یادداشت تخصصی

۳ استراتژی اصلی زنجیره تأمین برای ادامه رقابت

۳ استراتژی اصلی زنجیره تأمین برای ادامه رقابت

عنوان اصلی مقاله:
۳ Core Supply Chain Strategies Every Executive Must Execute to Remain Competitive

نویسنده:
Joe Bellini

برگردان: سحر متین‌فرد
پژوهشگر موسسه مدیریت زنجیره تأمین آمادگران

به سفارش: موسسه مدیریت زنجیره تأمین آمادگران

تاریخ انتشار:
۱۵ اکتبر سال ۲۰۲۰ میلادی

 فناوری‌های ناکارآمد زنجیره تأمین دیجیتال

در نظرسنجی اخیر McKinsey، ۱۰۰ درصد پاسخ‌دهندگان با مشکلات تولید و توزیع روبرو بوده‌اند. ۹۱٪ با تامین‌کنندگان مشکل داشتند و ۸۵٪ از پاسخ‌دهندگان با زنجیره‌های تأمین خود با فناوری‌های دیجیتال ناکارآمد دست‌وپنجه نرم می‌کردند.

 

پلتفرمی برای قهرمانان دیجیتال

یک قهرمان دیجیتال بودن مستلزم این است که شما پلتفرم شبکه‌ای را مستقر کنید که بالاترین سطح خدمات مشتری را با حداقل هزینه ارائه دهد. داده پول شما است و شبکه از داده‌های زمان واقعی برای ایجاد اهرم دارایی در بین شرکای تجاری استفاده می‌کند. این داده‌ها فقط باید یک‌بار، در زمان واقعی، در قالب مدیریت داده اندازه‌گیری شده فدراسیون (MDM) وجود داشته باشد.

 

استراتژی اول: معماری مبتنی بر شبکه در زمان واقعی

ما قبلاً خدمات مشتری مبتنی بر شبکه را دیده‌ایم. اوبر، فیس بوک، Airbnb و Alibaba همگی معماری مبتنی بر شبکه را اجرا کرده‌اند که قابلیت‌های چندبخشی را در سراسر شبکه فراهم می‌کند.

در اینجا سطح استراتژی بازار Michael Porter وجود ندارد که بتوان آن را در نظر گرفت. تجارت بین همکاران تجاری در یک شبکه اتفاق می‌افتد. با توجه به ماهیت شبکه تأمین و تحویل محصول، این تجارت باید برای چندین طرف در زمان واقعی برنامه‌ریزی و اجرا شود تا حداکثر سود، کمترین هزینه ارائه شده و بالاترین سطح خدمات به مشتری فراهم شود. یک بستر شبکه‌ای که این قابلیت‌ها را همراه با قابلیت مشاهده سطح برج کنترل، همکاری، تجزیه‌وتحلیل، برنامه‌ریزی و اجرا فراهم می‌کند، محور رقابت‌پذیری در آینده است.

حتی ساده‌ترین معاملات شامل طرفین متعددی مانند مشتری، مدیر برند، بسته‌بندی کالا، تأمین‌کننده، حمل‌کننده، ۳PL و توزیع‌کننده می‌شود. در صورت تغییر در زمان واقعی تقاضا، عرضه یا ظرفیت، درگیر نشدن طرف‌های درگیر در معامله به نفع چه کسی است؟ فناوری‌های تکنولوژی محور امروز به صورت hub-and-spoke طراحی شده‌اند. به این معنی که آن‌ها به عنوان مرکز برای آن گره در شبکه طراحی می‌شوند و با فرآیندها و داده‌های آن‌ها به همین ترتیب رفتار می‌کنند.

 

استراتژی دوم: مدیریت داده‌های یکپارچه

لحظه‌ای تصور کنید که هر ایالت به جای داشتن فدرال رزرو در ایالات‌متحده، ارز مخصوص خود را داشته باشد. چه نوع کابوسی تجاری از نظر تجاری و نوسانات نرخ بهره ایجاد می‌کند؟ (به همین دلیل اتحادیه اروپا به یک ارز مشترک منتقل شد.) داده ارز شماست.

