Įvadas

Šiuolaikinės tiekimo grandinės diegia dirbtinio intelekto valdomus agentus, kurie automatizuoja atsargų planavimą nuo pradžios iki pabaigos. Šie išmanieji agentai sujungia paklausos prognozavimą su papildymo logika: jie prognozuoja būsimus pardavimus, generuoja arba koreguoja pirkimo užsakymus (PŽ) ir netgi perkelia atsargas tarp skirtingų vietų. Svarbiausia, jie atsižvelgia į realius apribojimus, tokius kaip tiekėjų pristatymo terminai, minimalūs užsakymo kiekiai ir transportavimo grafikai. Kad veiktų efektyviai, jie prisijungia prie pagrindinių sistemų – gauna realaus laiko duomenis iš ERP (Enterprise Resource Planning) ir WMS (Warehouse Management) sistemų bei bendrauja su tiekėjų portalais ir logistikos platformomis. Tai darydami, jie ne tik planuoja atsargų lygius, bet ir stebi operacijas, ieškodami išimčių. Paaiškinsime, kaip šie agentai tvarko specialius atvejus (išimčių valdymą), mažina liūdnai pagarsėjusį buliaus rykštės efektą užsakymuose ir stebi tiekėjų rizikos signalus. Galiausiai, aptarsime, kaip tokios sistemos stebi savo veiklos rezultatus naudodamos pagrindines metrikas (prognozavimo tikslumą, užpildymo rodiklį ir apyvartinį kapitalą) skirtingiems produktų lygmenims.

Dirbtinio intelekto agentai prognozavimui ir papildymui

Atsargų prognozavimo agentas yra programinė įranga, kuri automatiškai prognozuoja paklausą, nustato užsakymo papildymo taisykles ir inicijuoja papildymo veiksmus. Pavyzdžiui, vienas pirmaujantis tiekimo grandinės tiekėjas apibūdina Atsargų operacijų agentą, kuris „atkreipia dėmesį į neatitikimus, išimtis ir sistemines problemas“ tarp pasiūlos ir paklausos (media.blueyonder.com). Šis agentas diagnozuoja pagrindines priežastis (pvz., tiekėjų vėlavimą ar pajėgumų apribojimus) ir rekomenduoja sprendimus, tokius kaip alternatyvūs tiekimo šaltiniai ar skubūs užsakymai (media.blueyonder.com). Panašiai, Tinklo operacijų agentas stebi visą daugelio įmonių tinklą: jis gali „automatizuoti užsakymų patvirtinimus, atsargų trūkumo sprendimus, vežėjų paskyrimus, numatomų ETA atnaujinimus [ir] susitikimų perkėlimą“, kad prekės būtų pristatytos laiku ir pilnai (media.blueyonder.com). Šie pavyzdžiai rodo, kad agentai veikia mašininiu greičiu, siekdami subalansuoti atsargas ir paklausą.

Pagrindiniai programinės įrangos tiekėjai aktyviai kuria tokius agentus. Pavyzdžiui, Blue Yonder pristatė AI kognityvinius sprendimus su specializuotais agentais atsargoms, sandėlių, logistikos ir tinklo operacijoms (media.blueyonder.com) (media.blueyonder.com). Panašiai, Oracle Fusion SCM apima dirbtinio intelekto asistentus, tokius kaip „Prekių trūkumo analizės agentas“, kuris nustato prekes, kurių nėra sandėlyje, tikrina gaunamas atsargas ir siūlo pakaitalus ar alternatyvius šaltinius (www.oracle.com). Šie agentai taip pat gali automatizuoti įprastas užduotis – pavyzdžiui, „Oracle“ „Pasiūlymų į užklausas asistentas“ apdoroja el. paštu gautas tiekėjų citatas ir automatiškai sukuria pirkimo užklausas (www.oracle.com). Iš esmės, agentai perkelia tiekimo grandinę nuo statinių taisyklių prie dinamiškos, duomenimis pagrįstos darbo eigos.

Tyrimai patvirtina agentais pagrįstų metodų galią. Naujausiame tyrime sukurta daugiagentinė giluminio stiprinimo mokymosi sistema mažmeninės prekybos tiekimo grandinėms. Eksperimentuose su dideliais parduotuvių tinklais, naudojant realius jutiklių duomenis, daugiagentinis sprendimas sumažino prognozavimo klaidą ~18% ir atsargų trūkumus ~23%, palyginti su tradiciniais metodais (www.mdpi.com). Tai rodo, kad kai prognozavimo ir papildymo sprendimai mokomi kartu, agentai gali žymiai padidinti efektyvumą. „Gartner“ taip pat numato šį pokytį: ji prognozuoja, kad iki 2030 m. apie 50% visapusiškų tiekimo grandinės sprendimų naudos „agentinį AI“ sprendimams vykdyti autonomiškai (www.gartner.com). Tiesą sakant, „Gartner“ įsivaizduoja agentus, kurie gali „autonomiškai pirkti atsargas, atsižvelgdami į atsargų lygius, numatomą paklausą ir rinkos sąlygas“ (www.gartner.com). Kartu pramonės ir tyrimų pavyzdžiai rodo, kad AI agentai iš naujo apibrėžia atsargų planavimą kaip veiksmų orientuotą, automatizuotą procesą.

Integracija su ERP, WMS, tiekėjais ir logistika

Kad dirbtinio intelekto agentai veiktų, jie turi prisijungti prie įmonės duomenų ir sistemų. Agentui būtina ERP integracija: jam reikia savalaikės pardavimų istorijos, dabartinių turimų atsargų, atvirų užsakymų ir planuojamų gavimų. Pavyzdžiui, viename tiekimo grandinės vadove rekomenduojama „integruoti ERP modulius (pardavimus, pirkimus, atsargas)“, kad prognozavimo variklis galėtų matyti siuntų kiekius, numatomus gavimus ir laukiančius pirkimo užsakymus (blog.gettransport.com). Panašiai, WMS integracija teikia realaus laiko sandėlio atsargų skaičiavimus ir vietos informaciją. Be šių vieningų duomenų, agentams trūksta matomumo: atjungti ERP ir WMS duomenys gali slėpti atsargų disbalansą, kol nebus per vėlu. Kaip pažymi vienas šaltinis, vieningas duomenų įsisavinimas iš ERP, WMS ir TMS (transporto) sukuria vieną tiesos šaltinį, kuris „pašalina matomumo spragas, kuriose nepastebimos išimtys“ (www.wildducks.io). Praktiškai šiuolaikinės platformos teikia jungtis arba API pagrindinėms ERP/WMS sistemoms (pvz., SAP, Oracle, Manhattan ir kt.), kad AI modeliai visada matytų naujausią tiekimo informaciją.

Agentai taip pat integruojasi su tiekėjų portalais ir trečiųjų šalių tinklais. Daugelis įmonių naudoja elektroninį duomenų mainus (EDI) arba portalus pirkimo užsakymų perdavimui ir užsakymų patvirtinimams. AI agentai gali klausytis šių srautų – pvz., pranešimų apie siuntų vėlavimus ar pakeistus tiekėjo pristatymo terminus – ir tada koreguoti planus. Pagrindiniai tinklai (tokie kaip „BlueYonder“ prijungta ekosistema ar „E2open“ daugiapakopis tinklas) dalijasi atsargų ir pirkimo duomenimis tarp prekybos partnerių. Pavyzdžiui, prijungtas daugelio įmonių tinklas gali automatiškai sinchronizuoti atsargų lygius sutartinių gamintojų ar tiekėjų sandėliuose (www.e2open.com), leisdamas agentams subalansuoti atsargas visame pasaulyje. AI agentai taip pat gali automatizuoti sąveiką: „Oracle“ „ASN kūrimo asistentas“ skaito gaunamą siuntimo informaciją ir atnaujina numatomus gavimus be rankinio duomenų įvedimo (www.oracle.com). Iš esmės, sėkmingi agentai sujungia įmonę (ERP/WMS) ir išorinį tiekimą (tiekėjų sistemas, logistikos duomenis) į vientisą tiekimo grandinės vaizdą.

