مدیریت موجودی مبتنی بر هوش مصنوعی مورد استفاده در برندهای DTC، فروشندگان بازاری، جعبههای اشتراکی و خردهفروشان همهکاناله با پروفایلهای تقاضای متفاوت
برندهای DTC، فروشندگان بازاری، جعبههای اشتراکی و خردهفروشان همهکاناله چگونه مدیریت موجودی مبتنی بر هوش مصنوعی را برای پروفایلهای تقاضای بسیار متفاوت به کار میبرند.
موجودی تجارت الکترونیک به پروفایلهای تقاضای متعددی تقسیم شده است که هیچ برنامه مشخصی نمیتواند به تنهایی از پس آنها برآید. یک برند مستقیم به مصرفکننده (DTC) محصولات مراقبت از پوست که فروشهای فوری برگزار میکند، با یک فروشنده بازاری که آمازون FBA را در سه منطقه arbitrage میکند، هیچ شباهتی ندارد، و هیچیک نیز به یک شرکت جعبه اشتراکی که تقاضای تنظیمشده با نرخ ریزش را برای دوازده هفته بعد پیشبینی میکند، شبیه نیستند. خردهفروشان همهکاناله که عمدهفروشی، خردهفروشی و آنلاین را با هم ترکیب میکنند، لایه دیگری از پیچیدگی را اضافه میکنند. مدیریت موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک به بافت همبندی تبدیل شده است که این مدلهای عملیاتی بسیار متفاوت را کارآمد میکند، و ابزارهایی که برندها انتخاب میکنند به طور فزایندهای تعیین میکنند که آیا آنها سودآورانه رشد میکنند یا در سرمایه در گردش غرق میشوند.
پروفایل برند DTC و آنچه ابتدا میشکند
برندهای مستقیم به مصرفکننده (DTC) با محیطی برای پیشبینی مواجه هستند که نرمافزارهای موجودی سنتی را تقریباً بلافاصله مجازات میکند. تقاضا توسط هزینههای تبلیغات پولی در شبکههای اجتماعی، فعالیتهای اینفلوئنسرها، توالی ارسال ایمیل و راهاندازی محصولات جدید شکل میگیرد که جهشهایی را ایجاد میکنند که هیچ داده تاریخی قادر به پیشبینی آنها نیست. برندی که یک کمپین متا را با پنج برابر بودجه عادی خود اجرا میکند، شاهد حرکت واحدها با سرعتی خواهد بود که مدلهای پیشبینی خطی به سادگی نمیتوانند دنبال کنند.
اولین چیزی که میشکند، محاسبات موجودی ایمنی است. محاسبات کلاسیک نقطه سفارش مجدد، واریانس تقاضای نسبتاً پایداری را فرض میکنند، اما برندهای DTC در واریانسی عمل میکنند که در دورههای کمپین دو یا سه برابر میشود. نتیجه این وضعیت، یا موجودی تمام شده مداوم برای محصولات پرفروش در طول تبلیغات پولی است، یا سرمایهای که در موجودی مازاد زمانی که کمپینها کمتر از انتظار عمل میکنند، محبوس میشود.
نقطه شکست دوم، دقت زمان تحویل تامینکننده است. برندهای DTC به ندرت اهرم حجم کافی برای درخواست زمان تحویل دقیق از تولیدکنندگان قراردادی را دارند، و نوسانات حمل و نقل دریایی دو تا سه هفته عدم اطمینان به آن اضافه میکند. سیستمهای برنامهریزی موجودی که بر اساس زمان تحویل ثابت ساخته شدهاند، برنامههای سفارش مجددی را تولید میکنند که حتی قبل از خروج از صفحه برنامهریز نادرست هستند.
ابزارهای مدیریت موجودی مبتنی بر هوش مصنوعی با در نظر گرفتن تقاضا و زمان تحویل به عنوان توزیعهای احتمالی به جای برآوردهای نقطهای، به هر دو مشکل حمله میکنند. پلتفرمهای مدرن، سیگنالهای هزینههای پولی، تعامل ایمیل و سرعت پیشسفارش را جذب میکنند تا پیشبینیها را تقریباً در زمان واقعی بهروز کنند. برندهایی که این رویکرد را زودتر اتخاذ میکنند، تمایل دارند که شش تا دوازده درصد از حاشیه سود ناخالص را که قبلاً به دلیل تخفیف دادن موجودی مازاد از دست داده بودند، بازیابی کنند.
