ارائه‌دهندگان فناوری تجارت الکترونیک که قابلیت‌های عامل را برای اتوماسیون سفارش خرید و مدیریت تامین‌کننده اضافه می‌کنند

سفارش خرید یکی از آخرین جریان‌های کاری اصلی تجارت الکترونیک است که هنوز تحت سلطه دخالت دستی قرار دارد. یک بازرگان سرعت فروش را در یک صفحه گسترده بررسی می‌کند، تخمین می‌زند که چه مقدار موجودی را باید دوباره سفارش دهد، به تامین‌کننده ایمیلی با مقادیر و تاریخ‌های تحویل ارسال می‌کند، منتظر تایید می‌ماند و سپس پس از دریافت کالا، سیستم موجودی را به صورت دستی به‌روزرسانی می‌کند. هر مرحله تاخیر، خطا و ناکارآمدی را ایجاد می‌کند که در صدها سفارش خرید در ماه افزایش می‌یابد.

ظهور قابلیت‌های عامل واقعی در پلتفرم‌های فناوری تجارت الکترونیک، نشان‌دهنده یک تغییر اساسی و دیرینه در نحوه مدیریت روابط تامین‌کننده توسط برندها، خودکارسازی تصمیمات تکمیل موجودی و حفظ عمق موجودی مورد نیاز برای رقابت است. این مقاله ارائه‌دهندگان فناوری را بررسی می‌کند که مدیریت موجودی مبتنی بر هوش مصنوعی را مستقیماً در پلتفرم‌های خود برای تجارت الکترونیک جاسازی می‌کنند، به طور خاص اتوماسیون سفارش خرید و مدیریت تامین‌کننده را به عنوان مرز بعدی هوش عملیاتی هدف قرار می‌دهند.

چرا اتوماسیون سفارش خرید به هوش در سطح عامل نیاز دارد

اتوماسیون سنتی سفارش خرید از یک رویکرد مبتنی بر قوانین پیروی می‌کرد. هنگامی که موجودی به زیر یک آستانه کاهش می‌یافت، سیستم یک سفارش خرید را با استفاده از یک الگوی از پیش تعیین‌شده با مقادیر ثابت تولید می‌کرد و آن را به تامین‌کننده ثبت‌شده ارسال می‌کرد. این رویکرد زمانی کار می‌کرد که یک برند تعداد کمی از محصولات را از طریق یک کانال واحد با تقاضای قابل پیش‌بینی می‌فروخت. در یک محیط چند کاناله که سیگنال‌های تقاضا بر اساس پلتفرم متفاوت است، زمان‌های تحویل تامین‌کننده نوسان می‌کند و هزینه هم موجودی بیش از حد و هم موجودی کمتر می‌تواند به ده‌ها هزار دلار در ماه برسد، کاملاً شکست می‌خورد.

عوامل هوش مصنوعی موجودی تجارت الکترونیک که قادر به مدیریت سفارش‌های خرید هستند، باید فراتر از محرک‌های مبتنی بر آستانه عمل کنند. آنها باید پیش‌بینی تقاضا در سطح کانال، سابقه عملکرد تامین‌کننده از جمله نرخ تحویل به موقع و فرکانس نقص کیفیت، موقعیت‌های موجودی فعلی در تمام انبارها و مراکز انجام سفارش، محاسبات هزینه تمام‌شده که بر اساس جغرافیای تامین‌کننده متفاوت است، و محدودیت‌های مالی حاکم بر میزان سرمایه در گردش قابل تخصیص به موجودی در هر نقطه از چرخه کسب‌وکار را در بر گیرند.

به همین دلیل است که ارائه‌دهندگان فناوری که در قابلیت‌های عامل سرمایه‌گذاری می‌کنند، سیستم‌هایی را می‌سازند که در مورد سفارش‌های خرید استدلال می‌کنند، نه اینکه صرفاً آنها را اجرا کنند. یک عامل استدلالی می‌تواند تعیین کند که یک سفارش خرید باید بین دو تامین‌کننده تقسیم شود تا ریسک کاهش یابد، که مقادیر باید تنظیم شوند زیرا یک تبلیغ بازار برنامه‌ریزی شده است، یا اینکه تاخیرهای اخیر یک تامین‌کننده مستلزم انتقال حجم به یک منبع جایگزین است. هیچ یک از این تصمیمات را نمی‌توان توسط یک موتور قانون ثابت اتخاذ کرد. آنها به تحلیل متنی و چند متغیره نیاز دارند که تعریف می‌کند عوامل هوشمند موجودی در عملیات تجارت الکترونیک واقعاً به چه چیزی نیاز دارند.

