Įmonių savininkai, tiekimo skyriaus vadovai vis dažniau kelia klausimą: ar turėtume investuoti į DI pagrįstas atsargų valdymo sistemas? Marketingistų ir pardavėjaų pateikiami pasiūlymai skamba išties įspūdingai, pvz.: 20 – 50 % prognozių tikslumo pagerėjimas, sumažėję atsargų trūkumai, optimizuotos atsargos ir pan. Ar iš tiesų gaunami rezultatai yra tokie geri?

Ką iš tikrųjų daro dirbtinis intelektas?

Pradėkime nuo to, kas yra dirbtinis intelektas. Dirbtinis intelektas verslo kontekste iš tikrųjų reiškia mašininį mokymąsi. Tai reiškia, kad sistema analizuoja praeities duomenis, nustato dėsningumus ir projektuoja juos į ateitį. Jei DI pateikiate pardavimų duomenis, akcijų kalendorius, kainų pokyčius ir kitus išorinius veiksnius, pavyzdžiui, orą ar konkurentų veiklą, ji gali daryti prognozes, pagrįstas tais duomenimis.

DI įrankiai gerai atlieka šį darbą, nes gali apdoroti milžinišką duomenų kiekį. Ten, kur žmogus gali peržiūrėti šimtus duomenų rinkinių, DI analizuoja milijonus ir atranda dėsningumus, kurių žmogus negalėtų pastebėti. DI taip pat randa ryšius tarp duomenų rinkinių, kurių paieška žmogui užtruktų savaites.

Tačiau kai ko DI negali daryti, t.y. negali suprasti. Dirbtinis intelektas randa dėsningumus pagal praeities duomenis, ir jei ateitis bus identiška praeičiai, – puiku. Bet jei rinkoje įvyksta pokyčiai, atsiranda naujų konkurentų, pasikeičia vartotojų elgsena, įvyksta netikėti įvykiai, tada akivaizdu, kad DI gali tik prognozuoti pagal dėsningumus, kurių jau nebėra.

DI diegimo versle realybė

Įvairių pramonės šakų duomenys rodo platų DI diegimą paklausos prognozavimui ir atsargų planavimui. Vidutinės ir didelės įmonės pilotinių projektų arba diegimo stadijose vykdo šiuos sprendimus įspūdingu tempu. Vertės pasiūlymas aiškus: geresnės prognozės lemia geresnius atsargų valdymo sprendimus.

Tiekėjai dalijasi atvejų analizėmis su išmatuojamais prognozių paklaidų sumažinimais. Kai kurios įmonės teigia pasiekusios 30–40 proc. prognozių paklaidų sumažinimą. Atsargų optimizavimo rodikliai rodo nedidelius pagerėjimus. Aptarnavimo lygiai pamažu kyla.

Tačiau retai sąžiningai atsakoma į du esminius klausimus. Pirma, kokia dalis jūsų atsargų problemų iš tikrųjų yra sąlygota netikslių prognozių, o ne kitų priežasčių? Antra, kas nutinka, kai rinkos dinamika keičiasi greičiau nei jūsų turimi duomenys gali?

Realybėje dauguma atsargų problemų slypi ne netikslių prognozių srityje. Jos glūdi tokiose srityse kaip ilgi pristatymo terminai, nepalankios tiekimo sutartys, nelankstūs užsakymų grafikai ir nenoras greitai keisti atsargų planus. 30 proc. prognozių tikslumo pagerėjimas šių problemų neišsprendžia, kadangi vistiek įsipareigojate dėl atsargų užsakymo savaites ar mėnesiu iš anksto, remdamiesi prognozėmis apie netikrą ateitį.

DI apribojimas atsargų valdyme

Tiesa ta, kad ir koks pažangus būtų DI, jis mokosi iš praeities, kad darytų prognozes apie ateitį. Ir jei ateitis toliau panaši į praeitį, viskas gerai. Bet jei ne? Jei pasaulis keičiasi tokiu tempu, kad praeitis tampa nereikšminga? Štai tada prasideda problemos.

Pagalvokime apie pastaruosius kelerius metus. Kiek buvo verslų, kurie susidūrė su paklausos pokyčiais, kurių DI sistemos niekada nenumatė? Socialinės žiniasklaidos krypčių atsiradimas iš niekur. Konkurentų veiksmai, padarę pokyčių rinkoje. Tiekimo grandinės sutrikimai, kurie padarė bet kokias prognozes bevertėmis. Vartotojų elgsenos pokyčiai, įvykę tokiu tempu, kuris buvo per greitas tradiciniams prognozavimo procesams.