Išimčių valdymas ir buliaus rykštės efekto slopinimas

Joks planas nėra tobulai įvykdomas. Išimčių valdymas yra įmontuotas agentų saugos tinklas. Išimtis – tai bet koks įvykis, keliantis grėsmę planui – staigus paklausos šuolis, kokybės sustabdymas, vėluojantis pristatymas ar net atsargų neatitikimai. Pažangūs agentai yra užprogramuoti aktyviai aptikti anomalijas ir imtis veiksmų. Pavyzdžiui, autonominė sistema gali suaktyvinti įspėjimą (arba veikti automatiškai), kai prognozės klaida viršija slenksčius arba tiekėjo pristatymas vėluoja. Naujas straipsnis apibūdina šiuolaikinį išimčių valdymą: koreliuodamas ERP, WMS ir planavimo duomenis, AI „pastebi tendencijas 3–5 žingsniais aukščiau“ ir prioritetizuoja įspėjimus pagal verslo poveikį (www.wildducks.io). Vietoj aklų įspėjimų, jis informuoja planuotojus, kurie atsargų trūkumai ar vėlavimai iš tikrųjų kelia grėsmę pagrindiniams užsakymams. Sistema tada gali „pasiūlyti arba įvykdyti korekcinius veiksmus“ – tarkime, perskirstyti atsargas tarp paskirstymo centrų arba paspartinti kritinės dalies pristatymą, kol nenukentėjo klientų aptarnavimas (www.wildducks.io) (www.wildducks.io). Iš esmės, išimčių valdymas daugelį žemo lygio įspėjimų paverčia aukšto lygio įžvalgomis, pereinant nuo reaktyvaus problemų sprendimo prie proaktyvaus.

Glaučiau susijęs yra buliaus rykštės efekto slopinimas. Buliaus rykštės efektas yra klasikinis tiekimo grandinės reiškinys: maži mažmeninės prekybos paklausos svyravimai sustiprėja grandinėje aukštyn (www.techtarget.com). Tai lemia per dideles saugos atsargas ir brangius perteklius ar trūkumus. Praktiškai AI agentai padeda slopinti šį efektą, išlygindami informacijos srautą. Jie tai daro dalindamiesi tikrais paklausos signalais (kad tiekėjai aukščiau grandinėje matytų tikrus mažmeninės prekybos pardavimus), automatiškai koreguodami užsakymų kiekius remiantis realaus laiko duomenimis ir filtruodami „triukšmo“ šuolius. „TechTarget“ pataria, kad norėdamos sumažinti buliaus rykštės efektą, įmonės turi pagerinti bendradarbiavimą, prognozavimą ir matomumą, naudodamos prognozuojamosios analizės ir AI įrankius (www.techtarget.com). Šiuo požiūriu daugelis platformų skatina daugiapakopį atsargų bendradarbiavimą. Pavyzdžiui, „E2open“ pabrėžia daugiapakopį atsargų valdymą: teisingas atsargų dydžio nustatymas visose vietose sumažina bendrąsias atsargas ir „sumažina buliaus rykštės efektą“ tinkle (www.e2open.com). Automatizuoti papildymo ciklai (VMI ar konsignacijos atsargoms) taip pat gali padėti – inicijuodami mažesnius, dažnesnius užsakymus, o ne dideles, netaisyklingas partijas (www.e2open.com). Kartu šios praktikos užtikrina, kad gamyba aukščiau grandinėje būtų kuo labiau sinchronizuota su tikra galutinio kliento paklausa, suvaldymu buliaus rykštės ciklo.

