پیش‌بینی تقاضا در سطح شعبه (Hyper-local Forecasting) برای کاهش ضایعات مواد غذایی

کالبدشکافی فرآیند: یک محصول از مزرعه تا پیش‌بینی هوشمند

برای اینکه درک بهتری از نحوه عملکرد این سیستم‌ها داشته باشیم، بیایید با هم مسیر زندگی یک "خیار" را دنبال کنیم. در مدل‌های قدیمی، این خیار وارد زنجیره تأمین می‌شد، به انبار مرکزی می‌رفت و بر اساس یک عدد ثابت (مثلاً روزی ۱۰۰ کیلو برای هر شعبه) توزیع می‌شد. اما در دنیای Hyper-local، داستان کاملاً متفاوت است.

فرض کنید سیستم هوش مصنوعی در ساعت ۳ صبح بیدار می‌شود و شروع به پردازش می‌کند. او می‌بیند که در شعبه "پاسداران"، دمای هوا برای فردا ۳ درجه بالاتر از حد معمول پیش‌بینی شده است. همزمان، متوجه می‌شود که یک باشگاه ورزشی بزرگ در نزدیکی این شعبه، هفته آینده یک چالش "تغذیه سالم" را شروع می‌کند. مدل تحلیل می‌کند که در چنین شرایطی، تقاضا برای سبزیجات و خیار در این شعبه خاص، احتمالاً ۱۵٪ افزایش می‌یابد. اما در شعبه "پشت میدان تالار"، به دلیل بسته شدن یکی از خیابان‌های اصلی برای تعمیرات، دسترسی مشتریان سخت شده و تقاضا احتمالاً ۱۰٪ کاهش می‌یابد.

حالا جادوی اصلی اتفاق می‌افتد: سیستم به جای ارسال ۱۰۰ کیلو خیار به هر دو شعبه، ۱۱۵ کیلو به شعبه اول و ۹۰ کیلو به شعبه دوم می‌فرستد. این یعنی بهینه‌سازی در لحظه. نتیجه این است که در شعبه اول، هیچ مشتری بدون کالا نمی‌ماند و در شعبه دوم، ۱۵ کیلو خیار اضافی که قرار بود تا دو روز بعد فاسد شود و دور ریخته شود، هرگز از انبار مرکزی خارج نشده است.

این دقیقاً همان جایی است که مفهوم "بهینه‌سازی زنجیره تأمین" از یک اصطلاح تئوریک در کتاب‌های مدیریت، به یک ابزار نجات‌بخش برای محیط زیست و سودآوری تبدیل می‌شود.

اما این دقت خیره‌کننده از کجا می‌آید؟ پاسخ در مفاهیمی است که متخصصان داده به آن‌ها می‌گویند Feature Engineering یا مهندسی ویژگی‌ها. در واقع، ما به هوش مصنوعی یاد می‌دهیم که به چه چیزهایی توجه کند. برای مثال، مدل یاد می‌گیرد که "روز جمعه" به تنهایی یک متغیر نیست، بلکه "روز جمعه در ماه رمضان" یک متغیر کاملاً متفاوت است که الگوهای خرید را به کلی تغییر می‌دهد.

استراتژی‌های پیشرفته برای مدیریت کالاهای با تاریخ انقضای کوتاه (Perishables)

اگر با کالاهای غیرقابل فاسد مثل کنسرو سر و کار داشته باشیم، اشتباه در پیش‌بینی شاید فقط باعث پر شدن انبار شود. اما وقتی صحبت از شیر، گوشت، ماهی یا نان می‌شود، هر ساعت اهمیت دارد. در اینجا، پیش‌بینی تقاضا با استراتژی‌های Dynamic Pricing یا قیمت‌گذاری پویا ترکیب می‌شود.

تصور کنید سیستم پیش‌بینی متوجه می‌شود که امروز ساعت ۴ بعدازظهر است و هنوز ۲۰ عدد ساندویچ آماده در ویترین شعبه باقی مانده، در حالی که پیش‌بینی می‌کرد تا ساعت ۶ تمام شوند. اما داده‌های لحظه‌ای نشان می‌دهد که ترافیک در اطراف فروشگاه به دلیل تصادف شدیداً کاهش یافته و مشتریان کم شده‌اند. در این لحظه، سیستم می‌تواند به صورت خودکار یک اعلان (Notification) به اپلیکیشن مشتریانی که در شعاع ۱ کیلومتری هستند بفرستد: "فقط برای ۲ ساعت آینده، ساندویچ‌های تازه ما با ۴۰٪ تخفیف!"

