تصمیمات هوش مصنوعی در موجودی کالا که برندهای تجارت الکترونیک با نرخ تکمیل 95 درصد را از برندهای غرق در سفارشات معوق تفکیک می‌کند

شکاف موجودی کالا که بقای تجارت الکترونیک را تعریف می‌کند

دو برند تجارت الکترونیک که محصولاتی تقریباً یکسان می‌فروشند، می‌توانند در یک سه‌ماهه نتایج مالی کاملاً متفاوتی را ثبت کنند. یکی نرخ تکمیل 95 درصدی دارد، ظرف چند ساعت کالا را ارسال می‌کند و نقدینگی را فقط در موجودی کالایی که واقعاً می‌تواند به فروش برساند، نگه می‌دارد. دیگری در انبوهی از سفارشات معوق غرق می‌شود، صف‌های بازپرداخت را تماشا می‌کند که بالا می‌رود و متوجه می‌شود نیمی از انبارش را کالاهایی اشغال کرده‌اند که هیچ‌کس با قیمت کامل نمی‌خواهد. تفاوت به ندرت در خود محصول است. تفاوت در تصمیمات موجودی کالایی است که هر ساعت توسط افراد، صفحات گسترده، یا به طور فزاینده‌ای، توسط مدیریت موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک گرفته می‌شود که سیگنال‌های تقاضا را قبل از اینکه تیم انسانی قهوه‌ی صبحانه‌اش را تمام کند، به سفارشات خرید تبدیل می‌کند.

چرا نرخ تکمیل به اهرم پنهان سود تبدیل شده است

نرخ تکمیل، درصد سفارشات مشتری است که از موجودی قابل دسترس، کامل و به موقع ارسال می‌شوند. این عملیاتی به نظر می‌رسد، اما از نظر مالی رفتار می‌کند. هر یک درصد بالاتر از نود به ارزش طول عمر مشتری، نرخ خرید مجدد و کاهش حجم پشتیبانی قابل اندازه‌گیری تبدیل می‌شود. هر یک درصد کمتر از نود، از طریق ارسال سریع، ارسال‌های تقسیم شده، پردازش بازپرداخت و آسیب خاموش مشتریانی که هرگز برای آزمایش اینکه آیا سفارش دوم بهتر خواهد بود یا خیر باز نمی‌گردند، حاشیه سود را از بین می‌برد.

برندهای تجارت الکترونیک که نرخ تکمیل 95 درصدی دارند، تقریباً هرگز از طریق استخدام برنامه‌ریزان بیشتر به آن دست نمی‌یابند. آنها از طریق حلقه‌های بازخورد محکم‌تر بین سرعت فروش، زمان‌بندی ورود کالا، واریانس زمان تحویل تامین‌کننده و محرک‌های سفارش مجدد به این هدف می‌رسند. سیستم‌های پیش‌بینی تقاضای مبتنی بر هوش مصنوعی برای تجارت الکترونیک، این حلقه‌ها را از چرخه‌های برنامه‌ریزی هفتگی به بازمحاسبات ساعتی فشرده می‌کنند. برندهایی که در چرخه‌های سفارش معوق گرفتار شده‌اند، معمولاً بر اساس پیش‌بینی‌های ماهانه ساخته شده در صفحات گسترده‌ای عمل می‌کنند که فقط زمانی به‌روزرسانی می‌شوند که کسی به یاد آورد تا جداول محوری را رفرش کند.

شکاف بین این دو گروه، استعداد نیست. این تأخیر بین وقوع یک سیگنال فروش و اتخاذ یک تصمیم برای تکمیل موجودی است. ابزارهای بهینه‌سازی موجودی مبتنی بر هوش مصنوعی این تأخیر را از روز به دقیقه کاهش می‌دهند، که کل بازی همین است.

