عنوان مقاله: Consumer demand: The big supply chain question mark
نویسنده: Matt Leonard
برگردان: معصومه موسی (پژوهشگر موسسه مدیریت زنجیره تامین آمادگران)
به سفارش: موسسه مدیریت زنجیره تامین آمادگران
زمان انتشار: ۳۰ ژوئن سال ۲۰۲۰ میلادی
مرور خلاصه بر مطلب:
- براساس نظرسنجی CalAmp و Reuters Events از ۵۸۷ نفر مدیران اجرایی زنجیره تأمین از جمله ۲۰۲ فعال حوزه حمل‌ونقل از سراسر جهان، پنجاه‌ویک درصد از حمل‌ونقل‌کنندگان عدم وضوح در تقاضای مصرف‌کننده که در نتیجه همه‌گیری‌های COVID-19 ایجاد شده‌است را بزرگترین گلوگاه زنجیره تأمین در حال حاضر می‌دانند.
- براساس یک مقاله که همراه با نظرسنجی منتشر شده است، “این ویروس همه‌گیر نوسانات غیرمنتظره‌ای را در تقاضای مشتری ایجاد کرده است و تشخیص الگوهای تقاضا را حتی دشوارتر از گذشته می‌کند.”
“علاوه بر این، سیلوهای بین فروش و عملیات مانع به اشتراک‌گذاری داده‌ها شده‌اند که می‌تواند در پیمایش این موضوعات مفید باشد.”
- در این گزارش آمده است: برخی از خرده‌فروشان بزرگتر با تنظیم سیستم‌های مسیریابی و مدیریت ظرفیت سبدهای کوچکتر و پنجره‌های زمانی تحویل کوتاه‌تر، با افزایش تقاضا برای مواد غذایی و کالاهای خانگی برخورد کرده‌اند.
توضیحات تکمیلی:
John Aloysius، استاد دپارتمان مدیریت زنجیره تأمین در دانشگاه Arkansas که با شرکت‌های بسیاری برای درک تأثیر بحران‌های همه‌گیر در تحلیل‌ها همکاری کرده‌است، گفت: این بیماری همه‌گیر استفاده از الگوریتم‌های یادگیری ماشین و سایر روش‌های تحلیلی پیش‌بینی را برای درک و تخمین تقاضای مصرف کننده، افزایش داده است.
Aloysius گفت: “در طول چند سال گذشته … با افزایش دسترسی به داده‌ها، به عنوان مثال، بسیاری از این تصمیمات به طور فزاینده‌ای بصورت خودکار اتخاذ می‌شوند.” وی گفت، پیش‌بینی‌های خودکار برای آگاهی دادن در مورد تصمیمات گرفته‌شده توسط نیروی انسانی استفاده می‌شود.
مدل‌های مورد استفاده برای پیش‌بینی تقاضای مصرف‌کننده به صدها یا حتی هزاران متغیر نگاه می‌کنند، از جمله روند خرید، تبلیغات فروش و فصلی. آنها تلاش می‌کنند تا در زمان‌های عادی در شناسایی تنوع در سیستم عملکرد خوبی داشته باشند، اما مدل‌های آماری هنگام تهیه پیش‌بینی‌ها در یک محیط سازگار به بهترین وجه کار می‌کنند. فراگیری ویروس کرونا موجب افت شدید روند مداوم تقاضا برای بسیاری از محصولات شد.
Aloysius گفت: حوادث مطابق نظریه قوی سیاه، مانند همه‌گیر بودن، به این معنی است که “این مدل‌ها ناگهان بسیار کم کاربرد می‌شوند زیرا تغییر در تقاضا که می‌خواهید ببینید، دیگر سیستماتیک نیست.”
این موضوع در نتیجه ریاضیات استفاده شده برای ایجاد مدل‌ها بوجود می‌آید. پیش‌بینی‌ها و مدل‌های یادگیری ماشینی بر روی داده‌های تاریخی آموزش داده می‌شوند. این موضوع به مدل اجازه می‌دهد تا آنچه را که احتمالاً در یک وضعیت معین اتفاق می‌افتد مبتنی بر آنچه در گذشته در طول وقایع مشابه اتفاق افتاده است، تعمیم دهد. و مشکل اینجاست که: هیچ موقعیت مشابه‌ای درگذشته برای کمک به ایجاد این مدل‌ها وجود ندارد.
Aloysius گفت: “این حقیقت فقط در حد سخن نیست، بلکه یک روند رو به رشد است و فقط شامل افزایش‌های فصلی قابل پیش‌بینی نخواهد بود. همه‌چیز دقیقاً مانند یک داستان کاملاً متفاوت است و داده‌های تاریخی دیگر تا این اندازه مرتبط نیستند.”
