מערכת AI לניהול מלאי חומרי גלם ורכיבים

למה ניהול מלאי חומרי גלם עם AI נשבר על נתונים אמיתיים

קפיצות ביקוש נדירות שוברות את המודל ראשונות. כשהוא מאומן על היסטוריה ממוצעת, הוא מתייחס לשיא כזה כרעש ומחליק אותו — הרכש נכנס לתוכנית לפני שהאלגוריתם מספיק לבנות מחדש את העונתיות עבור פריט מלאי ספציפי.

נקודת השבירה השנייה — כללים ידניים של נקודת הזמנה. סף הזמנה חוזרת, שמוטמע ב-SAP מזמן וללא בחינה מחדש, לא מכיר לא את זמן האספקה בפועל מכל ספק, לא את גודל המנה, ולא את כפולת האריזה. הכלל פועל לפי לוח שנה, לא לפי מצב המלאי.

הסיבה השלישית — נתונים מפוזרים על תנועת חומרי גלם ורכיבים. הקבלה חיה במערכת החשבונאות, פסולים והחזרות — ביומן המחלקה, זמני אספקה בפועל — בהתכתבות של אנשי הרכש. כל עוד האירועים לא מרוכזים לפי מנה, תאריך ומחסן, כל מודל רואה תמונה מעוותת ולומד ממנה.

המחיר של השבירות האלה נמדד בזמני השבתה. מחסור ברכיבים עוצר את הקו לימים, עודפי חומרי גלם במלאי מקפיאים הון חוזר ונמחקים לפי תוקף. דיוק תחזית הביקוש יורד ל«ממוצע של המחלקה», והפרת זמני אספקה מפסיקה להיות יוצאת דופן.

בהמשך נפרט איך זה נסגר: אילו נתונים מרוכזים למעגל אחיד של תנועת חומרי גלם, איך מכווננת נקודת הזמנה לכל ספק, ומה נבדק לפני העלייה לייצור.

מה משתנה אחרי הטמעת מערכת חיזוי

בשבועיים-שלושה הראשונים המערכת מחשבת תחזית לפי קבוצות פריטים ומשווה אותה לצריכה בפועל, בלי לגעת ברכש. בפריטים נפוצים עם ביקוש יציב דיוק התחזית מגיע ל-85–90% באופק זמן האספקה; פריטים דלילים וחדשים אנחנו מסמנים מיד כאזור שליטה ידנית, כדי לא לתת אותם לאלגוריתם בעיניים עצומות.

מכאן הרכש מבוסס על התחזית תוך התחשבות בזמן האספקה ובכפולת האריזה. מלאי הביטחון מפסיק להיות מספר קבוע בכרטיס הפריט ומחושב מפיזור הביקוש ומהאמינות של הספק: בקבוצות יציבות הוא מופחת בכשליש בערך, ובקבוצות לא יציבות נשאר גבוה בכוונה.

שיעור הרכש הדחוף יורד לפני שאר המדדים. כל עוד ההזמנה נוצרה מנקודת הזמנה חוזרת, המחסור התגלה בדיעבד, והפריט הובא במשלוח חירום. עם התחזית, החוסר נראה מראש זמן אספקה שלם לפני, ולכן מצב החירום מפסיק להיות תרחיש קבוע בפריטים נפוצים.

תכנון מחדש משנה את סדר הגודל של הזמן. בעבר בנייה מחדש של תוכנית הרכש בגיליונות אלקטרוניים ארכה ימים ונעשתה פעם בשבוע-שבועיים, ולכן הפרת אספקה או קפיצת ביקוש הגיעו לתוכנית באיחור.

חישוב מחדש לכל קבוצות הפריטים לוקח דקות: המתכנן מפעיל אותו לפי אירוע ורואה אילו פריטים זזו, במקום לעבור על כל הרשימה.

עד החודש השלישי משתנה מחזור המלאי. המלאי מפסיק להיות מרוח באופן אחיד על פני המחסן ומתרכז במקום שבו הביקוש מאושר בנתונים, ולא במקום שבו התרגלו להחזיק אותו היסטורית.

בנפרד נעלם סוג הכשלים שנחשב קודם לנורמה — השבתה בגלל היעדר רכיב נפוץ. הוא נשאר אפשרי רק כתוצאה מהפרה חיצונית, אצל הספק או בלוגיסטיקה, אבל מפסיק להיות קבוע.

איזה מצב תכנון לבחור: השוואת גישות

מצב התכנון אינו שאלה של העדפה, אלא פונקציה של יכולת החיזוי של הביקוש ושל היקף ההיסטוריה המצטברת. כל עוד מגוון הפריטים מצומצם והצריכה אחידה, כללי min-max ידניים עובדים בלי שגיאות ולא דורשים נתונים.

ברגע שמופיעה עונתיות, מבצע מכירות או הפרעות אצל הספק, אותם כללים מתחילים או להקפיא הון חוזר, או לגרום להשבתה בקו.

את המעבר עושים לפי קבוצות פריטים, לא בבת אחת בכל המערכת: נקודת ההזמנה מחושבת מחדש ממלאי הביטחון, מזמן האספקה ומפיזור הביקוש, ולכן בחלק מהפריטים הסטטיסטיקה נשארת מדויקת יותר מהמודל.

מצב תכנון היברידי מפעילים במקום שבו טעות בתחזית יקרה: המודל נותן ערך בסיס, איש הרכש מוסיף תיקון, ושתי הגרסאות נשמרות — לפי הפערים רואים אילו גורמים חסרים בנתונים.

שלבי הטמעה: מביקורת נתונים ועד מסירת המערכת

סדר העבודה נקבע לפני ההתחלה: עבור מחסן חומרי גלם ועבור רכיבים הוא זהה, משתנה רק הרכב המקורות. כל שלב מסתיים בארטיפקט שאפשר לבדוק, ולכן התוצאה לא תלויה במי שמוביל את הפרויקט.

1. ביקורת נתוני מלאי. אוספים היסטוריית תנועות, יתרות, רכש וזמני אספקה בפועל, ומשווים יחידות מידה וכפולות אריזה. בפלט — רשימת פריטים שבהם יש מספיק נתונים לחישוב, ובנפרד אלה שצריך קודם לתקן את הרישום.
2. סכמת חישוב צרכים ומאפיינים. מתאמים את אופק התכנון, רמת השירות היעד, כללי מלאי ביטחון ועיגול למנה. לחישוב מכניסים עונתיות, לוח זמנים של ספקים, משך ייצור והיסטוריית הפרות.
3. כיול ואימון על נתונים מוכנים. מגדירים איך המערכת מגיבה לקפיצות ביקוש חדות, ואיפה המתכנן יכול לעקוף את ההמלצה ידנית.
4. בדיקה על תקופות היסטוריות. מריצים את החישוב על מרווחים סגורים ומשווים לרכש בפועל: כמה מחסור נוצר, כמה עודף הצטבר, ובאיזו תדירות החלטת המערכת נבדלה מהחלטת הרכש.
5. פיילוט על קבוצת פריטים מצומצמת. מפעילים קטגוריה אחת, כדי להעריך את התנהגות המערכת על זרימה חיה ולהגביל את הסיכון בשאר המלאי.
6. מסירת המערכת והדרכת הצוות. מוסרים נהלי חישוב מחדש, כללי תיקונים ידניים, הרשאות וסדרי תמיכה — מכאן צוות הלקוח מנהל את החישוב בעצמו, ואנחנו נשארים לתמיכה בשינויים.

סט קונפיגורציות, נהלים ותיעוד

מערכת חיזוי ביקוש ותכנון אספקה חיה לא במצגת, אלא בסט ארטיפקטים שהרכש משתמש בהם כל יום. אנחנו מוסרים אותם למאגר שלכם ומנתחים יחד עם המומחים — לאחר המסירה לא נשארות החלטות שרק הספק יכול לתמוך בהן.

