חידוש מלאי בנקודות מכירה לא מאויישות

איך כל מכונת ממכר, מקרר חכם או נקודת מכירה לא מאויישת אמורים להחליט במה למלא אותם? לא מפלנוגרמה שנקבעה פעם אחת במטה. מכונה בלובי של בית חולים, מכונה בחדר כושר ומכונה ברצפת ייצור מוכרות דברים שונים בשעות שונות, והתייחסות אליהן כאל ממוצע אחד מבזבזת גם מקום מדף וגם זמן מסלול. העיקרון שאנחנו מתכננים לפיו פשוט לניסוח: כל נקודה לומדת את השוק של עצמה. כל נקודת מכירה מקבלת מודל ביקוש משלה ברמת פריט, ורשימת המילוי לכל ביקור נגזרת ממה שהנקודה הספציפית הזו באמת מוכרת.

איך זה עובד#

קמעונאות לא מאויישת היא בעיית עיתוד המלאי בצורתה הטהורה: הרבה ‘מחסנים’ קטנים, לכל אחד עקומת ביקוש משלו, וחידוש מלאי במסלול עם קיבולת רכב מוגבלת. לתכנון שלנו שלוש שכבות.

תחזית לכל נקודה ולכל פריט: נתוני המכירה מכל מכונה הופכים להיסטוריית ביקוש של אותה נקודה, וכל פריט בכל נקודה מקבל תחזית משלו. העונתיות כאן היא לרוב תוך-יומית ושבועית, בניין משרדים שמתרוקן בימי שישי, חדר כושר ששיאו בערב, והמודלים לומדים אותה פר נקודה במקום להניח אותה.

רמות מלאי דינמיות במקום פלנוגרמה קבועה: יעד המילוי לכל תא נגזר מהתחזית של הנקודה ומתדירות הביקורים, אותו היגיון של מלאי ביטחון דינמי ברמת פריט, לצד המלצות על הרכב מוצרים כשתא מסוים מוכר חלש בנקודה אחת אבל לא באחרות.

המלצות בתוך התפעול הקיים: התוצר הוא רשימת מילוי לכל מכונה לכל ביקור, שמוחזרת אל מערכות תכנון המסלולים וה-ERP הקיימות שלכם דרך שכבת API, לא מערכת חדשה שהמפעילים צריכים ללמוד.

מה כבר עשינו#

נאמר את זה ישירות: העבודות שפרסמנו הן היכולת העיתודית עצמה, שהוכחה בתחומים סמוכים, ולא מערכת ממכר פרוסה, ואנחנו מעדיפים שתדעו בדיוק מה זה מה.

• עיתוד מלאי ברמת פריט לסביבות ERP: אפיינו ותכננו תחזית ביקושים ברמת פריט עם מלאי ביטחון דינמי והמלצות רכש, כשירות ענן המשתלב ב-Priority, עם מדד הצלחה של שיפור ‘טעות הרכש’ בלפחות 10%.
• תחזיות שפיתחנו ותיקפנו על נתוני אמת: תחזית ביקושים רב-אזורית ליצרן גלובלי בתחום טכנולוגיות המים, ופרויקט דגל של שלוש שנים שבו התחזיות נבחנו מדי חודש מול תוצאות אמת, כולל מודלים ייעודיים לפלחי לקוחות נפרדים, אותה משמעת סטטיסטית כמו נקודות מכירה נפרדות.

ומהתעשייה: רשת More Retail בהודו חיברה תחזית ביקושים מבוססת ML ישירות להזמנות אוטומטיות בסניפים: דיוק התחזית עלה מ-24% ל-76% והזמינות במדף מ-80% ל-90%, על פי מקרה לקוח של AWS. הלקח עובר במלואו: הערך מגיע כשהתחזית כותבת את רשימת המילוי.