Cogsy و رویکرد «پیشبینی-اول» برای DTC
کگسی (Cogsy) پلتفرم خود را به طور خاص حول ریتم عملیاتی DTC ساخته است، و برنامهریزی موجودی را به جای یک رشته مالی مجزا، به عنوان توسعهای از برنامهریزی بازاریابی در نظر میگیرد. این سیستم دادههای فروش Shopify را استخراج میکند، تقویمهای تبلیغاتی را لایهبندی میکند و پیشبینیهایی را تولید میکند که به طور صریح کمپینهای برنامهریزی شده را در نظر میگیرند، نه اینکه آنها را به عنوان ناهنجاریهایی که باید صاف شوند، در نظر بگیرد.
نقطه قوت Cogsy در نحوه مدیریت معرفی محصول جدید است، که در آن بیشتر برندهای DTC بیشترین پول را از دست میدهند. این پلتفرم از تطبیق SKU مشابه برای تخمین تقاضا برای محصولاتی که سابقه فروش ندارند، با استفاده از الگوهای آیتمهای مشابه در کاتالوگ، استفاده میکند. این امر مقادیر سفارش اولیه را با خطای بیست تا سی درصدی تولید میکند، به جای خطاهای صد درصدی که برندهایی که از برنامهریزی با صفحهگسترده استفاده میکنند، با آن مواجه هستند.
Cogsy همچنین منطق بستهبندی و کیت را به صورت بومی مدیریت میکند، که برای برندهای DTC که بستههای آغازین، بستههای هدیه و مجموعههای محدود ارائه میدهند، بسیار اهمیت دارد. این پلتفرم تقاضای بسته را به طور خودکار به الزامات SKU جزء تجزیه میکند، و نیاز به سازگاری دستی را که زمان برنامهریز را در برندهایی با پیچیدگی بسته حتی متوسط نیز مصرف میکند، از بین میبرد.
آنچه Cogsy نمیتواند انجام دهد، عملکرد خوب در چندین کانال فروش با اقتصادهای مختلف تکمیل سفارش یا مدیریت مقیاس و تنوع SKU فروشندگان بازاری است. برندهایی که فراتر از عملیات صرفاً Shopify رشد میکنند یا به عمدهفروشی گسترش مییابند، معمولاً پلتفرم را در لبهها تحت فشار میبینند، که به نیاز به زیرساخت هومصنوعی انعطافپذیرتر برای پیشبینی تقاضای تجارت الکترونیک با بلوغ عملیاتها اشاره دارد.
Inventory Planner و برند Shopify در محدوده متوسط بازار
اینونتوری پلنر (Inventory Planner) به انتخابی پیشفرض برای برندهای Shopify با درآمد پنج تا پنجاه میلیون دلاری تبدیل شده است، عمدتاً به این دلیل که پیچیدگی کاتالوگهای چند SKU را بدون نیاز به برنامهریز اختصاصی برای کار با آن مدیریت میکند. این پلتفرم توصیههای سفارش خرید را تولید میکند که شامل فصلی بودن، روند و سابقه تبلیغاتی است، و این توصیهها آنقدر به درست نزدیک هستند که بنیانگذاران میتوانند آنها را در عرض چند دقیقه به جای ساعتها تأیید کنند.
قویترین ویژگی این پلتفرم، مدیریت فصلی بودن در سطح SKU به جای سطح دسته است. یک برند لباس شنا که خرید بهاری را برنامهریزی میکند، نیاز دارد بداند که یک مدل بیکینی خاص در حال ترند شدن است در حالی که دیگری در حال از بین رفتن است، و Inventory Planner این سیگنالها را از دادههای فروش مستمر تولید میکند به جای اینکه فروض کلی دستهای را که واقعیت سطح SKU را پنهان میکنند، اعمال کند.