این یک چرخه کامل است:
۱. پیش‌بینی تقاضا $\rightarrow$ ۲. تامین بهینه $\rightarrow$ ۳. شناسایی عدم تطابق در لحظه $\rightarrow$ ۴. تحریک تقاضا با قیمت پویا برای جلوگیری از ضایعات.

این رویکرد نه تنها مانع از ریختن غذا در سطل زباله می‌شود، بلکه باعث می‌شود مشتریانی که به دنبال تخفیف هستند جذب شوند و در نهایت، سود فروشگاه به جای صفر شدن (به دلیل دور ریختن کالا)، به مقدار قابل توجهی حفظ شود. بیایید صادق باشیم، هیچ مدیری دوست ندارد ببیند کالاهایش فاسد می‌شوند، اما وقتی ابزارهای دیجیتال این کار را به صورت خودکار انجام دهند، فشار عصبی و خطاهای انسانی حذف می‌شود.

چگونه داده‌های "سیاه" را به طلا تبدیل کنیم؟

در دنیای تحلیل داده‌ها، ما با مفهومی به نام "داده‌های سیاه" یا Dark Data روبرو هستیم. این‌ها داده‌هایی هستند که سازمان‌ها جمع‌آوری می‌کنند اما هرگز از آن‌ها استفاده نمی‌کنند. برای یک فروشگاه، داده‌های سیاه می‌توانند چیزهایی باشند مثل: ساعت دقیق ورود مشتریان، تعداد افرادی که یک محصول را برداشته و دوباره سر جای خود گذاشته‌اند، یا حتی میزان تغییرات دمای یخچال‌ها در ساعات مختلف.

وقتی ما این داده‌ها را با مدل‌های هایپر-لوکال ترکیب می‌کنیم، به بینشی می‌رسیم که رقبا هرگز نخواهند داشت. برای مثال، شاید متوجه شوید که در شعبه‌ای خاص، هرگاه دمای یخچال گوشت حتی ۲ درجه بالا برود، سرعت فروش کاهش می‌یابد چون مشتری متوجه کاهش کیفیت می‌شود. این یعنی پیش‌بینی تقاضا فقط به "رفتار مشتری" وابسته نیست، بلکه به "کیفیت عملیاتی" شعبه هم گره خورده است.

برای پیاده‌سازی چنین سیستمی، نیاز به زیرساختی است که بتواند داده‌ها را به صورت Real-time (در لحظه) پردازش کند. دیگر زمان استفاده از فایل‌های اکسل که هفته‌ای یک بار آپدیت می‌شوند گذشته است. امروزه سیستم‌های Cloud-based اجازه می‌دهند تا حتی کوچک‌ترین شعبه‌ها، دسترسی به قدرت پردازشی عظیمی داشته باشند که پیش از این فقط در اختیار غول‌هایی مثل Amazon Fresh یا Walmart بود.

اگر شما هم در مدیریت یک کسب‌وکار هستید و احساس می‌کنید حجم زیادی از فرصت‌ها (و کالاها) را از دست می‌دهید، شاید وقت آن رسیده که به جای حدس زدن، به اعداد اعتماد کنید. دنیای امروز، دنیای داده‌هاست و هر کسی که بتواند این داده‌ها را به تصمیمات درست تبدیل کند، برنده میدان خواهد بود. برای شروع این تحول، می‌توانید با بررسی راهکارهای هوشمند در بخش خدمات زیروکس، اولین قدم را برای حذف ضایعات و افزایش بهره‌وری بردارید.

بررسی یک مورد مطالعاتی (Case Study): تحول در یک زنجیره نانوایی مدرن

بیایید یک مثال عینی را بررسی کنیم. یک زنجیره نانوایی با ۱۰ شعبه در مناطق مختلف شهر، با این مشکل روبرو بود که هر شب حدود ۱۵٪ از نان‌های تولیدی خود را دور می‌ریختند. مدیران تصور می‌کردند این یک "هزینه پذیرفتنی" است چون نان باید همیشه تازه باشد و قفسه‌ها نباید خالی باشند.

