Efterfrågan på livsmedel och dagligvaror varierar. Livsmedelsindustrin har alltid haft problem med säsongsprognoser, även innan coronaviruset slog till. Nu är det rena kaoset. Särskilt om du levererar färska produkter och lättfördärvliga varor.
Kolla in denna obehagliga statistik om matsvinn:
- Den globala kostnaden för matavfall är nu 2,6 biljoner dollar per år!
- Den amerikanska detaljhandelssektorn genererar 8 miljoner ton avfall årligen i distributionscentraler och butiker, eller 18 miljarder dollar per år i förlorat värde för detaljhandeln på grund av bortfall.
Foodservice: Det är Boom or Bust
Beroende på om du sysslar med dagligvaruhandel eller restaurangbranschen är efterfrågan på livsmedelstjänster högkonjunktur eller lågkonjunktur - utan något däremellan.
Kanske har du på grund av Shelter-in-Place en beställning av fjäderfä från Kroger som inte kan uppfyllas (stor efterfrågan). Eller omvänt, ruttnande avokados i ditt DC, eftersom förra årets historik sa att 18 000 enheter skulle säljas till en restaurang under första kvartalet 2020...
Det är samma typ av problem: sen och felaktig information.
Finns det verkligen ett sätt att förutse detta? Eller är fördärv bara ett offer för lättfördärvliga produkter som man är beredd att leva med?
Grossistföretag inom livsmedelsbranschen kan enkelt stabilisera efterfrågan för restaurang- och dagligvaruhandelskunder med hjälp av maskininlärningsbaserade lösningar för hantering av beställningar av färskvaror.
Prognoser för färska produkter är komplicerade
Det är otroligt hur många företag som fortfarande använder föråldrade prognosmetoder, t.ex. kalkylblad och till och med "bästa gissningar" som justeras av aktiemännen. Dessa strategier kan inte hålla jämna steg med den unika volatiliteten för färska livsmedel och andra produkter med kort hållbarhet.
Bland de största brottslingarna:
- Strikta krav på spårbarhet
- Oregelbundna köpvanor hos konsumenterna
- Långa eller varierande ledtider hos leverantörer
- Säsong, helgdagar och väderhändelser
- Kampanjer och nya produkter
- Bredare sortiment inklusive "ultrafräscha" varor med högst 1-2 dagars hållbarhet.
- Variationer i den regionala efterfrågan
Maskininlärning för påfyllning av färska livsmedel
Nyckelordet här är fräsch.
Färska produkter står för upp till 40 % av livsmedelsbutikernas intäkter och en tredjedel av kostnaden för sålda varor. Så JA... det är viktigt att göra rätt.
Företag har stor framgång med lösningar för hantering av beställningar av färskvaror. Med hjälp av maskininlärning hjälper dessa lösningar livsmedelsföretag att beräkna de svåra avvägningarna vid beställningar av färskvaror: köpa för mycket och drabbas av förluster på grund av förstörelse, eller köpa för lite och drabbas av förlorad försäljning och förlorade kunder.
Lösningar för hantering av order för färskvaror eliminerar kostsamma risker genom att samla in, analysera och justera stora datamängder från många olika källor, utan att behöva lägga ytterligare personal på problemet. Dessa system tittar inte bara på historiska data utan även på parametrar i realtid - med möjlighet att justera i farten och bli smartare för varje beräkning.
Maskininlärning talar om för systemet för påfyllning av varor de optimala prognoserna på en mycket detaljerad nivå (SKU), för varje kanal och varje plats.
Resultaten är dramatiska
Enligt en rapport från McKinsey & Company,
"Företag som använder teknik för maskininlärning för återanskaffning har sett minskningar på upp till 80 % av antalet out-of-stocks, minskningar på mer än 10 % av avskrivningar och dagar med lager i lager och en ökning av bruttomarginalen på upp till 9 %."
Lär dig mer om prognoser för färska produkter och hantering av beställningar av färskvaror för att stabilisera efterfrågan på livsmedel och dagligvaror.
