CÁC ỨNG DỤNG DỰ BÁO HỨA HẸN MANG CHUỖI CUNG ỨNG ĐI XA HƠN



  • Điều gì cũng có thể xảy ra trong chuỗi cung ứng – xe hư, tàu bị chuyển tuyến, hàng bị mất cắp, phụ tùng bị lỗi, cảng bị đóng, nhân viên bốc xếp đình công, và nhà cung ứng gặp sự cố trong cung ứng. Chính các bất định này đã khiến nhiều doanh nghiệp buộc phải tồn kho nhiều hơn nhu cầu, chỉ để đảm bảo an toàn phòng khi có vấn đề gì xảy ra.

    Tuy nhiên, tồn kho quá nhiều thật sự rất tốn kém, nó buộc vốn lưu động của bạn và thường xuyên đưa doanh nghiệp bạn tình trạng quá tải tồn kho với những “thứ có thể không bao giờ cần đến nữa”. Nhiều nghiên cứu đã chỉ ra rằng, trong thực tế, tồn kho quá nhiều đã đẩy chi phí quản lý tồn kho thêm 25-32% (The Retail Owners Institute).

    Nhiều công ty xử lý các bất định trong chuỗi cung ứng bằng hệ thống hoạch định linh hoạt. Mỗi khi vấn đề bất thường phát sinh, hệ thống này nhanh chóng xử lý chúng nhờ vào thuật toán tối ưu hóa. Tuy nhiên, việc này cũng tương tự như khi ta nhìn vào kính chiếu hậu – ta chỉ toàn thấy những thứ đã qua rồi. Ngoài ra, lead time để giao hàng, lead time để mua sản phẩm hay sản xuất sản phẩm mới thường rất dài, điều đó làm cho việc đáp ứng nhu cầu khách hàng khi nguồn cung bất chợt thay đổi là điều không tưởng.

    Và trí thông minh nhân tạo (AI) là một hướng tiếp cận để giải quyết vấn đề này. Với cơ chế “machine learning”, hệ thống có thể dự báo điều gì có thể diễn ra và sử dụng những dữ liệu đó như một nguồn đầu vào khi hoạch định chuỗi cung ứng. Lối tiếp cận này sử dụng các viễn cảnh được xây dựng từ những mô hình dự báo.

    Cơ chế machine leaning xây dựng các mô hình từ dữ liệu lịch sử, có thể được áp dụng cho các viễn cảnh tương lại. Ví dụ như, giả sử một doanh nghiệp có 1,000 ASNs (thông báo giao hàng trước – advance shipment notices) bằng đường hàng không tại một thời điểm. Mỗi một ASN được lên kế hoạch sẽ được thực hiện tại những thời điểm khác nhau. Do đó, khi ta hỏi nhân viên lập kế hoạch, giám đốc chuỗi cung ứng, hay bất kì ai đơn hàng này đang ở đâu, họ đều có thể cho ta những thông tin về rủi ro giao trễ hàng. Làm sao họ biết được điều này? Đó chính là vì họ được tiếp cận dữ liệu – nguồn thông tin dự báo và họ cũng hiểu được cơ sở để mô hình suy luận được các rủi ro tiềm ẩn trong chuỗi cung ứng.

    Giới thiệu quy trình dự báo trực tuyến
    Một nền tảng tên online predictive processing – OLPP (dự báo trực tuyến) có thể tự động hóa điều này. Nền tảng này có thể xây dựng các viễn cảnh kì vọng trực tuyến từ những mô hình AI, những mô hình này có thể dự báo được ASN nào có thể bị trễ và ước tính được mức độ trễ của chúng. Với OLPP, mô hình có thể cung cấp thông tin cho từng ASN về ngày giao hàng ước tính bên cạnh ngày giao hàng theo kế hoạch, nhờ vậy ta có thể có được bức tranh của tất cả ASNs chưa giao và thời gian giao dự báo của chúng.

    Tiềm năng của mô hình hoạch định What-if
    Chúng ta luôn muốn có tầm nhìn tốt cho tương lai. 3PL có thể sử dụng “các viễn cảnh” dự báo để lưu ý bên nhận hàng các thay đổi dự kiến, cho họ những cơ hội để linh hoạt khi gặp vấn đề. 4PLs hay các nhà cung ứng thậm chí còn làm được nhiều hơn. “Các viễn cảnh” có thể được thông tin ngược dòng trong chuỗi cung ứng, đón đầu trước những đơn hàng sản xuất hay thậm chí cả những đơn hàng bán ở cửa hàng bị tác động bởi các vấn đề dự báo. Công cụ này này có thể lên kế hoạch đáp ứng các thiếu hụt dự báo, làm hài lòng khách hàng hàng và đảm bảo doanh thu kì vọng của doanh nghiệp.

    OLPP là một công nghệ mới vừa hỗ trợ xử lý phân tích (điều thiết yếu trong việc cải thiện chất lượng dự báo), vừa hỗ trợ xử lý “giao dịch”, từ đó xây dựng được mô hình đảm bảo tồn kho hiệu quả cũng như khuyến khích hoạch định theo mô hình hình what-if.

    Để tìm hiểu các mô hình, OLPP xử lý dữ liệu ASN lịch sử như dịch vụ vận chuyển, điểm nguồn, điểm đích, phương thức vận chuyển, cảng, kích cỡ hàng hóa, trọng lượng hàng hóa, người gửi hàng và người nhận hàng, và cả các dữ liệu ở bên ngoài như dữ liệu đội tàu, dữ liệu thời tiết hay thậm chí cả các bản tóm tắt tin tức. OLPP sử dụng kinh nghiệm trong quá khứ để xây dựng mô hình, khi triển khai và áp dụng cho các ASN dự báo, mô hình sẽ cung cấp dự đoán mức độ trễ của các ASN dựa trên tất cả các dữ liệu kinh nghiệm mà nó đã thu thập được.

    Sau đó, nền tảng OLPP có thể thiết lập ngày giao hàng dự kiến ​​từ các dự đoán đó và hỗ trợ các dự án giảm tồn kho trong chuỗi cung ứng. Dựa vào các suy luận, ứng dụng này có thể phán đoán được việc thiếu hụt tồn kho cũng như tồn kho quá tải. Và đôi khi, nó còn hỗ trợ nhân viên lập kế hoạch kế xuất sắp xếp đơn hàng phù hợp để giải quyết các vấn đề phát sinh.

    Trong quản lý chuỗi cung ứng, sức mạnh của giải pháp này là thay vì tồn kho quá nhiều và không cần thiết, các mô hình sẽ đưa ra những dự báo về các sự kiện có thể xảy ra trong chuỗi cung ứng. Thay vì như trước đây, doanh nghiệp chỉ có thể phản ứng khi vấn đề đã xảy ra rồi, giờ đây, doanh nghiệp có thể sử dụng dữ liệu để xây dựng mô hình dự báo phù hợp và sử dụng chúng như một công cụ mang tính hoạch định để có thể chủ động đối phó các vấn đề tiềm ẩn phát sinh. Nhờ vậy, ta có thể tiết kiệm được hàng triệu dollar chi phí tồn kho, cải thiện hiệu suất chuỗi cung ứng, và đáp ứng được sự hài lòng của khách hàng xuôi dòng./.

    Nguồn: Inbound Logistics, 02/2018