كيف يتنبأ التعلم الآلي بنفاد المخزون قبل 3 أسابيع من حدوثه
كان لدى بائع تجزئة متوسط الحجم في مجال مستحضرات التجميل يدير حوالي 3,500 وحدة تخزين (SKU) مشكلة مستمرة. كل شهر، كانت 8-12% من منتجاتهم الأكثر مبيعاً تصل إلى مخزون صفري قبل وصول التجديد. كل نفاد مخزون لمنتج شائع كان يكلفهم ما يقدر بـ 2,800 دولار يومياً في المبيعات المفقودة، دون احتساب الضرر الذي يلحق بثقة العملاء والإنفاق الإعلاني المهدر لجذب الزوار إلى صفحات منتجات غير متوفرة.
كان فريق المخزون يتحقق من مستويات المخزون يومياً ويضع طلبات إعادة الشراء عندما يصل المخزون إلى حد محدد مسبقاً. كانت المشكلة أن هذا الحد كان ثابتاً، عدد محدد من الوحدات بناءً على متوسط المبيعات اليومية خلال الـ 90 يوماً الماضية. عندما يرتفع الطلب بسبب ذكر فيروسي على تيك توك أو نفاد مخزون منافس من منتج مشابه، لم يكن الحد الثابت قادراً على التفاعل بالسرعة الكافية.
لماذا تفشل نقاط إعادة الطلب الثابتة
تفترض نقطة إعادة الطلب الثابتة أن الطلب المستقبلي سيبدو مثل الطلب السابق وأن أوقات التسليم من الموردين ثابتة. كلا الافتراضين ينهاران بانتظام. الطلب على وحدات التخزين الفردية في التجارة الإلكترونية متقطع. قد يبيع منتج ما 20 وحدة يومياً لمدة ثلاثة أسابيع ثم يبيع فجأة 60 وحدة يومياً لأن مؤثراً ذكره، أو رفع منافس سعره، أو بدأ تحول موسمي. بحلول الوقت الذي تلاحظ فيه التسارع في فحص المخزون اليومي، قد تكون بالفعل في الأسبوع الثاني من الطلب المرتفع مع وقت تسليم من المورد يبلغ ثلاثة أسابيع أمامك.
أوقات التسليم من الموردين متغيرة بنفس القدر. المورد الذي يسلم عادة في 14 يوماً قد يستغرق 21 يوماً خلال موسمه المزدحم، أو بعد نقص في المواد الخام، أو بسبب تأخيرات الشحن. إذا كانت نقطة إعادة الطلب تفترض وقت تسليم 14 يوماً والوقت الفعلي 21 يوماً، فلديك فجوة سبعة أيام تبيع فيها مخزوناً كنت تعتقد أنه سيتم تجديده بالفعل.
ما الذي يراقبه نموذج التعلم الآلي
يعالج نموذج التنبؤ بنفاد المخزون تدفقات بيانات متعددة في وقت واحد. المدخل الأساسي هو سرعة المبيعات، ليس كمتوسط بسيط بل كسلسلة زمنية تتضمن مكونات الاتجاه والموسمية. يكتشف النموذج التسارع (البيع أسرع من الأسبوع الماضي)، والتباطؤ، والأنماط الدورية الخاصة بكل وحدة تخزين.
وضع المخزون (المخزون الحالي المتاح بالإضافة إلى الوحدات قيد النقل مطروحاً منها الوحدات المخصصة للطلبات المعلقة) يمنح النموذج جانب العرض من المعادلة. بالاقتران مع الطلب المتوقع، يحسب النموذج مقياس أيام التوريد المقدرة الذي يتحدث ديناميكياً.
تضيف بيانات أداء الموردين بُعداً حاسماً. من خلال تتبع تواريخ التسليم الفعلية مقابل المتوقعة لكل مورد بمرور الوقت، يبني النموذج توزيعاً لأوقات التسليم المحتملة بدلاً من استخدام تقدير نقطة واحدة. إذا كان المورد أ يسلم في 12-18 يوماً بمتوسط 14، يستخدم النموذج التوزيع الكامل عند حساب احتمالية نفاد المخزون.
توفر الإشارات الخارجية إنذاراً مبكراً بتحولات الطلب. حجم البحث عن المنتج أو الفئة على جوجل، والإشارات على وسائل التواصل الاجتماعي، ومستويات مخزون المنافسين (التي يمكن اكتشافها غالباً من خلال صفحات منتجاتهم التي تظهر توفراً محدوداً)، والتقويمات الموسمية كلها تغذي توقعات الطلب. غالباً ما يسبق الارتفاع المفاجئ في حجم البحث على جوجل لمنتج ما ارتفاع المبيعات بـ 5-10 أيام، مما يمنح النموذج إشارة مبكرة بأن مسار المخزون الحالي قد لا يصمد.
