چگونه صنایع با استفاده از داده های هوش مصنوعی خرید بشکه فلزی 220 لیتری را مدیریت کنند
قبل از شروع این ساده بسیار کاربردی، در بسیاری از صنایع امروزی در بازار، خرید بشکه فلزی 220 لیتری یک خرید ساده و روزمره به نظر میرسد، اما زمانی که تعداد مصرف بالا می رود، همین خرید کوچک می تواد روی بخش های مهمی مانند، هزینه های انبار، برنامه تولید، حمل ونقل و حتی جریان نقدینگی مجموعه اثر بگذارد. یک کارخانه تولید ممکن است در یک ماه تعداد مشخصی بشکه فلزی نیاز داشته باشد، اما در ماه به دلیل افزایش تولید، تغییر سفارش مشتری یا حتی ایجاد یک پروژه، مصرف آن به مراتب بیشتر می شود. در ادامه اگر واحد خرید بر اساس همان روز تصمیم بگیرد، احتمال کمبود یا خرید پیش از اندازه افزایش پیدا می کند.
اینجاست که داده ها همیت پیدا می کند. اطلاعات مهمی مثل، میزان مصرف، مصرف ماهانه، موجودی انبار، زمان تحویل تامین کنندگان، قیمت های قبلی، هزینه های حمل و و نقل، سفارش ها و حتی تغییرات برنامه تولید می توانند تصویر دقیق تری از نیاز واقعی مجموعه ایجاد کند. البته در چنینی شرایطی نیز، خرید بشکه فلزی دیگر فقط مقایسه چند قیمت و انتخاب ارزان ترین فروشنده نیست، بلکه این مرحله به یک تصمیم داده محور نیز تبدیل می شود.
لازم به ذکر است هوش مصنوعی می تواند این اطلاعات را سریع تر و دقیق تر بررسی کند و الکو هایی را نشان دهد که شاید در بررسی دستی به راحتی دیده نشوند. به عنوان مثال، سیستم می تواند مشخص کند که مصرف بشکه در چه ماه هایی بیشتر می شود، چه زمانی احتمال کاهش موجودی وجود دارد و چه مقدار سفارش می تواند نیاز مجموعه را پوشش دهد، بدون اینکه سرمایه زیادی برای مدت طولانی در انبار باقی بماند، استفاده از تحلیل داده و هوش مصنوعی در زنجیره تامین نیز به سمت همین کاربرد ها، یعنی پیش بینی تقاضا، مدیریت موجودی، خرید و بهینه سازی عملیات حرکت کرده است.
البته باید به این موضع مهم هم اشاره کرد، هوش مصنوعی قرار نیست جای مدیر خرید یا کارشناس تدارکات را به طور کامل بگیرد، تصمیم نهایی همچنان باید شرایط واقعی صنعت، کیفیت، محصول، اعتبار تامین کننده، شرایط قرارداد و وضعیت بازار را در نظر بگیرد، ارزش اصلی فناوری این است که اطلاعات پراکنده را کنار هم قرار دهد و تصمیم گیری را سریع تر و دقیق تر کند. اما در قسمت بعدی بنا داریم درگاه دیجیتالی سعدی موضوع، چگونگی صنایع با استفاده از داده های هوش مصنوعی خرید بشکه فلزی 220 لیتری را مدیریت کنند را بررسی کنیم.
چگونه داده های مصرف به صنایع برای برنامه ریزی خرید بشکه کمک می کند
در بخش اول از استفاده از هوش مصنوعی، داشتن داده های مناسب است. بسیاری از صنایع تصور می کنند برای استفاده از فناوری های جدید باید از همان ابتداد نرم افزار های پیچیده یا سیستم ها بسیاری گران تهیه کنند، در حالی که نقطه شروع می تواند بسیاری ساده باشد. افزون بر این که، اطلاعاتی مانند تعداد بشکه مصرف شده در هر ماه، میزان موجودی، تعداد سفارش های قبلی، مدت زمان تحویل و مقدار خرید از تر تامین کننده می تواند چایه مناسبی برای تحلیل ایجاد کند.
