Bagaimana Pembelajaran Mesin Meramalkan Kehabisan Stok 3 Minggu Sebelum Ia Berlaku

Sebuah peruncit kecantikan bersaiz sederhana yang mengendalikan kira-kira 3,500 SKU mempunyai masalah berterusan. Setiap bulan, 8-12% daripada produk terlaris mereka akan mencapai inventori sifar sebelum penambahan stok tiba. Setiap kehabisan stok pada produk popular menyebabkan kerugian anggaran $2,800 sehari dalam jualan yang hilang, belum termasuk kerosakan muhibah pelanggan dan perbelanjaan iklan yang dibazirkan untuk menarik trafik ke halaman produk yang kehabisan stok.

Pasukan inventori mereka menyemak paras stok setiap hari dan membuat pesanan semula apabila inventori mencapai ambang yang telah ditetapkan. Masalahnya ialah ambang tersebut bersifat statik, iaitu bilangan unit tetap berdasarkan purata jualan harian sepanjang 90 hari yang lalu. Apabila permintaan melonjak disebabkan sebutan viral di TikTok atau pesaing kehabisan stok produk serupa, ambang statik tidak dapat bertindak balas dengan cukup pantas.

Mengapa Titik Pesanan Semula Statik Gagal

Titik pesanan semula statik mengandaikan bahawa permintaan masa hadapan akan menyerupai permintaan masa lalu dan masa tunggu pembekal adalah konsisten. Kedua-dua andaian ini kerap gagal. Permintaan untuk SKU individu dalam e-dagang adalah tidak sekata. Sesuatu produk mungkin terjual 20 unit sehari selama tiga minggu dan kemudian tiba-tiba terjual 60 unit sehari kerana seorang influencer menyebutnya, pesaing menaikkan harga mereka, atau peralihan musim berlaku. Pada masa anda menyedari pecutan dalam semakan inventori harian anda, anda mungkin sudah dua minggu dalam permintaan tinggi dengan masa tunggu pembekal selama tiga minggu di hadapan anda.

Masa tunggu pembekal juga sama tidak menentu. Pembekal yang biasanya menghantar dalam 14 hari mungkin mengambil masa 21 hari semasa musim sibuk mereka, selepas kekurangan bahan mentah, atau disebabkan kelewatan penghantaran. Jika titik pesanan semula anda mengandaikan masa tunggu 14 hari dan masa tunggu sebenar adalah 21 hari, anda mempunyai jurang tujuh hari di mana anda menjual inventori yang anda sangka sudah ditambah.

Apa yang Dipantau oleh Model ML

Model ramalan kehabisan stok memproses pelbagai aliran data secara serentak. Input utama ialah halaju jualan, bukan sebagai purata mudah tetapi sebagai siri masa dengan komponen trend dan kemusiman. Model ini mengesan pecutan (menjual lebih pantas daripada minggu lepas), nyahpecutan, dan corak kitaran khusus untuk setiap SKU.

Kedudukan inventori (stok semasa di tangan campur unit dalam transit tolak unit yang diperuntukkan untuk pesanan tertangguh) memberikan model bahagian bekalan dalam persamaan tersebut. Digabungkan dengan ramalan permintaan, model mengira metrik anggaran hari-bekalan yang dikemas kini secara dinamik.

Data prestasi pembekal menambah dimensi yang penting. Dengan menjejaki tarikh penghantaran sebenar berbanding jangkaan untuk setiap pembekal dari semasa ke semasa, model membina taburan masa tunggu yang berkemungkinan dan bukannya menggunakan anggaran titik tunggal. Jika Pembekal A menghantar dalam 12-18 hari dengan median 14, model menggunakan taburan penuh semasa mengira kebarangkalian kehabisan stok.

Isyarat luaran memberikan amaran awal tentang perubahan permintaan. Volum carian untuk produk atau kategori di Google, sebutan di media sosial, paras stok pesaing (sering dapat dikesan melalui halaman produk mereka yang menunjukkan ketersediaan terhad), dan kalendar musim semuanya dimasukkan ke dalam ramalan permintaan. Lonjakan mendadak dalam volum carian Google untuk sesuatu produk sering mendahului lonjakan jualan sebanyak 5-10 hari, yang memberikan model isyarat awal bahawa trajektori inventori semasa mungkin tidak bertahan.