Tiekėjų rizikos signalų stebėjimas

Dar vienas kritinis papildymo agentų vaidmuo yra tiekėjų rizikos stebėjimas. Agentinė sistema nuolat ieško „signalų“, kad tiekėjas gali žlugti ar suklupti. Šie signalai gali būti gaunami iš įvairių duomenų srautų: finansinės būklės ataskaitų, naujienų srautų (streikai, sankcijos, oro sutrikimai tiekėjų vietose) ar net netiesioginių užuominų, tokių kaip staigus pristatymo laiku rodiklio kritimas. Pažangūs AI įrankiai apdoroja šiuos išorinius duomenis. Pavyzdžiui, AI rizikos platformos „sujungia tūkstančius įžvalgų iš naujienų, siuntų ir muitinės srautų, finansinių ataskaitų, orų ir uostų perkrovos duomenų“, kad generuotų ankstyvuosius įspėjimus (www.supplychainconnect.com). Jos vertina ir rūšiuoja įspėjimus, kad viešųjų pirkimų specialistai galėtų sutelkti dėmesį į rizikingiausius tiekėjus.

Praktiškai tiekėjų rizikos signalai susiję su papildymo sprendimais. Jei tiekėjo aukščiau grandinėje patikimumas sumažėja (pvz., OTIF nukrenta arba pasirodo neigiamos naujienos), agentas padidins saugos buferius arba automatiškai aktyvuos alternatyvius pardavėjus. Viešųjų pirkimų AI netgi gali proaktyviai inicijuoti tandeminius pirkimo užsakymus antram šaltiniui, jei pirmasis tiekėjas rodo problemų. AI pagrįsto tiekėjų valdymo tyrimas parodė, kad nuolat analizuodamos finansinius ir veiklos rodiklius, įmonės gali perorientuoti išteklius, kad anksti sušvelnintų gedimus (www.supplychainconnect.com). Tokie įrankiai kaip „E2open“ tiekimo rizikos programos kartografuoja daugiapakopius tinklus ir prioritizuoja sutrikimus (www.e2open.com) (www.supplychainconnect.com).

Įdiegus tokią rizikos žvalgybos sistemą, prognozavimo agentai tampa išties nuspėjamais. Jie ne tik reaguoja į vakar dienos duomenis, bet ir į rytojaus raudonas vėliavas – koreguoja papildymo planus, jei, tarkime, prognozuojama uostų perkrova arba smarkiai didėja pagrindinio komponento kaina. Tokiu būdu tiekėjų rizikos signalai įsilieja į tą pačią paklausos ir pasiūlos pusiausvyrą, kurią valdo agentas, uždarydami kilpą tarp išorinių įvykių ir atsargų veiksmų.

Prognozių tikslumo, užpildymo rodiklio ir apyvartinio kapitalo stebėjimas

Galų gale, bet kokia išmani agentų sistema turi matuoti savo veiklos rezultatus. Pagrindinės metrikos yra prognozių tikslumas, paslaugų lygis (užpildymo rodiklis) ir atsargų laikymo sąnaudos (apyvartinis kapitalas) – ir jos turėtų būti stebimos pagal produktų lygį (pvz., A/B/C SKU), kad komandos žinotų, kur slypi problemos. Prognozių tikslumas dažnai matuojamas metrikomis, tokiomis kaip MAPE arba prognozės nuokrypis. Planuotojai paprastai siekia didelio tikslumo sparčiai besisukančioms prekėms (pvz., MAPE <10% A prekėms). Kita vertus, užpildymo rodiklis (paklausos, įvykdytos laiku, procentinė dalis, dažnai 95–99% didelio prioriteto SKU) matuoja paslaugų kokybę. Anksčiau matytas atvejo tyrimas iliustruoja naudą: pagerinusi prognozes, viena įmonė sumažino atsargų perteklių 1 mln. eurų ir padidino užpildymo rodiklį nuo 97,7% iki 98,5% (valeman.medium.com). Tai rodo, kad mažesnis atsargų kiekis nepakenkė klientų aptarnavimui – iš tiesų jį pagerino.

Apyvartinio kapitalo poveikis vertinamas analizuojant atsargų apyvartą arba atsargų dienų skaičių. Kiekvienas atsargų doleris suriša kapitalą (paprastai laikymo sąnaudos sudaro 20–30% atsargų vertės per metus (valeman.medium.com)). Taigi agentai stebi, kaip prognozių pokyčiai plinta į atsargų vertę. Prognozių klaidos sumažinimas (ir tuo pačiu saugos atsargų) atlaisvina pinigus. Pirmiau pateiktame pavyzdyje 1 mln. eurų atsargų sumažinimas taip pat atlaisvino 1 mln. eurų apyvartinio kapitalo (valeman.medium.com). „E2open“ netgi pabrėžia finansinę naudą: geresnis atsargų suderinimas „atlaisvina brangų kapitalą“ (www.e2open.com). Praktiškai šiuolaikinės prietaisų skydeliai rodys prognozių tikslumą, užpildymo rodiklius ir atsargų vertę pagal SKU kategoriją. Uždarius grandinę – lyginant prognozes su faktiniais duomenimis – organizacija gali perskirti modelius arba koreguoti politiką blogiausiai veikiančioms pakopoms.

Išvada ir perspektyvos

Dirbtinio intelekto pagrindu veikiantys prognozavimo ir papildymo agentai jau dabar keičia tiekimo grandinės operacijas. Įdiegti į ERP/WMS darbo eigą ir integruojant išorinius signalus, šie agentai gali automatiškai pateikti PŽ, koreguoti užsakymus ir net siūlyti atsargų perkėlimus – visa tai dar prieš tai, kai žmonėms planuotojams prireikia įsikišti. Pirmaujantys tiekėjai (pvz., Blue Yonder, Oracle, Kinaxis, E2open ir kt.) dabar siūlo kognityvinius modulius ar asistentus, kurie atlieka konkrečias užduotis, tokias kaip išimčių filtravimas, atsargų trūkumo analizė ir automatinis užsakymų pateikimas (media.blueyonder.com) (www.oracle.com). Tyrimai ir pramonės ataskaitos nuosekliai rodo, kad tai atsiperka: geresnės prognozės reiškia milijonus dolerių sutaupytų atsargų sąnaudų ir mažiau atsargų trūkumų (valeman.medium.com) (www.supplychainconnect.com).

Vis dėlto, spragų išlieka. Daugelis įrankių orientuoti į didelius mažmenininkus ar gamintojus; mažoms ir vidutinėms įmonėms trūksta prieinamų, paruoštų naudoti versijų. Tikras, visapusis „agentinis“ koordinavimas – sklandus koordinavimas tarp ERP, WMS, logistikos ir daugiapakopio tinklo realiuoju laiku – dar tik atsiranda. Verslininkai galėtų kurti platformas, kurios glaudžiai integruotų visus duomenų šaltinius (ERP, 3PL/WMS, vežėjus, tiekėjų tinklus) į vieningą AI darbo eigą. Toks skaitmeninis tiekimo grandinės asistentas automatiškai slopintų buliaus rykštės efektą dalijantis duomenimis, prognozuotų ir pertvarkytų kiekvieną SKU, ir įspėtų apie aukščiau esančias rizikas – visa tai su aiškiais audito žurnalais. Jei jis būtų aprūpintas natūralios kalbos sąsajomis ar generatyviu AI, jis netgi leistų vadovams teirautis sistemos paprasta kalba (pvz., „Kodėl mums trūksta X dalies?“) ir gauti atsakymus su duomenimis pagrįstais paaiškinimais.

Apibendrinant, atsargų prognozavimo/papildymo agentai yra galinga nauja įrankių klasė. Įmonės turėtų vertinti sprendimus, kurie suderina paklausą ir pasiūlą vienoje platformoje, stebi išimtis ir rizikas bei matuoja našumą SKU lygiu. Atsirandanti pramonės tendencija (pripažinta „Gartner“ ir kitų (www.gartner.com)) yra papildyti žmones AI bendradarbiais kiekviename planavimo etape. Tikimasi, kad novatoriai toliau šalins spragas – pavyzdžiui, siūlydami lengvas integracijas su senomis ERP sistemomis arba kurdami paruoštų agentų prekyvietes – kad kita autonominių tiekimo grandinių banga galėtų būti išties pritaikoma, atspari ir efektyvi.