مثلا، یک کارخانه را تصور کنید که طی 12 ماه سال گذشته میزان متفاوتی بشکه فلزی مصرف کرده است. اگر واحد خرید فقط به موجودی فعلی نگاه کند، ممکن است تصور کند تعداد بشکه ای موجود برای چند هفته آینده کافی است. اما زمانی که اطلاعات مصرف ماه های گذته بررسی شود، شاید مشخص شود که در یک دوره خاص تولید افزایش پیدا می کند و مصرف بشکه نیز افزایش پیدا می کند. این تفاوت میان، موجودی فعلی، و نیاز آینده یکی از مهم ترین مواردی است که تحلیل داده می تواند مشخص کند. در ادامه این مرحله، هوش مصنوعی نیز می تواند داده های گذشته را بررسی کند و الگو های مثرف را چیدا کند، البته پیش بینی هوش مصنوعی نباید به عنوان یک عدد قطعی در نظر گرفت شود. بهتر است نتیجه آن به عنوان یک پیشناد برای واحد خرید استفاده شود. مدیر خرید می تواند پیش بینن سیستم را با برنامه تولید، سفارش های جدید و شرایط بازار مقایسه کند و سپس تصمیم نهایی را بگیرد.
در مرحله بعدی، یکی دیگر از کاربرد های مهم داده، تعیین زمان مناسب سفارش است. فرض کنید یک مجموعه همیشه زمانی اقدام به سفارش می کند که موجودی آن تقریبا تمام شده است. اگر تامین کننده برای تحویل سفارش به چند روز زمان نیاز داشته باشد، احتمال ایجاد وقفه افزایش پیدا می کند. سیستم داده محور معمولا می تواند زمان مصرف، موجودی و مدت تامین را کنار یکدیگر قرار دهد و زمان مناسب برای سفارش بعدی را پیشنهاد کند. همنچنین در خرید بشکه فلزی 220 لیتری نیز این موضوع اهمیت ویژه دارد. خرید خیلی زود می تواند سرمایه را در انبار نگه دارد و خرید دیر هنگام نیز ممکن است برنامه تولید را تحت فشار قرار دهد. پس هدف اصلی، پیدا کردن نقطه ای بین این دو وضعیت است
بر اساس این موضوع، داده های همچنین می توانند به شناسایی رفار های غیرعادی نیز کمک کنند. اگر مصرف بشکه یک واحد تولیدی ناگهان افزایش پیدا کند، سیستم می تواند آن را به عنوان یک تغییر مهم نشان دهد. این افزایش ممکن است ناشی از رشد تولید باشد، اما امکان دارد اشتباه در ثبت موجوودی، آسیب به محصولات یا تغییر در فرآیند تولید نیز باعث علت آن باشد. بررسی این موارد باعث می شود تصمیم های خرید تنها بر اساس حدس انجام نشوند.
موضوع دیگر، بسته بندی مصرف است همه بشکه ها الزاما برای یک کاربرد یا خط تولید خریداری نمی شوند، یک صنعت ممکن است برای بخش های مختلف خود نیاز های متفاوتی داشه باشدوبا دسته بندی اطلاعات می توان مشخص کرد کدام بخش بیشترین مصرف را دارد و کدام بخش در دوره های مشخص به بشکه بیشتری نیاز پیدا می کند.
در نهایت، داده ها زمانی ارزشمند می شود که از آن برای تصمیم گیری استفاده شود. داشتن یک فایل پر از اعداد به تنهایی مدیریت هوشمندانه نیست. باید بتوان از اطلاعات موجود پاسخ سوالاتی مانند، چه زمانی سفارش دهیم؟چه مقدار سفارش دهیم؟مصرف در ماه آینده چقدر خواهد بود و کدام تامین کننده عملکرد بهتری داشته است؟ را استخراج کرد.