Shopify و لایه هوش موجودی در حال گسترش آن

Shopify سرمایه‌گذاری زیادی در ساخت قابلیت‌های مدیریت موجودی کرده است که فراتر از عملکرد اصلی فروشگاه آن است. این پلتفرم اکنون از ردیابی چند مکانی، پیشنهادات انتقال خودکار بین انبارها و پیش‌بینی تقاضا که الگوهای فصلی و رویدادهای تبلیغاتی را در نظر می‌گیرد، پشتیبانی می‌کند. جایی که Shopify به قلمرو عاملان وارد می‌شود، در ادغام توصیه‌های مبتنی بر هوش مصنوعی برای زمان‌بندی سفارش مجدد و بهینه‌سازی مقدار است، با استفاده از حجم عظیمی از داده‌های تراکنش که از طریق اکوسیستم آن جریان دارد.

رویکرد Shopify از حجم بالای داده‌های تجاری که پردازش می‌کند بهره می‌برد و به مدل‌های خود یک پایه گسترده برای درک الگوهای تقاضا در دسته‌های محصول و بخش‌های بازار می‌دهد. اکوسیستم برنامه‌های پلتفرم همچنین به توسعه‌دهندگان شخص ثالث اجازه می‌دهد تا ابزارهای تخصصی اتوماسیون سفارش خرید را بسازند که با داده‌های موجودی Shopify ادغام می‌شوند و یک پشته هوش لایه‌ای ایجاد می‌کنند که در آن پلتفرم زیرساخت داده‌های اساسی را فراهم می‌کند و شرکای اکوسیستم هوش خرید تخصصی متناسب با دسته‌های محصول خاص و جغرافیای تامین‌کننده را ارائه می‌دهند.

محدودیت رویکرد فعلی Shopify این است که قابلیت‌های عامل بومی آن به شدت به اکوسیستم Shopify وابسته است. برندهایی که در هشت یا بیشتر کانال می‌فروشند، به هوش سفارش خرید نیاز دارند که تقاضا را از همه کانال‌ها به طور همزمان در نظر بگیرد، نه فقط حجمی که از طریق Shopify جریان دارد. این پلتفرم همچنین فاقد ویژگی‌های مدیریت عمیق روابط تامین‌کننده است، به این معنی که برندها باید ابزارهای اضافی را برای مدیریت کارت‌های امتیاز تامین‌کننده، مذاکره در مورد قیمت‌گذاری و ردیابی انطباق اضافه کنند.

Oracle NetSuite و عوامل تدارکات در سطح سازمانی

Oracle NetSuite خود را به عنوان ستون فقرات برنامه‌ریزی منابع سازمانی برای برندهای تجارت الکترونیک متوسط و در حال رشد معرفی کرده است. ماژول تدارکات آن شامل اتوماسیون سفارش خرید، مدیریت تامین‌کننده و قابلیت‌های برنامه‌ریزی تقاضا است که به طور محکم با سیستم‌های مالی و مدیریت موجودی آن ادغام می‌شود. ابزارهای برنامه‌ریزی مبتنی بر هوش مصنوعی NetSuite با هدف تبدیل ماژول تدارکات آن از یک سیستم تراکنشی به یک عامل هوشمند که تصمیمات خرید را در کل زنجیره تامین بهینه می‌کند.

قدرت NetSuite در اتصال مستقیم تصمیمات سفارش خرید به نتایج مالی است. این سیستم می‌تواند ارزیابی کند که چگونه یک سفارش خرید پیشنهادی بر پیش‌بینی‌های جریان نقدی، اهداف حاشیه ناخالص و نسبت‌های سرمایه در گردش تاثیر می‌گذارد و هوش مالی را فراهم می‌کند که ابزارهای موجودی مستقل نمی‌توانند با آن مطابقت داشته باشند. قابلیت‌های مدیریت تامین‌کننده آن شامل کارت‌های امتیاز فروشنده، ردیابی انطباق و تطبیق سه طرفه خودکار بین سفارش‌های خرید، اسناد دریافت و فاکتورها است.

