چگونه هوش مصنوعی اتوماسیون زنجیره تامین را برای خرده فروشان در سراسر جهان هدایت می کند

هوش مصنوعی برای چگونگی مدیریت و بهینه سازی زنجیره های تامین توسط سازمان های خرده فروشی بزرگ بسیار مهم است. از پیش‌بینی تقاضای فصلی در کالاها گرفته تا سفارش‌دهی خودکار موجودی، هوش مصنوعی به فروشندگان سیستم مدیریت زنجیره تامین کمک می‌کند تا کارایی‌های جدیدی را برای مشتریان خود به دست آورند.

در سال 2022، مک کینزی گزارش داد که مدیریت زنجیره تامین بالاترین حوزه ای بود که کسب و کارها کاهش هزینه های مرتبط با هوش مصنوعی را گزارش کردند. در آن زمان، شرکت‌های بزرگ کالاهای بسته‌بندی مصرفی دیدند کاهش 20 درصدی موجودیکاهش 10٪ در هزینه های زنجیره تامین و افزایش درآمد تا 4٪.

هوش مصنوعی برای زنجیره های تامین از سال 2022 بهبود یافته است و با هوش مصنوعی مولد سرعت می گیرد. گزارش جدیدتر مک کینزی دریافتند که مدیریت زنجیره تامین عملکردی است که در آن کسب‌وکارها معمولاً به دلیل سرمایه‌گذاری در هوش مصنوعی، افزایش درآمد معنی‌دار بیش از 5 درصد را گزارش می‌کنند.

یادگیری ماشینی کار غرغرو بهینه سازی زنجیره تامین را انجام داده است

Laurence Brenig-Jones، معاون استراتژی محصول در ارائه‌دهنده نرم‌افزار مدیریت زنجیره تامین و برنامه‌ریزی RELEX Solutions، به TechRepublic گفت که قدرت «تخریب کننده اعداد» یادگیری ماشینی، نیروی برتر فناوری هوش مصنوعی بوده است که تا به امروز در زنجیره‌های تأمین استفاده شده است.

“من فکر می کنم آنچه که ما می بینیم این است که پیشرفت بزرگی در دقت و اتوماسیون وجود دارد [from machine learning capabilities] که می تواند منجر به مزایای بسیار قابل توجهی در در دسترس بودن محصول، کاهش سرمایه در گردش، و اگر شما یک خواربارفروش هستید، کاهش فساد یا هدر رفتن را به همراه داشته باشد.

موارد استفاده متعددی وجود دارد که یادگیری ماشین برای آنها در زنجیره تامین به کار گرفته شده است.

پیش بینی تقاضا

پیش بینی تقاضای محصول کلیدی در مدیریت زنجیره تامین است. Brenig-Jones گفت که این “بسیار دشوار” است زیرا می تواند شامل پیش بینی تقاضا برای یک محصول خاص، در یک مکان خاص، در یک روز یا ساعت خاص از روز باشد – اغلب تا 180 روز یا بیشتر در کل یک عملیات.

در طول پنج سال گذشته، الگوریتم‌های یادگیری ماشین جایگزین الگوریتم‌های سری زمانی مورد استفاده قبلی برای این کار شده‌اند. به گفته اوراکل فروشنده ERP، هوش مصنوعی اکنون می تواند از داده های داخلی مانند خطوط لوله فروش و سیگنال های خارجی مانند روند بازار، چشم انداز اقتصادی و فروش فصلی برای پیش بینی استفاده کند.

موجودی خودکار

پیش بینی تقاضا به سازمان ها کمک می کند تا سفارش موجودی را بهینه و خودکار کنند. اگرچه این شامل حصول اطمینان از موجودی کافی برای پاسخگویی به تقاضا می شود، خرده فروشان باید عوامل دیگری مانند سرمایه در گردش بیش از حد با موجودی زیاد، فاسد شدن مواد غذایی یا نقض ظرفیت را نیز متعادل کنند.

برنیگ جونز گفت بسیاری از الگوریتم‌های بهینه‌سازی، با توانایی خود در یادگیری از گذشته از طریق یادگیری ماشینی، می‌توانند این مشکل پیچیده را حل کنند و تقاضا برای زنجیره تامین سازمان را به طور موثر برآورده کنند و همه عوامل درگیر را متعادل کنند.