به همین دلیل، اولین گام صنایع برای هوشمند سازی خرید، الزاما خرید یک سیستم پیچیده نیست، بلکه ثبت منظم اطلاعات، یکپارچه سازی داده ها و تبدیل اطلاعات خام به گزارش های قتبل استفاده است.
هوش مصنوعی چگونه تامین کنندگان را برای خرید بشکه فلزی 220 لیتری مقایسه می کند
یکی از مهم ترین تصمیمات در واحد تدارکات، انتخاب تامین کننده مناسب است. در گذشته ممکن بود واحد خرید چند قیمت دریافت کند و گزینه ای را انتخاب کند مه قیمت پایین تری ارائه داده است. اما قیمت پایین تر همیشه به معنی هزینه نهایی کمترنیست، کیفیت، زمان تحویل، ثبات تامین، شرایط پرداخت، هزینه حمل و سابقه عملکرد تامین کننده نیز باید در تصمیم نهایی دیده شود. البته هوش مصنوعی می تواند این اطالاعات کاربردی را در یک چارچوب مشخص قرار دهد. برای مثال، اگر یک مجموعه از چند تامین کننده مختلف خرید داشته باشد، سیستم می تواند سابقه هر کدام را بررسی کند و اطلاعاتی مانند قیمت تعداد سفارش، زمان تحویل و میزان تاخیر را کنار یکدیگر قرار دهد. این موضوع باعث می شود تصمیم گیری از حالت (این فروشنده ارزان تر است) به (این فروشنده در مجموع شرایط بهتری نیز دارد ) تغییر کند.
فرض کنیم تامین کننده اول قیمت کمتری ارائه می دهد، امما معمولا سفارش را با تاخیر تحویل می دهد. تامین کننده دوم کمی گران تر است، اما زمان تحویل منظم تری دارد و در سفارش های قبلی نیز عملکرد قابل قبولی ثبت کرده است. اگر تاخیر تامین کننده اول باهث توقف خط تولید یا افزایش هزینه های جانبی شود، قیمت پایین آن دیگر مزیت واقعی محسوب نمی شود.
هوش مصنوعی قادر است چنین الگو هایی را سریع تر از بررسی دستی حجم زیادی از اطلاعات شناسایی کند. در سیستم های جدید زنجیره تامین، تحلیل داده برای ارزیابی تامین کننده، پیش بینی ریسک و مدیریت خرید به یکی از کاربرد های مهم فناوری تبدیل شده است.
می توان به این بخش اشاره داشت، برای خرید بشکه فلزی 220 لیتری می توان معیار های مختلفی تعریف کرد. قیمت، کیفیت، ظرفیت تامین، زمان تحویل، فاصله جغرافیایی، هزینه حمل سابقه همکاری و میزان پایبندی به شرایط قرارداد از جمله معیار هایی هستند که می توان در یک سیستم امتیاز دهی وارد کرد.
این سیستم میتواند به هر تأمینکننده یک امتیاز کلی بدهد. البته این امتیاز نباید بهصورت خودکار جایگزین تصمیم مدیر خرید شود. بهتر است مدیر خرید بتواند وزن هر معیار را مشخص کند. برای یک کارخانه ممکن است قیمت اهمیت بیشتری داشته باشد، اما برای صنعتی دیگر، تحویل بهموقع اهمیت بالاتری داشته باشد.
داده همچنین میتواند به شناسایی تغییرات قیمت کمک کند. اگر قیمتهای خرید در چند ماه گذشته ثبت شده باشند، سیستم میتواند روند آنها را نمایش دهد. در این حالت واحد خرید بهجای نگاه کردن به یک قیمت لحظهای، سابقه قیمت را نیز در اختیار دارد.
این موضوع برای تصمیمهای بزرگ اهمیت بیشتری پیدا میکند. اگر یک صنعت قصد داشته باشد تعداد زیادی بشکه خریداری کند، اختلاف قیمت حتی در مقدار کم میتواند روی هزینه نهایی اثر بگذارد. در چنین شرایطی مقایسه دادهمحور میتواند از تصمیمهای عجولانه جلوگیری کند.از طرف دیگر، هوش مصنوعی میتواند اطلاعات قراردادها و سفارشهای قبلی را نیز بررسی کند و مواردی مانند تأخیرهای تکراری، تغییر قیمت یا تفاوت میان زمان تحویل وعده دادهشده و زمان تحویل واقعی را مشخص کند.
