הפחתת פסולת מזון עם בינה מלאכותית: חיזוי ומרקדאון

צמצום פסולת מזון: היכן נשברת התחזית הנוכחית

מחיקות של מוצרים מתכלים גדלות לא במקום שבו מחפשים אותן. הלוגיסטיקה בדרך כלל בסדר — הסחורה מגיעה בזמן ובכמות הנדרשת. מה שנשבר הוא תחזית הביקוש בקמעונאות: היא מחשבת מכירות ממוצעות לפריט כולו ולא מתחשבת בכך שתוקף התפוגה של אצוות שונות על המדף שונה.

עבור מערכת המלאי, היתרה היא מספר אחד לפריט. כמה יחידות ישרדו עד סוף השבוע, וכמה יעברו להורדת מחיר בעוד יומיים, לא רואים ממנה, וההזמנה לאספקה נבנית לפי מספר כללי.

תחזית שאינה מבדילה בין אצוות לפי תאריכים לא יכולה פיזית להחליט מה ובאיזה סדר למכור קודם — חלק מהמדף בהחלט לא מספיק להימכר עד תאריך התפוגה.

שכבה נפרדת — מבצעים וזינוקים מקומיים בביקוש. מבצע בנקודה אחת מושך מכירות, התחזית הממוצעת לא מצפה לו ומזמינה עם מלאי עודף; בנקודה אחרת הזינוק מרוקן את המדף ביום אחד, והמשאית עם הסחורה כבר בדרך. מלאי שנאסף «ליתר ביטחון» שוקע במחסן ועל המדף.

לאחר מכן נכנסת לשרשרת: הסחורה מתקרבת לתום התוקף, מורידים את מחירה לפני התפוגה כדי להחזיר לפחות חלק, ומה שלא נקנה גם בהורדת מחיר עובר למחיקה. מדף ריק ברגע של ביקוש מאבד הכנסה שאי אפשר כבר להחזיר. נבחן כיצד סוגרים את זה.

השפעת התחזית: צמצום הורדות המחיר, פחות מחיקות, מדף מלא

את המדדים מחשבים באותה רמת פירוט — יום, נקודה, פריט, אצווה — אחרת השוואה «לפני» ו«אחרי» מוכיחה כל דבר. את קטלוג הפריטים ותוקפי התפוגה מאמתים לפי תקן הסימון GS1, יתרות שולפים ממערכת המלאי, מבצעים ואספקות — מיומן המבצעים. בלי קישור לאצווה, אי אפשר להבדיל את התחזית מהוצאה ממוצעת לפי מדף.

קל «לשפר» את דיוק התחזית על ידי ממוצע — ואז שיעור המחיקות יורד לא מפני שהרכש נעשה מדויק יותר, אלא מפני שהסחורה פשוט לא הובאה. לכן את המדדים קוראים רק בזוגות: שגיאת תחזית יחד עם מכירות שהוחמצו מלמטה והורדת מחיר מלמעלה. אם המחיקות ירדו והיתרות האפסיות עלו — המודל לא למד לחזות ביקוש, הוא למד לחסוך במדף.

מחזור מלאי הוא מדד מסכם: הוא עולה גם כשהמלאי הצטמצם באופן סביר וגם כשהמדף התרוקן. מכאן סדר הבדיקה: קודם בודקים הורדות מחיר במוצרים מתכלים, אחר כך מחזור מלאי בקטגוריות עם שיעור המחיקות הגבוה ביותר, ורק לאחר מכן בודקים את דיוק התחזית. כך רואים היכן התחזית של הביקוש יצרה את האפקט, והיכן — שינוי בכללי התצוגה.

השוואת גישות: כללים לפי תוקף, סטטיסטיקה, למידת מכונה

כללים מומחים, סטטיסטיקה ולמידת מכונה פותרים משימה אחת — להבין כמה יחידות סחורה יימכרו עד תום תוקף התפוגה, אך מעבירים את השגיאה באופן שונה. הכללים צפויים וקלים לבדיקה, הסטטיסטיקה תופסת עונתיות ומבצעים, ומודל מאומן מתחשב בעשרות אותות חלשים. הבחירה נקבעת לא לפי «קדמה», אלא לפי היקף ההיסטוריה ועלות הטעות בקטגוריה.