Tetingkap Amaran Tiga Minggu

Model mengeluarkan kebarangkalian kehabisan stok untuk setiap SKU pada pelbagai ufuk masa: 7 hari, 14 hari, dan 21 hari ke hadapan. Amaran tipikal mungkin kelihatan seperti ini: SKU #4892 (Serum Vitamin C 30ml) pada masa ini mempunyai 340 unit di tangan. Pada halaju jualan semasa 28 unit sehari, stok akan habis dalam kira-kira 12 hari. Walau bagaimanapun, trend permintaan menunjukkan pecutan 15% minggu ke minggu. Anggaran kehabisan yang diselaraskan ialah 9 hari. Penghantaran penambahan stok seterusnya sebanyak 500 unit dijangka tiba dalam 16 hari berdasarkan taburan masa tunggu pembekal. Kebarangkalian kehabisan stok dalam 14 hari ialah 78%.

Dengan tetingkap tiga minggu ini, pasukan inventori mempunyai pilihan. Mereka boleh mempercepatkan pesanan sedia ada dengan pembekal, mungkin membayar premium untuk penghantaran lebih pantas. Mereka boleh membuat pesanan jambatan yang lebih kecil dengan pembekal alternatif yang mempunyai masa tunggu lebih pendek. Mereka boleh mengurangkan perbelanjaan pemasaran pada produk tersebut untuk memperlahankan permintaan sambil mengekalkan jualan organik. Mereka boleh menyediakan pemberitahuan stok-kembali-ada untuk menangkap permintaan semasa sebarang tempoh kehabisan stok.

Tanpa amaran awal, tiada satu pun pilihan mitigasi ini tersedia. Pada masa seseorang menyedari inventori rendah melalui semakan manual, masa tunggu sudah pun memakan baki stok.

Membina Model

Pelaksanaan teknikal menggunakan gabungan ramalan siri masa untuk permintaan (biasanya Prophet atau model LSTM tersuai) dan model pengelasan untuk kebarangkalian kehabisan stok. Model pengelasan mengambil ramalan permintaan, kedudukan inventori semasa, dan taburan masa tunggu pembekal sebagai input dan mengeluarkan kebarangkalian kehabisan stok dalam setiap tetingkap masa.

Data latihan datang daripada rekod inventori sejarah anda. Setiap kehabisan stok yang lalu adalah contoh positif, dan setiap SKU yang mengekalkan stok mencukupi sepanjang tempoh tertentu adalah contoh negatif. Anda memerlukan sekurang-kurangnya 12-18 bulan gambar inventori harian dengan data jualan yang sepadan untuk melatih model yang berguna. Jika anda belum menyimpan paras inventori harian, mulakan sekarang kerana data ini sangat sukar untuk dibina semula secara retroaktif.

Kejuruteraan ciri adalah di mana kebanyakan nilai dicipta. Nombor jualan mentah kurang berguna berbanding ciri terbitan seperti purata halaju bergerak 7 hari, perubahan halaju minggu ke minggu, pekali variasi dalam jualan harian (ukuran ketidaktentuan permintaan), dan nisbah halaju semasa kepada purata 90 hari. Ciri terbitan ini membantu model membezakan antara produk jualan stabil yang menghampiri titik pesanan semula dan produk yang mengalami lonjakan permintaan yang akan menghabiskan inventori jauh lebih pantas daripada jangkaan.

Integrasi Dengan Sistem Sedia Ada

Model perlu disambungkan ke dalam aliran kerja pengurusan inventori anda, bukan menggantikannya. Pendekatan paling biasa ialah papan pemuka amaran harian yang menunjukkan SKU disusun mengikut risiko kehabisan stok, dengan tindakan yang disyorkan untuk setiap satu. Perancang inventori menyemak papan pemuka setiap pagi dan mengambil tindakan terhadap item berisiko tinggi.

Pelaksanaan yang lebih maju mengautomasikan tindak balas untuk tindakan berisiko rendah. Jika model meramalkan kehabisan stok dan tindakan yang disyorkan ialah membuat pesanan semula standard dengan pembekal sedia ada, sistem boleh menjana pesanan pembelian secara automatik dan menyusunnya untuk kelulusan satu klik oleh pengurus inventori. Ini mengekalkan manusia dalam gelung untuk keputusan sambil menghapuskan kerja manual mencipta pesanan.

Bagi peruncit e-dagang yang mengendalikan beribu-ribu SKU, pemantauan inventori secara manual tidak dapat berskala. Seorang manusia yang menyemak 3,500 SKU sehari pasti akan terlepas yang sedang senyap-senyap memecut ke arah kehabisan stok. Model ML menyemak setiap SKU setiap jam, menangkap corak halus, dan mengetengahkan yang memerlukan perhatian. Peruncit kecantikan yang memulakan perbualan ini mengurangkan kadar kehabisan stok mereka daripada 8-12% kepada bawah 3% dalam tempoh enam bulan selepas menggunakan model ramalan mereka, yang diterjemahkan kepada kira-kira $940,000 dalam hasil tahunan yang dipulihkan.