با این حال، یک نکته مهم وجود دارد: کیفیت داده ورودی، کیفیت تصمیم خروجی را تعیین میکند. اگر اطلاعات ناقص باشند یا قیمتها اشتباه ثبت شده باشند، حتی بهترین سیستم هوش مصنوعی نیز نمیتواند نتیجه قابل اعتمادی ارائه دهد.
بنابراین صنایع باید ابتدا اطلاعات خریدهای قبلی را مرتب کنند و سپس از ابزارهای تحلیلی استفاده کنند. نتیجه مطلوب زمانی به دست میآید که تجربه کارشناسان خرید با دادههای واقعی و تحلیل هوش مصنوعی ترکیب شود.
هوش مصنوعی چگونه تأمین کنندگان را برای خرید بشکه فلزی مقایسه میکند؟
یکی از مهمترین تصمیمها در واحد تدارکات، انتخاب تأمینکننده مناسب است. در گذشته ممکن بود واحد خرید چند قیمت دریافت کند و گزینهای را انتخاب کند که قیمت پایینتری ارائه داده است. اما قیمت پایین همیشه به معنی هزینه نهایی کمتر نیست. کیفیت، زمان تحویل، ثبات تأمین، شرایط پرداخت، هزینه حمل و سابقه عملکرد تأمینکننده نیز باید در تصمیم نهایی دیده شود.
هوش مصنوعی میتواند این اطلاعات را در یک چارچوب مشخص قرار دهد. برای مثال، اگر یک مجموعه از چند تأمینکننده مختلف خرید داشته باشد، سیستم میتواند سابقه هرکدام را بررسی کند و اطلاعاتی مانند قیمت، تعداد سفارش، زمان تحویل و میزان تأخیر را کنار یکدیگر قرار دهد.این موضوع باعث میشود تصمیم گیری از حالت «این فروشنده ارزانتر است» به «این فروشنده در مجموع شرایط بهتری دارد» تغییر کند.فرض کنیم تأمینکننده اول قیمت پایینتری ارائه میدهد، اما معمولاً سفارش را با تأخیر تحویل میدهد. تأمینکننده دوم کمی گران تر است، اما زمان تحویل منظمتری دارد و در سفارشهای قبلی نیز عملکرد قابلقبولی ثبت کرده است. اگر تأخیر تأمینکننده اول باعث توقف خط تولید یا افزایش هزینههای جانبی شود، قیمت پایین آن دیگر مزیت واقعی محسوب نمیشود.
هوش مصنوعی میتواند چنین الگوهایی را سریعتر از بررسی دستی حجم زیادی از اطلاعات شناسایی کند. در سیستمهای جدید زنجیره تأمین، تحلیل داده برای ارزیابی تأمینکنندگان، پیشبینی ریسک و مدیریت خرید به یکی از کاربردهای مهم فناوری تبدیل شده است. برای خرید بشکه فلزی 220 لیتری میتوان معیارهای مختلفی تعریف کرد. قیمت، کیفیت، ظرفیت تأمین، زمان تحویل، فاصله جغرافیایی، هزینه حمل، سابقه همکاری و میزان پایبندی به شرایط قرارداد از جمله معیارهایی هستند که میتوان در یک سیستم امتیازدهی وارد کرد.
این سیستم میتواند به هر تأمینکننده یک امتیاز کلی بدهد. البته این امتیاز نباید بهصورت خودکار جایگزین تصمیم مدیر خرید شود. بهتر است مدیر خرید بتواند وزن هر معیار را مشخص کند. برای یک کارخانه ممکن است قیمت اهمیت بیشتری داشته باشد، اما برای صنعتی دیگر، تحویل بهموقع اهمیت بالاتری داشته باشد.داده همچنین میتواند به شناسایی تغییرات قیمت کمک کند. اگر قیمتهای خرید در چند ماه گذشته ثبت شده باشند، سیستم میتواند روند آنها را نمایش دهد. در این حالت واحد خرید بهجای نگاه کردن به یک قیمت لحظهای، سابقه قیمت را نیز در اختیار دارد.