ERP چندگانه شما شبیه فدراسیون موجودیت‌ها است. داده/ ارز شما در حال حاضر در نمونه‌های ERP شما به دام افتاده و در روابط تجاری یک به یک با شرکای شبکه به صورت hub-and-spoke به اشتراک گذاشته شده است. آیا این اصلاً منطقی است؟ و حتی کسانی که داده‌ها را به انبار داده صادر می‌کنند، تأخیر و ایستایی در داده‌ها ایجاد می‌کنند که این ارز را از نظر تصمیم‌گیری در بین شرکای شبکه کاهش می‌دهد.

داشتن استراتژی در جایی که شرکای تجاری شبکه از طریق آن در شبکه شرکت می‌کنند و داده‌های اصلی و عملیاتی خود را با سایر شرکای تجاری بر اساس چارچوب مجوزهای امن در شبکه به اشتراک می‌گذارند، بهتر است. این داده‌ها فقط یک بار وجود دارد و بر اساس چارچوب مجوزها به شرکای تجاری اختصاص داده می‌شود. با توجه به اینکه داده‌ها بین لایه‌ها، ردیف‌ها یا گره‌های موجود در شبکه کپی یا تکثیر نمی‌شوند، طبق تعریف زمان واقعی هستند.

با این روش، استراتژی مدیریت داده اصلی شما باارزش‌ترین دارایی خود شبکه ارزش واقعی شما را فعال کرده و آن ارز را برای بهینه‌سازی اهرم دارایی، خدمات مشتری و کمترین هزینه در اختیار شما قرار می‌دهد. با توجه به اینکه ارجاع متقابل به عنوان بخشی از معماری ساخته شده است، شما همچنین داده خود را افزایش می‌دهید.

 

استراتژی سوم: تجزیه‌وتحلیل تجویزی عملی و مستقل

با توجه به ماهیت چندجانبه روابط تجاری مبتنی بر شبکه، برای تجزیه‌وتحلیل صحیح و اقدام در مورد حل مسئله و ایجاد فرصت، باید کل شبکه زنجیره تأمین end-to-end را مدل کنید. این تنها راهی است که می‌توانید به‌طور بالقوه از همه طرف‌ها سود ببرید. از آنجایی که مشکلات یا فرصت‌های آشکار شده توسط تجزیه‌وتحلیل می‌تواند در بازه‌های زمانی استراتژیک، تاکتیکی یا عملیاتی آشکار شود. پایه و اساس باید یکپارچه باشد، خدمات، الگوریتم‌ها و تجزیه‌وتحلیل‌هایی را ارائه می‌دهد که به‌صورت بلادرنگ از طریق نمایش شبکه انجام می‌شوند، خواه ما در حال حل مشکلاتی هستیم که پیش‌بینی می‌شود در ۶ ماه اتفاق بیفتد یا در هنگام تحویل برنامه‌ریزی‌شده برای امروز. اگر استراتژی‌های ۱ و ۲ را به کار گرفته‌اید، این پایه از قبل موجود است.

پلتفرم شبکه به صورت لحظه‌به‌لحظه به شما امکان آزمایش سیاست‌های جدید زنجیره تأمین، انعطاف‌پذیری شبکه، امکان اجرای برنامه‌های استراتژیک یا تاکتیکی، فعال کردن قطعات یا تأمین‌کنندگان جایگزین، تغییر نوع حمل‌ونقل یا حتی اضافه کردن شیفت‌های اضافی را فراهم می‌کند.

در شبکه، روش‌های زیادی برای حل مشکلات مربوط به تقاضا، تأمین، لجستیک و تکمیل سفارش وجود دارد. میزهای تجزیه‌وتحلیل باید در زمان واقعی به هر متغیر در شبکه دسترسی داشته باشند. سیستم‌های سنتی به دلیل زمان استاتیک ثابت و داده‌های قدیمی، معمولاً فقط یک راه برای حل مسئله به شما می‌دهند. به عنوان مثال، آن‌ها ممکن است توصیه کنند که شما بیشتر برای موجودی، ظرفیت، تأمین‌کنندگان و یا حتی حمل‌ونقل و سفارشات جزئی هزینه کنید.

در شبکه‌های پیشرفته مبتنی بر AI /ML، استراتژی‌ها، سیاست‌ها، تاکتیک‌ها، سطح خدمات مشتری، اهداف درآمد، اهداف حاشیه و غیره هنگام تعیین بهترین روش‌ها برای استفاده از فرصت‌های شبکه یا حل مشکلات، در نظر گرفته می‌شوند.

تجزیه‌وتحلیل شما محیطی است که در آن سه یا چهارراه حل برتر برای دستیابی به اهداف شما ارائه می‌شود. سپس شما آزادانه می‌توانید بهترین انتخاب را که در آن زمان نیاز شما را برآورده می‌کند، درک کنید و کاملاً از تأثیر انتخاب خود در بین همه مشتریان و شرکای تجاری در شبکه مطلع شوید.

این میزهای کار مبتنی بر هوش مصنوعی امروزه در تقاضا، تأمین، لجستیک و تکمیل سفارش در دسترس هستند و نمای برج کنترل را در سراسر شبکه ارائه می‌دهند و می‌توانند بر اساس معیارها و نتایج هدف به‌صورت تعاملی یا خودمختار اجرا شوند.

در داخل هر میز کار، می‌توانید تعدادی از گزینه‌های پیشنهاد شده را ارزیابی کنید. به‌عنوان مثال، در میز کار لجستیک، می‌توانید تحلیل کنید که آیا برای حمل‌ونقل ارزان‌تر، به روش حمل‌ونقل ارزان‌تر نیز نیاز دارد تا سطح خدمات هدفمند حفظ شود.

شما می‌توانید بررسی کنید که آیا تحویل مکرر منجر به افزایش هزینه‌های حمل‌ونقل می‌شود یا خیر و با نگهداری موجودی کمتر جبران می‌شود. همچنین می‌توانید شبکه را از نظر اینکه آیا افزودن یا کم کردن انبار عبوری باعث کاهش کل هزینه‌های تخلیه می‌شود، تحلیل کنید.

یادگیری ماشینی فقط یک روش بهتر برای پیش‌بینی نتایج است، که البته، هنگام پیشنهادات بسیار ارزشمند است. یادگیری ماشینی با ارائه اطلاعات بیشتر، به‌مرورزمان پیش‌بینی‌های خود را بهبود می‌بخشد.

تشبیه خوب قرار دادن یک رنگ سبز گلف است. درصد کم نتیجه این است که سبزی، دانه چمن، شیب، تغییرات ارتفاع، تأثیر دریاچه‌ها/کوه‌های مجاور و غیره را تجزیه‌وتحلیل کنید. نتیجه خوب این است که فردی دقیق داشته باشید درحالی‌که تماشا می‌کنید توپ مشابهی توپ را هدف می‌زند.

این داده‌های واقعی است و همان چیزی است که یادگیری ماشین به‌جای تلاش برای حدس زدن در ترکیبی مناسب از معادلات دیفرانسیل، برای پیش‌بینی نتایج استفاده می‌کند، مانند کاری که قبلاً با بهینه‌سازی انجام می‌دادیم.

 

جمع‌بندی

درحالی‌که کسب‌وکار به حرکت خود به سمت دیجیتالی شدن ادامه می‌دهد، شرکت‌ها باید استراتژی‌هایی را به کار گیرند که پایه مناسبی را برای رقابت بر این اساس فراهم کند. سه استراتژی تشریح شده در این متن، بستری را فراهم می‌کند تا این بنگاه را قادر سازد و توانایی‌های رقابت روبه‌جلو را فراهم کند.

در گزارش مک کینزی که در بالا به آن‌ها اشاره شد، آن‌ها بیان می‌کنند که تقویت قابلیت‌های دیجیتال end-to-end زنجیره تأمین نیاز به یک دید هماهنگ در بین گره‌ها دارد تا شرکت‌ها بتوانند نقاط را با آخرین ابزارها و قابلیت‌های دیجیتال متصل کنند.

سیستم‌های برنامه‌ریزی خودمختار با قابلیت یادگیری ماشین می‌توانند بسیاری از عوامل دیگر را بر اساس پیش‌بینی‌های خود قرار دهند. از نظر این قابلیت‌ها، بستر نرم‌افزاری آینده باید بتواند توانایی مدیریت هزینه، کیفیت و خدمات به مشتری را همراه با ارائه توانایی برتر برای ایجاد تداوم، انعطاف‌پذیری، آمادگی عملیاتی و توانایی مدیریت اختلالات تقاضا / عرضه در زمان واقعی ارائه دهد.

 

منبع: www.supplychain247.com

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *