إن التخزين الكبير هو واحد من أكثر الاكتفاءات المستمرة ومكلفة في سلسلة التوريد الحديثة. بالنسبة للعديد من المنظمات، فإنه يقلل بسهولة رأس المال المعياري، ويزيد تكلفة التخزين، ويخلق شعورًا خاطئًا بالسلامة حول توفر المنتج. يعتمد الطريقة التقليدية لإدارة التخزين على الذاكرة، ورقم التصميم، وواقع إعادة التخزين، ولكنها لا تستطيع البقاء على قيد الحياة مع معقدة إشارات الطلب اليوم. ما تغيرت اللعبة بشكل كبير هو تطبيق إطار تحسين مبتكر للبيانات التي تجمع بين النماذج الإحصائية والتعلم الآلي والتكامل في البيانات في الوقت الحقيقي في نظام دعم القرار. Understanding the Root Cause: Why Excess Inventory Accumulates فهم السبب الرئيسي: لماذا تزداد المخزون قبل أن يتم تصميم أي نموذج تحسين، فمن المهم مراجعة السبب في أن تتطور حالات التكلفة العالية في البداية.أكثر المشاكل شيوعًا هي توقعات الطلب غير دقيقة، والجدل المفقود في الوقت المناسب للموردين، والبيانات المتضخمة في مجموعات التسويق والمبيعات، والمخاطر البنية التحتية نحو التوصيل المفقود من أجل تجنب انخفاض الأسعار.كل هذه المشاكل هي في الأساس مشكلة البيانات، وليس مشكلة اللوجستية.أو عندما يعمل فريق التسويق من التقارير الشهرية المشتركة بدلاً من بيانات البيع اليومية الصغيرة، فإنهم يفقدون هيكل التغيير في الطلب. The Architecture of a Modern Inventory Optimization Framework تصميم إطار تحسين الحسابات الحديثة يعمل نطاق تحسين المخزون المختلط بشكل جيد على ثلاثة طبقات متصلة: استهلاك البيانات والتنظيم، وتصميم تحليلي، وتصنيف القرار مع حواجز الاستجابة. في طبقة استهلاك البيانات، يستند النظام من أنظمة نقطة بيع، منصات ERP، البوابة الموردة، والرسائل الخارجية مثل المؤشرات الاقتصادية الكبرى أو بيانات الطقس للمنتجات الموسمية. وتشمل هذه العملية عادةً توقعات الطلب باستخدام نموذجات المجموعات التي تتكامل مع أساليب سلسلة الوقت الكلاسيكية مثل SARIMA مع نهج تحفيز التردد مثل XGBoost أو LightGBM. فإن نهج المجموعات هو قيمة لأن لا نموذج واحد يتجاوز بشكل مستمر الآخرين في جميع فئات المنتج وأساليب الموسمية. إن حساب الأصول الأمنية هو أحد المكونات الأساسية الأخرى. يستخدم التصنيفات الأصول الأمنية التقليدية مستوى الخدمة ثابت وارتفاع المعيار التقليدي في الطلب. يضم نهج أكثر صرامة أهداف مستوى الخدمة الديناميكية من SKU على أساس مساهمة المبيعات، وتبديل الارتفاع المعياري مع نافذة التقلبات المتسارعة، وتعديل نقاط الثقة للموردين الناجمة عن تاريخ التسليم في الوقت المناسب. Segmentation as a Force Multiplier التجميل كمثال على القوة واحدة من الأدوات الأكثر تأثيراً في أي إطار تحسين هو تقسيم المخزون الصحيح. أداة ABC-XYZ هي الأداة الأساسية هنا. تقسيم ABC يحدد العناصر حسب مساهمة الإيرادات، بينما تقسيم XYZ يحدد النسبة حسب التغيرات في الطلب. يخلق تقسيم هذه العناصرين اثنين من الفئات التي تدير سياسات المخزون المتناسقة. العناصر ذات القيمة العالية والمستدامة في الطلب تضمن السيطرة المباشرة والعمليات المتكررة للتركيز. العناصر ذات القيمة المنخفضة والمتغيرات عالية قد تكون مناسبة بشكل أفضل لمواصفات الحماية في المخزون أو حتى لتسليم البضائع مع الموردين. عندما تتحكم العديد من الشركات في سياسات التخزين الوحيدة بشكل متساوٍ على كوكب SKU بأكملها، عندما