این موضوع برای تصمیمهای بزرگ اهمیت بیشتری پیدا میکند. اگر یک صنعت قصد داشته باشد تعداد زیادی بشکه خریداری کند، اختلاف قیمت حتی در مقدار کم میتواند روی هزینه نهایی اثر بگذارد. در چنین شرایطی مقایسه دادهمحور میتواند از تصمیمهای عجولانه جلوگیری کند.از طرف دیگر، هوش مصنوعی میتواند اطلاعات قراردادها و سفارشهای قبلی را نیز بررسی کند و مواردی مانند تأخیرهای تکراری، تغییر قیمت یا تفاوت میان زمان تحویل وعده دادهشده و زمان تحویل واقعی را مشخص کند.
با این حال، یک نکته مهم وجود دارد: کیفیت داده ورودی، کیفیت تصمیم خروجی را تعیین میکند. اگر اطلاعات ناقص باشند یا قیمتها اشتباه ثبت شده باشند، حتی بهترین سیستم هوش مصنوعی نیز نمیتواند نتیجه قابل اعتمادی ارائه دهد.
بنابراین صنایع باید ابتدا اطلاعات خریدهای قبلی را مرتب کنند و سپس از ابزارهای تحلیلی استفاده کنند. نتیجه مطلوب زمانی به دست میآید که تجربه کارشناسان خرید با دادههای واقعی و تحلیل هوش مصنوعی ترکیب شود.
چگونه هوش مصنوعی موجودی بشکه را کنترل و از خواب سرمایه جلوگیری میکند؟
مدیریت موجودی یکی از مهمترین بخشهای زنجیره تأمین است. خرید بیش از نیاز باعث میشود سرمایه برای مدت طولانی در انبار باقی بماند و خرید کمتر از نیاز نیز میتواند باعث کمبود و ایجاد فشار روی تولید شود. این مسئله برای صنایعی که مصرف مستمر دارند اهمیت بیشتری پیدا میکند.
در یک سیستم سنتی، ممکن است مسئول انبار زمانی متوجه کاهش موجودی شود که تعداد بشکهها به سطح پایینی رسیده باشد. اما سیستم دادهمحور میتواند قبل از رسیدن به این مرحله، وضعیت موجودی را بررسی کند و هشدار لازم را ارائه دهد.
برای این کار، اطلاعاتی مانند موجودی فعلی، مصرف روزانه یا ماهانه، سفارشهای در راه و زمان معمول تحویل تأمینکننده باید در یک سیستم مشخص ثبت شود. سپس میتوان بر اساس این اطلاعات، نقطه سفارش مناسب را تعیین کرد.
هوش مصنوعی میتواند در این بخش به پیشبینی تقاضا نیز کمک کند. برای مثال، اگر دادههای قبلی نشان دهند مصرف بشکه در ماههای خاصی افزایش پیدا میکند، سیستم میتواند این تغییر را در برنامه تأمین آینده لحاظ کند. البته هر پیشبینی باید با شرایط واقعی تولید و سفارشهای جدید بررسی شود.
در چنین شرایطی خرید بشکه فلزی 220 لیتری میتواند بر اساس نیاز واقعی انجام شود، نه صرفاً بر اساس احساس کمبود یا پیشنهاد فروشنده.
یکی دیگر از مشکلات رایج، خرید عمده فقط به دلیل دریافت تخفیف است. تخفیف در نگاه اول جذاب است، اما اگر حجم خرید بیش از ظرفیت مصرف باشد، هزینه انبارداری و خواب سرمایه میتواند بخشی از مزیت تخفیف را از بین ببرد.
