خرده فروشی غذا: تمایز در زنجیره تامین
غذای تازه به یک عرصه رقابتی پرچالش در خرده فروشی خواربار تبدیل شده، چرا که فروشگاه های تخفیفی و بازیگران آنلاین این عرصه، به ارزش دستهبندی غذاهای تازه پی برده اند تا وفاداری مشتری را جلب کنند. خردهفروشها مجبورند دائما مبادلات دشواری در زنجیره تامین داشته باشند: سفارش بیش از حد برابر است با خراب شدن مواد غذایی و سفارش کم یعنی از دست دادن فروش و وفاداری مشتری. از آنجا که تقاضا روزانه در نوسان است، این خردهفروشها چگونه بفهمند که چقدر باید سفارش دهند؟ بیشتر سیستمهای برنامه ریزی سنتی زنجیره تامین رویکردی ثابت و قانونمند نسبت به پیشبینی و پر کردن انبارهای خود دارند. چنین رویکردی برای دستهبندی محصولاتی که ثابت و قابل پیشبینی هستند، خوب عمل میکند. اما ماجرای غذاهای تازه کمی پیچیدهتر است. از آنجا که تقاضا و شرایط محلی روز‌به‌روز فرق میکند، برنامه ریزها باید انواع مختلف داده را – از تغییرات قیمت گرفته تا تبلیغات و ترویج – به صورت دستی در سیستمهای جایگزینی انبار خود وارد کنند. این فرآیندهای دستی روزانه هم وقتگیر است، هم پرخطا و هم به شدت به تجربه فردی برنامه ریزها وابسته است.
بنابراین، راه بهتری وجود دارد. تعدادی از بازیگران برجسته این عرصه راه حلی یافتهاند که برنامه ریزی زنجیره تامین آنها را متحول میکند: یادگیری ماشینی. یادگیری ماشینی براساس الگوریتمهایی که به کامپیوترها امکان میدهد حتی بدون برنامهریزی مبتنی بر قانون از دادهها اطلاعات به دست آورند، به خردهفروشان کمک میکند فرآیندهای دستی قدیمی را اتوماتیکسازی کنند و در نتیجه دقت پیشبینیها و سفارشهای خود را به‌طور چشمگیری بالا ببرند. خردهفروشانی که از تکنولوژی یادگیری ماشینی برای پر کردن انبارهای خود استفاده میکنند، از بسیاری جهات اثر آن را دیدهاند. به عنوان مثال، کاهش بیش از 80 درصدی دورریز انبارها، کاهش بیش از 10 درصدی اجناس مستهلک و افزایش بیش از 9 درصدی حاشیه سود خالص.
شکل نموداری 2 احتمال تقاضا را برای ذخیره سازی یک محصول خاص که در اینجا آناناس است در روز 10 ژوئن نشان میدهد. میلههای عمودی نمودار نشان میدهند چهار آناناس ذخیره شده در آن فروشگاه در آن روز، احتمالا کافی هستند و این فروشگاه بیشتر یا حتی همه این آناناسها را خواهد فروخت. بنابراین ریسک خراب شدن آناناسها در فروشگاه بسیار کم است. اما اگر مشتری بخواهد آن روز 5 یا 6 آناناس تهیه کند چه میشود؟ فروشگاه درآمد حاصل از نداشتن آناناس کافی در انبار را از دست میدهد. منحنی سبز روی شکل نشاندهنده ارزش مورد انتظار هزینهها برای هر سطح ذخیره انبار است که ضرر احتمالی ناشی از تمام شدن جنس در انبار و نیز احتمال کاهش قیمت و ضایعات را مد نظر قرار میدهد. در این مورد، الگوریتم سطح ذخیره انبار 9 واحد را مناسب تشخیص میدهد.
این سیستم میتواند تصمیمهای سفارش فردی را با اهداف استراتژیک خردهفروشها و شاخصهای عملکرد کلیدی هم‌راستا کند. به عنوان مثال، اگر خرده فروش بیشتر به حاشیه سود خود اهمیت بدهد تا درآمد، الگوریتم تصمیم گیریها را مطابق این اولویت تنظیم میکند. همچنین میتواند همزمان چند شاخص عملکرد کلیدی را توسعه بخشد.