بهینه سازی لجستیک

یادگیری ماشینی نیز در شبکه های لجستیک تعبیه شده است. طبق گفته اوراکل، شرکت‌های لجستیک از الگوریتم‌های یادگیری ماشینی استفاده می‌کنند تا «مدل‌هایی را آموزش دهند که مسیرهای تحویل را که توسط آن اجزا در طول زنجیره تأمین حرکت می‌کنند، بهینه‌سازی و مدیریت می‌کنند» و از تحویل به موقع‌تر کالاها اطمینان حاصل می‌کنند.

ببینید: فرصت های شغلی زنجیره تامین به فقدان اتوماسیون و نوآوری اشاره دارد

در یک مثال، شرکت پیک UPS از پلت فرم پویا بهینه سازی و ناوبری یکپارچه جاده ای خود، ORION، برای نشان دادن رانندگان استفاده می کند. کارآمدترین مسیر برای تحویل و پیکاپ در بیش از 66000 جاده در ایالات متحده، کانادا و اروپا، صرفه جویی قابل توجهی در مسافت پیموده شده و هزینه سوخت سالانه.

نقش رو به رشد هوش مصنوعی مولد در مدیریت زنجیره تامین

کارشناسان معتقدند هوش مصنوعی مولد در مدیریت و برنامه ریزی زنجیره تامین اهمیت فزاینده ای پیدا خواهد کرد. از طریق جستارهای زبان طبیعی، آینده احتمالاً شاهد نقش گسترده ای برای هوش مصنوعی مولد خواهد بود.

تعاملات زبان طبیعی غنی تر

خرده فروشان احتمالاً در آینده تعاملات زبان طبیعی بسیار غنی تر و تحلیلی تری با زنجیره تامین و داده های برنامه ریزی خرده فروشی خود خواهند داشت. این می تواند شامل پرسیدن سؤالاتی در مورد طرح های زنجیره تأمین، آنچه در گذشته اتفاق افتاده است، یا جایی که فرصت هایی برای انجام بهتر وجود دارد، باشد.

می‌توانید بپرسید: پنج دلیل اصلی من برای عدم موجودی در هفته گذشته چه بود؟ و می تواند به شما بگوید: «شماره یک دقت موجودی ضعیف در فروشگاه های شما و به ویژه این فروشگاه ها بود. برنیگ جونز گفت، شماره دو این بود که شما یک شکست بزرگ در عرضه داشتید، و این باعث این تأثیر بر فروش شما شد.

توصیه های آینده نگر

هوش مصنوعی مولد در پلتفرم‌های مدیریت زنجیره تامین می‌تواند توصیه‌های آینده‌نگر را برای خرده‌فروشان بزرگ از طریق تعاملات زبان طبیعی ارائه دهد. به عنوان مثال، یک پلتفرم می‌تواند به سازمان توصیه کند که در هفته آینده چه کاری انجام دهد تا مطمئن شود همه چیز برای رسیدن به اهدافش تنظیم شده است.

ببینید: Splunk از سازمان های استرالیایی می خواهد که LLM ها را ایمن کنند

“ممکن است بگوید: توصیه می کنیم این قسمت از پیکربندی خود را تغییر دهید، یا توصیه می کنیم که بروید و با این تامین کننده صحبت کنید زیرا بر اساس درک ما از آنچه دفعه قبل اتفاق افتاده است، خطری وجود دارد.” برنیگ جونز گفت، بنابراین آینده نگر و تعامل در قالب زبان طبیعی خواهد بود.

تبدیل شدن به یک “ابر کاربر” هوش مصنوعی

مرحله بعدی در معرفی هوش مصنوعی مولد، و چیزی که RELEX در پلتفرم خود دنبال می کند، تبدیل هوش مصنوعی به یک “فوق العاده کاربر” است. مانند کاربران سیستم که “گوروهای واقعی در نحوه پیکربندی سیستم” هستند، هوش مصنوعی می تواند خودسازگار شود و به سازمان ها کمک کند تا سیستم های خود را در طول زمان بهبود بخشند.

برنیگ جونز توضیح داد: «این می‌گوید: «من پیکربندی بهتری برای راه‌حل شما بر اساس آنچه می‌بینم پیدا کرده‌ام.» “بنابراین شما می توانید به این نوع توانایی برای راه حل برای خود انطباق در حال حرکت دست پیدا کنید. این مسیری است که ما در حال حرکت هستیم و ما با مشتریان خود کار می کنیم تا بفهمیم که چگونه این کار برای آنها نیز بهترین کار را انجام می دهد.