داده میتواند این موضوع را بهتر نشان دهد. سیستم میتواند هزینه خرید، هزینه نگهداری و سرعت مصرف را کنار یکدیگر قرار دهد تا مشخص شود خرید عمده واقعاً برای مجموعه اقتصادی است یا خیر.
برای مثال، اگر یک کارخانه معمولاً مقدار مشخصی بشکه در ماه مصرف میکند، خرید بسیار بیشتر از نیاز آن ممکن است باعث شود بخشی از سرمایه برای مدت طولانی در انبار باقی بماند. در مقابل، اگر زمان تأمین طولانی باشد و احتمال افزایش مصرف وجود داشته باشد، موجودی بیشتر ممکن است منطقی باشد.
به همین دلیل، هوش مصنوعی نباید فقط به سؤال «چقدر بخریم؟» پاسخ دهد. باید بتواند به سؤالاتی مانند «چه زمانی بخریم؟»، «چه زمانی دوباره سفارش دهیم؟»، «اگر مصرف افزایش پیدا کرد چه اتفاقی میافتد؟» و «اگر تأمینکننده با تأخیر مواجه شد چه مقدار موجودی لازم داریم؟» نیز کمک کند.
یکی از قابلیتهای مهم سیستمهای جدید، بررسی سناریوهای مختلف است. واحد خرید میتواند شرایط مختلفی را در نظر بگیرد؛ برای نمونه افزایش مصرف، کاهش تولید یا افزایش زمان تحویل. سپس سیستم میتواند پیامد احتمالی هر سناریو را روی موجودی نشان دهد.این نوع تحلیل بهخصوص در شرایطی اهمیت دارد که بازار با نوسان قیمت، محدودیت حملونقل یا تغییر در برنامه تولید روبهرو باشد. استفاده از داده و تحلیل پیشبینیکننده میتواند به کاهش احتمال کمبود و موجودی مازاد کمک کند.
البته کنترل موجودی نباید کاملاً به یک الگوریتم سپرده شود. مدیران باید محدودیت فضای انبار، شرایط نگهداری، برنامه تولید و وضعیت واقعی بازار را نیز بررسی کنند.
هدف اصلی این فناوری، ایجاد یک سیستم هشدار و تصمیم یار است؛ سیستمی که به واحد خرید بگوید «احتمالاً اکنون زمان بررسی سفارش جدید است» و کارشناس بتواند با توجه به شرایط واقعی، تصمیم نهایی را بگیرد.
چگونه داده و هوش مصنوعی هزینه حملونقل و ریسک تأمین را کاهش میدهند؟
هزینه خرید فقط مبلغی نیست که روی پیشفاکتور نوشته میشود. هزینه حمل، زمان رسیدن بار، مسیر انتقال، ظرفیت وسیله نقلیه و احتمال تأخیر نیز میتوانند روی هزینه نهایی تأثیر داشته باشند. بنابراین در یک سیستم حرفهای، هنگام برنامهریزی خرید بشکه فلزی 220 لیتری باید حملونقل نیز در محاسبات قرار بگیرد.
داده میتواند سابقه حمل سفارشهای قبلی را ثبت کند. برای مثال، میتوان مشخص کرد هر تأمینکننده معمولاً از چه مسیری بار ارسال میکند، زمان تحویل چقدر بوده و هزینه حمل در سفارشهای قبلی چگونه تغییر کرده است.اگر این اطلاعات در طول زمان جمعآوری شوند، امکان مقایسه مسیرها و تأمینکنندگان بهتر میشود. همچنین میتوان متوجه شد که کدام مسیرها یا روشهای حمل بیشتر با تأخیر مواجه شدهاند.
هوش مصنوعی میتواند این اطلاعات را با وضعیت سفارشهای آینده ترکیب کند و گزینههای مختلف را برای واحد خرید نمایش دهد. برای نمونه، ممکن است خرید از یک تأمینکننده نزدیکتر با قیمت کمی بالاتر، در مجموع هزینه کمتری نسبت به خرید ارزانتر از یک تأمینکننده دورتر داشته باشد.