تتحكم نفس منطق نقطة الترخيص على منتج أساسي منخفض المبيعات والتخزين أساسي منخفض التحرك، فإن النتيجة هي عادةً تقريباً زيادة معدلات التخزين في الساق. Closing the Loop: Continuous Feedback and Model Retraining إغلاق الطريق: التردد المستمر والتدريب على النموذج إن إطار يعمل مرة واحدة ويتم إنتاج مجموعة من النماذج التعديلية لا يعتمد حقاً على البيانات. ما يميز أنظمة الإمكانيات عالية الأداء هو حافة الاستجابة المستمرة. كل أوامر مكتوبة، كل حدث استجابة، وكل قرار استجابة، يجب أن يصل إلى النمو إلى النموذج كإشارة تعلمية. وتجدر الإشارة إلى أن المنظمات التي تطبق هذا النوع من أنظمة الخلفية قد تقرر انخفاضاً في المخزون بنسبة 15 إلى 30 في المائة خلال العام الأول، اعتماداً على متانة ممارساتها السابقة والجودة في البيانات الأساسية.في كثير من الأحيان، فإن تخفيض التكاليف يؤدي إلى تأثير مالي أسرع، ولكن الفوائد الثانوية، بما في ذلك تحسين تدفق النقد الأجنبي، وخفض التكاليف، ورفع مستويات الاستفادة من مساحة المخزون. Implementation Considerations and Common Pitfalls التفكير في التطبيق والمخاطر الشائعة إن تطوير هذه الإطارات في العملية يتطلب التوازن التنظيمي، وليس فقط القدرة التقنية. سيكون نموذجًا أكثر صرامة تقنيًا إذا لم تثق المصممين به أو تفهم كيفية إنشاء توصيات.إدارة التغيير، والتدريب، والتعليق على النموذج المفتوح مهمة تمامًا كما هو الحال مع الكمبيوتر نفسه. مشكلات ذات جودة البيانات هي عائق مشترك آخر قبل الاستثمار في نموذج متقدم، يجب على الأجهزة التحقق من البيانات الرئيسية الموجودة في الوقت الحقيقي، والعدد الأدنى من الطلبات، والتوافق الوظيفي. سيكون نموذجًا متكاملًا تدريبًا على البيانات القذرة قد تحسينًا نحو الإجابة الخطيرة. Looking Ahead انظر إلى الأمام تتحرك تطور تحسين المخزون نحو أنظمة أكثر استقلالية قادرة على تعديل مكونات التكلفة في الوقت الحقيقي على أساس إشارات حقيقية. توقعات الطلب المحتمل، التي تؤدي إلى توزيع كامل النتائج المحتملة بدلاً من تقديرات نقطة، تحصل على الارتياح لأنها تسمح للمخططين بإجراء التوازن الفوري بين المخاطر على مستوى الخدمة والاستثمار في المخزون. ما يزال مستمرا، بغض النظر عن التقنيات المحددة المستخدمة، هو المبدأ الأساسي: يجب أن تكون قرارات الأوراق المالية أساساً على البيانات، وتؤكد بشكل مستمر على النتائج، وتديرها سياسات تنبع من الأولوية التجارية الحقيقية.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

تم إنتاج هذا الصوت باللغة الأصلية للقصة!

تقليل المخزون المفرط من خلال إطارية تحسين البيانات المتطورة

About Author

تعليقات

شنق العلامات

تم تقديم هذه المقالة في

Related Stories

Top Web Development Companies in 2018

Aria Coin Achieves 3000% Growth, Pioneering a Galactic-Themed Crypto Ecosystem

Top iOS & iPhone Mobile App Development Companies

Top 10 Software Consulting Company based on Clutch & Goodfirms Reviews

Top Web Development Companies in 2018

Aria Coin Achieves 3000% Growth, Pioneering a Galactic-Themed Crypto Ecosystem

Top iOS & iPhone Mobile App Development Companies

Top 10 Software Consulting Company based on Clutch & Goodfirms Reviews

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps