Sử dụng mô hình không chắc chắn để dự đoán nhu cầu thị trường tốt hơn

DNHN - Đại dịch Covid-19 đã gây ra sự gián đoạn chuỗi cung ứng trên toàn cầu: tình trạng thiếu chip đang buộc các nhà sản xuất ô tô và thiết bị y tế phải cắt giảm sản xuất trong khi sự tắc nghẽn của Kênh đào Su ê và việc thiếu các container vận chuyển đã làm tăng thời gian giao hàng và giá vận chuyển. Các tác động của những yếu tố trên càng trở nên trầm trọng hơn bởi các thực tiễn quản lý như sản xuất đúng lúc nhằm giảm bớt tình trạng dư thừa trong hoạt động: với sự dư thừa đã trở thành vùng đệm an toàn trước đây cho chuỗi cung ứng của doanh nghiệp.

Dự báo cung cầu chưa bao giờ là vấn đề lỗi thời
Dự báo cung cầu chưa bao giờ là vấn đề lỗi thời. (Ảnh: StudiousGuy) 

Tất nhiên, các công ty hiểu rõ những rủi ro liên quan đến việc loại bỏ các vùng đệm trong chuỗi cung ứng, trong khi họ ngày càng đầu tư vào phân tích dữ liệu phức tạp. Nếu họ có thể hiểu rõ hơn về những điểm nghẽn trong chuỗi cung ứng của mình, theo suy nghĩ, các công ty về lý thuyết sẽ có thể hoạt động với ít dư thừa hơn mà không phải chịu thêm rủi ro. Nhưng sự gián đoạn vẫn tồn tại.

Các chuyên gia từ Canada, Hà Lan và Thổ Nhĩ Kỳ đã thực hiện 1 nghiên cứu trên nhiều ngành công nghiệp, bao gồm dược phẩm và hàng tiêu dùng nhanh cho thấy lý do cho sự tồn tại này là do phần mềm có ít thiếu sót hơn và nhiều hơn nữa là do việc triển khai phần mềm. Để bắt đầu, các nhà quản lý có xu hướng phân tích nền tảng của họ trong các đơn vị bộ phận. Mặc dù đội ngũ bán hàng và tiếp thị có thể đóng góp những thông tin chi tiết và dữ liệu quan trọng nhưng thông tin đầu vào của họ thường không được các nhà ra quyết định hoạt động yêu cầu và sử dụng. 

Ngoài ra, các giải pháp phân tích tập trung chủ yếu vào chuỗi cung ứng của chính công ty. Các phương pháp hay nhất vẫn dành cho từng trường hợp cụ thể và các mô hình phân tích thường bị ngắt kết nối với các xu hướng trong hệ sinh thái lớn hơn. Như các ví dụ được trích dẫn ở trên minh họa, một sự gián đoạn dường như cục bộ có thể gây ra tuyết trên toàn thế giới.

Làm thế nào để các công ty có thể tránh những cái bẫy này một cách tốt nhất? Hãy bắt đầu bằng cách xem xét chi tiết hơn những gì liên quan đến phân tích dữ liệu.

Phân tích dữ liệu là gì?

Các phương pháp phân tích dữ liệu có thể được phân loại thành ba loại:

Phân tích mô tả: Chúng xử lý các câu hỏi “điều gì đã xảy ra” và “điều gì đang xảy ra” và có nhiều công cụ trực quan như biểu đồ hình tròn, biểu đồ phân tán, biểu đồ, bảng tóm tắt thống kê và bảng tương quan. Ví dụ, chuỗi cửa hàng đồ thể thao Gamma Store sử dụng biểu đồ kiểm soát quy trình thống kê để xác định các điểm thu hút khách hàng tại cửa hàng.

Phân tích dự đoán: Đây là các thuật toán thống kê nâng cao để dự báo giá trị tương lai của các biến mà người ra quyết định phụ thuộc vào. Họ giải quyết câu hỏi "điều gì sẽ xảy ra trong tương lai." Các dự đoán được tạo ra thường dựa trên dữ liệu lịch sử quan sát được về phản ứng của quyết định khác nhau đối với những thay đổi bên ngoài (chẳng hạn như thay đổi lãi suất hoặc thời tiết). Các nhà bán lẻ như Amazon dựa vào dữ liệu dự đoán về nhu cầu của khách hàng để đặt hàng từ các nhà cung cấp, trong khi các nhà sản xuất hàng tiêu dùng nhanh như Procter & Gamble và Unilever đã đầu tư vào phân tích dự đoán để dự đoán tốt hơn nhu cầu của nhà bán lẻ đối với sản phẩm của họ.