این مسئله زمانی اهمیت بیشتری پیدا میکند که حجم سفارش زیاد باشد. در چنین شرایطی حتی اختلاف نسبتاً کوچک در هزینه حمل میتواند مبلغ نهایی را تغییر دهد.
از طرف دیگر، داده به صنایع کمک میکند ریسک تأمین را بهتر بشناسند. اگر یک مجموعه فقط به یک تأمینکننده وابسته باشد، ایجاد مشکل برای همان تأمینکننده میتواند برنامه تولید را تحت تأثیر قرار دهد. سیستم دادهمحور میتواند سابقه تأمینکنندگان مختلف را کنار هم قرار دهد و گزینههای جایگزین را مشخص کند.البته داشتن چند تأمینکننده همیشه به معنی کاهش هزینه نیست. ایجاد ارتباط با تأمینکننده جدید، بررسی کیفیت، مذاکره و مدیریت قرارداد نیز هزینه و زمان دارد. بنابراین باید میان کاهش ریسک و افزایش هزینه هماهنگی تعادل ایجاد شود.
هوش مصنوعی میتواند برای این تصمیم نیز به مدیران کمک کند. اطلاعات مربوط به قیمت، زمان تحویل، سابقه تأمین و ظرفیت فروشندگان مختلف را میتوان در یک داشبورد قرار داد تا تصمیمگیری سریعتر شود.در سالهای اخیر، بحث تابآوری زنجیره تأمین نیز اهمیت بیشتری پیدا کرده و استفاده از تحلیل داده، پیشبینی و ابزارهای هوشمند برای واکنش سریعتر به اختلالها مورد توجه قرار گرفته است.
یک کاربرد دیگر، مدیریت سفارشهای همزمان است. اگر چند کارخانه یا چند واحد یک مجموعه بهصورت جداگانه سفارش ثبت کنند، ممکن است هزینه حمل افزایش پیدا کند. سیستم میتواند سفارشها را بررسی کند و در صورت امکان، آنها را برای یک برنامه تأمین هماهنگتر در نظر بگیرد.همچنین میتوان اطلاعات سفارشهای قبلی را برای بررسی عملکرد واقعی تأمینکنندگان استفاده کرد. آیا بار طبق زمان اعلامشده رسیده است؟ آیا مقدار تحویل با سفارش مطابقت داشته است؟ آیا هزینه حمل مطابق توافق بوده است؟ پاسخ این پرسشها در آینده برای انتخاب تأمینکننده ارزش زیادی دارد.
در نتیجه، هوش مصنوعی در بخش حملونقل قرار نیست صرفاً یک مسیر را انتخاب کند. ارزش واقعی آن زمانی مشخص میشود که قیمت، زمان، موجودی، تأمینکننده و ریسک را همزمان بررسی کند و تصویر کاملتری از هزینه واقعی خرید در اختیار مدیر قرار دهد.
صنایع برای هوشمندسازی خرید بشکه از کجا شروع کنند؟
اجرای این سیستم لازم نیست از همان ابتدا پیچیده باشد. یک صنعت میتواند ابتدا اطلاعات خریدهای گذشته را جمعآوری کند و یک پایگاه داده ساده برای سفارشها ایجاد کند. در مرحله بعد، اطلاعات موجودی و مصرف نیز به آن اضافه شود.
در گام بعد میتوان گزارشهایی برای مواردی مانند مصرف ماهانه، قیمت خرید، عملکرد تأمینکنندگان و زمان تحویل ایجاد کرد. زمانی که داده کافی جمع شد، استفاده از ابزارهای هوش مصنوعی برای پیشبینی مصرف و شناسایی الگوها منطقیتر خواهد بود.
