با ادراک تقاضا دیگر هیچ کالایی ناموجود نمی‌شود!

با ادراک تقاضا دیگر هیچ کالایی ناموجود نمی‌شود!

در دنیای امروز خرده‌فروشی آنلاین، یکی از موفق‌ترین حوزه‌های تجاری است. شرکت‌های بزرگی مثل آمازون و علی‌بابا با همین کار، درآمد زیادی کسب کرده‌اند. در ایران هم مدتی است که خرده‌فروشی آنلاین جایگاه خود را یافته‌اند. اما خرده‌فروشی، فقط تامین کالا و فروش اینترنتی آن نیست. کارهای بسیاری در پس‌زمینه باید انجام شوند تا یک شرکت خرده‌فروشی موفق شود. مهم‌ترین از این موفقیت اولیه، ادامه دادن این مسیر است. برای تضمین موفقیت دائمی، لازم است همواره شرکت‌ها خود را به فناوری‌های روز مجهز کنند. یکی از مهم‌ترین این فناوری‌ها که به‌طور خاص می‌تواند تاثیر به سزایی در کسب‌و‌کارهای خرده‌فروشی آنلاین داشته باشد، فناوری ادراک تقاضا (Demand Sensing) است. در این مقاله می‌خواهیم به چیستی این فناوری بپردازیم.

مشکل از ما است نه از صنعت!

در سال‌های اخیر، کسب‌وکار شرکت‌های خرده‌فروشی آنلاین در ایران رونق پیدا کرده است. برخی از این شرکت‌ها، صرفا در کار فروش محصولاتی خاص هستند. مثلا فروش پهپاد، قطعات الکترونیک، لباس، تلفن همراه، کامپیوتر و قطعات آن. برخی دیگر تقریبا همه‌چیز می‌فروشند.

اما مشتریان این شرکت‌ها، همواره نقدهای یکسانی نسبت به عملکرد همه‌ آن‌ها دارند. زمان تحویل کالا طولانی است. خصوصا اگر ساکن تهران نباشید. ارتباط دقیقی بین موجودی انبارها و آنچه در سایت و اپلیکیشن این شرکت‌ها دیده می‌شود، وجود ندارد. بارها شده که پس از خرید، شرکت در تماسی به مشتریان اعلام کرده که آن‌ها کالای موردنظر را ندارند.

مشتریان این شرکت‌ها، همواره نقدهای یکسانی نسبت به عملکرد همه‌ آن‌ها دارند: زمان تحویل کالا طولانی است. خصوصا اگر ساکن تهران نباشید.

اما اگر سری به بازار خرده‌فروشی آنلاین در دنیا بزنید، نه‌تنها چنین مشکلاتی وجود ندارد، بلکه در برخی موارد عملکرد شگرفی نیز دیده می‌شود. یکی از مهم‌ترین این مثال‌ها، شرکت آمازون است. شرکت آمازون شاید بزرگ‌ترین شرکت خرده‌فروشی جهان باشد.

معجزه‌ای از جنس آمازون

گاهی سرعت تحویل کالا در آمازون، مشتریان را متحیر می‌کند. مهم هم نیست سفارش مشتری چقدر عجیب‌وغریب و کمیاب باشد، آمازون این کالا را در همان مدتی به مشتریان می‌رساند که یک کالای معمولی مثل گوشی موبایل. مقایسه این نکته با آنچه در ایران می‌بینیم، این سوال را مطرح می‌کند که چگونه چنین کاری ممکن است؟ آیا آمازون در همسایگی مشتریان خود، انباری از این اجناس عجیب‌وغریب دارد؟

و باز هم فناوری

آمازون برای این کار از فناوری جدیدی به نام «ادراک تقاضا» (Demand Sensing) بهره می‌برد. فناوری ادراک تقاضا، با ترکیب کلان‌داده‌ها و هوش مصنوعی خلق شده است. در این فناوری تمام داده‌هایی که ممکن است روی تقاضای کالاها تاثیر بگذارند، جمع‌آوری و تحلیل می‌شوند. درنتیجه این تحلیل‌ها، سیستم می‌تواند به شما بگوید چه کالایی در چه زمانی در کجا و با چه احتمالی تقاضا خواهد داشت. درنتیجه زنجیره تامینی شرکت، متناسب با این پیش‌بینی‌ها رفتار می‌کند و کالا را به انبارهای نزدیک انتقال می‌دهد. شرکت با این کار هم می‌تواند کالا را هر چه سریع‌تر به دست مشتریان برساند و هم از اتمام آن کالا در انبارها جلوگیری کند.

وقتی مشتری با فرزندش به فروشگاه می‌آید رفتارش تغییر می‌کند.

این کار به شرکت‌ها اجازه می‌دهد که فهم بهتری از رفتار مشتری کسب کنند و با اِعمال آن در زنجیره تامین، رضایت مشتریان را جلب و خود را به مشتری نزدیک‌تر کنند. اینکه شرکت‌ها کالاها را سریعا به دست مشتریان می‌رسانند، باعث می‌شود خدمات عالی باشند، فروش افزایش پیدا کند و تضمین کند که اگر تعداد کمی از کالاها هم فروش نرفته‌اند، در مدت‌زمان کوتاهی به تامین‌کننده بازگردند. ادراک تقاضا، امکان داشتن یک زنجیره تامین لحظه‌ای (real-time) و متصل‌به‌هم را با کمترین خطا، بیشترین کارایی، اتکاپذیر که منجر افزایش رضایت مشتریان می‌شود، فراهم می‌کند.

باز هم کلان داده، باز هم هوش مصنوعی

سیستم‌های ادراک تقاضا به لطف کلان‌داده‌ها، افزایش قدرت پردازشی سیستم‌ها و هوش مصنوعی به وجود آمده‌اند. شرکت‌ها از این ابزارها برای دسترسی به داده‌های جدید و ساختن سیستم‌های ادراک تقاضا برای فهم بهتر رفتار مشتری و تنظیم زنجیره تامینی خود استفاده می‌کنند. هر چه میزان فروش بیشتر باشد و ارتباط نزدیک‌تری با مشتری ایجاد شود، سیستم ادراک تقاضای ساخته شده، می‌تواند پیش‌بینی‌های بهتری انجام دهد.

ابزارهای ادراک تقاضا هر روز به‌صورت گسترده‌تر در صنایع دیگری همچون خودروسازی، محصولات صنعتی، انرژی و صنایع دارویی وارد می‌شوند. صنایع خودروسازی با استفاده سیستم‌های ادراک تقاضا، می‌توانند اطلاعات بسیار خوبی درباره ترجیحات مشتریان کسب کنند. استفاده از اپلیکیشن‌هایی که به مشتریان اجازه می‌دهد مشخصات خودرو مدنظرشان را انتخاب کنند، می‌تواند یک راه‌کار مفید برای ساخت سیستم ادراک تقاضا در خودروسازی باشد.

استفاده از اپلیکیشن‌هایی که به مشتریان اجازه می‌دهد مشخصات خودرو مدنظرشان را انتخاب کنند، می‌تواند یک راه‌کار مفید برای ساخت سیستم ادراک تقاضا در خودروسازی باشد.

حتی در تجارت‌های با مشتری کم و تخصصی مثل صنایع هوا و فضا، ادراک تقاضا می‌تواند بسیار مفید باشد. زیرا با استفاده از آن، شرکت‌ها می‌توانند خدمات تعمیری و فرآیند‌های ارائه قطعات یدکی را بهینه کنند. سازندگان هواپیما، معمولا از محصولات در حال پرواز خود، داده‌های هم‌زمان دریافت می‌کنند. این داده‌ها به سازنده امکان می‌دهد که شرایط را به‌صورت لحظه‌ای کنترل کند، تنظیمات را تغییر داده و قطعات یدکی را آماده و ارسال کند.

چگونه سیستم ادراک تقاضا داشته باشیم؟

اگر خود صاحب شرکت هستید، به دو طریق می‌توانید یک سیستم ادراک تقاضا داشته باشید. می‌توانید با استفاده از الگوریتم‌های کدباز موجود، چنین سیستمی را پیاده کنید (سیستم ادراک تقاضای داخلی) و یا از نرم‌افزارهای ابری شرکت‌های دیگر برای استخراج اطلاعات و بهینه‌سازی زنجیره تامین بهره ببرید (سیستم ادراک تقاضای خارجی).

سیستم ادراک تقاضای داخلی

واتن‌فل (Vattenfall) یک گروه انرژی سوئدی و ارستد (Orsted) یک شرکت دانمارکی است و با نام دانگ انرژی شناخته می‌شود. این شرکت‌ها سیستم‌های مخصوص خود را برای پیش‌بینی قدرت باد ساخته‌اند. داده‌های ورودی این ابزار پیش‌بینی از منابع گوناگونی همچون داده‌های آب و هوایی و اطلاعات حسگرهای مختلف تامین می‌شود. این شرکت‌ها با بهره‌گیری از چنین اطلاعاتی، عملکرد نیروگاه‌های بادی خود را بهبود داده‌اند. نیروگاه‌های بادی این دو شرکت، در دریای شمال دانمارک واقع هستند.

آمازون به‌دنبال حداکثر‌کردن رضایت مشتری به‌همراه حداقل‌کردن هزینه‌های خود است.

سیستم ادراک تقاضای خارجی

برخی شرکت‌ها نیز از منابع خارجی و فضای پردازش ابری برای ساخت سیستم ادراک تقاضا استفاده می‌کنند. پروکتر و گمبل (Procter & Gamble) یکی از این شرکت‌ها است. داده‌هایی که این شرکت جمع‌آوری می‌کند بسیار زیاد هستند. داده‌های همچون نقاط فروش (Sale Points)، کانال‌های تجاری، تغییرات محتوای انبارها، داده‌های توزیع‌کننده‌ها و پیش‌بینی‌های خرده‌فروش‌ها. تمامی این داده‌های به‌صورت روزانه جمع‌آوری و به نرم‌افزارهای پیش‌بینی خورانده می‌شوند.

اتو (Otto) شرکت خرده‌فروش آلمانی، یک سیستم ادراک تقاضا خلق کرده است که بر اساس صدها متغیر گوناگون، به‌صورت روزانه پیش‌بینی‌هایی در مورد هر جنس ارائه می‌دهد. تصمیم‌گیری‌هایی که با استفاده از این سیستم صورت می‌گیرند بر مبنای همین داده‌ها اولویت‌بندی می‌شوند. سیستم ادراک تقاضای شرکت اتو، تا به امروز توانسته در مورد هر کالایی با دقت ۴۰ درصد پیش‌بینی ارائه کند. این پیش‌بینی‌ها باعث شده که از حجم کالاهای مازاد، ۲۰ درصد کاسته شود.

چگونه یک سیستم ادراک تقاضا درست کنیم؟

اگر می‌خواهید یک سیستم ادراک تقاضا برای مجموعه خود بسازید، لازم است که بفهمید چه داده‌هایی در اختیار دارید و کدام داده‌ها می‌توانند روی پیش‌بینی تقاضای مشتریان تاثیر بگذارند. هنگامی‌که این نکات را دریافتید، بهترین راه این است که با گام‌های کوچک و رهیافتی زیرکانه شروع کنید. باید حوزه‌ای را بیابید که حداقل دو سال داده‌ درباره آن داشته باشید. این حوزه می‌تواند یک خانواده از محصولات مثل نوشیدنی‌ها یا یک بخش از تجارت مثل خرده‌فروشی در یک استان باشد. باید آزمایش‌هایی انجام دهید که روشن کنید کدام داده، ارزش بیشتری برای پیش‌بینی را در یک بازه زمانی دارد و چه داده‌هایی تاثیر کمتری دارند.

باید حوزه‌ای را بیابید که حداقل دو سال داده‌ درباره آن داشته باشید. این حوزه می‌تواند یک خانواده از محصولات مثل نوشیدنی‌ها یا یک بخش از تجارت مثل خرده‌فروشی در یک استان باشد.

بهتر است با استفاده از داده‌های سال اول، موتوری برای اعمال الگوریتم‌های ادراک تقاضا و یادگیری ماشینی بسازید و با داده‌های سال دوم، دقت پیش‌بینی‌ها را افزایش دهید. هر چه داده‌های شما وسعت مکانی و زمانی بیشتری داشته باشند، می‌توانید سیستم پیش‌بینی دقیق‌تری بسازید.

داده‌های ورودی به یک سیستم ادراک تقاضا

مهم‌ترین نکته برای عملکرد سیستم ادراک تقاضا این است که چنین سیستمی باید مدت‌زمانی را صرف جستجوی سیگنال‌های تقاضا بکند. این سیگنال‌ها درنهایت به موتورهای تحلیل وارد می‌شوند و نتایج حاصله از آن را می‌توان با زنجیره تامین و اجرا تلفیق کرد.

در این سیستم ادراک تقاضا، چهار مجموعه از داده‌ها، لازم هستند.

۱- داده‌های داخلی ساختارمند مثل داده‌های نقاط فروش، فروش‌ و تبلیغات اینترنتی و خدمات مشتریان

۲- داده‌های داخلی غیرساختارمند مثل کمپین‌های بازاریابی، اپلیکیشن‌ها و تجهیزات فروشگاهی

۳- داده‌های ساختارمند خارجی شامل شاخص‌های بزرگ اقتصادی، الگوهای آب و هوایی و حتی نرخ زادوولد

۴- داده‌های غیرساختارمند خارجی مثل اطلاعات وسایل متصل به اینترنت، دستیارهای شخصی دیجیتال و محیط‌های مجازی

اما این کافی نیست

در کنار یک سیستم ادراک تقاضا، معمولا الگوریتم‌هایی برای تحلیل احساسات فضای مجازی نیز استفاده می‌شوند. این تحلیل‌ها به‌منظور درک حس مخاطبان از نظر مثبت، منفی و خنثی بودن به کار می‌روند و می‌توان با کمک آن‌ها، تصویر بهتری از حس مشتریان به دست آورد.

مطمئنا همه این داده‌ها، به طریق متفاوتی در هر بخش، منطقه، چرخه زندگی کالا و بخش‌های مشتریان اعمال می‌شوند. تأثیرات این داده‌ها ممکن است در زمان تغییر کنند و یا به نحو متفاوتی در شرایط گوناگون اعمال شوند.

می‌دانید آخر هفته هوا بارانی است. به عنوان مدیر یک کافه بیشتر قهوه تهیه می‌کنید یا کمتر؟

از سویی، باید بتوانیم دلایل فرعی تغییرات داده‌ها را نیز بفهمیم وگرنه سیستم تحلیل دچار اشتباه خواهد شد.

برای مثال در یک خرده‌فروش بین‌المللی، ترافیک مشتریان فروشگاه‌های اروپایی، در هوای بارانی به این دلیل افزایش می‌یابد که وقتی هوا بارانی است، مردم دوست ندارند در خیابان بمانند. در مناطقی مثل آمریکای جنوبی، ترافیک مشتریان فروشگاه‌ها در هوای آفتابی زیاد می‌شود، زیرا فروشگاه‌ها و مراکز خرید معمولا مجهز به سیستم تهویه مطبوع هستند.

این دو مثال، حقیقتی را که بیان می‌کند. حقیقتی که می‌گوید، بدون در نظر زمینه داده‌ها، نمی‌توان نتایج درستی گرفت.

آهسته و پیوسته

اعمال این سیستم در یک بخش کوچک از تجارت، به شما اجازه می‌دهد که نتایج سریع بگیرید و از پیچیدگی‌های ناشی از تفاوت مکان‌ها و بازارها بکاهید. این کار همچنین آزمونی برای سیستم پیش‌بینی شما است.

ضروری است که منعطف بمانید و بتوانید این فرآیند‌ها را در دنیای متغیر امروز تکرار کنید. ممکن است گذر زمان نشان دهد که برخی از داده‌ها چندان مفید نیستند. درعین‌حال ممکن است منابع دیگری نیز لازم باشند.

گام بعدی، اشتراک‌گذاری

اگر روزی فرا برسد که این شرکت‌ها داده‌های خود با دیگران به اشتراک بگذراند، اتفاقات جالب‌تری نیز روی خواهد داد. برای مثال به این فکر کنید که فرودگاه‌ها، داده‌های مربوط به مسیرهای مشتریان در ترمینال فرودگاه‌ها را منتشر کنند. شرکت‌های تاکسی‌رانی یا سازندگان هواپیما می‌توانند با استفاده از این داده‌ها، کارایی خود به نحوی چشم‌گیر افزایش دهند.

سیستم ادراک تقاضا چه منافعی دارد؟

سیستم‌های ادراک تقاضا به‌صورت خودکار، برنامه‌ریزی کوتاه‌مدت را انجام می‌دهند. این نکته اجازه می‌دهد که متخصصین زنجیره تامین، برای فعالیت‌های میان‌مدت و بلند‌مدت برنامه‌ریزی کنند. اگر از ادراک تقاضا برای فرآیند‌هایی همچون یافتن منابع، بارگیری هوشمند، انبارداری پویا و برنامه‌ریزی لحظه‌ای تولید استفاده شود، می‌توان ارزش‌های زیادی با آن خلق کرد.

شاید بتوانیم برخی از این ارزش‌ها را در سه مورد بیان کنیم.

۱- کاهش موارد عدم موجودی کالا، باعث افزایش ۵ تا ۱۰ درصدی فروش می‌شود.

۲- به علت عدم نیاز به برنامه‌ریزی انسانی، هزینه‌ها بین ۵ تا ۱۰ درصد کاهش می‌یابد.

۳- با داشتن یک برنامه دقیق، میزان کار لازم برای عملیاتی کردن سیستم، ۱۰ تا ۲۰ درصد کاهش می‌یابد.

ایجاد سیستم ادراک تقاضا، نتایج مثبت دیگری هم دارد. ساخت چنین سیستمی می‌تواند آغازی برای دیجیتالی کردن کل مجموعه باشد. زیرا در مقایسه با بخش‌ها و فرآیند‌های دیگر، عملیاتی‌سازی این سیستم، سریع و آسان روی می‌دهد و منافع زودهنگام و قابل‌لمس تولید می‌کند.

کاهش موارد عدم موجودی کالا، باعث افزایش ۵ تا ۱۰ درصدی فروش می‌شود.

در حالت کلی شرکت‌ها از دو سمت به‌سوی دیجیتالی شدن سوق می‌یابند. محرک‌های خارجی و محرک‌های داخلی. محرک‌های خارجی مثل توقع مشتریان برای ایجاد خدمات جدید و افزایش کیفیت خدمات موجود و محرک‌های درونی شرکت همچون لزوم ارتباطات جهانی و فعالیت‌ تمام وقت.

اما چرا تعلل می‌کنیم؟

علی‌رغم تمامی مزایایی که برای دیجیتالی شدن بیان کردیم، بعضی از مشکلات مانع حرکت بسیاری از شرکت‌ها به سمت دیجیتالی شدن هستند. یکی از این موانع عدم آگاهی مدیران شرکت از ارزش‌های تولیدی سیستم‌های دیجیتال است. در این حالت اجرای حداقل یک نمونه اولیه از چنین سیستمی و آشکار شدن خروجی‌هایی آن می‌تواند اقدامی ارزنده باشد.

رنگ کاورهای آیفون بر چه اساس طراحی می‌شود؟ قرار است از هر کدام چندعدد به فروش برسد؟

مانع دوم در این مسیر، احتیاط بسیاری از شرکت‌ها در به‌کارگیری سیستم‌های خودکار است. البته این نکته تا حدی منطقی است. زیرا به هر روی، شرکت تا جایی که توانسته، بهترین افراد را استخدام کرده و تعلیم داده است. اما انسان‌ها محدود هستند و نمی‌توانند داده‌های زیادی را هم‌زمان با چندین فاکتور در نظر گرفته، تحلیل و بر اساس آن یک زنجیره تامین را طراحی کنند. مواجهه با این سطح از پیچیدگی، فقط از عهده ماشین‌ها بر‌می‌آید.

اجرای یک آزمون اولیه که در آن پیش‌بینی‌های انسانی با پیش‌بینی‌ها ماشین مقایسه می‌شود، می‌تواند برای جلب اعتماد مدیران مفید باشد.

وقت عمل است

در چند سال آینده، هر شرکتی که می‌خواهد بازار خود را گسترش دهد، باید لزوم استفاده از این فناوری‌ها را بپذیرد. سرعت تغییر بسیار زیاد است و تعداد فاکتورهای مؤثر آن‌قدر زیاد هستند که در سیستم‌های سنتی نمی‌توان همه آن‌ها را مد نظر قرار دهند.

منافعی که در اینجا ذکر کردیم فقط شروع کار هستند. با ایجاد زمینه مناسب برای حرکت گسترده‌تر به‌سوی دیجیتالی شدن و ایجاد یک زنجیره تامین واقعا متصل، سیستم‌های ادراک تقاضا نه فقط منافع مادی خود را در تامین منابع، تولید، انبارداری و توزیع نشان می‌دهند بلکه پایه‌ای برای مدل‌های تجاری مبتنی بر داده و همراه با برهمکنش بیشتر با مشتریان باز می‌کنند.

همچنین بهتر است به خاطر داشته باشیم، اگر پذیرش و استفاده از سیستم‌های ادراک تقاضا، منفعت زیادی به دست می‌دهد، باید این را هم در نظر بگیریم که با عدم پذیرش این سیستم‌ها چیزهای زیادی را از دست خواهیم داد. در این میان، هم‌زمان که ادراک تقاضا مسیر خود را در دنیای تجارت باز می‌کند، شرکت‌هایی که زودتر وارد این جریان شدند، موقعیت خود را در بازار قوی کرده‌اند. آن‌هایی که فرصت‌ها را نادیده می‌گیرند عقب می‌مانند و ممکن است هیچ‌وقت نتوانند خود را به دیگران برسانند.

این مطلب را به اشتراک بگذارید
نظرات