خرده‏ فروشی غذا: تمایز در زنجیره تامین

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.