Phân tích đề xuất: Những điều này hỗ trợ những người ra quyết định bằng cách thông báo cho họ về những hậu quả tiềm ẩn của các quyết định của họ và quy định các chiến lược có thể hành động nhằm cải thiện hiệu quả hoạt động kinh doanh. Chúng dựa trên các mô hình toán học quy định một hàm mục tiêu và một tập hợp các ràng buộc để đặt các vấn đề trong thế giới thực vào một khuôn khổ thuật toán. Các hãng hàng không đã và đang khai thác các phân tích mô tả để tự động tối ưu hóa giá vé theo thời gian. Các công ty hậu cần, chẳng hạn như UPS, cũng áp dụng phân tích mô tả để tìm ra các tuyến giao hàng hiệu quả nhất.

Các công ty thường sử dụng tất cả các phương pháp này và chúng phản ánh các giai đoạn của quá trình ra quyết định: từ phân tích tình huống, đến dự đoán các động lực hoạt động chính và sau đó là phân tích tối ưu hóa dẫn đến quyết định. Liên kết yếu trong chuỗi này là dự đoán. Chính việc không có khả năng phân tích dữ liệu dự đoán nổi tiếng để dự báo chính xác nhu cầu và nguồn cung đã buộc Amazon phải tiêu hủy ước tính khoảng 130.000 mặt hàng chưa bán hoặc bị trả lại mỗi tuần chỉ tại một trong các kho hàng ở Anh.

Lý do mà các phân tích dự đoán không thành công là trong hầu hết các trường hợp liên quan đến các giả định và lựa chọn xung quanh việc tạo ra dữ liệu được phân tích. Nghiên cứu của Abraham Wald về máy bay sau sứ mệnh trong Thế chiến 2 cung cấp một ví dụ điển hình. Nhóm nghiên cứu của anh ta đang cố gắng dự đoán những khu vực nào trên máy bay sẽ là mục tiêu của kẻ thù, và họ đề nghị tăng cường những khu vực thường xuyên bị tấn công. Nhưng Wald đã phản đối khuyến nghị này và khuyên nên củng cố những khu vực còn hoang sơ, vì máy bay bị hư hại có nhiều khả năng bị mất và vắng mặt trong dữ liệu quan sát. Chính bằng cách xem xét cách dữ liệu được tạo ra, các sĩ quan quân đội đã có thể điều chỉnh quyết định về khu vực máy bay nào cần hỗ trợ.

Giải pháp nằm trong cách tiếp cận phân tích được gọi là mô hình độ không chắc chắn - giải quyết rõ ràng câu hỏi về việc tạo ra dữ liệu. 

Mô hình không chắc chắn có chức năng gì?

Mô hình hóa không chắc chắn là một cách tiếp cận thống kê phức tạp để phân tích dữ liệu cho phép người quản lý xác định các tham số chính liên quan đến việc tạo dữ liệu để giảm độ không chắc chắn xung quanh giá trị dự đoán của dữ liệu đó. Trong bối cảnh kinh doanh, những gì bạn đang làm là xây dựng thêm thông tin về dữ liệu thành một mô hình dự đoán.

Để hiểu điều gì đang xảy ra, hãy tưởng tượng rằng bạn là một công ty kinh doanh nhận được một đơn đặt hàng ba tuần một lần từ một khách hàng cho một trong các sản phẩm của bạn. Mỗi đơn đặt hàng phải được giao ngay lập tức, làm cho thời gian giao hàng không đáng kể. Bây giờ, giả sử rằng đơn đặt hàng đầu tiên của khách hàng là 500 đơn vị và cô ấy có kế hoạch tăng số lượng đó thêm 500 đơn vị nữa cho mỗi đơn đặt hàng mới nhưng không thông báo cho công ty rằng đây là kế hoạch của mình.

Các công ty sẽ thấy gì? Khách hàng sẽ đặt hàng 500 chiếc vào tuần thứ ba, 1.000 chiếc vào tuần thứ sáu, 1.500 chiếc vào tuần thứ chín, v.v., điều này tạo ra giá trị nhu cầu hàng tháng là 500, 1.000, 1.500, 2.500 và 3.000 chiếc trong năm tháng đầu tiên - trung bình 2.100 chiếc mỗi tháng. Nhưng vì dữ liệu nhu cầu thực tế có độ lệch đáng kể so với mức trung bình, nên dự báo sau là một dự báo không chắc chắn cao. Tuy nhiên, sự không chắc chắn đó hoàn toàn biến mất, khi công ty nhận được thông tin rằng khách hàng đang tăng lượng mua một cách có hệ thống lên 500 đơn vị với mỗi đơn đặt hàng.

Để các nhà quản lý sản xuất phát hiện ra loại thông tin này, họ cần phải nhìn xa hơn số lượng mua hàng. Ở hầu hết các công ty, thông tin đặt hàng của khách hàng được lưu trữ trong hệ thống quản lý đơn hàng, hệ thống này theo dõi dữ liệu như thời điểm đặt hàng, ngày giao hàng được yêu cầu và sản phẩm được yêu cầu với số lượng bao nhiêu. Hệ thống này thường do phòng kinh doanh sở hữu, quản lý và lưu giữ. Sau khi đơn đặt hàng của khách hàng được hoàn thành, thông tin tổng hợp về các đơn đặt hàng đã hoàn thành được chuyển đến hệ thống đáp ứng nhu cầu, thường thuộc sở hữu của bộ phận sản xuất và hoạt động, mà các nhà quản lý trong các chức năng này sẽ phân tích để dự đoán nhu cầu trong tương lai.

Rắc rối ở đây là quá trình tổng hợp thường kéo theo sự mất mát thông tin. Tuy nhiên, với mô hình không chắc chắn, các nhà quản lý có thể áp dụng các tham số chính được xác định từ hệ thống quản lý đơn hàng để khôi phục thông tin về phân tích mô tả của họ.

Cứu hộ thông tin tại Kordsa  

Kordsa - nhà cung cấp và gia cố lốp xe ô tô của Thổ Nhĩ Kỳ - là 1 ví dụ cụ thể. Công ty nhận được nhiều đơn đặt hàng lớn từ khách hàng (các nhà sản xuất săm lốp) nhưng số lượng đơn đặt hàng cũng như số lượng và ngày giao hàng không chắc chắn trong từng thời kỳ. Trước đây, công ty chỉ đơn giản là tổng hợp thông tin đặt hàng của khách hàng để tính toán các giá trị nhu cầu lịch sử hàng tháng sau đó được phân tích. Kết quả là, số lượng các tham số không chắc chắn giảm từ ba xuống một, làm mất thông tin đáng kể.

Bằng cách sử dụng mô hình không chắc chắn, nhóm nghiên cứu đã chỉ cho Kordsa cách tránh mất mát thông tin và đạt được những cải thiện đáng kể về hiệu suất cùng với các chỉ số hiệu suất chính (chẳng hạn như vòng quay hàng tồn kho và tỷ lệ thực hiện). Bằng cách áp dụng các thuật toán nâng cao như chuyển đổi Fourier nhanh, nhóm đã có thể tích hợp các thông số đặt hàng chính của khách hàng mà họ xác định được bằng cách nghiên cứu dữ liệu CRM của công ty vào mô hình dự đoán nhu cầu của công ty.

Loại mở rộng ranh giới này không nên dừng lại ở cổng của công ty. Không chỉ các quyết định của khách hàng và nhà cung cấp có thể ảnh hưởng đến sự không chắc chắn của nhu cầu - các quyết định của các tác nhân trong các ngành lân cận sản xuất các sản phẩm bổ sung hoặc thay thế cũng có thể ảnh hưởng đến nhu cầu. Tiếp cận gần với dữ liệu mà những người chơi trong ngành này tạo ra chỉ có thể giúp giảm sự không chắc chắn xung quanh các trình điều khiển hiệu suất mà bạn cần để có thể dự đoán.

Mặc dù các nhà sản xuất và nhà bán lẻ đầu tư vào phân tích dữ liệu để cải thiện hiệu quả hoạt động và đáp ứng nhu cầu, nhưng nhiều lợi ích của những khoản đầu tư này không được thực hiện. Thông tin bị mất khi dữ liệu được tổng hợp trước khi chuyển đổi qua các silo - điều này làm tăng mức độ không chắc chắn xung quanh các dự đoán. Bằng cách áp dụng toán học về mô hình không chắc chắn để kết hợp thông tin quan trọng về cách dữ liệu được tạo ra, các nhà khoa học dữ liệu có thể nắm bắt được ảnh hưởng của các tham số đã bị bỏ qua trước đó có thể làm giảm đáng kể sự không chắc chắn xung quanh các dự đoán về cung và cầu.

Đức Nguyễn

Bài liên quan