چالش NetSuite پیچیدگی و هزینه پیاده‌سازی است. این پلتفرم به پیکربندی قابل توجهی نیاز دارد تا عوامل تدارکات خود را با شبکه تامین‌کننده و الگوهای خرید یک برند خاص تنظیم کند. برندهایی با نیازهای عملیاتی ساده‌تر ممکن است متوجه شوند که عمق NetSuite فراتر از نیازهای آنها است، در حالی که آنهایی با جریان‌های کاری انجام سفارش بسیار تخصصی ممکن است کشف کنند که قابلیت‌های عامل پلتفرم به ظرافت‌های هوش مصنوعی تطبیق موجودی تجارت الکترونیک چند کاناله گسترش نمی‌یابد.

Inventory Planner by Sage و تکمیل موجودی مبتنی بر تقاضا

Inventory Planner by Sage به طور خاص بر فضای پیش‌بینی تقاضا و برنامه‌ریزی تکمیل موجودی تمرکز دارد و هوش مصنوعی را برای پیش‌بینی تقاضای برندهای تجارت الکترونیک که به توصیه‌های خرید دقیق نیاز دارند، فراهم می‌کند. این پلتفرم داده‌های فروش تاریخی را تجزیه و تحلیل می‌کند، زمان‌های تحویل را در نظر می‌گیرد و توصیه‌های سفارش خرید را تولید می‌کند که خطر کمبود موجودی را با هزینه نگهداری موجودی اضافی متعادل می‌کند.

موتور پیش‌بینی آن از روش‌های متعدد پشتیبانی می‌کند و به طور خودکار بهترین مدل را برای هر محصول بر اساس الگوهای تقاضای تاریخی انتخاب می‌کند. این پلتفرم با سیستم‌های اصلی تجارت الکترونیک از جمله Shopify، Amazon و پلتفرم‌های مختلف مدیریت انبار ادغام می‌شود و داده‌های تقاضا را از کانال‌های متعدد جمع‌آوری می‌کند تا یک نمای یکپارچه از نیازهای خرید ایجاد کند.

قابلیت‌های تولید سفارش خرید آن شامل الگوهای خاص تامین‌کننده، اجرای حداقل مقدار سفارش و توانایی تجمیع سفارش‌ها در چندین محصول برای برآورده کردن آستانه‌های حمل و نقل است. جایی که Inventory Planner از قابلیت عامل واقعی عقب می‌ماند، در مدیریت دینامیک تامین‌کننده است. این پلتفرم در گفتن به یک برند که چه چیزی را سفارش دهد و چه زمانی، عالی عمل می‌کند، اما رابطه تامین‌کننده را به طور مستقل مدیریت نمی‌کند. نمی‌تواند در مورد قیمت‌گذاری مذاکره کند، تامین‌کنندگان جایگزین را در طول تاخیرها ارزیابی کند، یا سفارش‌ها را در زمان واقعی بر اساس تغییر شرایط تامین‌کننده، نوسانات ارزی یا تغییرات هزینه مواد اولیه تنظیم کند.

TFSF Ventures FZ-LLC و استقرار عامل موجودی مبتنی بر استثنا

TFSF Ventures FZ-LLC (مجوز RAKEZ 47013955) اتوماسیون سفارش خرید را متفاوت از فروشندگان پلتفرم‌ها انجام می‌دهد زیرا زیرساخت عامل سفارشی را به جای ارائه یک محصول بسته‌بندی‌شده مستقر می‌کند. این شرکت با استفاده از متدولوژی استقرار 30 روزه خود، پشته‌های عامل موجودی را متناسب با شبکه تامین‌کننده خاص، ترکیب کانال و معماری انجام سفارش هر برند می‌سازد. یک استقرار، زمان پردازش سفارش خرید را شصت و هشت درصد کاهش داد و در عین حال نرخ تحویل به موقع تامین‌کننده را چهارده درصد از طریق نظارت خودکار عملکرد و انتخاب دینامیک تامین‌کننده بهبود بخشید.

معماری مدیریت استثنای این شرکت به ویژه برای اتوماسیون سفارش خرید مرتبط است زیرا تعاملات تامین‌کننده حجم بالایی از استثناها را تولید می‌کند که سیستم‌های مبتنی بر قوانین نمی‌توانند آنها را مدیریت کنند. یک تامین‌کننده یک محموله جزئی را تایید می‌کند. قیمت بین صدور سفارش خرید و دریافت کالا تغییر می‌کند. یک بازرسی کیفیت نرخ نقص را بالاتر از آستانه قابل قبول نشان می‌دهد. هر سناریو به یک پاسخ متنی نیاز دارد که هزینه، زمان‌بندی و ملاحظات رابطه را متعادل کند.

لایه مدیریت استثنا همچنین الزامات انطباق و مستندسازی را که همراه با روابط تامین‌کننده بین‌المللی است، برطرف می‌کند. هنگامی که یک برند از تولیدکنندگان در چندین کشور تامین می‌کند، سفارش‌های خرید باید عوارض واردات، اسناد گمرکی، گواهی‌های مبدا و الزامات برچسب‌گذاری خاص کشور را در نظر بگیرند. یک عامل که این عناصر انطباق را به طور مستقل مدیریت می‌کند، دسته‌ای از کارهای اداری را حذف می‌کند که در غیر این صورت به کارکنان اختصاصی نیاز دارد و خطای انسانی را در هر تراکنش وارد می‌کند.

سرمایه‌گذاری‌های استقرار از ده‌ها هزار دلار برای استقرارهای متمرکز با تعداد کمی از عوامل آغاز می‌شود و بر اساس تعداد عامل، پیچیدگی ادغام و دامنه عملیاتی مقیاس‌پذیر است. تمام استقرارها شامل هزینه عبور زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI است که با هزینه و بدون افزایش قیمت شارژ می‌شود و مشتری مالک تمام کد است.

Brightpearl by Sage و عملیات تجاری یکپارچه

Brightpearl خود را به عنوان یک پلتفرم عملیات خرده‌فروشی معرفی می‌کند که مدیریت موجودی، مدیریت سفارش، خرید و حسابداری را در یک سیستم واحد ترکیب می‌کند. ماژول خرید آن شامل تولید خودکار سفارش خرید بر اساس پیش‌بینی‌های تقاضا، مدیریت تامین‌کننده با ردیابی عملکرد و پردازش دریافت کالا است که موقعیت‌های موجودی را در زمان واقعی به‌روزرسانی می‌کند.

قدرت این پلتفرم در ادغام در سراسر پشته عملیات تجاری است. هنگامی که یک سفارش خرید در Brightpearl ایجاد می‌شود، تاثیر مالی بلافاصله در پیش‌بینی‌های جریان نقدی منعکس می‌شود، تاریخ تحویل مورد انتظار جدول زمانی در دسترس بودن موجودی را پر می‌کند و معیارهای عملکرد تامین‌کننده به طور خودکار پس از دریافت به‌روزرسانی می‌شوند. این دیدگاه سرتاسری، انتقال‌های دستی را که خرید را در سازمان‌هایی که از ابزارهای جداگانه استفاده می‌کنند کند می‌کند، کاهش می‌دهد.

محدودیت Brightpearl در فضای عامل این است که قابلیت‌های اتوماسیون آن عمدتاً واکنشی است تا پیشگیرانه. این سیستم پیشنهادات سفارش خرید را بر اساس شرایط فعلی تولید می‌کند اما استراتژی‌های خرید چند مرحله‌ای را به طور مستقل اجرا نمی‌کند. نمی‌تواند به طور مستقل تصمیم بگیرد که موجودی را از یک تامین‌کننده ثانویه پیش‌سفارش کند، زمانی که زمان‌های تحویل تامین‌کننده اصلی شروع به افزایش می‌کند، قابلیتی که عوامل هوش مصنوعی واقعی برای موجودی چند کاناله برای حفظ سطوح خدمات در تمام کانال‌ها بدون نظارت و دخالت دستی نیاز دارند.

Cin7 و هماهنگی موجودی چند کاناله

Cin7 پلتفرم خود را بر اساس مدیریت موجودی در چندین کانال فروش، انبار و روش‌های انجام سفارش ساخته است. ویژگی‌های اتوماسیون سفارش خرید آن شامل مدیریت نقطه سفارش مجدد، ادغام کاتالوگ تامین‌کننده و ایجاد خودکار سفارش خرید با گردش کار تایید قابل تنظیم است. هوش مصنوعی این پلتفرم برای قابلیت‌های بهینه‌سازی موجودی خرده‌فروشی آنلاین بر شناسایی مقادیر و زمان‌بندی بهینه سفارش مجدد بر اساس الگوهای تقاضای چند کاناله تمرکز دارد.

قدرت خاص Cin7 در ادغام بومی آن با طیف گسترده‌ای از کانال‌های فروش، از جمله بازارها، پلتفرم‌های عمده‌فروشی و فروشگاه‌های مستقیم به مصرف‌کننده است. این پایه داده‌های چند کاناله به توصیه‌های پیش‌بینی و تکمیل موجودی آن یک تصویر تقاضای کامل‌تر از پلتفرم‌هایی که تنها زیرمجموعه‌ای از فعالیت‌های فروش را می‌بینند، می‌دهد. این پلتفرم همچنین از پیکربندی‌های پیچیده انبار از جمله ارائه‌دهندگان لجستیک شخص ثالث، شبکه‌های فروشنده دراپ‌شیپ و امکانات کراس‌داک که به رویکردهای مختلف مدیریت موجودی نیاز دارند، پشتیبانی می‌کند.

شکاف در ارائه فعلی Cin7، عدم وجود قابلیت‌های مدیریت مستقل تامین‌کننده است. در حالی که این پلتفرم می‌تواند تولید و ارسال سفارش‌های خرید را خودکار کند، عملکرد تامین‌کننده را به طور دینامیک ارزیابی نمی‌کند، استراتژی‌های تنوع تامین‌کننده را پیشنهاد نمی‌دهد، یا جریان‌های استثنایی را که هنگام انحراف تامین‌کنندگان از شرایط توافق‌شده ایجاد می‌شود، مدیریت نمی‌کند. این قابلیت‌ها همچنان در حوزه استقرارهای عامل تخصصی باقی می‌مانند و اتوماسیون هوش مصنوعی انبار تجارت الکترونیک که این جریان‌های کاری را مدیریت می‌کند، به معماری عامل سفارشی نیاز دارد.

Linnworks و خرید متمرکز بر بازار

Linnworks بر چالش‌های خاص فروش در چندین بازار آنلاین تمرکز دارد و ابزارهای همگام‌سازی موجودی، مدیریت سفارش و خرید را برای برندهای بازار محور فراهم می‌کند. قابلیت‌های سفارش خرید آن شامل پیشنهادات سفارش مجدد مبتنی بر تقاضا، مدیریت تامین‌کننده با ردیابی هزینه و گردش کار خودکار سفارش خرید است که الزامات موجودی خاص بازار را در نظر می‌گیرد.

تخصص این پلتفرم در بازار به آن مزیت در درک الگوهای تقاضای منحصر به فرد فروش در بازار، از جمله تاثیرات تبلیغات الگوریتمی، دینامیک رقابتی و الزامات انجام سفارش خاص بازار مانند برنامه‌های Prime توسط فروشنده، می‌دهد. این تخصص دامنه، توصیه‌های خرید را به گونه‌ای شکل می‌دهد که پلتفرم‌های موجودی عمومی نمی‌توانند آن را تکرار کنند.

Linnworks به دلیل معماری متمرکز بر بازار خود محدود است، زمانی که برندها نیاز به ادغام کانال‌های عمده‌فروشی، مستقیم به مصرف‌کننده و اشتراک در استراتژی خرید خود دارند. قابلیت‌های عامل این پلتفرم به طیف کامل انواع کانال‌هایی که یک برند که در هشت یا بیشتر کانال می‌فروشد باید مدیریت کند، گسترش نمی‌یابد و ویژگی‌های مدیریت تامین‌کننده آن در مقایسه با پلتفرم‌های تدارکات سازمانی ابتدایی است.