מודל תחזית הביקוש נותן יתרה צפויה לתאריך, וכללי הורדת המחיר האוטומטיים משאירים את הסף ואת צעד ההנחה דטרמיניסטיים — ההחלטה נשארת מוסברת עבור מנהל הקטגוריה. מתחילים בדרך כלל בקטגוריית ייחוס אחת: מודדים את שיעור המחיקות ואת דיוק התחזית, ורק אחר כך מעבירים את ההיגיון לשאר המטריצה.

הטמעה בשלבים: מאבחון נתונים ועד מסירת נהלים

סדר העבודה בנוי כך שכל שלב הבא נשען על שלב קודם שנבדק: תחילה מוודאים שהיסטוריית המכירות והאספקות מתאימה לחישוב, ורק אחר כך מחשבים משהו. אחרת המודל מתאמן על נתונים חלקיים ומייצר מספרים יפים שלא תואמים את המדף באולם.

1. אבחון נתוני מכירות ואספקות. מאמתים היסטוריה בכל נקודה: מאתרים חורים במחיקות, פערים בין קליטה למכירות, כפילויות, מבצעים כפולים. קובעים את התקופה שבה יש מספיק נתונים לאימון, ומתעדים אילו מאפיינים חסרים.

2. תכנון סכימת החישוב. בוחרים את אופק התחזית, רמת הפירוט — נקודה, פריט, יום — ואת הספים שמעבר להם היתרה עוברת להורדת מחיר. בשלב זה הלקוח רואה את ההיגיון לפני שהוא הופך לקוד.

3. אימון מודל התחזית. המודל מתחשב בעונתיות, מבצעים, חגים וביקוש מקומי של נקודה מסוימת. מוצרים מתכלים ומוצרים עם תוקף ארוך מחשבים בנפרד — עלות הטעות שלהם שונה.

4. בדיקת המודל על תקופות קודמות. מריצים אותו על שבועות סגורים ומשווים למציאות, ובנפרד מנתחים ימי מבצעים וחריגות. מודל שלא עוקף את כלל המחיקה הקיים לא נכנס לעבודה.

5. פיילוט בכמה נקודות. מציבים זו לצד זו נקודות ביקורת וניסוי בפורמטים שונים, כדי להפריד את אפקט המודל מתנודות עונתיות. כבר בפיילוט מכיילים את ספי הורדת המחיר לפי התנהגות אמיתית של קונים.

6. נוהל עבודה עם יתרות. מתארים מי ומתי מאשר הורדת מחיר, מה לעשות כשהמציאות סוטה מהתחזית וכיצד מחזירים משוב למודל. צוות במשמרות מקבל הוראה קצרה, ולא מסמך בן חמישים עמודים.

7. מסירה וליווי של המחזורים הראשונים. בשבועות הראשונים לאחר ההשקה המהנדסים נשארים בקשר: בודקים פערים, מתקנים הגדרות ומעבירים לצוות הלקוח ניתוח של מצבים אופייניים.

תוצרי הפרויקט: סכימות נתונים, כללי הורדת מחיר, נהלים

הפרויקט נחשב למסור לא ברגע הצגת הדשבורד, אלא כאשר אפשר לקבל החלטות לגבי יתרות בלי ההשתתפות שלנו. לכן אל סביבת הלקוח מועבר לא «מודל בקונטיינר», אלא ערכה שלפיה מהנדס חדש או מנהל קטגוריה יבין את היגיון החישוב ויוכל לשנות אותו בלי לכתוב מחדש את המערכת כולה.

• סכימת זרימות נתונים — מהיכן מגיעים מכירות, יתרות מלאי, תוקפי תפוגה ואספקות, באיזו תדירות, באילו חתכים ומה קורה לפריט אם הייצוא לא הגיע בזמן.
• תיעוד מודל התחזית — אילו מאפיינים משמשים, על איזה אופק מחושב הביקוש, אילו קטגוריות המודל מבין פחות טוב ולמה, כיצד מופעל אימון מחדש על נתונים חדשים.
• כללי הפעלה של הורדת מחיר — ספים לפי יתרה ותוקף מכירה, צעד ההנחה, עדיפות בין פריטים דומים, תנאים שבהם המערכת לא מורידה מחיר אלא מעבירה את ההחלטה לאדם.
• נוהל עבודה עם יתרות — מי ובאיזו שעה ביום מאשר הורדת מחיר, כיצד לפעול כאשר התחזית והמציאות חלוקות, לאן מועלה מקרה שנוי במחלוקת בסופי שבוע.
• ניטור איכות התחזית — שיעור הפריטים עם שגיאה מעל המותרת, הטיה של התחזית לפי קטגוריה, התראה כאשר הדיוק יורד או כשהתנהגות הביקוש משתנה.
• הוראות למנהלי קטגוריות — תרחישים קצרים לכל סוג מצב וניתוח של טעויות אופייניות בעת תיקון ידני.
• תוכנית נסיגה — כיצד לחזור בצעד אחד לגרסה קודמת של הכללים או להעביר קטגוריה למצב ידני.

מקרה בוחן: כיצד רשת חנויות הפחיתה מחיקות של מוצרים מתכלים

איך זה היה לפני ההטמעה

קטגוריות של מוצרים מתכלים הוזמנו לפי מכירות ממוצעות בשבועות קודמים, והיתרה נבדקה ידנית: האחראי על הסחורה עבר באולם והוריד מחיר למה שנראה לא טרי.

לא פרופיל יום בשבוע, לא מזג האוויר ולא יומן המבצעים השתתפו בחישוב — חלק מהאצוות עבר להורדת מחיר כבר ביום הראשון, ובשיא הערבי המדף התרוקן. המחיקות נחשבו לגזירת גורל, אף שחצי מהן נבעו לא מהביקוש אלא מעיגול גס של ההזמנה.

מה שינו ומה יצא מזה

את התחזית בנו ברמה של «פריט — חנות — יום» עם אופק של תוקף האצווה: נתוני אצוות ותוכניות מדף נלקחו מ-Blue Yonder, מכירות — מנתוני הקופות.

כלל הורדת המחיר הפך להסתברותי: אם תחזית המכירות עד סוף תוקף התפוגה נמוכה מהיתרה בהסתברות נתונה, המערכת מפעילה הורדת מחיר מראש, ולא ביום האחרון, ובמקביל חוסמת הזמנת השלמה. מלאי הביטחון מחושב מחדש בכל לילה מתוך שגיאת התחזית בפועל, ולא ממספר ימים קבוע לכיסוי.

הפיילוט נערך בארבעים חנויות באזור אחד, הפריסה בוצעה בגלים לפי אשכולות — ההשוואה נשמרה מול קבוצת ביקורת.

• מחיקות של מוצרים מתכלים — מינוס 31% בחנויות ברות השוואה.
• מכירות שהוחמצו בגלל מדף ריק — פחות בחצי.
• שגיאת תחזית ממוצעת באופק של יום עד שלושה — מ-34% ל-17%.
• שיעור הסחורה בהורדת מחיר שנמכרה לפני תום התוקף — מ-68% ל-91%.

החישוב מחדש מתבצע בלילה, לכן הזמנת הבוקר מותאמת לפי מכירות בפועל של היום הקודם.

במה שונה תחזית מבוססת רשת עצבית מכללים לפי תוקף תפוגה?

כללי רוטציה של מלאי עונים על שאלה אחת: מה להציג ולמחוק קודם. ההיגיון «קודם יוצא מה שתוקף התפוגה שלו נגמר מוקדם יותר» מביא סדר למדף, אבל לא אומר דבר על האם היתרה תספיק להימכר. ספים מהסוג «כמה ימים לפני תום התוקף — הורדת מחיר» מחזיקים את המצב כל עוד הביקוש יציב וחוזר לפי לוח השנה.

תחזית ביקוש מבוססת רשת עצבית מחשבת לא סדר אלא הסתברות: כמה יחידות מאצווה מסוימת יימכרו עד תאריך התפוגה. לכניסה נכנסות מכירות בפילוח לפי נקודה, יום בשבוע ושעה, יומן מבצעים, מזג אוויר, נתונים על תוקף התפוגה והיתרה בכל אצווה.

המודל בונה ביקוש מקומי לפי נקודות: חנות ליד הרכבת התחתית ונקודה בשכונת מגורים נבדלות גם בפרופיל הקונה וגם בשעות השיא.