• הגדרות חישוב: אופקי תכנון, רמת שירות יעד לפי קבוצות פריטים, פרופילים עונתיים, כללי החלקת חריגים וטיפול בביקוש אפס.
• מדיניות מלאי ביטחון: נוסחאות ומקדמים לפי מחלקות חשיבות ויציבות צריכה, תנאים נפרדים לפריטים במחסור, בעלי מחזור ארוך ומיובאים.
• נוהל חידוש מלאי: נקודות הזמנה, כפולת וגודל מנה, יתרת מינימום, לוח מחזורי רכש וסדרי אישור הזמנות חריגות.
• כללי חריגים: מה לעשות בהפרת אספקה, בקפיצת ביקוש או בעזיבת ספק, איך מתעדים תיקון תחזית ידני ומי מאשר אותו.
• לוח ניטור מלאי: מחזוריות, שיעור מחסור, דיוק תחזית, מנות תקועות — עם ספים שבהם מופעלת התראה.
• הוראות לרוכש: תרחישים שלב-אחר-שלב לעבודה עם המלצות המערכת, ניתוח פערים «תחזית מול ניסיון» וסדרי הסלמה.
• תיעוד מערכת התכנון: תרשים זרימות נתונים, חיבור למערכת החשבונאות, מודלי נתונים, מטריצת תפקידים והרשאות.
• נוהל תמיכה: ניהול גרסאות של מודלים, סדר אימון מחדש, בקרת איכות נתוני קלט, יומן שינויים.

כל ארטיפקט נמסר בגרסת עבודה — עם בעלים מצד הלקוח, נקודת עדכון וקריטריון שמראה שההגדרה התיישנה.

מקרה בוחן: צמצום מחסור ומלאי קפוא

אתר ייצור: כמה אלפי פריטי חומרי גלם ורכיבים, זמני אספקה משבוע ועד רבעון. ההזמנה נבנתה פעם בשבוע בגיליונות אלקטרוניים, ועד 40% מהשורות אנשי הרכש תיקנו ידנית בעקבות שיחה מהמחלקה. המערכת לא הבחינה בין קפיצה עונתית לסטייה חד-פעמית — מחסור נסגר ברכש דחוף במחיר העליון של המחירון.

מה שינו

התחזית נבנתה בנפרד לכל פריט: בחישוב עונתיות, זמן אספקה, כפולת מנה אצל הספק ושיעור כיסוי ביקוש יעד. הפריטים חולקו למחלקות — לפי עלות וצפיות הצריכה — ולכל אחת נקבע אופק תכנון ורמת מלאי ביטחון משלה.

צריכות וקבלות בפועל נלקחו ממערכת החשבונאות 1C:ERP פעם ביום, ולכן ההזמנה חושבה מחדש על נתונים טריים, לא מלפני חודש.

מדדים לפני ואחרי

תיקונים ידניים לא בוטלו, אלא הפכו לאות: כל תיקון מתועד עם סיבה — שינוי מתכון, פגם במנה אצל הספק, הזמנה חריגה — ונכנס לחישוב מחדש הבא. בלי הלולאה הזאת המודל מאבד את ההקשר שאיש הרכש מכיר, ואחרי חודש מתחיל שוב לטעות.

איך לשלב תחזית AI אם כבר יש כללי רכש משלכם

התחזית לא מחליפה את כללי הרכש, אלא משתלבת מעליהם. הכללים — יתרת מינימום, מלאי ביטחון, זמן אספקה, כפולת אריזה — נשארים במערכת החשבונאות כאילוצים. התחזית משנה רק את הכמות המומלצת ואת רגע ההזמנה.

בהתחלה מייצאים ממערכת החשבונאות תנועות פריטים, קבלות, מחיקות, הזמנות ובריחות. נתונים מ-1C וממערכות משיקות מרוכזים לטבלה אחת לפי קוד פריט ומחסן. פערים במרשמים — כפילויות, יחידות מידה שונות, קטגוריות לא רלוונטיות — מנקים לפני ההפעלה, אחרת התחזית לומדת מזבל.

בחודשים הראשונים התחזית פועלת במקביל לתוכנית של הרוכש ולא מחליפה דבר. מפיקים דוח פערים תקופתי: היכן התחזית והמומחה חלוקים, בכמה ולמה — מבצע, עונתיות, החלפת ספק. ההחלטה היא של הרוכש, התחזית רק מציגה את המספר שלה.

המעבר הדרגתי, לפי קבוצות מוצרים. מתחילים מפריטים עם היסטוריה ארוכה וביקוש יציב; קריטיים וחדשים נשארים בניהול ידני. את שיעור ההמלצות האוטומטיות מגדילים ככל שהדיוק מאומת בפועל — לכל קבוצה בנפרד, עם אפשרות לחזור למצב ידני.

משוב הוא חובה: כשהרוכש דוחה המלצה, הוא מציין סיבה, והיא נכנסת לאימון. כך למודל נכנס ידע שאין בנתונים — סיכומים עם ספק, שינוי בתמהיל. נסיגה לאחור — כיבוי המלצות לקבוצה, וכללי הרכש ממשיכים לפעול.

התנגדויות נפוצות לגבי דיוק ואמינות המודל

לפני ההתחלה כמעט תמיד עולה סט שאלות אחד: האם ההיסטוריה על חומרי גלם מספיקה, מה יקרה בכשל של ספק, מי אחראי למספר בתוכנית הרכש.

איך המערכת מגיבה לקפיצות ביקוש חד-פעמיות?

שומרים על שכבת כללים נפרדת: עלייה חדה בפריט אחד לא משכתבת את התחזית הבסיסית לכל הפריטים. קפיצה כזאת מסומנת כחד-פעמית, ואחרי בדיקה המודל חוזר למסלול הקודם. צמיחה יציבה, לעומת זאת, משנה מיד את תוכנית הרכש.

מי אחראי לתחזית אם הספק הפר מועד?

אנחנו אחראים לאיכות התחזית ולשקיפות שלה, לא להתנהגות של צד שלישי. במודל יש רכיב להערכת אמינות ספק לפי היסטוריית משלוחים, ולכן סיכון להפרה נראה מראש. כשזמן האספקה משתנה, החישוב מחדש של התוכנית קורה אוטומטית, וההחלטה להחליף ספק נשארת בידיים שלכם.

איך מנטרים דריפט של המודל אחרי ההפעלה?

מדד השגיאה מחושב מדי יום על צריכות בפועל ומושווה לסף שסוכם בהתחלה. בחריגה מהסף המודל עובר אימון מחדש, ואתם מקבלים דוח: האם השתנתה הצריכה או איכות הנתונים על תנועת חומרי גלם.

נדון במשימה ונחזור עם תוכנית הטמעה

כדי שהשיחה תהיה עניינית ולא «על AI בכלל», אנחנו צריכים נתוני פתיחה על מעגל המלאי שלכם: פריטים, היסטוריית תנועות וכללים שלפיהם מתקבלות היום החלטות רכש. מכאן מתחילים לדון במשימת ניהול המלאי — לאילו פריטים באמת נדרשת תחזית, איפה יש עכשיו עודף מלאי ואיפה מחסור קבוע.

בדרך כלל אנחנו מבקשים להכין את הדברים הבאים:

• פריטים ומבנה שלהם — קבוצות חומרי גלם ורכיבים, מקבילים ותחליפיות, יחידות מידה, שיוך לספקים ולמחסנים.
• נתוני מקור לחישוב — ייצוא של קבלות, צריכות, מחיקות והחזרות באופק מספיק, עם סימון מקטעים שבהם היו תיקונים ידניים או חסרים.
• אילוצי ספקים — מנה מינימלית, כפולת אריזה, זמן אספקה, תדירות משלוחים, תנאי דחייה ואמינות משלוחים.
• עונתיות וגורמים חיצוניים — מבצעים, עצירות מתוכננות, תיקונים, הזמנות חד-פעמיות גדולות שאין לראות בהן מגמה.
• קריטיות פריטים — מה עוצר ייצור ומה יכול להמתין; רמת מחסור מותרת לכל קבוצה.
• הרכב צוות העבודה — מי אחראי על הנתונים, מי מאשר כללי חישוב מחדש, מי מקבל את התוצאה וישתמש בה מדי יום.
• יעדים — אופק וצעד תכנון, מחזוריות רצויה, נקודות שבהן ההחלטה צריכה להישאר בידי אדם.

אחרי ניתוח נתוני הפתיחה האלה נחזור עם הערכת היקף העבודה ותוכנית להטמעת התחזית: על אילו נתונים מאמנים את המודל, איך בודקים אותו על תקופות היסטוריות, איך התוצאה נכנסת לתהליך הרכש הנוכחי ואיך מחושב האפקט.