Manufaktur industri
Industri Internet of Things | bahan industri | Pemeliharaan dan Perbaikan Peralatan | Pemrograman industri |
home  MfgRobots >> Manufaktur industri >  >> Manufacturing Technology >> Teknologi Industri

Mengapa Eceran & Pemasok Kesulitan Menyelaraskan Prediksi Permintaan

Keselarasan Prediksi Permintaan Eceran dan Pemasok

Bagaimana di dunia ini eceran dan pemasok diperkirakan untuk datang dengan prediksi permintaan yang akurat jika mereka tidak berbagi data yang sama dengan cara yang sama pada waktu yang sama?

COVID-19 dengan benar diyalahkan untuk banyak masalah yang melanda rantai pasokan produk konsumen selama 2020. Namun kekurangan kertas toilet, air dalam botol dan barang penting lainnya menjadi lebih parah oleh ketidaksejalanan strategi data permintaan antara pemasok dan pembeli. Itulah kesimpulan laporan terbaru oleh perusahaan rekayasa perangkat lunak CI&T.

"Hubungan eceran-pemasok tidak disusun dengan cara yang paling kondusif untuk prediksi permintaan yang yakin," laporan tersebut menyatakan dengan cukup sopan. Namun konsekuensinya serius, menyajikan rantai pasokan eceran dengan sejumlah masalah yang berasal dari kegagalan untuk memprediksi permintaan dengan akurat.

Kedua belah pihak bahkan tidak dapat setuju pada sifat masalah. Pemasok mengatakan tantangan nomor satu mereka dalam memprediksi permintaan adalah visibilitas dan akses ke data. Eceran mengatakan itu menskala platform data. "Strategis, bagaimana mereka memikirkan prediksi permintaan sangat berbeda," kata Melissa Minkow, retail industry lead with CI&T dan co-author of the report.

Ketidaktersambungan dimulai dengan pendekatan dasar terhadap prediksi oleh kedua pasangan nominal. Mayoritas pemasok mengatakan mereka mungkin membagi data yang relevan berdasarkan geografi, sementara eceran melakukannya berdasarkan saluran, seperti penjualan e-commerce dan di toko.

Selain itu, sebagian besar pemasok membandingkan data penjualan untuk bulan tertentu dengan periode yang sama tahun sebelumnya untuk memprediksi penjualan bulan berikutnya, sementara eceran membandingkan angka tersebut dengan yang bulan sebelumnya. Dua metode ini dapat menghasilkan kesimpulan yang sangat berbeda tentang berapa banyak produk yang harus dibuat, disimpan dan ditempatkan di rak untuk 30 hari ke depan.

Pihak-pihak setuju pada jenis informasi yang mereka anggap paling berharga dalam merumuskan prediksi permintaan: data konsumen rinci seperti jenis kelamin, usia dan ukuran rumah tangga. Namun mereka tidak bisa sepertinya untuk mengelola pertukaran intelijen itu secara real time.

Ada ragu-ragu yang berkelanjutan untuk berbagi data sensitif dan proprietary, "yang berarti itu perjuangan bagi mereka untuk bekerja sama," kata Minkow. Kurangnya transparansi ini setidaknya sebagian bertanggung jawab atas pendekatan yang berbeda yang diambil dalam menginterpretasikan data.

Pada waktu ketika gangguan seperti COVID-19 mengancam stabilitas rantai pasokan produk konsumen, belum pernah lebih urgent untuk melihat data kunci melalui satu lensa. Namun eceran dan pemasok tampaknya gagal mencapai tujuan itu. "Ada banyak kepuasan" selama 15 bulan terakhir, kata Minkow. "Kedua belah pihak bermain seluruh permainan sangat erat. Dan itu hanya akan semakin buruk dalam enam bulan ke depan, dengan liburan mendatang."

Untuk memastikan, banyak masalah yang melanda rantai pasokan saat ini di luar kontrol eceran dan pemasok sama-sama. Namun kedua belah pihak dapat lebih banyak untuk mengurangi dampak krisis eksternal dengan menyelaraskan pendekatan mereka terhadap analisis data dan prediksi permintaan. Pada waktu yang tidak pasti, ketahanan adalah kunci. "Ada banyak ruang untuk data yang dibagikan," kata Minkow.

Laporan CI&T mendorong kerangka kerja baru untuk menciptakan prediksi permintaan, yang tidak mengembangkannya secara terisolasi. Saat ini, kata Minkow, "mereka bahkan tidak repot-repot untuk melihat prediksi permintaan satu sama lain. Jika mereka melakukannya, mereka akan melihat di mana mereka dapat belajar satu sama lain."

Di era media sosial, lebih banyak data tersedia bagi rantai pasokan eceran dari sebelumnya. Itu baik berkah dan kutukan — dengan benar dianalisis dan dibagikan, informasi dapat digunakan untuk mengidentifikasi kebutuhan pelanggan dan menyesuaikan produk sesuai. Namun volume yang besar melancarkan ancuan akan membebani penyedia yang tidak memiliki kemampuan untuk memahaminya, dan mengkoordinir alurnya antara mitra.

Minkow mengatakan eceran dan pemasok tidak memanfaatkan sepenuhnya data yang tersedia bagi mereka. Selain intelijen tingkat konsumen, mereka juga harus menarik data penjualan atau keranjang untuk pembelian e-commerce dan di toko, tren musiman, pola cuaca, liburan dan strategi harga pesaing.

CI&T berusaha agar eceran memiliki hubungan berbagi data, kemudian menentukan jenis data kustom mana yang harus diketahui setiap pemasok dalam sistem "uber-forecasting." "Kami akan memberikan lebih banyak kekuasaan ke tangan eceran, tetapi kami juga terbuka untuk pemasok sebagai first mover," kata Minkow. "Ide adalah berada di tengah, di mana semua himpunan data ada. Lalu Anda dapat menyesuaikan hubungan sesuai keinginan Anda."

Kegagalan untuk mengkoordinir hubungan kunci antara eceran dan pemasok untuk tujuan prediksi permintaan mahal bagi semua pihak, terutama mereka di akhir rantai pasokan. "Jika tidak ada strategi berbagi data yang dioptimalkan, konsumen adalah yang akan kalah," kata Minkow. "Dan ketika konsumen kalah, semua orang kalah."

Teknologi Industri

  1. Memahami Keamanan Cloud: Mengapa Bisnis Anda Membutuhkannya
  2. Mengatasi Tantangan Hukum dalam Cloud Computing: Risiko, Regulasi, dan Praktik Terbaik
  3. Mengapa Memori Digital Penting
  4. Komputasi Tepi Dijelaskan: Mengapa Penting untuk Bisnis Modern
  5. Suplier Pertahanan: Menguasai Self-Attestation & False Claims Act
  6. Memaksimalkan Nilai Bisnis melalui Integrasi Big Data dan AI
  7. Logistik dalam Era Big Data: Mengapa Penggunaan Cloud Penting
  8. Mengapa Merek dan Ritil Mengadopsi E-Commerce 3-D
  9. Membuka Keterlihatan Rantai Pasok: Peran Penting Data dan Konteks
  10. Mengubah Manajemen Armada: Integrasi AI & IoT untuk Operasi yang Lebih Cerdas