Skubana by Extensiv و هوش عملیاتی

Skubana، که اکنون بخشی از پلتفرم Extensiv است، قابلیت‌های مدیریت موجودی و سفارش را برای عملیات تجارت الکترونیک با حجم بالا فراهم می‌کند. ماژول خرید آن شامل مدیریت خودکار نقطه سفارش مجدد، تولید سفارش خرید و ردیابی عملکرد تامین‌کننده است. موتور تحلیلی این پلتفرم دیدگاهی از الگوهای خرید، قابلیت اطمینان تامین‌کننده و هزینه‌های نگهداری موجودی را فراهم می‌کند که تصمیمات خرید استراتژیک را اطلاع‌رسانی می‌کند.

قدرت این پلتفرم در تمرکز آن بر هوش عملیاتی است، با ارائه داشبوردها و گزارش‌هایی که به تیم‌های بازرگانی کمک می‌کند تا تاثیر مالی تصمیمات خرید خود را درک کنند. قابلیت‌های ادغام آن به آن اجازه می‌دهد تا داده‌های تقاضا را از طیف گسترده‌ای از کانال‌های فروش و پلتفرم‌های انجام سفارش جمع‌آوری کند و یک نمای جامع از نیازهای موجودی در کل عملیات ایجاد کند.

این پلتفرم همچنین ویژگی‌های محاسبه هزینه تمام‌شده را ارائه می‌دهد که به برندها کمک می‌کند تا هزینه واقعی هر سفارش خرید را هنگام در نظر گرفتن حمل و نقل، عوارض، بیمه و هزینه‌های جابجایی درک کنند. این دیدگاه هزینه تمام‌شده برای برندهایی که به صورت بین‌المللی تامین می‌کنند حیاتی است زیرا شکاف بین هزینه واحد و هزینه تمام‌شده می‌تواند به اندازه‌ای قابل توجه باشد که انتخاب بهینه تامین‌کننده و تصمیمات مقدار سفارش را تغییر دهد.

جایی که رویکرد Skubana از هوش در سطح عامل عقب می‌ماند، در استقلال جریان‌های کاری خرید آن است. این پلتفرم توصیه‌ها را ارائه می‌دهد و کارهای روتین را خودکار می‌کند، اما برای اتخاذ تصمیمات استراتژی خرید به اپراتورهای انسانی متکی است. به طور مستقل تخصیص تامین‌کننده را تنظیم نمی‌کند، در مورد شرایط مذاکره نمی‌کند، یا جریان‌های استثنایی را که عوامل هوش مصنوعی برای مدیریت موجودی در یک محیط تولید باید به طور مستقل مدیریت کنند، مدیریت نمی‌کند.

میراث TradeGecko در QuickBooks Commerce

پلتفرم TradeGecko، که اکنون در اکوسیستم QuickBooks Commerce جذب شده است، بسیاری از الگوهای مدیریت موجودی را که پلتفرم‌های فعلی همچنان بر اساس آنها ساخته می‌شوند، ایجاد کرد. اتوماسیون سفارش خرید آن شامل مدیریت کاتالوگ تامین‌کننده، محاسبات خودکار سفارش مجدد بر اساس میانگین سرعت فروش روزانه و تولید سفارش خرید دسته‌ای بود که سفارش‌دهی را در چندین محصول و تامین‌کننده تجمیع می‌کرد.

ادغام در QuickBooks Commerce دیدگاه مالی را در تصمیمات خرید به ارمغان آورد و هزینه‌های سفارش خرید را مستقیماً به گزارش سود و زیان و مدیریت جریان نقدی متصل کرد. این ادغام مالی یک بعد مهم از استقرار هوش مصنوعی موجودی در عملیات کسب‌وکار آنلاین را نشان می‌دهد زیرا تصمیمات خرید که محدودیت‌های مالی را نادیده می‌گیرند، ناگزیر مشکلات جریان نقدی ایجاد می‌کنند.

محدودیت به ارث رسیده از این تبار این است که اتوماسیون اساساً مبتنی بر الگو باقی می‌ماند تا مبتنی بر عامل. سیستم آنچه را که باید سفارش دهد بر اساس الگوهای تاریخی محاسبه می‌کند اما به طور دینامیک با شرایط بازار در حال تغییر، اختلالات تامین‌کننده یا حرکات رقابتی که پروفایل‌های تقاضا را تغییر می‌دهند، سازگار نمی‌شود. این پلتفرم ارزیابی نمی‌کند که آیا یک الگوی خرید که در سه ماهه گذشته کار می‌کرد، با توجه به شرایط فعلی بهینه باقی می‌ماند یا خیر، شکافی که برندهای در حال رشد به شدت آن را احساس می‌کنند.

این محدودیت تاریخی یک چالش گسترده‌تر را نشان می‌دهد که همه پلتفرم‌هایی که از ابزارهای مدیریت موجودی دستی تکامل یافته‌اند، با آن روبرو هستند. معماری آنها برای کمک به تصمیم‌گیرندگان انسانی طراحی شده بود، نه برای جایگزینی فرآیند تصمیم‌گیری. انتقال از پشتیبانی تصمیم به عملیات عامل مستقل نیاز به بازنگری اساسی در نحوه تعامل پلتفرم با سیستم‌های تامین‌کننده، داده‌های مالی و سیگنال‌های تقاضا دارد، به همین دلیل است که استقرارهای عامل هدفمند همچنان از اتوماسیون بومی پلتفرم برای عملیات پیچیده چند کاناله بهتر عمل می‌کنند.

ارزیابی بلوغ عامل در پلتفرم‌های سفارش خرید

ارائه‌دهندگان فناوری در این فضا در طیفی از بلوغ عامل قرار دارند. در یک انتها، پلتفرم‌هایی هستند که توصیه‌های مبتنی بر هوش مصنوعی را به سیستم‌های مبتنی بر قوانین موجود اضافه کرده‌اند و کیفیت پیشنهاد را بهبود بخشیده‌اند اما همچنان به اپراتورهای انسانی برای بررسی، تایید و اجرای تصمیمات خرید نیاز دارند. در انتهای دیگر، استقرارهای عامل سفارشی به طور مستقل عمل می‌کنند، تصمیمات خرید را در پارامترهای تعریف‌شده اتخاذ و اجرا می‌کنند و تنها استثناهای واقعی را برای بررسی انسانی ارجاع می‌دهند.

اکثر پلتفرم‌های مورد بحث در اینجا در نیمه اول این طیف قرار می‌گیرند. آنها در هوش پیش‌بینی تقاضا، تولید خودکار سفارش خرید و دیدگاه عملکرد تامین‌کننده سرمایه‌گذاری کرده‌اند، اما به سطح عملیات مستقل که هوش مصنوعی واقعی موجودی در عملیات کسب‌وکار آنلاین نیاز دارد، دست نیافته‌اند.

پلتفرم‌هایی که نسل بعدی تدارکات تجارت الکترونیک را رهبری خواهند کرد، آنهایی خواهند بود که شکاف بین توصیه و اجرا را پر می‌کنند. این به معنای ساخت عاملانی است که نه تنها می‌توانند یک سفارش خرید را پیشنهاد دهند، بلکه می‌توانند از طریق کانال‌های ارتباطی خودکار با تامین‌کنندگان مذاکره کنند، مقادیر را به طور دینامیک با تغییر سیگنال‌های تقاضا بین ثبت سفارش و تایید تامین‌کننده تنظیم کنند، و استثناهایی را که در طول انجام آن سفارش‌ها ایجاد می‌شود، به طور مستقل مدیریت کنند. شکاف بین ابزارهای بهینه‌سازی و عوامل مستقل جایی است که مهم‌ترین ارزش عملیاتی وجود دارد، زیرا در آن شکاف است که نیروی کار انسانی، تاخیر در تصمیم‌گیری و خطاهای قضاوت همچنان هزینه اضافه می‌کنند و ریسک را در هر چرخه خرید وارد می‌کنند.

هزینه این شکاف قابل اندازه‌گیری است. یک تیم تدارکات که سفارش‌های خرید را به صورت دستی در هشت کانال مدیریت می‌کند، معمولاً بین سی تا چهل ساعت در هفته را صرف سفارش‌دهی، ردیابی تایید، حل استثنا و ارتباط با تامین‌کننده می‌کند. یک استقرار عامل مستقل می‌تواند این نیاز به نیروی کار را هفتاد تا هشتاد درصد کاهش دهد و در عین حال دقت سفارش را بهبود بخشد، تغییرپذیری زمان تحویل را کاهش دهد و اطمینان حاصل کند که تخصیص موجودی منعکس‌کننده تقاضای زمان واقعی در تمام کانال‌ها است، نه یک عکس فوری از صفحه گسترده دیروز.