برای خرید بشکه فلزی 220 لیتری نیز میتوان یک فرآیند مشخص طراحی کرد:
- ثبت مصرف و موجودی
- بررسی سابقه خرید
- پیشبینی نیاز آینده
- مقایسه تأمینکنندگان
- محاسبه هزینه واقعی خرید و حمل
- تعیین زمان مناسب سفارش
- بررسی ریسک تأمین
- تأیید نهایی توسط مسئول خرید
در این مدل، هوش مصنوعی نقش «تصمیمیار» دارد، نه تصمیمگیرنده مطلق. این نکته اهمیت زیادی دارد؛ زیرا شرایط واقعی صنعت همیشه در دادههای گذشته وجود ندارد.
بهتر است صنایع ابتدا روی یک بخش کوچک کار را شروع کنند و پس از مشاهده نتیجه، سیستم را توسعه دهند. استفاده از هوش مصنوعی زمانی ارزشمند است که بتواند یک مشکل واقعی را حل کند؛ نه اینکه صرفاً به دلیل جدید بودن فناوری وارد فرآیند خرید شود.
نتیجه گیری چگونه صنایع با استفاده از داده های هوش مصنوعی خرید بشکه فلزی 220 لیتری را مدیریت کنند
مدیریت خرید در صنایع دیگر نمیتواند فقط بر اساس قیمت لحظهای و تجربه شخصی انجام شود. افزایش حجم اطلاعات، تغییر شرایط بازار، اهمیت موجودی و هزینه حمل باعث شده تصمیمگیری دقیقتر اهمیت بیشتری پیدا کند.داده به مدیران کمک میکند گذشته را بهتر ببینند و هوش مصنوعی میتواند از همین دادهها برای پیشبینی و شناسایی الگو استفاده کند. ترکیب این دو ابزار میتواند برنامهریزی خرید، مدیریت موجودی، ارزیابی تأمینکنندگان و کنترل ریسک را منظمتر کند.
در نهایت، هدف از هوشمندسازی خرید بشکه فلزی 220 لیتری این نیست که تمام تصمیمها به نرمافزار سپرده شود؛ بلکه هدف این است که واحد خرید با اطلاعات کاملتر و خطای کمتر تصمیم بگیرد. هرچه دادههای یک صنعت دقیقتر و منظمتر باشند، امکان استفاده مؤثرتر از هوش مصنوعی نیز بیشتر خواهد شد.
سوالات متداول
۱. آیا هوش مصنوعی میتواند زمان مناسب خرید بشکه را مشخص کند؟
بله. با بررسی اطلاعاتی مانند مصرف گذشته، موجودی فعلی، زمان تحویل و نیاز پیشبینیشده، سیستم میتواند زمان مناسب سفارش را پیشنهاد دهد؛ البته تصمیم نهایی باید توسط کارشناس خرید تأیید شود.
۲. آیا استفاده از هوش مصنوعی برای همه صنایع ضروری است؟
خیر. برای مجموعههایی با مصرف پایین، سیستمهای ساده ثبت موجودی ممکن است کافی باشند. هرچه حجم خرید، تعداد تأمینکنندگان و پیچیدگی زنجیره تأمین بیشتر شود، استفاده از تحلیل داده و هوش مصنوعی میتواند ارزش بیشتری ایجاد کند.
۳. آیا هوش مصنوعی میتواند بهترین تأمینکننده را انتخاب کند؟
میتواند تأمینکنندگان را بر اساس معیارهایی مانند قیمت، زمان تحویل، سابقه عملکرد و شرایط تأمین مقایسه کند؛ اما بهتر است انتخاب نهایی با درنظرگرفتن شرایط واقعی صنعت و نظر کارشناسان انجام شود.
۴. برای شروع استفاده از هوش مصنوعی در خرید چه اطلاعاتی لازم است؟
اطلاعاتی مانند سابقه خرید، میزان مصرف، موجودی، قیمتها، زمان تحویل، هزینه حمل و عملکرد تأمینکنندگان نقطه شروع مناسبی هستند. هرچه این دادهها دقیقتر و منظمتر باشند، تحلیلهای بعدی نیز قابلاعتمادتر خواهند بود.
data-start="17942" data-end="17957">نکته سئویی<: