شش لایه گردش کار موجودی که هر برند تجارت الکترونیک قبل از استقرار کامل مدیریت موجودی مبتنی بر هوش مصنوعی به آنها نیاز دارد
شش لایه گردش کار برای برندهای تجارت الکترونیک قبل از استقرار کامل مدیریت موجودی مبتنی بر هوش مصنوعی بدون ایجاد اختلال در عملیات تولید.
اکثر استقرارهای شکستخورده هوش مصنوعی در مدیریت موجودی یک علت ریشهای مشترک دارند. برندها قبل از اینکه زیرساخت عملیاتی اساسی بتواند از آن پشتیبانی کند، به لایه مدلسازی پرش کردهاند. مدیریت موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک تنها زمانی کار میکند که شش لایه گردش کار خاص در مرحله تولید فعال باشند، و تلاش برای استقرار عوامل هوش مصنوعی بر روی پایههای شکسته، پیشبینیهایی را تولید میکند که پیچیده به نظر میرسند و به محض اعتماد به آنها، عملیات را مختل میکنند. این متدولوژی شش لایه را به ترتیبی که باید ساخته شوند، توضیح میدهد و علت شکست کامل استقرار در عرض شصت تا نود روز را در صورت نادیده گرفتن هر یک از آنها شرح میدهد.
لایه اول: بهداشت دادههای اصلی و SKU
لایه بنیادی که اکثر برندها تصور میکنند قبلاً آن را حل کردهاند و تقریباً هیچکدام واقعاً آن را حل نکردهاند. کیفیت دادههای اصلی تعیین میکند که آیا هر لایه بالاتر از آن خروجی مفیدی تولید میکند یا به طور گسترده زباله تولید میکند، و برند معمولی که وارد یک استقرار هوش مصنوعی میشود، دارای دادههای SKU ناقص، ناسازگار و متناقض در سیستمها است.
بررسی اولیه که باید انجام شود، بیرحمانه اما ضروری است. هر SKU فعال به ابعاد دقیق، وزن، زمان تحویل تامینکننده، حداقل مقدار سفارش تامینکننده، پیکربندی بسته بندی و هزینه تمام شده نیاز دارد. اکثر برندها متوجه میشوند که بیست تا چهل درصد از کاتالوگ فعال آنها حداقل یکی از این فیلدها را ندارد یا اشتباه است، و این اشتباه در هر محاسبه پاییندستی منتشر میشود.
ادغام SKU گام بعدی است. برندهایی که از طریق اکتساب، گسترش کانال یا گسترش خط تولید رشد کردهاند، تمایل دارند SKUهای تکراری را که نماینده همان محصول فیزیکی با شناسههای مختلف هستند، انباشته کنند. ادغام این موارد تکراری کار خستهکنندهای است، اما عدم ادغام، پیشبینی تقاضا را عملاً غیرممکن میکند زیرا تقاضا برای یک محصول در چندین رکورد تقسیم میشود.
تعاریف بستهها و کیتها نیاز به منطق تجزیه صریح دارند. یک SKU بسته که به عنوان سه SKU جزئی ارسال میشود، باید در دادههای اصلی به گونهای تعریف شود که تقاضا برای بسته، تقاضا برای اجزا را تولید کند، و موجودی اجزا، در دسترس بودن بسته را تعیین کند. برندهایی که این کار را در صفحات گسترده یا حافظه برنامهریز انجام میدهند، به ناچار تصمیمات موجودی را تولید میکنند که محدودیتهای واقعی اجزا را نادیده میگیرند.
خروجی لایه اول یک لایه داده اصلی تمیز است که در آن هر SKU دارای تمام ویژگیهای مورد نیاز است، موارد تکراری ادغام شدهاند، و روابط بسته بندی صریح هستند. این لایه بسته به اندازه کاتالوگ و وضعیت اولیه، بین دو تا هشت هفته کار متمرکز طول میکشد، و نادیده گرفتن آن رایجترین علت استقرارهای شکستخورده هوش مصنوعی است.
لایه دوم: پاکسازی سوابق فروش و درمان ناهنجاریها
لایه دوم به دادههای فروش تاریخی میپردازد که مدلهای پیشبینی تقاضای تجارت الکترونیک مبتنی بر هوش مصنوعی بر اساس آنها آموزش خواهند دید. سوابق فروش خام از هر پلتفرم تجارت الکترونیک حاوی ناهنجاریهایی است که هر مدل پیشبینی که بدون تصحیح بر اساس آنها آموزش دیده باشد را گمراه خواهد کرد، و برندهایی که این کار را نادیده میگیرند پیشبینیهایی را تولید میکنند که هر اشتباه عملیاتی که تاکنون مرتکب شدهاند را تداوم میبخشند.
دورههای کمبود موجودی باید شناسایی شوند و تقاضا برای آن دورهها بازسازی شود. یک SKU که به مدت سه هفته در انبار موجود نبوده است، فروش صفر را در آن بازه زمانی نشان میدهد، و یک مدل پیشبینی که این صفرها را به عنوان تقاضای واقعی تلقی کند، به طور سیستماتیک SKU را برای همیشه کمتر از حد پیشبینی خواهد کرد. بازسازی نیاز به شناسایی دورههای کمبود موجودی از تصاویر موجودی و تخمین تقاضای احتمالی بر اساس سرعت فروش قبل از کمبود موجودی و پس از بازگشت موجودی دارد.
ناهنجاریهای تبلیغاتی نیاز به برچسبگذاری صریح دارند. یک SKU که در طی یک فروش ویژه، پنج برابر حجم عادی خود را فروخته است، تقاضای پایه را نشان نمیدهد، و مدلهای پیشبینی باید بدانند که این افزایش ناشی از تبلیغات بوده است، نه اینکه آن را در محاسبات روند شامل کنند. اکثر پلتفرمها نمیتوانند این کار را به طور خودکار انجام دهند، بنابراین برچسبگذاری دستی یا شناسایی مبتنی بر قانون مورد نیاز است.
بازگشتها و بازپرداختها نیاز به مدیریت پاکیزه دارند. فروش ناخالص منهای بازگشتها، تقاضای خالص را تولید میکند، اما زمانبندی بازگشتها نسبت به فروش اصلی برای اهداف پیشبینی اهمیت دارد. مدلهای آموزشدیده بر روی تقاضای خالص در تاریخ سفارش، نتایج متفاوتی نسبت به مدلهای آموزشدیده بر روی تقاضای ناخالص با بازگشتهای جداگانه، تولید میکنند، و انتخاب صحیح بستگی به مورد استفاده عملیاتی دارد.
پاکسازی خاص کانال نیز ضروری است. سفارشات عمدهفروشی، تبلیغات بازار آنلاین، خریدهای عمده B2B و تقاضای خردهفروشی مستقیم به مصرفکننده (DTC) همگی به طور متفاوتی عمل میکنند و اغلب باید به طور جداگانه پیشبینی شوند. ترکیب آنها در یک تاریخچه فروش واحد، الگوهای سطح کانال را که مدل پیشبینی باید یاد بگیرد، مبهم میکند.
لایه سوم: مدلسازی زمان تحویل و قابلیت اطمینان تامینکننده
لایه سوم به جنبه تامینکننده معادله موجودی میپردازد، که اکثر برندها آن را به عنوان یک پارامتر ثابت در نظر میگیرند، در حالی که باید به عنوان یک توزیع احتمالی مدلسازی شود. زمانهای تحویل واقعی بر اساس تامینکننده، SKU، فصل، اندازه سفارش و شرایط خارجی متفاوت است، و تصمیمات موجودی که بر اساس میانگین زمانهای تحویل گرفته میشوند، کمبودهایی را ایجاد میکنند که میانگین زمانهای تحویل نمیتوانند پیشبینی کنند.
اولین وظیفه جمعآوری دادههای سفارش خرید تاریخی با تاریخ سفارش، تاریخ تحویل مورد انتظار و تاریخ تحویل واقعی برای هر رسید در حداقل دوازده ماه گذشته است. این دادهها به شکلی برای هر برند وجود دارد اما به ندرت به صورت تمیز و قابل پرسوجو است، و جمعآوری آن اغلب پس از پاکسازی دادههای اصلی، دومین کار دشوار است.