وی گفت، برای مثال یک مدل ساخته‌شده برای پیش‌بینی فروش محصولات تمیزکننده، ممکن است میزان تقاضا را در طول همه‌گیری بیماری کمتر تخمین زدهباشد. بنابراین، شرکت‌ها به یک ابزار بسیار قدیمی‌تر در برنامه‌ریزی زنجیره تأمین روی آورده‌اند: داوری انسان.
Aloysius گفت: “اینجا جایی است که کار خیلی سخت‌تر می‌شود، درست است؟ زیرا حتی انسان‌ها واقعاً نمی‌دانند چه اتفاقی خواهد افتاد، و این عدم اطمینان است که مدام در حال افزایش است.”
وی گفت، اما توانایی انسان در انتخاب علائم و تشخیص وقایع به طور قابل توجهی از مدل‌های یادگیری ماشینی فراتر است. انسان‌ها می‌توانند اخبار را بخوانند و اطلاعات خوبی از تأثیر این بیماری در میزان تقاضا بدست بیاورند: فروش بیشتر برای مواد تمیزکننده، تقاضای کمتر برای لباس. وی با اشاره به روش های مدل‌سازی گفت: “سیستم قادر به فهم این موضوع نیست.”
با این حال، درک نحوه این تغییرات، نیاز به برخی از تشخیص‌های انسانی دارد. وی افزود، در حالی که ممکن است پس از یک دوره خرید ناشی از وحشت، تقاضا برای برخی از اقلام مانند دستمال توالت به حالت عادی برگردد، برخی دیگر می‌توانند تغییر دائمی یا طولانی‌تر تقاضا را مشاهده کنند.
Aloysius گفت: “این اتفاق برای چندین هفته، ماه‌ها، شاید حتی در بعضی موارد سال‌ها، قبل از اینکه سیستم‌های خودکار راه‌اندازی شوند، رخ می‌دهد.”
برخی اقدامات وجود دارد که شرکت‌ها می‌توانند برای بهبود مدل‌های خود انجام دهند. تحلیل‌گران باید به مدل‌ها کمک کنند تا درک کنند که چیزی تغییرکرده است. یک روش معرفی متغیری برای نشان دادن همه‌گیری است، بنابراین مدل می‌تواند یاد بگیرد که پس از یک تاریخ مشخص همه‌چیز متفاوت از آنچه در گذشته بود، شده است. وی افزود، اما پس از آن شرکت نیاز به جمع‌آوری اطلاعات کافی پس از همه‌گیری برای شروع آموزش برای مدل‌سازی با این متغیر جدید دارد.
شرکت‌ها در حالی‌که منتظر مدل‌های خود هستند به چه معیارهایی اعتماد کنند تا عقب‌افتادگی‌ها را جبران کنند؟ این بخش سخت ماجرا است.”شرکت‌ها احتمالاً روی آنچه در سطح تقاضای فروشگاه و سیاست‌های محلی اتفاق می‌افتد، تمرکز می‌کنند. به عنوان مثال، تقاضا در نیویورک ممکن است با سایر کشورها متفاوت باشد. وی گفت که شرکت‌ها باید تغییرات سیاسی مربوط به بیماری همه‌گیر را در سطح محلی، ایالتی و فدرال مورد توجه قرار دهند.
والمارت با استناد به “عدم اطمینان پیرامون چندین متغیر مهم خارجی و تأثیر احتمالی آنها بر تجارت و اقتصاد جهانی”، راهنمایی خود را برای سال مالی ۲۰۲۱ ترسیم کرده‌است. مدیر مالی والمارت Brett Biggs در ماه گذشته گفت: “عدم اطمینان از برخی متغیرها در عملکرد شرکت در هر جهتی می‌تواند تأثیر بگذارد.”
نایک همچنین با استناد به عدم اطمینان، از ارائه راهنمایی سال مالی ۲۰۲۱ خودداری کرده است. اما این شرکت اظهار داشت که این امر می‌تواند به پتانسیل داده‌ها و تجزیه‌وتحلیل‌ها تکیه کند تا به هدایت عدم قطعیت بپردازد. حتی اگر مدل‌ها تلاش کنند پیش‌بینی‌های لازم را در مورد اطلاعات موجود انجام دهند، داده‌ها همچنان راهنمای شرکت‌ها خواهند بود. Aloysius گفت: “فقط دخالت انسانی بسیار بیشتری وجود دارد.”
منبع: https://www.supplychaindive.com/news/coronavirus-consumer-demand-patterns-supply-chain