تصمیم شماره یک موجودی کالا: پیش‌بینی در سطح SKU-کانال-مکان

برندهایی که نرخ تکمیل بالایی دارند، تقاضا را با دقت بسیار بالاتری نسبت به برندهایی که درگیر هستند، پیش‌بینی می‌کنند. یک پیش‌بینی با صفحه گسترده معمولاً کل واحدهای یک SKU را برای ماه آینده پیش‌بینی می‌کند. این عدد تقریباً همیشه اشتباه است زیرا میانگینی از هر کانال فروش، هر مکان تکمیل سفارش و هر وضعیت تبلیغاتی است که SKU ممکن است در آن قرار گیرد.

سیستم‌های پیش‌بینی تقاضای مبتنی بر هوش مصنوعی برای تجارت الکترونیک، تقاضا را در محل تقاطع SKU، کانال و انبار پیش‌بینی می‌کنند. آنها پیش‌بینی می‌کنند که چند واحد از یک سایه خاص در اندازه‌ای خاص، در فروشگاه Shopify برند و توسط انبار ساحل شرقی در یک هفته غیرتبلیغاتی فروخته خواهد شد و به طور جداگانه رفتار همان SKU را در Amazon FBA با یک Lightning Deal فعال پیش‌بینی می‌کنند. اینها الگوهای تقاضای کاملاً متفاوتی هستند و برخورد با آنها به عنوان یک عدد، باعث می‌شود برندها با کمبود موجودی در ساحل شرقی مواجه شوند، در حالی که انبارهای ساحل غربی با پالت‌های بدون استفاده روبرو هستند.

برندهایی که نرخ تکمیل 95 درصدی را حفظ می‌کنند، یا سیستم‌هایی ساخته‌اند یا خریده‌اند که به این جزئیات احترام می‌گذارند. برندهایی که در سفارشات معوق غرق شده‌اند، تقریباً به طور جهانی در سطحی از تجمیع پیش‌بینی می‌کنند که خود پیش‌بینی یک گلوگاه است.

تصمیم شماره دو موجودی کالا: در نظر گرفتن زمان تحویل به عنوان یک توزیع، نه یک عدد

بیشتر شکست‌های تکمیل موجودی به یک ساده‌سازی بیش از حد برمی‌گردد. برنامه‌ریزان از تامین‌کننده می‌پرسند که حمل و نقل چقدر طول می‌کشد، عددی مانند بیست و هشت روز را می‌گیرند و آن را در محاسبات سفارش مجدد وارد می‌کنند. واقعیت پیچیده‌تر است. همان تامین‌کننده ممکن است در فصول کند در بیست و دو روز و در طول سال نو چینی، ازدحام بندر یا کمبود کانتینر در چهل و یک روز تحویل دهد.

مدل‌های یادگیری ماشین برنامه‌ریزی موجودی مبتنی بر هوش مصنوعی، زمان تحویل را به عنوان یک توزیع احتمال در نظر می‌گیرند، نه یک تخمین نقطه‌ای. آنها الگوی واریانس را از رسیدهای تاریخی یاد می‌گیرند، ماه جاری، شرکت حمل‌ونقل، مسیر و حتی سیگنال‌های کلان مانند اضافه‌بهاهای سوخت را در نظر می‌گیرند. نقاط سفارش مجدد به تصمیمات سهام ایمنی تبدیل می‌شوند که با پروفایل ریسک واقعی هر تامین‌کننده کالیبره شده‌اند، نه با یک میانگین خوش‌بینانه که به محض بروز هر مشکلی شکست می‌خورد.

برندهایی که نرخ تکمیل بالای 95 درصد را حفظ می‌کنند، آنهایی هستند که سیستم‌هایشان بی‌سروصدا دو هفته پوشش اضافی برای تامین‌کننده‌ای اضافه کرده‌اند که کانتینرش در حال حاضر در خارج از لانگ بیچ منتظر است. برندهایی که در سفارشات معوق گرفتار شده‌اند، آنهایی هستند که صفحه گسترده‌شان هنوز بیست و هشت روز را نشان می‌دهد زیرا کسی آن را به‌روزرسانی نکرده است.