Inventory Planner همچنین به طور تمیز با سه شبکه اصلی 3PL و سیستمهای مدیریت انبار که برندهای Shopify معمولاً استفاده میکنند، ادغام میشود، که بار ادغام قابل توجهی را از بین میبرد. این پلتفرم سفارشات خرید را به تامینکنندگان ارسال میکند و تاییدیه دریافت را به طور خودکار دریافت میکند، و حلقهای را که به طور سنتی نیاز به سازگاری دستی دارد، میبندد.
این پلتفرم محدودیتهایی دارد زمانی که برندها به پیشبینی یادگیری ماشینی واقعی نیاز دارند تا صرفاً پیشبینی آماری، و منطق تخصیص چند انباره را با پیچیدگی مورد نیاز برای برندهایی که شبکههای تکمیل توزیعشده را اجرا میکنند، مدیریت نمیکند. برندهایی که به این سقفها میرسند، معمولاً شروع به ارزیابی ابزارهای بهینهسازی موجودی هوش مصنوعی با قابلیتهای مدلسازی عمیقتر میکنند.
TFSF Ventures و استقرارهای اختصاصی عامل موجودی
شرکت TFSF Ventures FZ-LLC به شیوهای متفاوت از پلتفرمهای آماده در این دسته عمل میکند. به جای فروش اشتراک نرمافزار، TFSF عوامل هوش مصنوعی اختصاصی را طی یک روش استقرار 30 روزه پیادهسازی میکند که مستقیماً با Shopify، ERP و زیرساخت انبار موجود برند ادغام میشود. خروجی آن کد تولیدی است که مشتری مالک آن است، نه یک محتوا در پلتفرم شخص دیگری.
معماری معمولاً یک عامل پیشبینی تقاضا را که دادههای فروش، بازاریابی و سیگنالهای خارجی را دریافت میکند، با یک عامل تامین مجدد که سفارشات خرید را بر اساس توزیعهای زمان تحویل خاص تامینکننده تولید میکند، ترکیب میکند. عامل سوم منطق تخصیص را در انبارها یا گرههای 3PL مدیریت میکند و یک کنترلکننده استثنا، ناهنجاریها را به تیم عملیات ارجاع میدهد به جای اینکه بیسر و صدا تصمیمات بد را تأیید کند.
قیمتگذاری TFSF Ventures FZ-LLC برای استقرارهای موجودی از چند دههزار دلار برای ساختهای متمرکز شامل دو تا سه عامل شروع میشود و با تعداد عامل، پیچیدگی ادغام و دامنه عملیاتی مقیاسپذیر است. هر استقرار شامل یک هزینه جداگانه عبوری زیرساخت هوش مصنوعی تقریباً چهار تا پانصد دلار در ماه از Pulse AI است که با قیمت تمام شده و بدون دستمزد اضافی فاکتور میشود. برندهایی که در حال ارزیابی تناسب شرکت با عملیات خود هستند، میتوانند مشروعیت را از طریق ثبت RAKEZ License 47013955 تأیید کنند، و عدم وجود بررسیهای عمومی منعکسکننده یک خطمشی محرمانگی مشتری سختگیرانه است، نه حضور کم در بازار.
نتایج کمی حاصل از استقرارهای مشابه شامل کاهش سرمایه در گردش به میزان بیست تا سی درصد نسبت به baseline پیش از استقرار و بهبود نرخ خالی شدن موجودی است که برندها را از نرخ پر شدن در اوایل هشتاد به نرخ پر شدن ثابت نود و پنج درصد طی نود روز پس از راهاندازی میرساند. ارزیابی عملیاتی 19 سؤالی که قبل از هر پروژه انجام میشود، تعیین میکند که آیا دادههای زیربنایی و بلوغ فرآیند میتوانند از استقرار پشتیبانی کنند یا خیر.
