Presisi yang Dirobotti AI: Mengubah Prediksi Makanan Segar yang Mudah Busuk
Meramalkan permintaan yang sebenarnya selalu menjadi tantangan, dan sulit terutama untuk perusahaan makanan yang beroperasi dalam kategori segar dan mudah busuk. Pada saat yang sama, prediksi yang akurat esensial untuk perencanaan dan eksekusi rantai pasokan upstream, serta mengurangi limbah makanan dan keuangan.
Dalam waktu ketidakkonsistenan pasar seperti pandemi COVID-19, sebagian besar forecaster telah terpaksa menebak-tebak kebenaran—mencoba menyeimbangkan pola permintaan tipikal dengan dampak pembelian panik, kekurangan kategori dan kompleksitas logistik.
Bahkan dalam kondisi pasar "normal", tanpa perataan dan visibilitas di sekitar satu prakiraan yang didorong konsumsi, pemasok upstream (ritailer, grossir, dan produsen) tinggal untuk menghasilkan prakiraan mereka sendiri yang terisolasi.
Ketika prakiraan dibuat secara independen, bias, kesalahan dan stok keamanan bersatu, karena setiap prakiraan hanya mencerminkan riwayat pesanan, pola, fluktuasi harga, dan ketersediaan nyata atau yang dirasakan dari input dari pasangan downstream langsung dalam rantai.
Efek cambuk ini, di mana perubahan 5% ke atas atau bawah dalam permintaan konsumen yang sebenarnya mempengaruhi pemasok upstream sejauh 40% ke arah mana pun, berarti mempertahankan inventaris yang konsisten akurat, bahkan pada waktu terbaik, adalah tantangan. Hari ini, selama pandemi, itu mustahil.
Janji Ini Sudah Ada
Penggunaan teknologi untuk menghubungkan mitra di seluruh rantai pasokan tidak baru, namun selama satu dekade terakhir, belum efektif seperti yang diharapkan.
Namun, kita telah mencapai titik balik baru dalam kemampuan kita untuk menggunakan teknologi untuk secara efisien mengintegrasikan banyak sinyal permintaan. Platform analisis big-data, kecerdasan buatan (AI), machine learning, dan model prakiraan tangkas semuanya memainkan peran penting dalam menghasilkan prakiraan yang jauh lebih andal. Akhirnya, alat yang memanfaatkan teknologi ini sedang terbukti, dan kita dapat melihat di seluruh rantai pasokan dan menggunakan semua datanya dengan cara yang tidak mungkin sebelumnya.
Platform prakiraan permintaan yang didorong AI tidak bergantung pada pemodelan penjualan historis seperti banyak platform prakiraan permintaan tradisional. Sebaliknya, mereka menggunakan pengaruh permintaan dinamis, algoritma, data real-time dan teknologi cloud untuk dengan akurat memprediksi perilaku dan tren.
Misalnya, tren demografi dan gaya hidup audiens, pola belanja, peristiwa cuaca, tarif perdagangan dan inisiatif pemasaran ritailer semuanya memiliki dampak yang signifikan terhadap perilaku pembeli dan akurasi permintaan. Namun data ini biasanya tinggal di beberapa repositori yang tidak terhubung.
Dengan menggunakan algoritma dan analitik prediktif, platform prakiraan permintaan yang didukung AI dan machine learning menganalisis volume data massal terlepas dari di mana data tersebut tinggal. Teknologi ini dapat secara otomatis mengidentifikasi faktor paling relevan yang mempengaruhi permintaan konsumen, mengantisipasi perubahan dalam permintaan dan perilaku pembeli sejak awal, mengurangi chargebacks, dan menyampaikan prediksi probabilistik yang tidak bias tentang permintaan masa depan.
Membuka potensi semua data ini tidak hanya memungkinkan prakiraan permintaan yang lebih akurat, tetapi juga mendukung pendekatan holistik terhadap manajemen inventaris. Seiring bertumbuhnya kepercayaan pada akurasi prakiraan, saldo inventaris awal dapat dipertahankan pada tingkat yang lebih rendah—sambil tetap memenuhi persyaratan pelanggan.
Juga, karena AI dan machine learning dapat memproses input dengan begitu cepat, wawasan disampaikan sementara masih bermakna. Tindakan dapat diambil untuk memenuhi permintaan atau ketersediaan yang berubah dari item segar atau mudah busuk dan kebutuhan mitra atau konsumen. Misalnya, bagaimana jika selama pandemi, pemasok produk segar dan daging dapat dengan lebih cepat mengempaß ulang dan mengalihkan pengiriman dari distribsi grosir restoran ke toko eceran konsumen?
United Fresh Produce Association memperkirakan bahwa seluruh industri produk segar akan kehinkan setidaknya 40% penjualan selama wabah COVID-19. Dan sementara tidak semua ini dapat dialihkan ke toko eceran atau ritail, merek yang dapat beralihan lebih cepat dari pesaing mereka mampu melindungi lebih banyak pendapatan dan pekerjaan.
Teknologi yang Lebih Cerdas
Platform prakiraan yang didorong AI menerapkan banyak algoritma untuk secara otomatis menentukan metrik paling relevan untuk setiap produk atau SKU dalam sistem. Waktu yang dihabiskan untuk mengumpulkan, memperbarui, mengintegrasikan, dan menyelaraskan data yang bersaing dari beberapa spreadsheet dihilangkan, memungkinkan profesional prakiraan untuk menghabiskan waktu mereka mengoptimalkan permintaan dan berkoordinasi dengan departemen lain seperti pemasaran untuk menemukan sumber pendapatan baru. Nilai kolaborasi di seluruh departemen dan mitra eksternal, yang beroperasi dari satu sumber kebenaran, tidak dapat dianggep remeh.
Hasil dari penggunaan model yang didorong AI adalah menarik. Nounós Creamery baru-baru ini menggunakan alat seperti itu untuk mengotomatisasi prakiraan permintaan dan mengurangi waktu yang dihabiskan untuk prakiraan dari dua jam setiap minggu menjadi hanya 10 menit. Pemimpin di Nounós frustasi karena kurangnya wawasan nyata, dan memborosi jam dan uang berharga dengan secara manual membandingkan data dari perangkat lunak akuntansi dan sistem manajemen inventaris mereka. Proses ini hanya memberikan gambaran samar tentang sejumlah besar yoghurt yang harus diproduksi perusahaan, dan rasa mana yang harus diprioritaskan.
Nounós mampu menarik data dari semua sumber yang relevan dan mengandalkan algoritma untuk membuat rekomendasi prakiraan. Proyeksi sangat akurat sehingga perusahaan mengurangi produksi berlebih sebesar 40% hampir segera, menghemat pendapatan yang signifikan dalam kerugian produk. Ini juga telah memungkinkan Nounós untuk mengantisipasi permintaan aktual yang diharapkan untuk setiap rasa, menghasilkan efisiensi yang lebih besar dalam proses produksi.
Pendekatan baru ini terhadap prakiraan permintaan semakin banyak diadopsi untuk alasan keuangan, tetapi juga karena skalabilitas yang tinggi. Ini bekerja sama baik untuk merek makanan spesialitas maupun untuk merek multinasional besar. Prakiraan permintaan yang didorong konsumen telah hadir untuk tinggal. Menggunakan analitik dan teknologi terbaru mempresentasikan peluang yang luar biasa untuk mengatasi efek cambuk, dan memenuhi permintaan pada titik yang tepat.
Are Traasdahl adalah co-founder dan CEO Crisp.
