اختلال در الگوریتم‌های مدیریت زنجیره تأمین به‌دلیل شیوع کرونا

شرکت‌های بزرگی همانند آمازون و والمارت، برای مدیریت زنجیره‌ی تأمین خود الگوریتم‌های پیچیده‌ای دارند که ظاهرا در دوره‌ی بحران و همه‌گیری کنونی، کارایی خود را از دست داده‌اند.

مدیریت زنجیره‌ی تأمین یکی از فعالیت‌های اساسی و ضروری در شرکت‌های بزرگی همچون والمارت و آمازون محسوب می‌شود. مدیران زنجیره‌ی تأمین در این شرکت‌ها در بدترین شرایط باید مطمئن باشند که محصولات و کالاهای موردنیاز مشتریان در دسترس قرار دارد. ویروس کرونا و بحران جهانی که در پی شیوع آن ایجاد شد، بر مدیریت زنجیره‌ی تأمین در شرکت‌ها هم تأثیر داشت. ظاهرا الگوریتم‌هایی که برای مدیریت بهینه‌ی زنجیره در شرکت‌های بزرگ به‌کار گرفته می‌شدند، کارایی خود را از دست داده‌‌اند و دیگر پیش‌بینی مناسبی ارائه نمی‌کنند.

سیستم‌ها و الگوریتم‌های مدیریت زنجیره‌ی تأمین، براساس داده‌های متعددی که از آمار تقاضا و فروش کالاها دریافت می‌کنند، پیشنهاد سفارش آن‌ها در حجم عمده را ارائه می‌دهند. آن‌ها مواردی همچون سطح موجودی در انبار، تاریخچه‌ی روندهای خرید مشتریان، جشنواره‌ها و دوره‌های گوناگون زمانی را بررسی کرده و پیشنهاد خرید و تأمین هر کالا را به مدیران ارائه می‌کنند. گزارش‌های جدید نشان می‌دهد که در دوران همه‌گیری کووید ۱۹ و هرج‌ومرج جهانی ایجادشده در زنجیره‌های تأمین، پیشنهادهای ارائه‌شده ازسوی سیستم‌ها، مدام تغییر می‌کند. یکی از مدیران زنجیره‌ی تأمین والمارت که نخواست نامش فاش شود، در مصاحبه‌‌ای گفت که پیشنهادهای متنوعی در ماه‌های اخیر از الگوریتم‌ها دریافت می‌شود. طبق گفته‌ی او، فرکانس تغییر پیشنهادها نیز بیشتر شده است.

شرایط نامناسب کارگران انبار آمازون

اکثر شرکت‌های فعال در صنعت خرده‌فروشی، از مدل یا الگوریتمی برای پیش‌بینی نیاز و تقاضای مشتری‌ها استفاده می‌کنند. مدل مذکور می‌تواند یک فایل اکسل ساده یا سیستمی مهندسی‌شده و حرفه‌ای باشد. به‌هرحال مدل‌ها عموما پیشنهادهای قابل اعتمادی ارائه می‌کنند، اما ظاهرا آن‌‌ها هم تحت تأثیر همه‌گیری ویروس کرونا قرار گرفته‌اند. جول بیل، هم‌بنیان‌گذار شرکت تحلیلی Alloy می‌‌گوید کووید ۱۹ همه‌ی داده‌ها و شرایط ورودی را به داده‌ی پرت تبدیل کرده است و هیچ مدلی توانایی پیش‌بینی صحیح با داده‌های موجود را ندارد.

پیش‌بینی‌‌های بلندمدت خرید و تأمین کالا در دوران همه‌گیری جهانی کارساز نیستند

شوک‌های مرسوم دیگر مانند حوادث طبیعی، تأثیراتی روی زنجیره‌های تأمین دارند که محققان آن‌ها را به‌خوبی درک می‌کنند. ازطرفی، حوادث عموما منطقه‌ای هستند و تأثیر آن‌ها بر کل زنجیره، آن‌چنان عمیق نمی‌شود. کووید ۱۹، حادثه‌ای منطقی به شمار نمی‌رود و آن را دنیاگیری می‌نامند. درواقع حتی اگر شرکت‌ها الگوریتم پیش‌بینی خود را در برابر حوادثی همچون شیوع بیماری‌های N1H1 و سارس هم مقاوم کرده بودند، برای چنین شیوع عظیمی آماده نبودند. اساتید و متخصصان مدل زنجیره‌ی تأمین اعتقاد دارند ویروس کرونا، تأثیری در سطح جدی بر همه‌ی حوزه‌ها گذاشته است.

مدل‌های پیش‌بینی، عموما از داده‌های گذشته برای پیش‌بینی روند‌های آینده استفاده می‌کنند. به‌عنوان مثال اگر یک شرکت، کالای به‌خصوصی را در یک ماه از سال بفروشد، برای تأمین کالا در سال آینده، آماده بودن انبار برای ماه مذکور، پیشنهاد می‌شود. آماده بودن انبار، یعنی بخش‌های دیگر زنجیره‌ی تأمین یعنی سفارش و تولید محصول هم باید آماده باشند.

تغییرات عظیمی که در دوره‌ی همه‌گیری کنونی در رفتار مردم، حمل‌ونقل و تولید ایجاد شد، به این معنی است که جریان تقاضا و تأمین دیگر مانند گذشته قابل پیش‌بینی نخواهد بود. درواقع، دوران کنونی با داده‌های پرت بسیاری همراه می‌شود. درنهایت، روندهای مرسوم که شامل تغذیه‌ی مدل‌ها با الگوهای خرید در سال‌های گذشته می‌شد، در دوره‌‌ی کنونی کارساز نخواهد بود.

ویروس کرونا در ایران

تغییرات سریعی که در جهان رخ می‌دهد، شرکت‌ها را از بررسی داده‌های تاریخی مربوط به دوره‌های زمانی بزرگ، دور می‌کند. درواقع الگوریتم زنجیره‌ی تأمین دیگر نمی‌تواند باتوجه به داده‌های دوره‌ی کنونی در سال گذشته، پیشنهاد تأمین ارائه دهد. چرا که در سال گذشته با بحرانی به ابعاد کووید ۱۹ روبه‌رو نبودیم. درنتیجه، دوره‌های تزریق داده و پیش‌بینی کوتاه‌تر می‌شود. به‌عنوان مثال، شرکت‌ها اکنون باید باتوجه به داده‌های خرید یک هفته‌ی پیش، برای هفته‌ی آینده‌ی خود برنامه‌ریزی کنند و برنامه‌ریزی بلندمدت دیگر معنایی ندارد. درنهایت تنها می‌توان به داده‌های چند ماه گذشته و دوره‌ای اتکا کرد که ویروس کرونا به بحرانی جهانی تبدیل شد.

بحران کنونی برای الگوریتم‌های پیش‌بینی زنجیره‌ی تأمین، ارتباطی به مدل پیش‌بینی آن‌ها ندارد. درواقع تنها باید داده‌های ورودی به الگوریتم را تغییر دهیم. شرکت‌های بزرگی همچون والمارت و آمازون که از سیستم‌های یادگیری ماشین برای پیش‌بینی زنجیره‌ی تأمین استفاده می‌کنند، احتمالا با عدم قطعیت بالایی در سیستم‌های خود روبه‌رو خواهند شد و باید راهی برای تنظیم آن پیدا کنند. به‌هرحال تنظیم پیش‌بینی‌ها، ادامه‌ی روند مدل‌سازی زنجیره‌ی تأمین را ممکن می‌کند، اما به‌هیچ‌وجه نمی‌توان انتظار  دقت و صحتی مانند گذشته از الگوریتم‌ها داشت.

در شرایط کنونی،‌ مدیران و مسئولان برنامه‌ریزی زنجیره‌ی تأمین، بیش از گذشته مجبور به دخالت در پیش‌بینی‌های سیستمی می‌شوند. متخصصان زنجیره‌ی تأمین می‌‌گویند شرکت‌ها اکنون باید بیش‌ازپیش به تحلیل‌گران انسانی وابسته شوند و پیش‌بینی‌های آن‌ها را برای تأمین کالاهای موردنیاز، بپذیرند. در ماه‌های گذشته، شرکت‌های متعددی به‌خاطر تکیه‌ی صرف بر پیش‌بینی‌های سیستمی، منابعی را از دست داده‌اند. به‌عنوان مثال آن‌ها باتوجه به افزایش فروش یک کالا در سه ماه پیش، برای خرید حجم بیشتری اقدام کرده‌اند و اکنون باتوجه به کاهش تقاضا برای کالای مذکور، امکان فروش موجودی انبار خود را ندارند.

برخی از شرکت‌های بزرگ تلاش می‌کنند تا سیستم‌های خود را براساس بحران کنونی بهینه‌سازی کنند. به‌عنوان مثال آن‌ها باتوجه به روندهای موجود و آمار کاهش همه‌گیری در کشورهای گوناگون، زمانی تقریبی را برای پایان بحران پیش‌بینی کرده و آن را در مدل‌های خود پیاده‌سازی می‌کنند.

شرایط نامناسب کارگران انبار آمازون

مدل‌های پیش‌بینی زنجیره‌ی تأمین باید برای پیش‌بینی دوران پس از بحران کرونا هم تغییر کنند. کارشناسان اعتقاد دارند عادت‌های خرید جدید مردم (مانند خرید بیشتر مواد ضدعفونی‌‌کننده و ماسک) احتمالا تا مدت‌های طولانی به همین شکل باقی خواهد ماند. ازطرفی برخی از خرید‌ها احتمالا با ازبین رفتن بحران و ازسرگیری زندگی در روال عادی، با کاهش روبه‌رو خواهند شد. شرکت‌های تولیدکننده و توزیع‌کننده این نوع از کالاها، باید پیش‌بینی دقیق‌تری برای طولانی‌مدت خود داشته باشند.

تغییرات عظیمی که در ماه‌های گذشته در بازارها ایجاد شده و منجر به از بین رفتن اعتبار پیش‌بینی‌های ماشینی شد، بار دیگر احتیاط در استفاده از کامپیوترها برای پیش‌بینی تقاضای کالاها را گوشزد می‌کند. کارشناسان می‌‌گویند شرایط کنونی بسیاری از شرکت‌ها را وارد بحران کرده است. درنتیجه شاید آن‌ها در آینده سرمایه‌گذاری کمتری روی سیستم‌های پیش‌بینی طولانی‌مدت زنجیره‌ی تأمین انجام دهند. شاید مدیران به‌مرور تصمیم بگیرند تا تمرکز و اتکای خود را روی پیش‌بینی‌های چند ماه آینده کاهش دهند و بیشتر، به آینده‌ی در دسترس و قابل پیش‌بینی متکی شوند.

منبع theverge

از سراسر وب

  دیدگاه
کاراکتر باقی مانده

بیشتر بخوانید