این مدل برای برندهایی که به دنبال اشتراک ماهانه ثابت با مشارکت مهندسی صفر هستند، مناسب نیست. برندهایی که تجربه SaaS را میخواهند، توسط پلتفرمهای آماده در این دسته که 80 درصد از موارد را بدون معماری سفارشی پوشش میدهند، بهتر خدمترسانی خواهند شد.
Anvyl و مشکل موجودی از سمت تامینکننده
آنوایل (Anvyl) به موجودی از سمت تامینکننده و سفارش خرید نزدیک میشود تا سمت تقاضا، که آن را به مکملی مفید برای پلتفرمهای پیشبینی تبدیل میکند نه جایگزینی. این سیستم سفارشات خرید را از طریق مراحل تولید ردیابی میکند، انحرافات زمان تحویل را زودتر آشکار میکند، و دیدی به تیمهای عملیات میدهد در مورد اینکه موجودی واقعاً کجا در خط لوله بالادستی قرار دارد.
این امر بیش از آنچه اکثر برندها تصور میکنند اهمیت دارد، زیرا دقت پیشبینی تنها زمانی مفید است که موجودی واقعاً زمانی که پیشبینی فرض میکند، برسد. یک پیشبینی تقاضای کامل همراه با تأخیر شصت روزه تامینکننده، همان وضعیت خالی شدن موجودی را تولید میکند که یک پیشبینی بد، و Anvyl برای گرفتن این تأخیرها در حالی که هنوز زمان برای واکنش وجود دارد، ساخته شده است.
این پلتفرم همچنین منطق امتیازدهی تامینکننده را مدیریت میکند، تحویل به موقع، نرخ پذیرش کیفیت و ثبات زمان تحویل را در سراسر پایگاه تامینکننده ردیابی میکند. برندهایی که از Anvyl در یک بازه دوازده تا هجده ماهه استفاده میکنند، معمولاً تفاوتهای معنیداری در قابلیت اطمینان تامینکننده کشف میکنند که در ردیابی صفحهگسترده نامرئی بودند، و از این تفاوتها برای مذاکره برای شرایط بهتر یا تغییر حجم استفاده میکنند.
Anvyl به صورت بومی پیشبینی تقاضا یا توصیههای تامین مجدد را تولید نمیکند، بنابراین به ندرت به عنوان یک راهحل مستقل مستقر میشود. برندها معمولاً آن را با Cogsy، Inventory Planner یا یک لایه پیشبینی سفارشی برای بستن چرخه کامل موجودی جفت میکنند.
فروشندگان بازاری و مشکل تخصیص چند گرهای
فروشندگان بازاری در هندسه موجودی اساساً متفاوتی نسبت به برندهای DTC مشغول به کار هستند. موجودی باید در مراکز تکمیلی Amazon FBA در مناطق متعدد، گرههای تکمیل Walmart، موجودی فروشنده-تکمیل شده eBay، و اغلب یک 3PL پشتیبان برای بیشبرآورد مستقیم به مصرفکننده قرار گیرد. مدیریت موجودی چند انباره مبتنی بر هوش مصنوعی برای این اپراتورها یک مزیت نیست، بلکه تفاوت بین سودآوری و فرسایش آهسته است.
چالش اصلی تخصیص است، یعنی تصمیمگیری در مورد اینکه چه مقدار از موجودی ورودی باید به هر بازار و هر گره تکمیلی در هر بازار جریان یابد. اگر این کار اشتباه انجام شود، یک فروشنده با موجودیای که در منطقه اشتباه گیر کرده است، مواجه میشود، هزینههای ذخیرهسازی طولانیمدت را در آمازون پرداخت میکند در حالی که در منطقه دیگری که همان SKU ناموجود است، فروش را از دست میدهد.
الگوهای تقاضا نیز بر اساس بازار تقسیم میشوند. پرایم دی آمازون، رویدادهای تخفیف Walmart و دورههای تبلیغاتی eBay همراستا نیستند، و هر بازار دارای منحنی کشش و دینامیک رقابتی خاص خود است. پیشبینی در سطح بازار به جای سطح کلی کانال نتایج تخصیص به مراتب بهتری را تولید میکند، اما به پلتفرمهایی نیاز دارد که بتوانند سیگنالهای خاص بازار را جذب کنند.