آن‌ها تصمیم گرفتند سیستم پیش‌بینی هایپر-لوکال را پیاده کنند. در ابتدا، مدل فقط بر اساس فروش روزهای گذشته عمل می‌کرد و ضایعات را به ۱۲٪ رساند. اما وقتی متغیرهای بیرونی را اضافه کردند، اتفاقات جالبی افتاد:

• متغیر اول (آب و هوا): مدل دریافت که در روزهای بارانی، مردم تمایل دارند نان‌های حجیم‌تر و سنتی‌تری بخرند و تقاضا برای نان‌های تست کاهش می‌یابد.
• متغیر دوم (رویدادها): در یکی از شعب، متوجه شدند هرگاه در مدرسه ابتدایی مجاور، جشن یا مراسمی برگزار شود، تقاضا برای نان‌های کوچک و شیرینی‌ها ۳ برابر می‌شود.
• متغیر سوم (زمان): مدل تشخیص داد که در ساعات ابتدایی صبح (۶ تا ۸)، تقاضا در شعبه‌های نزدیک به ایستگاه مترو بسیار شدیدتر از سایر نقاط است.

بعد از سه ماه استفاده از این سیستم، نرخ ضایعات از ۱۵٪ به کمتر از ۴٪ رسید. نکته شگفت‌انگیز این بود که فروش آن‌ها افزایش یافت. چگونه؟ چون حالا کالاهایی در قفسه بود که مشتری واقعاً می‌خواست، نه کالاهایی که مدیر فروشگاه فکر می‌کرد مشتری می‌خواهد. این یعنی تبدیل "هزینه ضایعات" به "سود خالص" تنها با تغییر زاویه دید از کلان به هایپر-لوکال.

پاسخ به یک سوال متداول: آیا هوش مصنوعی جایگزین مدیر فروشگاه می‌شود؟

این یکی از بزرگترین ترس‌های کارکنان در مواجهه با تکنولوژی است. بیایید صادق باشیم: هوش مصنوعی نمی‌تواند جایگزین انسانی شود که با لبخند به مشتری سلام می‌کند یا متوجه می‌شود که یک مشتری قدیمی امروز غمگین است و نیاز به توجه بیشتری دارد. اما هوش مصنوعی می‌تواند جایگزین "بخش خسته‌کننده" کار مدیر شود.

تصور کنید مدیر شعبه به جای اینکه ساعت‌ها وقتش را صرف محاسبه دستی موجودی و نوشتن لیست سفارشات در یک دفترچه قدیمی کند، صبحگاه با یک داشبورد ساده مواجه شود که به او می‌گوید: "امروز طبق پیش‌بینی، تقاضا برای محصول X زیاد است، من سفارش را ثبت کرده‌ام، شما فقط نظارت کنید".

در واقع، Hyper-local Forecasting مدیر را از یک "حسابدار" به یک "استراتژیست" تبدیل می‌کند. او حالا وقت دارد روی بهبود تجربه مشتری، چیدمان بهتر فروشگاه و آموزش کارکنان تمرکز کند، در حالی که خیالی آسوده دارد که موجودی کالاها توسط یک مغز دیجیتال دقیق مدیریت می‌شود. این همکاری میان انسان و ماشین (Human-AI Collaboration) است که باعث ایجاد بیشترین ارزش می‌شود.

گام‌های عملی برای گذار از مدیریت سنتی به پیش‌بینی هوشمند

حالا که با قدرت و منطق پیش‌بینی در سطح شعبه آشنا شدیم، احتمالاً این سوال در ذهن شماست: "من از کجا باید شروع کنم؟" واقعیت این است که هیچ کسب‌وکاری یک‌شبه به سطح Walmart نمی‌رسد. این مسیر یک marathon است، نه یک sprint. برای اینکه در این مسیر دچار سردرگمی نشوید و سرمایه‌تان را در ابزارهایی که کاربرد ندارند هدر ندهید، باید یک نقشه راه منظم داشته باشید.

اولین و حیاتی‌ترین قدم، پاکسازی داده‌ها است. بیایید با هم صادق باشیم؛ اگر داده‌های شما در اکسل‌های پراکنده یا بدتر از آن، در یادداشت‌های کاغذی مدیران شعبه باشد، پیشرفته‌ترین مدل‌های OpenAI یا Google هم نمی‌توانند معجزه کنند. شما باید سیستمی داشته باشید که هر تراکنش فروش، هر کالای دور ریخته شده و هر تغییر قیمت را در لحظه ثبت کند. این یعنی سرمایه‌گذاری روی یک سیستم POS (نقطه فروش) مدرن و یک نرم‌افزار مدیریت انبار یکپارچه.

سپس، به دنبال "بردهای کوچک" (Quick Wins) باشید. سعی نکنید از روز اول پیش‌بینی تقاضا برای تمام ۵۰۰۰ کالای فروشگاه خود را هوشمند کنید. با محصولاتی شروع کنید که بیشترین ضایعات را دارند یا بیشترین حاشیه سود را ایجاد می‌کنند. مثلاً روی محصولات لبنی یا نان‌های تازه تمرکز کنید. وقتی مدل شما در این دسته‌بندی‌ها موفق عمل کرد و شما کاهش واقعی ضایعات را در تراز مالی خود دیدید، اعتماد تیم و مدیران جلب می‌شود و می‌توانید سیستم را به سایر بخش‌ها تعمیم دهید.

