خطای پیشبینی تقاضا در واقع یک خطا نیست، دو خطاست با دو هزینهٔ متفاوت. اگر بیش از نیاز برآورد کنید، پول در انبار قفل میشود و کالا رفتهرفته ارزش خود را از دست میدهد. اگر کمتر برآورد کنید، فروش را از دست میدهید و گاهی مشتری را هم. بیشتر سازمانها تنها یکی از این دو را میبینند؛ همانی که در گزارش ماهانهشان عدد دارد.
زنجیرهٔ تأمین از این نظر با دیگر حوزهها فرق دارد که تصمیمهایش زنجیرهایاند: خطای برآورد فروش به سفارش خرید میرسد، از آنجا به برنامهٔ تولید و سپس به تأمینکننده، و در هر گام بزرگتر میشود. به همین دلیل بهبود دقت در ابتدای زنجیره، اثری چند برابر در انتهای آن دارد.
بسیاری از پروژهها با هدف بالا بردن دقت پیشبینی آغاز میشوند و در پایان، دقت بهتر میشود اما موجودی تغییری نمیکند. علت روشن است: تصمیم واقعی سفارش همچنان با قاعدههای قدیمی گرفته میشود. پیشبینی تنها یک ورودی است؛ آنچه موجودی را تعیین میکند سیاست سفارش است — چه زمانی سفارش بدهیم، چه مقدار، و چه اندازه حاشیهٔ اطمینان نگه داریم. تا وقتی این سیاست بازنویسی نشود، مدل بهتر فقط عدد بهتری روی کاغذ تولید میکند.
موجودی اطمینان را نه فقط نوسان تقاضا، که نوسان زمان تحویل تعیین میکند. تأمینکنندهای که گاهی دهروزه و گاهی چهلروزه تحویل میدهد، حتی با تقاضای کاملاً پایدار شما را ناچار به نگهداری موجودی بیشتری میکند. بنابراین پیش از سرمایهگذاری روی مدل تقاضا، سابقهٔ زمان تحویل هر تأمینکننده را استخراج کنید؛ در بسیاری از سازمانها همین یک جدول، بیشترین بهبود اولیه را بهدست میدهد.
در زنجیرههایی که به واردات وابستهاند، نوسان زمان تحویل و نرخ ارز، برنامهریزی را از یک تمرین اداری به یک تصمیم مالی تبدیل کرده است. سفارش زودهنگام هزینهٔ نگهداری و ریسک راکد ماندن دارد و سفارش دیرهنگام میتواند به توقف کار بینجامد. مدلی که این دو ریسک را کنار هم بگذارد لزوماً پیچیده نیست، اما باید بر پایهٔ سابقهٔ واقعی همان سازمان ساخته شود، نه بر پایهٔ فرضهای عمومی.
زنجیرهٔ تأمین جایی است که بهبود کوچک در ابتدای زنجیره، در انتهای آن بزرگ دیده میشود. اما ترتیب کار اهمیت دارد: نخست سابقهٔ تقاضا و زمان تحویل را مرتب کنید، سپس پیشبینی را بهتر کنید و در پایان سیاست سفارش را بر پایهٔ آن بازنویسی کنید. جهش از گام نخست به گام سوم، همان اشتباهی است که بیشتر پروژهها را بینتیجه میگذارد.
این هفته، یک جدول ساده در اکسل یا Google Sheets بسازید و برای ۱۰ کالای پرفروش خود، سه ستون «تاریخ ثبت سفارش»، «تاریخ تحویل واقعی» و «تعداد روز تأخیر» را از سوابق یک سال گذشته استخراج کنید. سپس میانگین و انحراف معیار زمان تحویل هر تأمینکننده را محاسبه کنید. اگر متوجه شدید تأمینکنندهای گاهی ۱۰ روزه و گاهی ۴۰ روزه تحویل میدهد، آن را بهعنوان ریسک اصلی زنجیرهٔ تأمین خود علامتگذاری کنید. این تمرین ساده، پیش از هر سرمایهگذاری روی مدل پیشبینی، تصویر روشنی از جایی که واقعاً موجودی شما را حبس میکند به دست میدهد.
تراز هوشمند خط مونتاژ برای تولید چندمحصولی با هوش مصنوعی: توازن کار، رتبه و بهرهوری
پردازش خودکار اسناد زنجیره تأمین با هوش مصنوعی: خداحافظی با فاکتورهای کاغذی و خطای دستی
کیفیت پیشبینیشونده در ریختهگری پیوسته فولاد: از بیلت معیوب تا شمش سالم
مدیریت پیک برق با هوش مصنوعی و ذخیرهساز انرژی: از جریمه پیک تا صرفهجویی هوشمند
پیشبینی فرسایش ابزار ماشینکاری با هوش مصنوعی: از تعویض کورکورانه تا بهینه کامل