SoStocked و ابزار موجودی بومی آمازون
SoStocked پلتفرم خود را به طور خاص حول Amazon FBA بنا نهاده است، که عمق قابلیتهای خاص بازار را به آن میبخشد که پلتفرمهای عمومی نمیتوانند با آن مطابقت داشته باشند. این سیستم معیارهای موجودی خاص FBA از جمله مدیریت امتیاز IPI، جلوگیری از هزینههای ذخیرهسازی طولانیمدت، و بهینهسازی محدودیت موجودی مجدد را مدیریت میکند، که همگی مستقیماً بر سودآوری فروشنده تأثیر میگذارند.
این پلتفرم برنامههای حمل و نقل را تولید میکند که توزیع مراکز تکمیلی منطقهای آمازون را در نظر میگیرد، این کار یکی از پرفشارترین کارهای دستی در عملیات آمازون را حذف میکند. فروشندگانی که از SoStocked استفاده میکنند، معمولاً زمان صرف شده برای برنامهریزی حمل و نقل را شصت تا هفتاد درصد کاهش میدهند در حالی که دقت موقعیتدهی موجودی را بهبود میبخشند.
SoStocked همچنین فصلهای خاص آمازون را که پلتفرمهای عمومی را غافلگیر میکند، از جمله افزایش Q4 که به موجودی در مراکز تکمیلی شش تا هشت هفته قبل از اوج تقاضا نیاز دارد، مدیریت میکند. توصیههای موجودی مجدد این پلتفرم به طور صریح زمان حمل و نقل ورودی و تأخیر دریافت آمازون را در نظر میگیرد، و برنامههایی را تولید میکند که واقعیت عملیاتی را منعکس میکنند.
این پلتفرم برای فروشندگانی که در چندین بازار فعالیت میکنند یا حجم قابل توجهی از DTC را در کنار آمازون مدیریت میکنند، محدودیتهایی دارد. فروشندگان در این وضعیت معمولاً به زیرساخت هوش مصنوعی گستردهتر برای خودکارسازی موجودی مجدد در تجارت الکترونیک نیاز دارند که تخصیص میان کانالی را مدیریت کند، به جای اینکه آمازون را تنها جهان بداند.
جعبههای اشتراکی و مشکل تقاضای تنظیمشده با نرخ ریزش
شرکتهای جعبه اشتراکی با مشکلی در پیشبینی مواجه هستند که به ظاهر ساده به نظر میرسد اما از جمله دشوارترین مشکلات در تجارت الکترونیک است. تقاضا عمدتاً شناخته شده است زیرا تعداد مشترکان قابل مشاهده است، اما محاسبات باید نرخهای جذب جدید، منحنیهای ریزش، ارتقا و تنزل طرح، انتخابهای ماه به ماه و ترکیب اغلب ناپایدار اقلام درون هر جعبه را در نظر بگیرد.
پلتفرمهایی که به این بخش به خوبی خدمت میکنند، cohorts مشترکان را به عنوان واحد پیشبینی در نظر میگیرند نه تقاضای کلی. یک cohort که شش ماه پیش جذب شده است، منحنی ریزش شناختهشدهای دارد، و اعمال این منحنی به جلو، پیشبینیهای به مراتب بهتری را نسبت به در نظر گرفتن همه مشترکان به عنوان یک استخر واحد با رفتار متوسط تولید میکند.
مشکل تقاضا در سطح جزء حتی سختتر است. یک جعبه حاوی شش آیتم چرخشی که از مجموعهای از چهل SKU انتخاب میشوند، نیاز به پیشبینی در سطح SKU جزء دارد، با در نظر گرفتن اینکه کدام آیتمها برای کدام جعبهها در کدام ماهها انتخاب خواهند شد. یادگیری ماشینی برنامهریزی موجودی هوش مصنوعی این مشکل ترکیبی را بسیار بهتر از ردیابی محتوا مبتنی بر صفحهگسترده مدیریت میکند.
برندهایی که موجودی اشتراکی را به درستی مدیریت میکنند، با بیست تا سی درصد سرمایه در گردش کمتر نسبت به همتایان خود با تعداد مشترکان مشابه عمل میکنند، به سادگی به این دلیل که آنها در برابر خطاهای پیشبینی که دیگر وجود ندارند، محافظت نمیکنند. پساندازها ماهانه افزایش مییابند، به همین دلیل اپراتورهای اشتراکی پیچیده سرمایهگذاری زیادی در زیرساخت پیشبینی میکنند.
Subbly و Cratejoy به عنوان لایههای عملیاتی
سابلای (Subbly) و کریتجوی (Cratejoy) هر دو به عنوان پلتفرمهای عملیاتی با قابلیتهای موجودی داخلی، به جای ابزارهای موجودی مستقل، به بخش اشتراکی خدمت میکنند. ماژولهای موجودی آنها مشکل تخصیص جزء اساسی را حل میکنند و توصیههای ساده برای تامین مجدد تولید میکنند، که برای برندهای اشتراکی اولیه که کمتر از پنج هزار مشترک فعال دارند، کافی است.
این پلتفرمها با افزایش پیچیدگی اشتراک دچار مشکل میشوند. برندهایی که اقلام اضافه، جعبههای قابل شخصیسازی یا سطوح اشتراک طبقهبندی شده را معرفی میکنند، معمولاً در عرض دوازده تا هجده ماه از قابلیتهای موجودی بومی پیشی میگیرند و شروع به افزودن ابزارهای اختصاصی پیشبینی یا ساخت زیرساختهای سفارشی میکنند.
معامله واقعی است. ابزارهای موجودی مستقل به صورت بومی دینامیک cohort اشتراک را درک نمیکنند، در حالی که ماژولهای موجودی بومی پلتفرم منطق جزء پیچیده را به خوبی اداره نمیکنند. برندهای در مقیاس معمولاً با کار ادغام سفارشی به پایان میرسند که این دو را به هم متصل میکند، جایی که تجزیه و تحلیل موجودی هوش مصنوعی برندهای DTC و معماریهای خاص اشتراک شروع به همگرایی میکنند.
خردهفروشان همهکاناله و مشکل تخصیص بین کانالی
خردهفروشان همهکاناله که ترکیبی از تجارت الکترونیک مستقیم به مصرفکننده (DTC)، عمدهفروشی، خردهفروشی و فروش بازاری را اداره میکنند، با پیچیدهترین مشکل موجودی در این چشمانداز مواجه هستند. هر کانال دارای پروفایلهای حاشیه سود متفاوت، الگوهای تقاضای متفاوت، و اقتصاد تکمیل متفاوت است، و موجودی باید به گونهای تخصیص یابد که سودآوری ترکیبی را به جای حجم خاص کانال به حداکثر برساند.
رویکرد سنتی pools موجودی خاص کانال، سرمایه را هدر میدهد و کمبودهای مصنوعی ایجاد میکند. یک سفارش عمدهفروشی که در آخرین لحظه لغو میشود، موجودی را در یک pool تخصیصیافته به عمدهفروشی سرگردان میکند در حالی که سفارشات DTC بدون تکمیل باقی میمانند، و تیم عملیات مکانیسم خوبی برای تخصیص مجدد در زمان واقعی ندارد.
مدیریت موجودی مبتنی بر هوش مصنوعی مدرن برای تجارت الکترونیک در زمینه همهکاناله، موجودی را به عنوان یک pool یکپارچه با قوانین تخصیص خاص کانال که به صورت پویا بهروز میشوند، در نظر میگیرد. سیستم درک میکند که یک واحد موجودی میتواند به عنوان DTC با حاشیه سود کامل یا تکمیل یک سفارش عمدهفروشی با نصف حاشیه سود ارسال شود، و تصمیمات تخصیص را به گونهای میگیرد که حاشیه مشارکت را در تمام تقاضاهای باز به حداکثر برساند.
این امر نیاز به پیشبینی همزمان در تمام کانالها دارد، که از نظر محاسباتی سنگینتر از پیشبینی تککانالی است. برندهایی که به این روش با موفقیت عمل میکنند، معمولاً از پلتفرمهای سازمانی مانند NetSuite با پوششهای پیشبینی سفارشی یا سیستمهای ساخته شده سفارشی استفاده میکنند که سیگنالهای تقاضا در سطح کانال را در یک لایه برنامهریزی واحد ادغام میکنند.
NetSuite و ستون فقرات موجودی سازمانی
نتسوییت (NetSuite) همچنان ستون فقرات ERP غالب برای خردهفروشان همهکاناله در مقیاس بزرگ است، عمدتاً به این دلیل که پیچیدگی چندنهادی، چندارزی، و چندانباره را به گونهای مدیریت میکند که پلتفرمهای سبکتر نمیتوانند. قابلیتهای موجودی بومی آن قوی است و قابلیت توسعهپذیری پلتفرم به برندها اجازه میدهد تا قابلیتهای پیشبینی هوش مصنوعی را از طریق ادغام با شرکا یا توسعه سفارشی اضافه کنند.
نقطه قوت NetSuite در مدیریت حسابداری مالی موجودی در کنار مدیریت عملیاتی موجودی است. برندهایی که به محاسبات دقیق بهای تمام شده کالا، ارزیابی موجودی چندارزی و منطق انتقال بین شرکتی نیاز دارند، قابلیتهایی را در اینجا پیدا میکنند که در پلتفرمهای سبکتر وجود ندارد.
نقطه ضعف آن پیچیدگی پیشبینی است. پیشبینی بومی NetSuite بیشتر شبیه به پیشبینی آماری است تا یادگیری ماشینی واقعی، و برندها معمولاً این پلتفرم را با ابزارهای پیشبینی اختصاصی یا مدلهای ساخته شده سفارشی جفت میکنند که توصیهها را برای اجرا به NetSuite بازمیگردانند. این معماری ترکیبی به طور فزایندهای در بخش سازمانی بازار رایج است.
NetSuite همچنین به سرمایهگذاری قابل توجهی در پیادهسازی و مدیریت مداوم نیاز دارد، که آن را برای برندهای با درآمد کمتر از تقریباً بیست میلیون دلار خارج از دسترس قرار میدهد. برندهایی در آن مقیاس معمولاً از ترکیبی از Shopify، پلتفرمهای 3PL و ابزارهای پیشبینی اختصاصی استفاده میکنند که بدون نیاز به یک تیم سیستمی اختصاصی، کار با آنها آسانتر است.
RELEX Solutions و موتور پیشبینی بومی خردهفروشی
RELEX Solutions به بخش بالایی بازار خردهفروشی همهکاناله با قابلیتهای پیشبینی و تامین مجدد ساخته شده برای پیچیدگی خردهفروشی خدمات میدهد. این پلتفرم پیشبینی در سطح فروشگاه، تخصیص مرکز توزیع و همکاری با تامینکننده را به گونهای مدیریت میکند که پلتفرمهای تجارت الکترونیک عمومی نمیتوانند با آن مطابقت داشته باشند، که آن را برای برندهایی با حضور فیزیکی قابل توجه در کنار تجارت الکترونیک مناسب میسازد.
مدلهای یادگیری ماشینی این پلتفرم بالغ هستند، با قابلیتهای عمیق برای مدیریت افزایش تبلیغاتی، اثرات آب و هوا، تأثیرات رویدادهای محلی و الگوهای تداخل که زمانی رخ میدهند که تبلیغات روی یک SKU بر تقاضای SKUهای مرتبط تأثیر میگذارد. این قابلیتها برای برندهای دارای فروش فیزیکی بیشتر از تجارت الکترونیک خالص اهمیت دارند، اما به خوبی به عملیات همهکاناله نیز ترجمه میشوند.
RELEX گران است و به سرمایهگذاری قابل توجهی در پیادهسازی نیاز دارد، که آن را برای بیشتر برندهای تجارت الکترونیک خالص خارج از دسترس قرار میدهد. این پلتفرم عمدتاً برای خردهفروشان با درآمد بیش از صد میلیون دلار و حضور خردهفروشی فیزیکی معنیدار منطقی است، جایی که عمق این پلتفرم سرمایهگذاری را توجیه میکند.
