Как ИИ способствует автоматизации цепочек поставок для ритейлеров по всему миру

Искусственный интеллект становится решающим фактором в том, как крупные розничные организации управляют и оптимизируют цепочки поставок. От прогнозирования сезонного спроса на товары до автоматизации заказов на инвентарь, ИИ помогает поставщикам систем управления цепочками поставок получать новые преимущества для своих клиентов.

В 2022 году McKinsey сообщила, что управление цепочками поставок стало основной областью, в которой компании сообщили о сокращении расходов, связанных с ИИ. В то время крупные компании по производству потребительских товаров увидели 20%-ное сокращение запасов, 10%-ное снижение расходов на цепочку поставок и рост выручки до 4%.

ИИ для цепочек поставок только улучшился с 2022 года и ускоряется с генеративным ИИ. Более недавний отчет McKinsey показал, что управление цепочками поставок было функцией, в которой компании чаще всего сообщали о значительном увеличении доходов более чем на 5% благодаря инвестициям в ИИ.

Машинное обучение проделало тяжелую работу по оптимизации цепочек поставок

Лоренс Брениг-Джонс, вице-президент по стратегии продуктов компании-поставщика программного обеспечения для управления и планирования цепочек поставок RELEX Solutions, рассказал TechRepublic, что на сегодняшний день машинное обучение является доминирующей силой технологий ИИ, используемых в цепочках поставок.

«Я думаю, что мы наблюдаем огромное улучшение точности и автоматизации [благодаря возможностям машинного обучения], что может привести к весьма существенным преимуществам в плане доступности продукции, сокращения оборотного капитала, а если вы продавец продуктов питания, то и к сокращению порчи или отходов», — сказал он.

Существует несколько вариантов использования машинного обучения в цепочках поставок.

Прогнозирование спроса

Прогнозирование спроса на продукцию является ключевым моментом в управлении цепочкой поставок. Брениг-Джонс сказал, что это «невероятно сложно», поскольку это может включать прогнозирование спроса на конкретный продукт, в определенном месте, в определенный день или время суток — часто на 180 дней вперед и более в течение всей операции.

За последние пять лет алгоритмы машинного обучения заменили ранее используемые алгоритмы временных рядов для этой задачи. По данным поставщика ERP Oracle, ИИ теперь может использовать внутренние данные, такие как воронки продаж, и внешние сигналы, такие как рыночные тенденции, экономические перспективы и сезонные продажи, для прогнозирования.

Автоматизированная инвентаризация

Прогнозирование спроса помогает организациям оптимизировать и автоматизировать заказ запасов. Хотя это включает в себя обеспечение достаточного запаса для удовлетворения спроса, розничные торговцы также должны сбалансировать другие факторы, такие как чрезмерный оборотный капитал с избытком запасов, порча продуктов питания или нарушение производственных мощностей.

Брениг-Джонс отметил, что многие алгоритмы оптимизации, способные извлекать уроки из прошлого с помощью машинного обучения, способны решить эту сложную проблему и эффективно удовлетворить спрос на цепочку поставок организации, уравновешивая все задействованные факторы.

Оптимизация логистики

Машинное обучение также встроено в логистические сети. По данным Oracle, логистические компании используют алгоритмы машинного обучения для «обучения моделей, которые оптимизируют и управляют маршрутами доставки, по которым компоненты перемещаются по цепочке поставок», обеспечивая более своевременную доставку товаров.

СМОТРЕТЬ: Вакансии в сфере поставок указывают на отсутствие автоматизации и инноваций

В одном из примеров курьерская компания UPS использует свою динамическую интегрированную в дорожное движение платформу оптимизации и навигации ORION, чтобы показывать водителям наиболее эффективный маршрут для доставки и забора грузов на более чем 66 000 дорог в США, Канаде и Европе, что позволяет ежегодно существенно экономить на пробеге и расходах на топливо.

Растущая роль генеративного ИИ в управлении цепочками поставок

Эксперты полагают, что генеративный ИИ будет играть все более важную роль в управлении и планировании цепочек поставок. Благодаря запросам на естественном языке, в будущем, вероятно, будет расширяться роль генеративного ИИ.

Более богатое взаимодействие на естественном языке

Вероятно, в будущем ритейлеры будут иметь гораздо более насыщенные и аналитические взаимодействия на естественном языке с данными о цепочке поставок и планировании розничной торговли. Это может включать в себя вопросы о планах цепочки поставок, о том, что произошло в прошлом, или о том, где есть возможности для улучшения.

«Вы могли бы спросить: «Каковы были мои пять главных причин отсутствия товара на складе на прошлой неделе?» И он мог бы вам сказать: «Во-первых, это плохая точность учета запасов в ваших магазинах, и в этих магазинах в частности. Во-вторых, у вас был один большой сбой поставок, и это оказало такое влияние на ваши продажи», — сказал Брениг-Джонс.

Перспективные рекомендации

Генеративный ИИ в платформах управления цепочками поставок может предлагать перспективные рекомендации для крупных ритейлеров посредством взаимодействия на естественном языке. Например, платформа может консультировать организацию о том, что делать на следующей неделе, чтобы убедиться, что все настроено на достижение ее целей.

SEE: Splunk призывает австралийские организации получать степени магистра права

«В нем может быть сказано: «Мы рекомендуем вам изменить эту часть вашей конфигурации» или «Мы рекомендуем вам пойти и поговорить с этим поставщиком, поскольку существует риск, основанный на нашем понимании того, что произошло в прошлый раз». Таким образом, это будет ориентировано на будущее и будет осуществляться в формате естественного языка», — сказал Брениг-Джонс.

Стать «суперпользователем» ИИ

Дальнейший этап внедрения генеративного ИИ, над которым RELEX работает в рамках своей платформы, заключается в превращении ИИ в «суперпользователя». Подобно системным пользователям, которые являются «настоящими гуру в настройке системы», ИИ может стать самоадаптирующимся, помогая организациям со временем совершенствовать свои системы.

«Оно бы говорило: «Я придумал лучшую конфигурацию для вашего решения, основываясь на том, что я вижу», — объяснил Брениг-Джонс. «Таким образом, вы бы получили такую ​​возможность для решения самостоятельно адаптироваться на ходу. Это направление, в котором мы движемся, и мы работаем с нашими клиентами, чтобы понять, как это будет работать лучше всего для них».