نافذة التحذير لثلاثة أسابيع
يُخرج النموذج احتمالية نفاد المخزون لكل وحدة تخزين عند آفاق زمنية مختلفة: 7 أيام، و14 يوماً، و21 يوماً. قد يبدو التنبيه النموذجي كالتالي: وحدة التخزين #4892 (سيروم فيتامين سي 30 مل) لديها حالياً 340 وحدة متاحة. بسرعة المبيعات الحالية البالغة 28 وحدة يومياً، ينفد المخزون في حوالي 12 يوماً. ومع ذلك، يُظهر اتجاه الطلب تسارعاً بنسبة 15% أسبوعياً. تقدير النفاد المعدل هو 9 أيام. شحنة التجديد التالية البالغة 500 وحدة من المتوقع وصولها خلال 16 يوماً بناءً على توزيع وقت تسليم المورد. احتمالية نفاد المخزون خلال 14 يوماً هي 78%.
مع نافذة الثلاثة أسابيع هذه، يمتلك فريق المخزون خيارات. يمكنهم تسريع الطلب الحالي مع المورد، مع دفع علاوة محتملة للشحن الأسرع. يمكنهم وضع طلب جسر أصغر مع مورد بديل لديه أوقات تسليم أقصر. يمكنهم تقليل الإنفاق التسويقي على المنتج لإبطاء الطلب مع الحفاظ على المبيعات العضوية. يمكنهم إعداد إشعار "متوفر مجدداً" لالتقاط الطلب خلال أي فترة نفاد مخزون.
بدون الإنذار المبكر، لا تتوفر أي من خيارات التخفيف هذه. بحلول الوقت الذي يلاحظ فيه شخص أن المخزون منخفض من خلال الفحوصات اليدوية، يكون وقت التسليم قد استهلك بالفعل المخزون المتبقي.
بناء النموذج
يستخدم التنفيذ التقني مزيجاً من التنبؤ بالسلاسل الزمنية للطلب (عادةً Prophet أو نموذج LSTM مخصص) ونموذج تصنيف لاحتمالية نفاد المخزون. يأخذ نموذج التصنيف توقعات الطلب ووضع المخزون الحالي وتوزيع وقت تسليم المورد كمدخلات ويُخرج احتمالية نفاد المخزون ضمن كل نافذة زمنية.
تأتي بيانات التدريب من سجلات المخزون التاريخية الخاصة بك. كل حالة نفاد مخزون سابقة هي مثال إيجابي، وكل وحدة تخزين حافظت على مخزون كافٍ خلال فترة معينة هي مثال سلبي. تحتاج إلى 12-18 شهراً على الأقل من لقطات المخزون اليومية مع بيانات المبيعات المقابلة لتدريب نموذج مفيد. إذا لم تكن تخزن مستويات المخزون اليومية، ابدأ الآن لأن هذه البيانات يصعب إعادة بنائها بأثر رجعي بشكل مدهش.
هندسة الميزات هي المكان الذي يتم فيه إنشاء معظم القيمة. الأرقام الخام للمبيعات أقل فائدة من الميزات المشتقة مثل المتوسط المتحرك لسرعة المبيعات لـ 7 أيام، وتغير السرعة أسبوعياً، ومعامل التباين في المبيعات اليومية (مقياس لتقلب الطلب)، ونسبة السرعة الحالية إلى متوسط 90 يوماً. تساعد هذه الميزات المشتقة النموذج على التمييز بين منتج ثابت المبيعات يقترب من نقطة إعادة الطلب ومنتج يشهد ارتفاعاً في الطلب سيستنزف المخزون بشكل أسرع بكثير مما هو متوقع.
التكامل مع الأنظمة الحالية
يحتاج النموذج إلى الاندماج في سير عمل إدارة المخزون الخاص بك، وليس استبداله. النهج الأكثر شيوعاً هو لوحة تنبيهات يومية تعرض وحدات التخزين مرتبة حسب مخاطر نفاد المخزون، مع إجراءات موصى بها لكل منها. يراجع مخططو المخزون لوحة المعلومات كل صباح ويتخذون إجراءات بشأن العناصر عالية المخاطر.
التطبيقات الأكثر تقدماً تؤتمت الاستجابة للإجراءات منخفضة المخاطر. إذا تنبأ النموذج بنفاد المخزون وكان الإجراء الموصى به هو وضع طلب إعادة شراء قياسي مع مورد حالي، يمكن للنظام إنشاء أمر الشراء تلقائياً ووضعه في قائمة الانتظار للموافقة بنقرة واحدة من مدير المخزون. هذا يبقي الإنسان في الحلقة لاتخاذ القرار مع إزالة العمل اليدوي لإنشاء الطلب.
بالنسبة لـ تجار التجزئة في التجارة الإلكترونية الذين يديرون آلاف وحدات التخزين، لا يمكن لمراقبة المخزون اليدوية أن تتوسع ببساطة. الشخص الذي يتحقق من 3,500 وحدة تخزين يومياً سيفوته حتماً تلك التي تتسارع بهدوء نحو نفاد المخزون. يتحقق نموذج التعلم الآلي من كل وحدة تخزين كل ساعة، ويلتقط الأنماط الدقيقة، ويبرز تلك التي تحتاج إلى اهتمام. بائع التجزئة في مجال مستحضرات التجميل الذي بدأنا به هذا الحديث خفض معدل نفاد المخزون من 8-12% إلى أقل من 3% خلال ستة أشهر من نشر نموذج التنبؤ، وهو ما ترجم إلى ما يقرب من 940,000 دولار في الإيرادات السنوية المستردة.