تصمیم شماره سه موجودی کالا: منطق تخصیص بین انباری

تجارت الکترونیک چند انباری، مشکل هماهنگی را ایجاد می‌کند که انسان‌ها نمی‌توانند آن را به صورت دستی در هر اندازه معناداری از کاتالوگ حل کنند. یک برند با سه مرکز تکمیل و چهار هزار SKU با دوازده هزار تصمیم مستقل برای انبارداری مواجه است که هر یک از آنها از طریق هزینه انتقال، موقعیت مشتری و اقتصاد منطقه حمل و نقل به یکدیگر متصل هستند. سیستم‌های مدیریت موجودی هوش مصنوعی چند انباری این بهینه‌سازی را به طور مداوم اجرا می‌کنند تا در طول چرخه‌های برنامه‌ریزی فصلی.

این تصمیم به ندرت فقط در مورد این است که موجودی را کجا قرار دهیم. بلکه در مورد زمان انتقال موجودی فعلی بین مکان‌ها برای جلوگیری از کمبود موجودی در یک منطقه در حالی که مازاد در منطقه دیگر بیکار است. برندهایی که نرخ تکمیل قوی دارند، سیستم‌هایی دارند که پیشنهادات انتقال را قبل از اینکه کسی متوجه عدم تعادل شود، ارائه می‌دهند. برندهایی که در سفارشات معوق گرفتار شده‌اند، معمولاً موجودی را فقط پس از اینکه درخواست‌های پشتیبانی نشان می‌دهد که مشتریان در یک منطقه خاص نمی‌توانند آنچه را که می‌خواهند دریافت کنند، منتقل می‌کنند.

محاسبات همچنین شامل هزینه‌های حمل و نقل منطقه-حامل می‌شود. بهینه‌سازی که اقتصاد حمل و نقل منطقه چهار در مقابل منطقه هشت را نادیده می‌گیرد، موجودی را به گونه‌ای مسیریابی می‌کند که نرخ تکمیل را حفظ کند اما حاشیه سود را از بین ببرد. سیستم‌های تحلیلی موجودی هوش مصنوعی که برندهای DTC استفاده می‌کنند، اقتصاد منطقه را در منطق تخصیص لحاظ می‌کنند تا موجودی به جایی برسد که ارزان‌ترین هزینه حمل و نقل را برای مشتریانی که واقعاً آن را می‌خرند، داشته باشد.

تصمیم شماره چهار موجودی کالا: تکمیل موجودی بر اساس موقعیت موجودی، نه موجودی در دسترس

یک حالت شکست شگفت‌آور رایج، سفارش مجدد فقط بر اساس آنچه امروز در انبار موجود است، می‌باشد. محرک صحیح، موقعیت موجودی است که واحدهای موجود، واحدهای قبلاً سفارش داده شده از تامین‌کنندگان، واحدهای در حال حمل و نقل و واحدهای تعهد شده برای سفارشات مشتری ارسال نشده را جمع می‌کند. برنامه‌ریزان صفحه‌گسترده اغلب بخش‌های در حال حمل و تعهد شده را فراموش می‌کنند، که بسته به نحوه شیوع خطا، منجر به سفارش بیش از حد یا کمبود موجودی می‌شود.

سیستم‌های اتوماسیون تکمیل موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک، موقعیت موجودی را به طور مداوم محاسبه می‌کنند و سفارشات خرید را فقط زمانی که موقعیت به زیر یک هدف کاهش می‌یابد که توزیع زمان تحویل، پیش‌بینی تقاضا و سطح خدمات مورد نظر را منعکس می‌کند، راه‌اندازی می‌کنند. محرک به طور خودکار فعال می‌شود، پیش‌نویس سفارش خرید تولید می‌شود و خریدار به جای محاسبه از ابتدا، آن را بررسی و تأیید می‌کند.

برندهایی که نرخ تکمیل 95 درصدی دارند، خریدارانی دارند که روز خود را صرف تأیید و مذاکره می‌کنند. برندهایی که در سفارشات معوق گرفتار شده‌اند، خریدارانی دارند که روز خود را صرف تطبیق صفحه‌گسترده‌ها و کشف خطاها پس از واقعیت می‌کنند.

تصمیم شماره پنج موجودی کالا: شناسایی کالاهای راکد قبل از تبدیل شدن به کالای مرده

کالای راکد به ندرت یک اتفاق ناگهانی است. با کاهش سرعت فروش یک SKU، موجودی به آرامی انباشته می‌شود. برندهایی که این موضوع را زودتر تشخیص می‌دهند، می‌توانند سفارشات خرید را کاهش دهند، تبلیغات هدفمند اجرا کنند یا موجودی را به کانال‌های اوتلت هدایت کنند قبل از اینکه تخفیف‌ها تنها گزینه شوند. مدل‌های پیش‌بینی کالای راکد مبتنی بر هوش مصنوعی، کاهش سرعت را هفته‌ها قبل از اینکه یک برنامه‌ریز آن را در یک گزارش متوجه شود، شناسایی می‌کنند.

سیگنال معمولاً ترکیبی از کاهش نرخ فروش، افزایش روزهای پوشش، افزایش نرخ بازگشت و تغییر حجم جستجو در فروشگاه است. مدل‌هایی که هر چهار سیگنال را با هم نظارت می‌کنند، SKUهایی را که به سمت کالای راکد می‌روند، در حالی که هنوز زمان برای اقدام وجود دارد، شناسایی می‌کنند. مدل‌هایی که فقط یک سیگنال را نظارت می‌کنند، معمولاً مشکل را پس از اینکه تقویم تخفیف قبلاً ضرر را جذب کرده است، رفع می‌کنند.

برندهایی که نرخ تکمیل قوی دارند، به ندرت کالای راکد قابل توجهی دارند زیرا سیستم‌هایشان مشکل را به موقع شناسایی کرده‌اند تا از ضرر جلوگیری کنند. برندهایی که در سفارشات معوق گرفتار شده‌اند، اغلب مشکل کالای راکد را نیز دارند که در کنار مشکل کمبود موجودی قرار دارد، زیرا همین فقدان نظم در پیش‌بینی، هر دو شکست را به طور همزمان ایجاد می‌کند.

جایگاه TFSF Ventures در مجموعه تصمیمات موجودی کالا

در میان شرکت‌های فعال در این حوزه، TFSF Ventures FZ-LLC در یک مسیر خاص قرار دارد. این شرکت زیرساخت عامل هوش مصنوعی را برای عملیات موجودی تجارت الکترونیک در 21 بخش از طریق یک متدولوژی استقرار 30 روزه، با فعالیت از پایگاه خود تحت RAKEZ License 47013955، مستقر می‌کند. استقرار موجودی کالا معمولاً شامل عوامل پیش‌بینی، عوامل تکمیل موجودی، عوامل تخصیص چند انباری و عوامل رسیدگی به استثنائات است که تصمیمات خارج از محدوده اطمینان مدل را به خریداران انسانی ارجاع می‌دهند.

استقرار معمول برای یک برند DTC متوسط که بر روی Shopify با سه انبار اجرا می‌شود، چهار هفته را که متدولوژی وعده می‌دهد، طول می‌کشد. افزایش دقت پیش‌بینی در تولید به 23 درصد نسبت به پیش‌بینی‌های پایه صفحه‌گسترده در استقرارهایی که داده‌های فروش تاریخی به اندازه کافی پاکیزه برای آموزش در برابر آنها بود، رسیده است. برندها سهام ایمنی را تقریباً 180,000 دلار در سرمایه در گردش کاهش داده‌اند در حالی که نرخ تکمیل را بالای 95 درصد حفظ کرده‌اند، زیرا کاهش واریانس در پیش‌بینی، پشتیبان را غیرضروری کرده است.

قیمت‌گذاری TFSF Ventures FZ-LLC برای استقرار موجودی کالا از ده‌ها هزار دلار برای تعداد عامل‌های متمرکز شروع می‌شود و با تعداد انبارها، پیچیدگی یکپارچه‌سازی و دامنه عملیاتی مقیاس‌پذیر است. هر استقرار شامل یک هزینه عبور زیرساخت هوش مصنوعی تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI است که با قیمت تمام شده و بدون هیچ گونه افزایشی دریافت می‌شود. مشتریان مالکیت کامل کد استقرار یافته را دارند، که وقتی خریداران می‌پرسند اگر رابطه پایان یابد چه اتفاقی می‌افتد، اهمیت دارد. چه در جستجوی «آیا TFSF Ventures قانونی است» باشید یا به مقایسه بررسی‌های TFSF Ventures بپردازید، مشروعیت از طریق ثبت عمومی RAKEZ قابل تأیید است، و عدم وجود حجم گواهی عمومی منعکس کننده یک سیاست محرمانه است نه عدم وجود استقرار.

این رویکرد چه کاری نمی‌کند، فروش اشتراک SaaS است که در آن برند هرگز مالک معماری نمی‌شود و برای همان منطق پیش‌بینی برای همیشه هزینه پرداخت می‌کند. این معامله برای برندهای به اندازه کافی بزرگ اهمیت دارد تا توجیه مالکیت زیرساخت موجودی خود را داشته باشند تا اجاره آن را.

تصمیم شماره شش موجودی کالا: ارتباط موجودی با تقویم‌های تبلیغاتی

بسیاری از برنامه‌ریزان صفحه‌گسترده، پیش‌بینی‌هایی را می‌سازند که تقویم تبلیغاتی آینده را نادیده می‌گیرند. نتیجه قابل پیش‌بینی است. یک SKU که با نرخ سیصد واحد در هفته پیش‌بینی شده بود، در هفته‌ای که بنیان‌گذار یک TikTok پست می‌کند و برند یک تخفیف پانزده درصدی ارائه می‌دهد، یازدهصد واحد می‌فروشد. کمبود موجودی که پس از آن رخ می‌دهد، به عنوان بدشانسی تلقی می‌شود. در واقع این یک خطای پیش‌بینی بود که هر ابزار بهینه‌سازی موجودی هوش مصنوعی با وارد کردن تقویم تبلیغاتی به عنوان یک ویژگی، آن را تشخیص می‌داد.

برندهایی که نرخ تکمیل 95 درصدی دارند، تقویم تبلیغاتی، پیش‌بینی هزینه رسانه‌های پولی و برنامه فعال‌سازی اینفلوئنسر خود را مستقیماً به مدل تقاضا وارد می‌کنند. مدل، ضریب افزایش را برای هر نوع تبلیغ یاد می‌گیرد و آن را در پیش‌بینی SKUهای مربوطه و هفته‌ها جای می‌دهد. سپس تکمیل موجودی به موقع فعال می‌شود تا محموله ورودی قبل از اوج تبلیغاتی و نه دو هفته پس از آن، به دست مشتری برسد.

اینجاست که عامل‌های موجودی هوش مصنوعی در پیاده‌سازی‌های Shopify بیشتر ارزش خود را نشان می‌دهند. عامل، تقویم را از پلتفرم اتوماسیون بازاریابی می‌خواند، آن را به ضرایب افزایش در سطح SKU نگاشت می‌کند، پیش‌بینی را به‌روزرسانی می‌کند و نقطه سفارش مجدد را بدون اینکه برنامه‌ریزی صفحه‌گسترده را لمس کند، تنظیم می‌کند. برندهایی که هنوز این کار را به صورت دستی انجام می‌دهند، آنهایی هستند که عملکرد جمعه سیاهشان به این بستگی دارد که برنامه‌گذار قبل از اعلام کمپین توسط تیم بازاریابی، قهوه خود را بنوشد.

تصمیم شماره هفت موجودی کالا: سطح خدمات بر اساس درجه SKU، نه میانگین کاتالوگ

داشتن یک سطح خدمات یکنواخت 99 درصدی در سراسر کاتالوگ، از نظر ریاضی گران‌قیمت و از نظر عملی غیرضروری است. برندهایی که نرخ تکمیل بالایی دارند، SKUs را بر اساس سهم حاشیه سود، نقش جذب مشتری و قابلیت جایگزینی به دسته‌هایی تقسیم می‌کنند. SKUs قهرمان که جذب پولی را هدایت می‌کنند، ممکن است 98 درصد خدمات را توجیه کنند. SKUs دم‌دراز که مشتریان تحمل جایگزینی آنها را دارند، ممکن است با 90 درصد اجرا شوند.

