงหน้าเป็นสัปดาห์ ตัวอย่างเช่น หากซัพพลายเออร์ประสบปัญหาความล่าช้า ระบบสามารถแจ้งเตือนให้พวกเขา proactively ค้นหาแหล่งอื่นหรือปรับการผลิต เพื่อป้องกันการขาดสต็อกหรือการลดทอนคุณภาพ

สำหรับข้อมูลเชิงลึกเพิ่มเติมว่าระบบเหล่านี้สามารถเปลี่ยนแปลงการดำเนินงานด้านการผลิตได้อย่างไร ผมมักจะแนะนำธุรกิจต่างๆ ให้ดูคู่มือของเราเกี่ยวกับ AI ในการผลิต ซึ่งครอบคลุมทุกอย่างตั้งแต่การเพิ่มประสิทธิภาพสายการผลิตไปจนถึงการควบคุมคุณภาพ

ผลลัพธ์: ต้นทุนสินค้าที่ขาย (COGS) ลดลง 22%

ผลกระทบนั้นรวดเร็วและสำคัญ ภายในหกเดือนหลังจากการนำไปใช้เต็มรูปแบบ Artisan Eats เห็นว่า ต้นทุนสินค้าที่ขาย (Cost of Goods Sold) ของพวกเขาลดลงอย่างน่าทึ่งถึง 22% นี่ไม่ใช่แค่การปรับปรุงเล็กน้อย แต่เป็นการเปลี่ยนแปลงครั้งใหญ่ นี่คือรายละเอียดของแหล่งที่มาของการประหยัด:

1. ลดขยะจากวัตถุดิบ (ลดลง 15%): โดยการจับคู่การจัดซื้อให้ใกล้เคียงกับความต้องการมากขึ้น พวกเขาลดวัตถุดิบเน่าเสียง่ายที่ไม่ได้ใช้ลงได้อย่างมาก อาหารที่ทิ้งน้อยลงหมายถึงเงินในบัญชีมากขึ้น
2. เพิ่มประสิทธิภาพค่าแรง (ลดลง 5%): ตารางการผลิตที่คาดการณ์ได้แม่นยำยิ่งขึ้นหมายถึงการทำงานล่วงเวลาน้อยลงสำหรับคำสั่งซื้อเร่งด่วน และการจัดสรรพนักงานที่มีประสิทธิภาพมากขึ้นในช่วงเวลาที่ช้าลง ทีมงานสามารถมุ่งเน้นไปที่คุณภาพและนวัตกรรม แทนที่จะต้องเร่งรีบจัดการกับส่วนเกินหรือการขาดแคลน
3. ลดต้นทุนการจัดเก็บ (ลดลง 2%): แม้จะเป็นสัดส่วนที่น้อยกว่าของการประหยัดโดยรวม การมีสต็อกส่วนเกินน้อยลงหมายถึงความจำเป็นในการใช้พื้นที่จัดเก็บแบบเย็นและการใช้พลังงานน้อยลง
4. กระแสเงินสดที่ดีขึ้น: การมีเงินทุนผูกมัดในสินค้าคงคลังที่เคลื่อนไหวช้าหรือสูญเปล่าน้อยลง ทำให้มีเงินทุนอิสระที่สามารถนำไปลงทุนใหม่ในการตลาด การพัฒนาผลิตภัณฑ์ หรือเพียงแค่สร้างกันชนทางการเงินที่แข็งแกร่งขึ้น

นอกเหนือจากการประหยัดทางการเงินโดยตรงแล้ว ยังมีประโยชน์รองที่ประเมินค่าไม่ได้อีกด้วย ความพึงพอใจของลูกค้าดีขึ้นเนื่องจากการขาดสต็อกน้อยลง ขวัญกำลังใจของพนักงานสูงขึ้นเนื่องจากความเครียดในการจัดการของเสียลดลง ธุรกิจได้รับความคล่องตัวและความสามารถในการตอบสนองในระดับที่ไม่เคยมีมาก่อน ทำให้พวกเขาสามารถตอบสนองต่อการเปลี่ยนแปลงของตลาดหรือโอกาสใหม่ๆ ได้อย่างรวดเร็ว

กรณีศึกษานี้แสดงให้เห็นถึงพลังของ AI ที่ตรงเป้าหมายในภาคอาหารได้อย่างงดงาม สำหรับตัวอย่างและกรอบการทำงานที่เจาะจงยิ่งขึ้นซึ่งปรับให้เหมาะกับอุตสาหกรรมนี้ โปรดสำรวจแหล่งข้อมูลเฉพาะของเราเกี่ยวกับ การประหยัดด้วย AI ในการผลิตอาหารและเครื่องดื่ม

ข้อคิด: ไม่ใช่การเข้ามาแทนที่ แต่คือการปรับปรุงให้ดีขึ้น

Artisan Eats ไม่ได้ใช้ AI เข้ามาแทนที่ทีมงานทั้งหมด พวกเขาเสริมศักยภาพให้กับทีมงานที่มีอยู่ด้วยข้อมูลที่ดีขึ้นและแม่นยำยิ่งขึ้น ผู้จัดการฝ่ายผลิตสามารถตัดสินใจได้จากข้อมูลที่เป็นรูปธรรม แทนที่จะเป็นสัญชาตญาณ ซึ่งช่วยให้พวกเขามีเวลาไปมุ่งเน้นกับงานที่มีมูลค่าสูงขึ้น เช่น การคิดค้นสูตรใหม่และการควบคุมคุณภาพ นี่คือแก่นแท้ของการนำ AI มาใช้ในเชิงรุก: การเพิ่มพูนความสามารถของมนุษย์ ไม่ใช่แค่การทำงานโดยอัตโนมัติ

เรื่องราวนี้เป็นเครื่องเตือนใจที่ทรงพลังว่าการเปลี่ยนแปลงด้วย AI ไม่ได้หมายถึงการยกเครื่องครั้งใหญ่ที่มีมูลค่าหลายล้านปอนด์เสมอไป บ่อยครั้ง มันคือการระบุคอขวดที่สำคัญ – เช่น การพยากรณ์ความต้องการในธุรกิจสินค้าเน่าเสียง่าย – และการนำเครื่องมือ AI ที่เหมาะสมมาใช้เพื่อแก้ไขปัญหาเหล่านั้นอย่างแม่นยำ การลงทุนเริ่มต้นในเครื่องมือ AI และกระบวนการนำไปใช้สำหรับ Artisan Eats นั้นไม่มากนัก โดยเฉพาะเมื่อเทียบกับผลตอบแทนที่รวดเร็วที่พวกเขาได้รับจากการลด COGS เครื่องมือที่พวกเขาใช้เป็นโซลูชันบนคลาวด์ที่เข้าถึงได้ ซึ่งไม่จำเป็นต้องมีกองทัพนักวิทยาศาสตร์ข้อมูล

หากธุรกิจของคุณกำลังเผชิญกับความท้าทายที่คล้ายคลึงกัน – ไม่ว่าจะเป็นในด้าน การเพิ่มประสิทธิภาพห่วงโซ่อุปทาน การจัดการสินค้าเน่าเสียง่าย หรือเพียงแค่การลด COGS ของคุณ – โอกาสในการใช้ประโยชน์จาก AI พยากรณ์ก็มีอยู่แล้วในตอนนี้ เริ่มต้นด้วยการดูข้อมูลที่คุณมีอยู่ ระบุแหล่งที่มาของค่าใช้จ่ายที่ใหญ่ที่สุดของคุณ จากนั้นสำรวจเครื่องมือ AI ที่เข้าถึงได้ซึ่งสามารถให้ความแม่นยำในระดับเดียวกันกับการเปลี่ยนแปลงที่ Artisan Eats ได้รับ อนาคตไม่ใช่เรื่องของการมองข้ามของเสีย แต่เป็นการคาดการณ์และป้องกันไม่ให้เกิดขึ้น