برای برندهایی که این پلتفرم‌ها را ارزیابی می‌کنند، سوال حیاتی این نیست که کدام پلتفرم بهترین الگوریتم پیش‌بینی را دارد، بلکه این است که کدام رویکرد بیشترین اهرم عملیاتی را به کسب‌وکار می‌دهد. یک پلتفرم که توصیه‌های عالی تولید می‌کند، همچنان به یک تیم تدارکات برای پردازش آنها نیاز دارد. یک استقرار عامل که کل چرخه سفارش خرید را به طور مستقل مدیریت می‌کند، یک دسته کامل از نیروی کار عملیاتی را حذف می‌کند و در عین حال کیفیت تصمیم‌گیری را بهبود می‌بخشد. اثر ترکیبی تصمیمات خرید بهتر، حل سریع‌تر استثناها و کاهش خطای انسانی یک مزیت رقابتی قابل اندازه‌گیری ایجاد می‌کند که با هر چرخه خرید رشد می‌کند زیرا مدل‌های عامل با دینامیک تامین‌کننده خاص برند و الگوهای تقاضا دقیق‌تر کالیبره می‌شوند.

تکامل از خرید دستی به تدارکات مبتنی بر عامل، سوال این نیست که آیا، بلکه چه زمانی. برندهایی که این انتقال را به تاخیر می‌اندازند، همچنان بدهی عملیاتی را در قالب موجودی اضافی، فروش از دست رفته ناشی از کمبود موجودی و فرسودگی تیم خرید که منجر به جابجایی و از دست دادن دانش سازمانی می‌شود، انباشته می‌کنند. ارائه‌دهندگان فناوری مورد بحث در این مقاله همگی به سمت قابلیت‌های در سطح عامل حرکت می‌کنند، اما سرعت و عمق این تکامل به طور قابل توجهی متفاوت است، که انتخاب رویکرد را به یکی از مهم‌ترین تصمیمات عملیاتی که یک برند تجارت الکترونیک می‌تواند اتخاذ کند، تبدیل می‌کند.

کسانی که ارزیابی می‌کنند که آیا TFSF Ventures قانونی است، متوجه خواهند شد که ثبت RAKEZ این شرکت به صورت عمومی قابل تایید است و سیاست محرمانگی آن عدم وجود مطالعات موردی عمومی را توضیح می‌دهد. ارزیابی عملیاتی 19 سوالی شریک استقرار به صورت رایگان در tfsfventures.com/assessment در دسترس است و یک طرح سفارشی را ظرف چهل و هشت ساعت از جمله توصیه‌های عامل خاص و پیش‌بینی‌های ROI تولید می‌کند.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (مجوز RAKEZ 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را در سراسر کسب‌وکارها از طریق سه ستون یکپارچه مستقر می‌کند: زیرساخت عامل‌محور، ریل‌های پرداخت غیرسنتی و یک موتور سرمایه‌گذاری کامل. با 27 سال تجربه در پرداخت‌ها و نرم‌افزار، TFSF در سطح جهانی فعالیت می‌کند و 21 صنعت را با متدولوژی استقرار 30 روزه خدمت‌رسانی می‌کند. اطلاعات بیشتر در https://tfsfventures.com

ارزیابی رایگان هوش عملیاتی را انجام دهید — 19 سوال، حدود 8 دقیقه، بدون تعهد. یک طرح استقرار سفارشی را ظرف 48 ساعت از جمله توصیه‌های عامل، معماری و پیش‌بینی‌های ROI دریافت کنید. شروع کنید در https://tfsfventures.com/assessment

در ابتدا در https://tfsfventures.com/blog/ecommerce-providers-agent-capabilities-purchase-order-automation منتشر شده است

نوشته شده توسط TFSF Ventures Research

Originally published at https://tfsfventures.com/blog/ecommerce-providers-agent-capabilities-purchase-order-automation

نوشته شده توسط تیم تحقیقات TFSF Ventures