ابزارهای بهینه‌سازی موجودی هوش مصنوعی، سطح خدمات بهینه را برای هر SKU بر اساس تعادل بین هزینه نگهداری و هزینه کمبود موجودی محاسبه می‌کنند. نتیجه، یک پایه موجودی است که دقیقاً در جایی که بازگشت سرمایه دارد، پشتیبانی اضافی را نگه می‌دارد و دقیقاً در جایی که پشتیبانی اضافی به هدر می‌رود، با موجودی کم کار می‌کند. برنامه‌ریزان صفحه‌گسترده تقریباً همیشه کالاهای دم‌دراز را بیش از حد موجود و کالاهای قهرمان را کمتر از حد موجود نگه می‌دارند، زیرا صفحه‌گسترده با هر SKU به یک شکل رفتار می‌کند.

برندهایی که در سفارشات معوق گرفتار شده‌اند، اغلب در مجموع موجودی زیادی دارند. موجودی فقط به SKUs اشتباه با سطوح خدمات اشتباه تخصیص داده شده است. راه حل، خرید بیشتر موجودی نیست. راه حل، تخصیص مجدد بودجه خرید در سراسر کاتالوگ بر اساس اینکه هر دلار از پشتیبانی در کجا واقعاً نرخ تکمیل را بهبود می‌بخشد، می‌باشد.

تصمیم شماره هشت موجودی کالا: خودکارسازی تصمیمات خسته‌کننده، ارجاع تصمیمات دشوار

یک تصور غلط رایج این است که استقرار هوش مصنوعی در موجودی کالا قصد دارد خریداران انسانی را از حلقه خارج کند. برندهایی که واقعاً نرخ تکمیل 95 درصدی دارند، کار متفاوتی انجام می‌دهند. آنها تصمیمات روتین را که تقریباً 80 درصد از کل حجم تصمیم‌گیری را تشکیل می‌دهند، خودکار می‌کنند و 20 درصد دشوار را با زمینه کامل به خریداران ارشد ارجاع می‌دهند.

برندهای DTC که از تحلیل موجودی هوش مصنوعی استفاده می‌کنند، دشواری هر تصمیم را در زمان واقعی رتبه‌بندی می‌کنند. یک سفارش مجدد استاندارد برای یک SKU پایدار با تقاضای قابل پیش‌بینی به طور خودکار انجام می‌شود. یک وضعیت غیرعادی، مانند عرضه SKU جدید، اندازه متوقف شده، یا تامین‌کننده‌ای که دو بار به طور متوالی اهداف زمان تحویل را از دست داده است، به همراه توصیه مدل، فاصله اطمینان و دلیل ارجاع، به یک خریدار ارجاع داده می‌شود.

این تقسیم کار به یک تیم خرید سه نفره اجازه می‌دهد تا کاتالوگی را اداره کند که قبلاً به یک تیم نه نفره نیاز داشت. خریداران توجه خود را بر روی تصمیماتی متمرکز می‌کنند که واقعاً به قضاوت نیاز دارند، نه تصمیمات روتینی که فقط به اجرا نیاز دارند. برندهایی که در سفارشات معوق گرفتار شده‌اند، معمولاً خریدارانشان بیشتر هفته خود را صرف سفارشات مجدد روتین می‌کنند و تقریباً هیچ زمانی را صرف تصمیمات استراتژیکی نمی‌کنند که واقعاً نرخ تکمیل سه‌ماهه بعدی را تعیین می‌کنند.

دو گروه در عمل چگونه به نظر می‌رسند

برندهایی که نرخ تکمیل 95 درصدی دارند، الگوی عملیاتی قابل تشخیصی را به اشتراک می‌گذارند. پیش‌بینی‌ها روزانه به‌روز می‌شوند. نقاط سفارش مجدد ساعتی بازمحاسبه می‌شوند. خریداران به جای محاسبه، تأیید می‌کنند. تقویم‌های تبلیغاتی به طور خودکار به مدل وارد می‌شوند. سطوح خدمات بر اساس ردیف SKU متفاوت است. تخصیص چند انباری به طور مداوم اجرا می‌شود. موجودی راکد شش هفته قبل از اینکه راکد شود، پرچم‌گذاری می‌شود. تامین‌کنندگان بر اساس واریانس زمان تحویل ردیابی می‌شوند، نه فقط میانگین زمان تحویل.

برندهایی که در سفارشات معوق غرق شده‌اند، الگوی به همان اندازه قابل تشخیصی را به اشتراک می‌گذارند. پیش‌بینی‌ها ماهانه در صفحه‌گسترده‌ای به‌روز می‌شوند که هیچ‌کس به طور کامل به آن اعتماد ندارد. نقاط سفارش مجدد ثابت هستند و زمانی تعیین شده‌اند که برند نصف اندازه فعلی خود بود. خریداران بیشتر روز خود را صرف ورود داده می‌کنند. تقویم تبلیغاتی در یک سند Notion زندگی می‌کند که خریدار پس از ارسال ایمیل از آن مطلع می‌شود. سطوح خدمات برای هر SKU یکسان است. تخصیص چند انباری هر چیزی است که مدیر عملیات در بعدازظهرهای جمعه تصمیم می‌گیرد. موجودی راکد در طول شمارش فیزیکی سالانه کشف می‌شود.

شکاف زیرساختی بین این دو گروه همان چیزی است که مدیریت موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک در نهایت حل می‌کند. بستن این شکاف در وهله اول یک خرید نرم‌افزاری نیست. این یک توالی از تصمیمات در مورد چگونگی طراحی مجدد مدل عملیاتی موجودی بر اساس سیگنال‌های داده‌ای مداوم به جای برنامه‌ریزی ماهانه دسته‌ای است.

سوال «ساختن یا خریدن» که اکثر برندها اشتباه متوجه می‌شوند

برندهایی که سیستم‌های موجودی هوش مصنوعی را ارزیابی می‌کنند، اغلب انتخاب را به عنوان ساختن در مقابل خریدن مطرح می‌کنند. اما انتخاب واقعی بیشتر شبیه استقرار در مقابل اشتراک است. خرید یک پلتفرم موجودی SaaS، برند را به مدل پیش‌بینی فروشنده، انتخاب‌های یکپارچه‌سازی و افزایش قیمت محدود می‌کند. استقرار زیرساخت عامل که برند مالک آن است، همان نتایج عملیاتی را بدون قفل شدن ایجاد می‌کند.

معامله در تلاش اولیه است. پلتفرم‌های SaaS سریع‌تر فعال می‌شوند اما هزینه خود را در طول سال‌هایی که برند از آنها استفاده می‌کند، افزایش می‌دهند. استقرارهای مالکانه به کار یکپارچه‌سازی اولیه نیاز دارند اما پس از فعال شدن، هزینه‌های اشتراک را جمع نمی‌کنند. برای برندهایی با درآمد سالانه بالای تقریباً پانزده میلیون دلار، این محاسبات معمولاً به نفع مالکیت زیرساخت است. در زیر این آستانه، SaaS اغلب فقط به دلیل زمان رسیدن به ارزش برنده می‌شود.

برندهایی که نرخ تکمیل 95 درصدی دارند، معمولاً مدل استقرار مناسب با مقیاس خود را انتخاب کرده‌اند، نه مدلی که بلندترین فروشنده توصیه کرده است. برندهایی که در سفارشات معوق گرفتار شده‌اند، اغلب هزینه یک پلتفرم SaaS را می‌پردازند که پیش‌بینی‌هایش بهتر از صفحه‌گسترده قدیمی آنها نیست، زیرا پلتفرم بر اساس راحتی فروخته شده و نه کیفیت پیش‌بینی.