ההבדל מתגלה במקום שבו הכללים מפסיקים להתאים למציאות. כשתוקף התפוגה ארוך והמכירות יציבות, הספים מספיקים — הם שקופים וקלים לבדיקה. תוקף קצר, מבצעים, חום או גשם וביקוש שונה בין נקודות שוברים את הממוצעים: מה שנראה תקין לרשת, בנקודה מסוימת הופך לפג תוקף או למדף ריק.

האפקט המעשי — חלון תגובה. הכלל מופעל בדיעבד, כשנותרו ימים ספורים עד תום התוקף, והבחירה מצטמצמת להורדת מחיר. התחזית נותנת מרווח זמן להעברת אצווה בין נקודות ולהורדת מחיר מוקדמת, ולכן שיעור המחיקות יורד בלי גידול במחסור על המדף.

שאלות טכניות נפוצות לגבי חיזוי ביקוש

תחזית הביקוש נשברת לא במודל, אלא בנתונים ובממשק עם ניהול מלאי. להלן שאלות שצוות לקוח טכני שואל לפני ההתחלה, ותשובות קצרות לעניין.

באיזו תדירות מחושבת התחזית מחדש?

מחזור הבסיס הוא יומי, לפני פתיחת הנקודה: עד אז נמשכו מכירות היום הקודם והיתרות העדכניות. עבור מוצרים מתכלים מוסיפים חישוב מחדש תוך-יומי לפי מכירות בפועל של המחצית הראשונה של היום. האופק — מיום עד שבועיים: מעבר לכך הדיוק יורד מהר יותר מהתועלת לרכש.

מה עם פריטים חדשים בלי היסטוריה ובאיזו תדירות לאמן מחדש את המודל?

פריט חדש נשען לא על סדרה משל עצמו, אלא על פריטים דומים: קטגוריה, מותג, פלח מחיר, עונתיות. אחרי 4-6 שבועות של מכירות בפועל הוא עובר להיסטוריה משלו. אימון מחדש מתבצע לפי לוח זמנים — אחת לשבוע או שבועיים, ובנוסף הפעלה מיוחדת בעת שינוי מגוון או יומן מבצעים. כל הפעלה נבדקת על תקופה נפרדת: אם האיכות יורדת, נשארת הגרסה הקודמת של המודל.

נדון במשימה: מאיפה להתחיל חיזוי ברשת שלכם

תחזית ביקוש נשענת לא על המודל אלא על נתונים: היסטוריית מכירות לפי פריטי מלאי, יתרות, תוקפי תפוגה, יומן מבצעים ואספקות. לכן מתחילים בהערכת נתוני הלקוח — בודקים מה כבר מצטבר במערכת המלאי, באיזו תדירות והאם ההיסטוריה מספיקה כדי שהתחזית תהיה יציבה ולא מקרית.

כדי לדון במשימת התחזית מספיק לענות על כמה שאלות — זה יספיק כדי להעריך את היקף העבודה ולהרכיב פרויקט פיילוט לחיזוי על נתונים אמיתיים, ולא על מערך הדגמה.

• ייצוא מכירות ויתרות לפי ימים, נקודות ופריטי סחורה — לפחות קטגוריה אחת על פני כמה עונות.
• נתונים על אצוות ותוקפי תפוגה: מהם תלוי מתי התחזית עוברת להורדת מחיר ולא למחיקה.
• יומן מבצעים, חגים ולוח אספקות — בלעדיו המודל מסביר ביקוש עבר ולא ביקוש עתידי.
• כללי הורדת מחיר קיימים ומגבלות המחסן: מה אסור לשנות בתהליכים, אילו ספים כבר מיושמים.
• קריטריוני ההצלחה שלכם — שיעור היתרות שנמחקו, דיוק התחזית לפי קטגוריה, עומק הורדת המחיר.

אחרי השיחה נחזור עם תוכנית עבודה לתחזית: שלבים, הרכב הפיילוט, רשימת הייצואים, קריטריוני קבלה וסדר החזרה לכלל הורדת המחיר הנוכחי, אם התוצאה לא תאומת. תארו את המשימה — נחזור עם הערכה ותוכנית.