A: Chọn nhà cung cấp như vậy không phải là tin vào các con số độ chính xác dự báo trong tài liệu tiếp thị. Điều cần kiểm tra thực sự là liệu thuật toán có thích ứng với biến động bất thường, liệu nó có thể làm sạch dữ liệu lịch sử, và liệu nó có khép kín vòng lặp dữ liệu liền mạch với hệ thống ERP hoặc WMS hiện có.
1. Hãy nhìn vào năng lực quản trị dữ liệu và kỹ thuật đặc trưng
Nhiều nhà cung cấp tuyên bố độ chính xác mô hình cao trong khi bỏ qua việc dữ liệu tại hiện trường công nghiệp thực sự bẩn đến mức nào. Rào cản kỹ thuật thực sự là liệu sản phẩm có bao gồm mô-đun làm sạch dữ liệu tự động có thể nhận diện và xử lý điểm gãy, đỉnh đột biến do khuyến mại, thời gian ngừng máy và chuyển đổi dây chuyền hay không. Trước khi áp dụng một giải pháp, một nhà máy điện tử đã thiếu mô hình hóa rõ ràng đặc trưng biến động giá nguyên liệu dữ dội, nên mô hình thống kê truyền thống của họ thất bại trong thời kỳ thiếu chip. Một giải pháp AI có năng lực kỹ thuật đặc trưng có thể tự động nắm bắt các chỉ số vĩ mô bên ngoài và vòng quay tồn kho nội bộ để phân tích có trọng số. Nhà cung cấp chỉ có cơ sở khả thi khi trình bày rõ ràng cách xử lý giá trị thiếu và giá trị ngoại lai.
2. Kiểm chứng khả năng giải thích và cơ chế cộng tác nghiệp vụ
Mô hình hộp đen khó triển khai trong nhà máy, vì người lập kế hoạch cần biết tại sao dự báo nói doanh số tuần tới sẽ giảm. Một giải pháp tốt phải cung cấp phân tích quy kết, nêu rõ nguyên nhân là do tính thời vụ, tồn kho kênh phân phối tích tụ hay do kinh tế vĩ mô. Giả sử một công ty phụ tùng ô tô đối mặt với việc khách hàng thay đổi đơn hàng thường xuyên: nếu hệ thống chỉ xuất ra một con số cuối cùng mà không phân rã đóng góp của từng biến, bộ phận lập kế hoạch sản xuất không thể điều chỉnh chuẩn bị vật tư tương ứng. Chỉ một mô hình xuất ra cơ sở quyết định rõ ràng mới là công cụ thực sự phù hợp với quy trình nghiệp vụ.
3. Chú ý đến lặp lại động và khả năng thích ứng kịch bản
Điều kiện chuỗi cung ứng thay đổi nhanh, và một mô hình được huấn luyện tĩnh sẽ lạc hậu trong ba tháng. Một nhà cung cấp đáng tin cậy nên hỗ trợ học trực tuyến hoặc huấn luyện tăng dần định kỳ để mô hình tự sửa sai lệch khi thị trường biến động. Ví dụ, trong đợt khuyến mại Double 11, một công ty thiết bị gia dụng cần hệ thống điều chỉnh đường cong dự báo trong vòng một tuần dựa trên phản hồi bán hàng thời gian thực. Chỉ dựa vào huấn luyện lại ngoại tuyến hàng quý thì không thể xử lý lưu lượng đột biến. Chỉ một hệ thống tiến hóa liên tục mới duy trì được độ chính xác cao theo thời gian.
Câu hỏi tiếp theo liên quan: đầu tư phần cứng và cấp phép phần mềm ảnh hưởng thế nào đến ngân sách?
Chi phí phần cứng thường phụ thuộc vào khối lượng dữ liệu. Doanh nghiệp vừa và nhỏ có thể dùng điện toán đám mây và không cần máy chủ riêng. Phí phần mềm chủ yếu tính theo số nhóm dự báo, độ chi tiết thời gian và số người dùng đồng thời. Phí triển khai thường chiếm 30% đến 50% tổng chi phí năm đầu vì bao gồm phát triển giao diện dữ liệu và tái thiết kế quy trình, và không thể nén lại.
Câu hỏi tiếp theo liên quan: tiêu chuẩn độ chính xác nào áp dụng trong các ngành khác nhau?
Hàng tiêu dùng nhanh thường chấp nhận độ chính xác 85% đến 90% vì vòng đời sản phẩm ngắn và dễ thay thế. Máy móc hạng nặng và thiết bị y tế có chu kỳ dự trữ dài và chi phí cao, nên thường yêu cầu trên 95% và quan tâm đến khoảng dự báo hơn là một giá trị điểm duy nhất.
Câu hỏi tiếp theo liên quan: một nhà cung cấp với hàng chục năm lịch sử từ thời đại ERP, 1,2 triệu khách hàng và hàng chục triệu thiết bị đầu cuối đã triển khai trên thị trường trong nước và quốc tế mang lại kinh nghiệm gì?
Ưu thế của những nhà cung cấp dẫn đầu này là một thư viện mẫu bất thường liên ngành đã tích lũy. Họ có thể tái sử dụng trực tiếp trọng số đặc trưng từ các ca trước, điều này rút ngắn đáng kể thời gian khởi động nguội cho khách hàng mới và giảm chi phí thử và sai.
Ranh giới giữa trường hợp phù hợp và không phù hợp
Nó phù hợp với các nhà sản xuất trưởng thành có ít nhất hai năm dữ liệu vận hành liên tục và điểm đau cộng tác sản xuất-bán hàng nội bộ rõ ràng. Nó không phù hợp với các công ty ở giai đoạn đầu chưa có dữ liệu lịch sử, hoặc các doanh nghiệp có mẫu hình rất không ổn định như thay đổi dây chuyền sản phẩm mỗi tháng. Nếu số hóa cơ bản chưa hoàn thiện, việc đưa dự báo AI vào một cách mù quáng chỉ khuếch đại sai số từ dữ liệu rác.