Bagaimana AI Mengubah Perkiraan Makanan yang Mudah Rusak

Memprediksi permintaan yang sebenarnya selalu menjadi tantangan, dan ini sangat sulit bagi perusahaan makanan yang beroperasi dalam kategori segar dan mudah rusak. Pada saat yang sama, peramalan yang akurat sangat penting untuk perencanaan dan pelaksanaan rantai pasokan hulu, serta mengurangi pemborosan makanan dan keuangan.

Pada saat pasar tidak konsisten seperti pandemi COVID-19, sebagian besar peramal dibiarkan memahami kebenaran — mencoba menyeimbangkan pola permintaan yang khas dengan dampak pembelian panik, kekurangan kategori, dan kompleksitas logistik.

Bahkan dalam kondisi pasar "normal", tanpa keselarasan dan visibilitas di sekitar perkiraan tunggal yang didorong oleh konsumsi, pemasok hulu (pengecer, grosir, dan produsen) dibiarkan membuat perkiraan mereka sendiri yang tertutup.

Saat prakiraan dibuat secara independen, bias, kesalahan, dan stok pengaman bertambah, karena setiap prakiraan hanya mencerminkan riwayat pesanan, pola, fluktuasi harga, dan ketersediaan input nyata atau yang dirasakan dari mitra hilir langsungnya dalam rantai.

Efek bullwhip ini, di mana perubahan plus-atau minus-5% dalam permintaan konsumen aktual berdampak pada pemasok hulu sebanyak 40% di kedua arah, berarti mempertahankan inventaris yang akurat secara konsisten, bahkan di saat-saat terbaik, merupakan tantangan. Hari ini, selama pandemi, itu tidak mungkin.

Janji Ada di Sini

Penggunaan teknologi untuk menghubungkan mitra di seluruh rantai pasokan bukanlah hal baru, tetapi selama dekade terakhir, belum seefektif yang diharapkan.

Namun, kami telah mencapai titik kritis baru dalam kemampuan kami menggunakan teknologi untuk menggabungkan banyak sinyal permintaan secara efisien. Platform analisis data besar, kecerdasan buatan (AI), pembelajaran mesin, dan model prakiraan tangkas, semuanya memainkan peran penting dalam menghasilkan prakiraan yang jauh lebih andal. Terakhir, alat yang memanfaatkan teknologi ini telah terbukti, dan kami dapat melihat seluruh rantai pasokan dan menggunakan semua datanya dengan cara yang tidak mungkin dilakukan sebelumnya.

Platform perkiraan permintaan yang digerakkan oleh AI tidak bergantung pada pemodelan penjualan historis seperti banyak platform permintaan tradisional. Sebagai gantinya, mereka menggunakan influencer permintaan dinamis, algoritme, data waktu nyata, dan teknologi cloud untuk memprediksi perilaku dan tren secara akurat.

Misalnya, tren demografi dan gaya hidup audiens, pola belanja, peristiwa cuaca, tarif perdagangan, dan inisiatif pemasaran pengecer semuanya memiliki dampak signifikan pada perilaku pembeli dan akurasi permintaan. Namun data ini biasanya berada di beberapa repositori yang tidak terhubung.

Menggunakan algoritme dan analitik prediktif, AI dan platform perkiraan permintaan yang didukung pembelajaran mesin menganalisis volume data yang sangat besar di mana pun ia berada. Teknologi ini dapat secara otomatis mengidentifikasi faktor paling relevan yang memengaruhi permintaan konsumen, mengantisipasi perubahan permintaan dan perilaku pembeli sebelumnya, mengurangi tagihan balik, dan memberikan prediksi probabilistik yang tidak bias tentang permintaan di masa mendatang.

Membuka potensi semua data ini tidak hanya memungkinkan perkiraan permintaan yang lebih akurat, tetapi juga mendukung pendekatan holistik untuk manajemen inventaris. Saat kepercayaan dalam akurasi perkiraan tumbuh, saldo inventaris awal dapat dipertahankan pada tingkat yang lebih rendah — sambil tetap memenuhi persyaratan pelanggan.

Selain itu, karena AI dan machine learning dapat memproses input dengan sangat cepat, insight diberikan saat masih bermakna. Tindakan dapat diambil untuk memenuhi perubahan permintaan atau ketersediaan barang segar atau mudah rusak dan kebutuhan mitra atau konsumen. Misalnya, bagaimana jika selama pandemi, produk segar dan pemasok daging dapat lebih cepat mengemas ulang dan mengalihkan pengiriman dari distribusi grosir restoran ke gerai bahan makanan konsumen?

The United Fresh Produce Association memperkirakan bahwa industri produk secara keseluruhan akan kehilangan setidaknya 40% dari penjualan selama wabah COVID-19. Dan meskipun tidak semua ini dapat dialihkan ke toko kelontong atau ritel konsumen, merek yang dapat bertransisi lebih cepat daripada pesaingnya mampu melindungi lebih banyak pendapatan dan pekerjaan.

Teknologi Lebih Cerdas

Platform perkiraan berbasis AI menerapkan beberapa algoritme untuk secara otomatis menentukan metrik yang paling relevan untuk setiap produk atau SKU dalam sistem. Waktu yang dihabiskan untuk mengumpulkan, memperbarui, mengintegrasikan, dan mendamaikan data yang bersaing dari beberapa spreadsheet dihilangkan, memungkinkan para profesional prakiraan menghabiskan waktu mereka untuk mengoptimalkan permintaan dan berkoordinasi dengan departemen lain seperti pemasaran untuk menemukan aliran pendapatan baru. Nilai kolaborasi lintas departemen dan mitra eksternal, yang beroperasi dari satu sumber kebenaran, tidak dapat diremehkan.

Hasil dari penggunaan model berbasis AI sangat menarik. Nounós Creamery baru-baru ini menggunakan alat tersebut untuk mengotomatiskan perkiraan permintaan dan mengurangi waktu yang dihabiskan untuk memperkirakan dari dua jam setiap minggu menjadi hanya 10 menit. Para pemimpin di Nounós frustrasi karena kurangnya wawasan yang nyata, dan membuang-buang waktu dan uang yang berharga dengan membandingkan data secara manual dari perangkat lunak akuntansi dan sistem manajemen inventaris mereka. Proses ini hanya memberikan gambaran yang samar tentang berapa banyak yogurt yang harus diproduksi oleh perusahaan, dan rasa mana yang harus diprioritaskan.

Nounós dapat menarik data dari semua sumber yang relevan dan mengandalkan algoritme untuk membuat rekomendasi perkiraan. Proyeksinya sangat akurat sehingga perusahaan segera mengurangi produksi berlebih hingga 40%, menghemat pendapatan yang signifikan dari kehilangan produk. Hal ini juga memungkinkan Nounós untuk mengantisipasi permintaan aktual yang diharapkan untuk setiap rasa, mendorong efisiensi yang lebih besar dalam proses manufaktur.

Pendekatan baru untuk peramalan permintaan ini berkembang dalam adopsi karena alasan keuangan, tetapi juga karena sangat skalabel. Ini bekerja dengan baik untuk merek makanan khusus seperti halnya untuk merek multinasional besar. Perkiraan permintaan yang didorong oleh konsumen akan tetap ada. Menggunakan analitik dan teknologi terbaru menghadirkan peluang luar biasa untuk menjinakkan efek bullwhip, dan memenuhi permintaan pada titik yang tepat.

Are Traasdahl adalah salah satu pendiri dan CEO Crisp.