آینده خرده‌فروشی: وقتی فروشگاه‌ها "پیش‌بین" می‌شوند

اگر به افق آینده نگاه کنیم، پیش‌بینی هایپر-لوکال تنها شروع یک تحول بزرگتر است. ما به سمتی می‌رویم که فروشگاه‌ها دیگر فقط "محل فروش" نیستند، بلکه به "مرکز توزیع بهینه" تبدیل می‌شوند. تصور کنید سیستمی را که نه تنها تقاضای هر شعبه را پیش‌بینی می‌کند، بلکه به طور خودکار با تامین‌کنندگان در مزرعه ارتباط برقرار کرده و می‌گوید: "برای شعبه شماره ۷، دقیقاً ۲۴۷ کیلوگرم گوجه‌فرنگی با درجه رسیدگی متوسط برای سه روز آینده نیاز است".

در این آینده، مفهوم "ضایعات" به تدریج از لغت‌نامه صنعت مواد غذایی حذف خواهد شد. ما شاهد ظهور Zero-Waste Retail خواهیم بود؛ جایی که زنجیره تأمین چنان دقیق تنظیم شده که هیچ کالایی تولید نمی‌شود مگر اینکه خریدارش مشخص باشد. این نه تنها یک پیروزی اقتصادی برای مالکان کسب‌وکار است، بلکه بزرگترین هدیه‌ای است که تکنولوژی می‌تواند به سیاره زمین بدهد.

اما بیایید به واقعیت امروز برگردیم. در دنیای رقابتی فعلی، تفاوت بین یک فروشگاه موفق و یک فروشگاه شکست‌خورده، در توانایی آن‌ها برای تطبیق سریع با نیاز مشتری است. مشتری امروز دیگر نمی‌بخشد که کالای مورد نیازش موجود نباشد، و محیط زیست دیگر نمی‌بخشد که تن‌ها مواد غذایی سالم در زباله‌دان‌ها دفن شوند.

"داده‌ها، نفت جدید قرن ۲۱ هستند، اما مانند نفت، اگر تصفیه نشوند و به سوخت تبدیل نشوند، هیچ ارزشی ندارند."

پایان مسیر، آغاز تحول

رسیدن به دقت بالا در پیش‌بینی تقاضا، نیاز به ترکیبی از دانش ریاضی، درک رفتار انسانی و زیرساخت‌های تکنولوژیک دارد. شاید در ابتدا پیچیده به نظر برسد و تصور کنید که پیاده‌سازی چنین سیستمی فقط در حیطه توان غول‌های تکنولوژی است، اما حقیقت این است که ابزارهای امروز، این قدرت را به دست هر کسی که بخواهد تغییر کند داده است.

شما می‌توانید همین امروز تصمیم بگیرید که به جای پذیرفتن ضایعات به عنوان یک "هزینه اجباری"، آن را به عنوان یک "فرصت برای بهینه‌سازی" ببینید. تغییر از کوچک‌ترین جزئیات شروع می‌شود؛ از ثبت دقیق یک عدد در سیستم گرفته تا تحلیل یک الگوی خرید در یک محله خاص. وقتی شما شروع به دیدن الگوهایی کنید که دیگران نمی‌بینند، برتری رقابتی شما تضمین شده است.

اگر احساس می‌کنید داده‌های کسب‌وکارتان پتانسیل بیشتری دارند و می‌خواهید بدانید چگونه می‌توانید از قدرت یادگیری ماشین برای کاهش هزینه‌ها و حذف ضایعات استفاده کنید، لازم نیست تمام مسیر را تنها طی کنید. متخصصانی هستند که این پل بین "داده‌های خام" و "سود خالص" را برای شما می‌سازند. برای دریافت مشاوره تخصصی و بررسی اینکه کدام مدل‌های پیش‌بینی برای نوع کسب‌وکار شما مناسب‌تر است، پیشنهاد می‌کنیم با تیم متخصص زیروکس تماس بگیرید و اولین گام را برای هوشمندسازی زنجیره تأمین خود بردارید.

به یاد داشته باشید: هر کالایی که امروز با پیش‌بینی درست نجات می‌دهید، نه تنها سود شما را افزایش می‌دهد، بلکه گامی کوچک اما مؤثر در جهت نجات زمین است.