بستن شکاف: مسیر شش ماهه از سفارشات معوق تا نرخ تکمیل

اکثر برندهایی که از سفارشات معوق مزمن به نرخ تکمیل 95 درصد می‌رسند، یک سال طول نمی‌کشد. آنها تقریباً شش ماه طول می‌کشد، با تمرکز ماه اول بر پاکسازی داده‌های فروش تاریخی، ماه دوم بر یکپارچه‌سازی تاریخچه زمان تحویل تامین‌کننده، ماه سوم بر استقرار مدل پیش‌بینی، ماه چهارم بر تنظیم بخش‌بندی سطح خدمات، ماه پنجم بر خودکارسازی جریان‌های تأیید سفارش مجدد و ماه ششم بر ارتباط تقویم تبلیغاتی با مدل.

مرحله پاکسازی همان مرحله‌ای است که برندها بیشتر اوقات از آن می‌گذرند و بیشتر اوقات پشیمان می‌شوند. مدل‌های پیش‌بینی تقاضای مبتنی بر هوش مصنوعی برای تجارت الکترونیک که بر روی داده‌های کثیف آموزش دیده‌اند، پیش‌بینی‌هایی تولید می‌کنند که پیچیده به نظر می‌رسند اما اشتباه هستند. طبقه‌بندی بازگشت‌ها، مدیریت SKUهای بسته‌بندی‌شده، برخورد با دوره‌های تبلیغاتی و حذف تکراری داده‌های سفارش، همگی بیش از انتخاب الگوریتم پیش‌بینی اهمیت دارند.

برندهایی که ماه اول را صرف این کار پاکسازی می‌کنند، به طور مداوم اهداف نرخ تکمیل خود را در بازه شش ماهه برآورده می‌کنند. برندهایی که از آن می‌گذرند، معمولاً ماه‌های چهارم تا ششم را صرف اشکال‌زدایی خطاهای پیش‌بینی می‌کنند که به داده‌هایی برمی‌گردد که هرگز در وهله اول پاکسازی نکرده‌اند.

یک نکته پایانی درباره بهداشت داده به عنوان تمایز واقعی

برندهایی که نرخ تکمیل 95 درصدی دارند، تقریباً به طور جهانی مدل پیش‌بینی خود را هنگام پرسش در مورد آنچه تفاوت را ایجاد کرده است، معتبر می‌دانند. پاسخ صادقانه معمولاً کار بهداشت داده است که قبل از مدل انجام شده است. پاکسازی طبقه‌بندی بازگشت‌ها، استانداردسازی ویژگی‌های SKU، نرمال‌سازی دوره‌های تبلیغاتی و تطبیق داده‌های سفارش در سطح کانال، وظایف ناخوشایندی هستند که تعیین می‌کنند آیا هر استقرار مدیریت موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک واقعاً کار می‌کند یا خیر. برندهایی که مایلند ماه اول را صرف این پایه و اساس کنند، از برندهایی که از آن سریع می‌گذرند، صرف نظر از اینکه در نهایت کدام الگوریتم پیش‌بینی را انتخاب می‌کنند، بهتر عمل می‌کنند. مدل اعتبار را به دست می‌آورد. بهداشت داده کار را انجام می‌دهد. برندهایی که این را زود تشخیص می‌دهند، ابتدا در زیرساخت داده خود سرمایه‌گذاری می‌کنند، سپس در مدل خود و سپس در داشبوردهای خود. برندهایی که این ترتیب را معكوس می‌کنند، یک سال را صرف اشکال‌زدایی مسائلی می‌کنند که کار بهداشت داده در ماه اول آنها را از بین می‌برد.

درباره TFSF Ventures

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

ارزیابی رایگان هوش عملیاتی را انجام دهید

ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال کوتاه درباره کسب‌وکارتان پاسخ دهید. در عرض 24 تا 48 ساعت یک طرح کلی استقرار هوش مصنوعی سفارشی شامل توصیه‌های عامل، معماری و یک نقشه راه خاص برای عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. شروع کنید در: https://tfsfventures.com/assessment

Originally published at https://tfsfventures.com/blog/the-ai-inventory-decisions-that-separate-e-commerce-brands-holding-95-percent-fill

Written by TFSF Ventures Research