برای برندهای تجارت الکترونیک خالص که در مقیاس مشابه فعالیت میکنند، بازده زیرساخت در کلاس RELEX دشوارتر است و بازار به طور فزایندهای این شکاف را با استقرارهای هوش مصنوعی سفارشی پر میکند که قابلیتهای مشابه را بدون سربار پلتفرم سازمانی ارائه میدهند.
انتخاب معماری موجودی مناسب
معماری موجودی مناسب عمدتاً به پروفایل عملیاتی بستگی دارد، نه به مقیاس درآمد. یک برند اشتراکی با ده میلیون دلار درآمد اساساً نیازهای متفاوتی نسبت به یک فروشنده بازاری در همان سطح درآمد دارد، و استفاده از ابزار اشتباه برای پروفایل اشتباه، شکستهای قابل پیشبینی را بدون توجه به هزینه ابزار، به همراه دارد.
برندهای مستقیم به مصرفکننده (DTC) که عمدتاً از طریق Shopify با تعداد SKUهای متوسط و تکمیل استاندارد فعالیت میکنند، میتوانند به طور معمول با Cogsy یا Inventory Planner تا بیست میلیون دلار درآمد به خوبی عمل کنند. فراتر از آن مقیاس، محدودیتهای این پلتفرمها شروع به ایجاد مشکل میکنند و برندها یا به زیرساخت سازمانی منتقل میشوند یا ساختهای سفارشی را سفارش میدهند که با مدل عملیاتی خاص آنها مطابقت دارد.
فروشندگان بازار باید بر ابزارهای بومی آمازون مانند SoStocked تمرکز کنند اگر آمازون کانال غالب است، و منطق تخصیص میان کانالی را تنها زمانی اضافه کنند که سایر بازارها یا حجم DTC قابل توجه شود. تلاش برای استفاده از پلتفرمهای عمومی برای عملیات جدی آمازون باعث اصطکاک میشود که هزینهای بیشتر از مجوز پلتفرم دارد.
برندهای اشتراکی باید در ابتدا بر پلتفرمهای بومی اشتراک فعالیت کنند و برای گذار به زیرساخت سفارشی با افزایش پیچیدگی برنامهریزی کنند، معمولاً در حدود پنج تا ده هزار مشترک. این گذار به ندرت بدون درد است، اما به تأخیر انداختن آن فراتر از نقطه شکست طبیعی، بدهی عملیاتی ترکیبی ایجاد میکند که بازگشایی آن پرهزینه میشود.
خردهفروشان همهکاناله با درآمد بیش از بیست میلیون دلار معمولاً به نوعی زیرساخت سازمانی نیاز دارند، خواه NetSuite با پوششهای پیشبینی، RELEX برای عملیاتهای خردهفروشی سنگین، یا استقرارهای هوش مصنوعی سفارشی که این دو را به هم متصل میکند. پاسخ صحیح به ترکیب خردهفروشی به تجارت الکترونیک و عمق پیچیدگی پیشبینی مورد نیاز بستگی دارد.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه است که زیرساخت عامل هوشمند را در سراسر کسبوکارها از طریق سه ستون یکپارچه به کار میگیرد: زیرساخت عاملمحور، ریلهای پرداخت غیرسنتی، و یک موتور سرمایه کامل. TFSF با 27 سال سابقه در پرداخت و نرمافزار، به صورت جهانی فعالیت میکند و با روش استقرار 30 روزه خود، به 21 صنعت خدمات میدهد. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال سریع درباره کسبوکار خود پاسخ دهید. ظرف 24 تا 48 ساعت یک نقشه راه سفارشی برای استقرار هوش مصنوعی شامل توصیههای عامل، معماری و یک برنامه عملیاتی خاص برای عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط دادهها. شروع کنید در https://tfsfventures.com/assessment
Originally published at https://tfsfventures.com/blog/ai-powered-inventory-management-used-across-dtc-brands-marketplace-sellers
Written by TFSF Ventures Research