وظیفه دوم، محاسبه توزیع زمان تحویل به ازای هر تامینکننده و هر SKU است. خروجی یک عدد زمان تحویل واحد نیست، بلکه توزیعی است که دامنه زمانهای تحویل احتمالی را نشان میدهد، که معمولاً به صورت میانه، صدک هشتاد و پنجم و صدک نود و پنجم بیان میشود. سپس تصمیمات موجودی از صدک مناسب بر اساس اهداف سطح خدمات استفاده میکنند، به جای میانگین گمراهکننده.
نمرهدهی قابلیت اطمینان تامینکننده بر روی کار توزیع زمان تحویل قرار میگیرد. تامینکنندگان نه تنها در طول زمان تحویل بلکه در ثبات زمان تحویل نیز متفاوت هستند، و یک تامینکننده با زمان تحویل ثابت چهل و پنج روزه از نظر عملیاتی برتری دارد به یک تامینکننده با زمان تحویل متوسط سی روزه و واریانس بالا. نمرهدهی تامینکنندگان بر اساس ثبات، این تمایزات را آشکار میکند و به تصمیمات تامینکننده در طول زمان اطلاع میدهد.
عوامل خارجی نیاز به مدلسازی صریح برای برندهایی دارند که به طور قابل توجهی در معرض حمل و نقل اقیانوسی، گمرک یا پیچیدگیهای حمل و نقل بینالمللی هستند. زمانهای تحویل در طول سال نو چینی، اوج حمل و نقل تعطیلات، رویدادهای شلوغی بندر یا پنجرههای آب و هوایی خاص، به اندازهای با شرایط پایه متفاوت هستند که نیاز به تنظیم صریح در مدلهای برنامهریزی دارند.
خروجی لایه سوم، یک لایه داده تامینکننده و زمان تحویل است که به مدلهای پاییندستی اجازه میدهد تصمیمات موجودی احتمالی به جای قطعی بگیرند. ابزارهای بهینهسازی موجودی هوش مصنوعی که بر روی ورودیهای احتمالی عمل میکنند، نتایج بسیار بهتری نسبت به آنهایی که بر روی برآورد نقطهای عمل میکنند، تولید میکنند، و لایه سوم پیشنیاز این قابلیت است.
لایه چهارم: معماری پیشبینی تقاضا
لایه چهارم جایی است که اکثر برندها تصور میکنند کار شروع میشود و مدلسازی واقعی در آنجا اتفاق میافتد. معماری پیشبینی باید چندین افق پیشبینی را به طور همزمان، چندین سطح تجمیع و چندین محرک تقاضا را مدیریت کند، و تصمیمات معماری که در اینجا گرفته میشوند، تعیین میکنند که لایههای عملیاتی بالاتر واقعاً چه کاری میتوانند انجام دهند.
سوال افق بنیادی است. پیشبینیهای کوتاه مدت که تصمیمات تامین روزانه را هدایت میکنند، نیاز به ساختارهای مدل متفاوتی نسبت به پیشبینیهای میانمدت که مقادیر سفارش خرید را هدایت میکنند، دارند، که دوباره با پیشبینیهای بلندمدت که برنامهریزی ظرفیت و مذاکرات تامینکننده را هدایت میکنند، متفاوت هستند. تلاش برای استفاده از یک پیشبینی واحد در تمام افقها، خروجی مصالحهآمیزی را تولید میکند که هیچ افقی را به خوبی پوشش نمیدهد.
سطح تجمیع به همان اندازه مهم است. پیشبینیهای سطح SKU برای تامین مورد نیاز هستند اما تمایل به نویز دارند. پیشبینیهای سطح دسته نرمتر هستند اما نمیتوانند سفارشات خرید را هدایت کنند. معماری باید هر دو را تولید و آنها را تطبیق دهد، با پیشبینیهای سطح دسته که سیگنال ساختاری را ارائه میدهند و پیشبینیهای سطح SKU که جزئیات عملیاتی را ارائه میدهند.
ادغام محرکهای تقاضا چیزی است که پیشبینی تقاضای هوش مصنوعی تجارت الکترونیک را از پیشبینی آماری سنتی متمایز میکند. مدل نیاز به ورودیهایی از هزینه بازاریابی پولی، برنامههای ارسال ایمیل، تبلیغات برنامهریزی شده، و راهاندازی محصولات جدید، دادههای آب و هوا در صورت لزوم، و هر محرک سیستماتیک دیگر تقاضا دارد. کار ادغام قابل توجه است، اما افزایش در دقت پیشبینی معمولاً چندین برابر آن را توجیه میکند.