Tokiais atvejais jų DI sistemų prognozės yra visiškai klaidingos. Jos automatizuotos, todėl atrodo patikimos, vid dėlto prognozių tikslumas klaidina. Jos tokios tikslios, kad žmonės jomis tiki, tačiau jos pagrįstos istoriniais duomenimis, kurie nebėra aktualūs.

Tačiau paklausos nepastovumas nebūtinai sumažėja padidėjus tikslumui. Mados pramonės produktai, tendencijomis paremti produktai ir konkurencijos valdomos rinkos visada liks nenuspėjamos. Pereiti nuo 60 % tikslumo prognozės prie 75 % tikslumo sumažina kintamumą tik 25 %. Visgi ar tiksliau neteisinga prognozė yra geriau, nei mažiau netiksli neteisinga prognozė?

Tradicinis atsargų valdymas, su DI ar be jos, grindžiamas fundamentalia prielaida: siekiama nustatyti tai, kas vadinama „tinkamu“ atsargų kiekiu, remiantis prognozuojama būsima paklausa. Tačiau su šia prielaida kyla kelios problemų. Pirma, investuojate į prognozę, kuri greičiausiai labai greitai pasens. Antra, užsaldote apyvartinį kapitalą atsargoms, remdamiesi tikslesniu spėliojimu. Trečia, prisiimate visą riziką dėl rezultato.

Pavyzdžiui, pagalvokite apie bendrą produktų asortimentą. Dauguma įmonių turi tūkstančius SKU. Tyrimai nuosekliai atskleidžia, kad 20–30 proc. įmonės atsargų generuoja mažiau 5% pardavimų, arba išvis negeneruoja. Tačiau šie produktai sunaudoja užsaldo apyvartines lėšas, užima sandėlio plotą ir reikalauja priežiūros, tuo pačiu sunaudojai 20–30 % produkto vertės laikymo sąnaudoms padengti.

Prognozavimo tobulinimas šios problemos neišsprendžia. DI gali net pabloginti šią problemą, pateikdamas rekomendicijas investuoti lėšas į produktus, kurie neparsiduoda gerai. Ypač jei praeities duomenys rodo, jog anksčiau produktai parsidavė, o galbūt DI vertins bendrą rinkos augimą ir tuo pačiu, paskaičiuos kad reikia produktų, kurių realybėje jūs neparduodate.

Kitoks atsargų valdymo modelis

Dinaminis buferių valdymas įkūnija kitokį mąstymo modelį. Užuot bandę prognozuoti būsimą paklausą, DBM (dynamic buffer management) reaguoja į dabartinę realybę.

Idėja paprasta: nustatykite buferius savo prekėms, ne konkrečius optimalius tikslus, o tikslus, išreikštus diapazonais. Nuolat stebėkite suvartojimą. Jei prekės dažnai pasiekia kritiškai žemus lygius, padidinkite buferį. Jei prekės dažnai išlieka saugiose zonose, sumažinkite buferį.

Šis modelis nesiremia būsimos paklausos prognozėmis. Jis reaguoja pagal faktinį suvartojimą. Jis mokosi iš realybės, o ne iš istorijos. Svarbiausia, jis reaguoja į pokyčius, nelaukdamas kito prognozių ciklo.

DBM nebando prognozuoti, kas nutiks. Jis reaguoja į tai, kas vyksta. Ir tai yra esminis skirtumas nuo prognozių, kad ir labai tikslių.

Kur dirbtinis intelektas iš tikrųjų duoda naudos?

Ar galime teigti, jog DI nenaudingas atsargų valdymui? Ne. Tiesiog mes DI turėtume naudoti kitam tikslui:

• pardavimo strategijaos formavimui,
• augimo ir nuosmukio sričių identifikavimui,
• paklausos dėsningumų pagal regionus nustatymui,
• geriausių tiekėjų atrinkimui,
• produktų, kurie skatina pardavimų augimą išgryninimui.

Tai dėsningumų identifikavimo klausimai, apimantys didžiulius duomenų rinkinius. DI gali identifikuoti tendencijas, kurių nė vienas žmogus negalėtų pamatyti. DI gali kiekybiškai įvertinti ryšius, kurių žmogaus analizė užtruktų mėnesius.

Todėl pritaikykime DI asortimento valdymui. Pritaikykime jį tiekėjų ir kategorijų veiklos analizei. Pritaikykime jį ilgalaikiam pajėgumų planavimui ir strategijai.