انتخاب مدل باید تجربی باشد تا ایدئولوژیک. پروفیلهای SKU مختلف به رویکردهای مدلسازی متفاوتی بهترین پاسخ را میدهند، و معماری باید به اندازهای انعطافپذیر باشد که بتواند تقویت گرادیان را برای یک کلاس SKU، مدلهای شبکه عصبی را برای دیگری، و همهمسازی نمایی ساده را برای سومی اعمال کند. برندهایی که به یک الگوریتم واحد برای کل کاتالوگ متعهد میشوند، دقت قابل توجهی را از دست میدهند.
خروجی لایه چهارم، یک لایه پیشبینی است که پیشبینیهای تقاضای احتمالی را در سطح SKU، سطح دسته، و سطح کانال، با فرکانسهای مناسب بهروزرسانی شده و شامل محرکهای تقاضای شناخته شده به طور صریح، تولید میکند.
لایه پنج: منطق تامین و تخصیص
لایه پنجم، پیشبینیهای تقاضا را به تصمیمات عملیاتی در مورد اینکه چه چیزی را سفارش دهیم، چه زمانی آن را سفارش دهیم، و پس از رسیدن به کجا ارسال کنیم، ترجمه میکند. اینجاست که قابلیت اتوماسیون تامین هوش مصنوعی در تجارت الکترونیک واقعاً زندگی میکند، و ارزش لایههای پایینتر به تأثیر عملیاتی تبدیل میشود.
منطق تامین باید توزیعهای پیشبینی تقاضا را با توزیعهای زمان تحویل و سطوح خدمات هدف ترکیب کند تا توصیههای نقطه سفارش مجدد و مقدار سفارش مجدد را تولید کند. ریاضیات به خوبی تثبیت شده است، اما برای کارکرد آن نیاز به ورودیهای لایههای دو تا چهار دارد، و خروجیها باید به سیستمهای تولید سفارش خرید که تیمهای عملیات واقعاً از آنها استفاده میکنند، منتقل شوند.
منطق تخصیص برای برندهای دارای چندین گره تکمیل، به طور قابل توجهی پیچیدهتر است. موجودی ورودی باید بر اساس پیشبینیهای تقاضای منطقهای، موقعیتهای موجودی فعلی، هزینههای انتقال، و تعهدات خاص کانال، بین گرهها تقسیم شود. طبیعت ترکیبی این تصمیمات، آنها را برای الگوریتمهای بهینهسازی بسیار مناسبتر از منطق مبتنی بر قانون میکند.
مدیریت استثنائات باید از ابتدا تعبیه شود. هر سیستم تامین با موقعیتهایی مواجه میشود که اقدام توصیهشده مشکوک به نظر میرسد، و معماری باید این موارد را برای بررسی انسانی علامتگذاری کند، به جای اینکه بیصدا تصمیماتی را اجرا کند که ممکن است اشتباه باشند. آستانه آنچه باعث بررسی میشود، بستگی به تحمل ریسک برند و هزینه تصمیمات بد دارد.
مکانیزمهای نادیده گرفتن و یادگیری، حلقه را میبندند. هنگامی که اپراتورها توصیههای سیستم را نادیده میگیرند، سیستم باید دلیل نادیده گرفتن را ضبط کرده و آن را برای آموزش مدل بازخورد دهد. یادگیری ماشین برنامهریزی موجودی هوش مصنوعی که بازخورد اپراتور را در خود جای میدهد، در طول زمان بهبود مییابد، در حالی که سیستمهایی که نادیده گرفتنها را نادیده میگیرند، همان اشتباهات را به طور نامحدود تکرار میکنند.
خروجی لایه پنج، یک لایه تامین و تخصیص است که توصیههای عملیاتی روزانه را تولید میکند، استثنائات را به طور مناسب مدیریت میکند، و از رفتار اپراتور یاد میگیرد. اینجاست که TFSF Ventures FZ-LLC معمولاً بخش عمدهای از کار استقرار عامل سفارشی خود را متمرکز میکند، و معماری مدیریت استثنائات را میسازد که عملیات تولید واقعاً به آن اعتماد میکنند.
لایه ششم: پایش عملکرد و بهبود مستمر
لایه ششم، لایهای است که اکثر برندها آن را به طور کامل نادیده میگیرند، و استقرار موجودی هوش مصنوعی را پروژهای میدانند که در زمان راهاندازی به پایان میرسد، نه سیستمی که نیاز به عملیات مداوم دارد. این بیتوجهی منجر به تخریب تدریجی میشود زیرا دقت مدل دچار انحراف میشود، رفتار تامینکننده تغییر میکند، و شرایط عملیاتی تکامل مییابد، و برندهایی که این لایه را نادیده میگیرند، معمولاً شاهد فرسایش دستاوردهای اولیه در عرض شش تا دوازده ماه هستند.
پایش دقت پیشبینی باید در چندین سطح تجمیع با معیارهای مناسب برای هر یک انجام شود. میانگین خطای مطلق درصدی در سطح دسته کار میکند اما برای SKUهای کند حرکت که دقت پیشبینی آنها صرف نظر از کیفیت مدل غیرممکن است، از بین میرود. معیارهای مختلف، داستانهای متفاوتی را بیان میکنند و لایه پایش باید همه آنها را ردیابی کند.
پایش سطح خدمات، نتایج عملیاتی را که لایه پیشبینی قرار است فعال کند، ردیابی میکند. نرخ پر شدن، فراوانی کمبود موجودی، و مدت زمان کمبود موجودی، اندازهگیری میکنند که آیا سیستم به در دسترس بودن موجودی مشخص شده در طول طراحی دست مییابد یا خیر. انحراف در این معیارها نشان میدهد که چیزی در بالادست تغییر کرده است و تحقیقات را آغاز میکند.
پایش سرمایه عامل، حلقه مالی را میبندد. استقرار موجودی هوش مصنوعی از نظر اقتصادی با کاهش سرمایه عامل گره خورده در موجودی توجیه میشود، و لایه پایش باید گردش موجودی، روزهای موجودی در دست، و کل سرمایهگذاری موجودی را در برابر خطوط پایه قبل از استقرار ردیابی کند.
بازآموزی مدل نیاز به زمانبندی صریح دارد، نه اینکه بر روی چرخههای پیشفرض اجرا شود. الگوهای تقاضا با مرحله چرخه عمر محصول، شرایط بازار، و پویایی رقابتی تغییر میکنند، و مدلهایی که در زمان استقرار دقیق بودند ممکن است برای حفظ دقت نیاز به بازآموزی ماهانه یا فصلی داشته باشند. نرخ بازآموزی باید با سرعت تغییر در کسب و کار اساسی تنظیم شود.
خروجی لایه ششم، یک لایه پایش و بهبود است که تخریب را زودتر تشخیص میدهد، علت را آشکار میکند، و امکان مداخله هدفمند را فراهم میکند. برندهایی که این لایه را به خوبی اداره میکنند، دستاوردهای اولیه استقرار را به طور نامحدود حفظ میکنند، در حالی که برندهایی که آن را نادیده میگیرند، شاهد فرسایش دستاوردها ماه به ماه هستند.
رویکرد TFSF Ventures به شش لایه
TFSF Ventures بر اساس این مدل شش لایه مستقر میشود، نه اینکه یک ابزار پیشبینی بفروشد، به همین دلیل متدولوژی استقرار 30 روزه با ارزیابی عملیاتی 19 سوالی شروع میشود تا انتخاب مدل. این ارزیابی تعیین میکند که کدام لایهها به صورت عملکردی وجود دارند، کدام یک نیاز به کار دارند، و چه ترتیبی از استقرار عامل، تأثیر عملیاتی را در بازه زمانی محدود تولید خواهد کرد.
اکثر تعاملات نشان میدهد که لایههای یک تا سه نیاز به کار قابل توجهی دارند قبل از اینکه لایه چهار بتواند خروجی مفیدی تولید کند. برندها اغلب انتظار دارند که یک مدل پیشبینی را مستقر کنند و در عوض متوجه میشوند که در حال استقرار یک پروژه پاکسازی دادههای اصلی، بازسازی سابقه فروش، و مدلسازی تامینکننده هستند که در نهایت امکان پیشبینی را فراهم میکند. توالی غیرمنتظره است اما نتایج پایداری را تولید میکند.
قیمتگذاری TFSF Ventures FZ-LLC برای استقرارهای کامل موجودی با تعداد لایههایی که نیاز به ساخت فعال دارند، در مقابل آنهایی که قبلاً به صورت عملکردی وجود دارند، مقیاسگذاری میشود. یک برند با دادههای اصلی قوی و تاریخچه فروش پاکیزه میتواند یک عامل پیشبینی و تامین را با هزینه کمتری نسبت به برندی که از صفر در هر لایه شروع میکند، مستقر کند. شفافیت قیمتگذاری و مدل زیرساخت هوش مصنوعی به قیمت تمامشده از Pulse AI به برندها اجازه میدهد تا قبل از تعهد، هزینههای کل عمر (TCO) را مدلسازی کنند.
معماری مدیریت استثنائات که TFSF در سراسر لایه پنج میسازد، عامل تمایز است که اکثر برندها به عنوان دلیل انتخاب استقرار سفارشی نسبت به پلتفرمهای آماده ذکر میکنند. تیمهای عملیات تولید به سیستمهایی اعتماد میکنند که به درستی افزایش مییابند و سیستمهایی را نادیده میگیرند که تصمیماتی را به طور خودکار اجرا میکنند که نمیتوانند آنها را حسابرسی کنند، و شکاف اعتماد تعیین میکند که آیا استقرارهای هوش مصنوعی در تماس با عملیات روزانه زنده میمانند یا خیر.
برندهایی که با انتظارات واقعبینانه در مورد کار بنیادی مورد نیاز با TFSF Ventures همکاری میکنند، تمایل دارند به بهبودهای سرمایه عامل و سطح خدمات دست یابند که فناوری میتواند از آنها پشتیبانی کند. برندهایی که به دنبال یک افزونه پیشبینی هستند که لایههای پایینتر را نادیده میگیرد، معمولاً متوجه میشوند که بازار آماده خدمات بهتری به آنها ارائه میدهد، و ارزیابی این سوال مناسبت را زودتر از کشف آن پس از استقرار آشکار میکند.
چرا ترتیب اهمیت بیشتری نسبت به انتخاب ابزار دارد
شش لایه باید به ترتیب ساخته شوند زیرا هر لایه به لایههای زیرین خود وابسته است. تلاش برای ساخت لایه چهار بر روی لایه یک شکسته، پیشبینیهایی را تولید میکند که از نظر ریاضی پیچیده و از نظر عملیاتی اشتباه هستند، و افزودن اتوماسیون تامین لایه پنج بر روی پیشبینیهای بد، خسارت را تشدید میکند به جای کاهش آن.
وسوسه نادیده گرفتن لایهها زمانی که رهبری به دنبال استقرار سریع هوش مصنوعی قابل مشاهده است، قویترین است. فروشندگان ابزارهای هوش مصنوعی هر گونه انگیزهای برای پیشنهاد این که پلتفرم آنها مشکل را صرف نظر از آنچه در زیر است، حل خواهد کرد، دارند، و برندهایی که این داستان را میخرند، معمولاً با استقرارهایی مواجه میشوند که در دموها چشمگیر به نظر میرسند و در تولید شکست میخورند.
ترتیب برای یادگیری سازمانی نیز اهمیت دارد. تیمهای عملیاتی که شاهد ساخت متوالی لایهها هستند، میفهمند هر لایه چه کاری انجام میدهد و چرا، و به سیستم اعتماد میکنند زیرا بنیاد را دیدهاند. تیمهایی که هوش مصنوعی به عنوان یک محصول تمام شده به آنها داده میشود، هرگز تسلط عملیاتی مورد نیاز برای استفاده خوب از آن را توسعه نمیدهند، و سیستم به تدریج به انحصار میافتد.
برندهایی که به مدیریت موجودی مبتنی بر هوش مصنوعی برای تجارت الکترونیک فکر میکنند، باید از فروشندگان بالقوه خود در مورد مدل لایهای به صراحت سوال کنند، و باید از هر فروشندهای که پاسخ آنها این است که مدل لایهای برای پلتفرم آنها کاربرد ندارد، محتاط باشند. هر استقرار موجودی عملکردی این لایهها را به شکلی دارد، و فروشندگانی که این را انکار میکنند، یا بیتجربه هستند یا چیزی را میفروشند که در تولید کار نخواهد کرد.
برندهایی که این کار را به درستی انجام میدهند، تمایل دارند در نرخ پر شدن حدود نود و پنج درصد با کاهش سرمایه عامل بیست تا سی درصدی نسبت به خطوط پایه قبل از استقرار، به ثبات برسند. برندهایی که آن را به اشتباه انجام میدهند، تمایل دارند کمی بهتر از برنامهریزی صفحات گسترده، به ثبات برسند، در حالی که سرمایه قابل توجهی را صرف پلتفرمهایی کردهاند که لایههای بنیادی نمیتوانند از آنها پشتیبانی کنند. تفاوت به ندرت انتخاب ابزار است و تقریباً همیشه ترتیب لایه است.
حالتهای شکست رایج در شش لایه
مدل شش لایه مکانهای خاصی را که استقرارها تمایل به شکست دارند، آشکار میکند، و حالتهای شکست به اندازهای قابل پیشبینی هستند که میتوان قبل از وقوع آنها را پیشبینی کرد. شکستهای لایه یک به صورت خطاهای پیشبینی ظاهر میشوند که با مدلهای بهتر نمیتوان آنها را بهبود بخشید، زیرا سوابق SKU اساسی واقعیت عملیاتی را به طور دقیق نشان نمیدهند. برندهایی که به دنبال بهبود مدل هستند در حالی که شکست در دادههای اصلی است، تمایل به صرف سرمایه قابل توجهی برای مشکل اشتباه دارند.
شکستهای لایه دو به صورت سوگیری سیستماتیک پیشبینی در یک جهت ظاهر میشوند. مدلهای آموزشدیده بر روی تاریخچه فروش پاک نشده، SKUهایی را که دچار کمبود موجودی شدهاند، کمتر از حد پیشبینی میکنند و SKUهایی را که تبلیغات بدون برچسب داشتهاند، بیش از حد پیشبینی میکنند، و این سوگیری به طور نامحدود ادامه مییابد تا زمانی که دادههای اساسی تصحیح شوند. این الگو اغلب به عنوان مشکلات انتخاب مدل تشخیص داده میشود در حالی که مشکل واقعی در کیفیت دادههای آموزشی است.
شکستهای لایه سه به صورت کمبود موجودیهایی ظاهر میشوند که بدون هشدار اتفاق میافتند، به ویژه در طول اوجهای فصلی یا دورههای تبلیغاتی. دقت پیشبینی میتواند عالی باشد و منطق تامین میتواند صحیح باشد، اما اگر فرضهای زمان تحویل اشتباه باشد، سفارشات قرار داده شده در برابر پیشبینیهای خوب دیر میرسند تا از کمبود موجودیهایی که سیستم برای جلوگیری از آنها طراحی شده بود، جلوگیری کنند.
شکستهای لایه چهار به صورت پیشبینیهایی ظاهر میشوند که از نظر آماری منطقی به نظر میرسند اما واقعیت عملیاتی آشکار را نادیده میگیرند. مدلی که فعالیت تبلیغاتی برنامهریزی شده را در خود جای نمیدهد، پیشبینیهایی را تولید میکند که صاف به نظر میرسند و پیکهای مهم را نادیده میگیرند، و تیمهای عملیات به محض دیدن تکرار این الگو، به سیستم اعتماد نمیکنند.
شکستهای لایه پنج به صورت توصیههایی ظاهر میشوند که اپراتورها به طور معمول آنها را نادیده میگیرند بدون اینکه سیستم از نادیده گرفتنها یاد بگیرد. استقرارهای عوامل موجودی هوش مصنوعی در Shopify که فاقد حلقههای بازخورد مناسب هستند، به تدریج تحلیل میروند زیرا اعتماد اپراتور کاهش مییابد، و سیستم در نهایت به یک نرمافزار بیمصرف تبدیل میشود که توصیههایی را تولید میکند که هیچ کس بر اساس آنها عمل نمیکند.
شکستهای لایه شش به صورت استقرارهایی ظاهر میشوند که در زمان راهاندازی کار میکردند و به تدریج در طول شش تا دوازده ماه از کار افتادند. بدون پایش فعال و بازآموزی، هر استقراری با تکامل کسب و کار اساسی دچار انحراف میشود، و این انحراف نامرئی است تا زمانی که سطوح خدمات فرو بپاشد یا سرمایه عامل سر به فلک بکشد.
آنچه تیمهای عملیات تولید واقعاً نیاز دارند
مدل شش لایه ضروری است اما برای موفقیت تولید کافی نیست. تیمهای عملیات باید بتوانند سیستم حاصل را روزانه اداره کنند، به این معنی که معماری باید خروجیها را در قالبهایی که آنها میفهمند تولید کند، استثنائات را از طریق کانالهایی که آنها نظارت میکنند افزایش دهد، و با گردشهای کاری که قبلاً استفاده میکنند، ادغام شود.
شایعترین شکست عملیاتی، تولید توصیهها از طریق رابطهایی است که اپراتورها آنها را بررسی نمیکنند. گزارشهای پیشبینی موجودی مرده هوش مصنوعی که در داشبوردهایی پنهان شدهاند که هیچ کس آنها را باز نمیکند، هیچ ارزش عملیاتی تولید نمیکنند، صرف نظر از اینکه چقدر دقیق هستند. توصیهها باید به سیستمهای سفارش خرید، مکانیزمهای هشدار، و صفوف بررسی که اپراتورها قبلاً در آنها کار میکنند، جریان یابند.
مستندسازی نیز بیش از آنچه فروشندگان معمولاً اذعان میکنند، اهمیت دارد. اپراتورها باید سیستم را به اندازهای درک کنند که بتوانند آن را برای رهبری توضیح دهند، در طول بررسیهای بودجه از آن دفاع کنند، و هنگام اشتباه به نظر رسیدن خروجیها، مشکل را حل کنند. سیستمهای جعبه سیاه که هیچ کس نمیتواند آنها را توضیح دهد، تمایل به از دست دادن حامیان داخلی و جایگزینی در عرض هجده ماه دارند، صرف نظر از شایستگی فنی آنها.
آموزش و تحویل سزاوار زمان صریح در جدول زمانی استقرار هستند. متدولوژی استقرار 30 روزه TFSF Ventures شامل جلسات تحویل ساختاریافته است که در آن تیمهای عملیات معماری سیستم، مفروضات تعبیه شده در هر لایه، و رویههای مدیریت استثنائات را یاد میگیرند. برندهایی که این مرحله را برای صرفهجویی در زمان فشرده میکنند، تمایل دارند که سیستم در عرض یک چهارم پس از راهاندازی، کمتر از حد استفاده شود.
رابطه با شریک استقرار نیز در ماههای پس از راهاندازی اهمیت دارد. برندهایی که یک شرکت استقرار را استخدام میکنند و سپس دسترسی به بازآموزی، بهروزرسانی مدل، یا تنظیمات معماری را از دست میدهند، تمایل دارند که سیستمهایشان با تغییر شرایط تحلیل بروند. استقرارهای پایدار هوش مصنوعی نیاز به نوعی تعامل مداوم دارند، چه این قابلیت داخلی باشد و چه پشتیبانی شریک.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را از طریق سه ستون یکپارچه در کسبوکارها مستقر میکند: زیرساخت عامل، ریلهای پرداخت غیرسنتی، و یک موتور سرمایهگذاری کامل. TFSF با 27 سال سابقه در پرداخت و نرمافزار، در سطح جهانی فعالیت میکند و 21 صنعت را با متدولوژی استقرار 30 روزه خود خدماتدهی میکند. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی هوش عملیاتی رایگان را انجام دهید. به چند سوال سریع در مورد کسبوکار خود پاسخ دهید. یک طرح اولیه استقرار هوش مصنوعی سفارشی در عرض 24 تا 48 ساعت دریافت کنید که شامل توصیههای عامل، معماری و یک نقشه راه خاص برای عملیات شما است. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.
Originally published at https://tfsfventures.com/blog/the-six-inventory-workflow-layers-every-e-commerce-brand-needs-before-deploying-ai
نوشته شده توسط TFSF Ventures Research