最好的补货系统可能是您已经拥有的系统

它只需要一种新鲜的人工智能增强饮食。

在今年早些时候我们非常值得参加NRF期间，我们展位的参观者提出了很多问题，围绕着影响零售补货的持续挑战。

没有人需要为这个问题而烦恼——我们的后疫情经济仍然受到笨拙的供应链中断的困扰，让零售客户经常对空荡荡的货架感到失望，别无选择，只能考虑竞争商店（或在线选择）来购买他们所依赖的日常用品。从购物者到商店经理再到C级领导，我知道挫折无处不在。

简单地容纳数字比以往任何时候都更加复杂。如果您是一家拥有 1，000 家商店的中型全国零售商，则每家商店可能销售多达 10，000 个 SKU，这意味着需要 10 万个定期决策来调整每个位置的库存规模。谁得到什么，何时以及多久得到一次？这些是数百万美元的问题，对吧？关键是要考虑单位销售损失的动态 - 从从贫瘠的货架上突然掉头的客户 - 与仓库和库房中缓慢移动的产品的利润吞噬携带成本。事实上，我们与NRF零售决策者的对话表达了一个共同的共识：“我们知道我们需要更好地利用数据”，使补货与客户需求同步，并为每个SKU实现难以捉摸的最佳点 - 最小化成本，最大化利润。

供应商众多，解决方案很少

与往年一样，纽约“The Big Show”的展厅是名副其实的供应商海洋，许多供应商都在兜售自己的软件产品来跟踪补货。但是，这些工具通常受到三个固有缺点的限制：

他们围绕广泛、一刀切的方法运营，通常整个类别由任意目标服务级别驱动，同时缺乏用于数据驱动库存优化的高级、精细级别功能 — 最大限度地提高库存投资的盈利能力。

这些补货政策的驱动因素（目标服务水平、供应周数等）与期望的最终目标（盈利能力）没有直接关系。

它们可能需要对零售商现有的补货系统进行广泛的（通常是资本支出繁重的）大修或“淘汰和更换”。

这就是为什么我们始终指导零售商采用数据驱动的补货解决方案，这些解决方案基于AI/ML数据科学和随机优化的务实融合，该技术明确地将需求不确定性纳入决策过程，以确定“空头”和“长期”风险之间的最佳平衡。

这种技术组合类似于自动驾驶汽车背后的科学，其中AI / ML采集层“看到汽车周围的世界”，对其进行解释，并预测未来可能的状态 - 区分冰淇淋车和救护车 - 并预测它们的可能路径。然后将此信息馈送到优化引擎，该引擎在所有适用的约束条件（道路规则、安全、导航效率等）下实现从 A 到 B 的驾驶目标。

同样，AI/ML 层解释所有可用数据，以预测需求、产品之间的关系、对促销的反应、价格变化和其他因果因素以及天气、中断等偶然因素。然后，随机优化引擎使用此数据，该引擎的目标是在所有适用的业务规则和约束下，在单个SKU/商店/补货周期级别最大化预期利润。

对于零售商而言，可操作的数据输出包括利润优化的目标库存状况，即我们 antuit.ai 和 Zebra 对每种产品和商店位置的订单点 （OUTP） 所说的订单数量 （OUTP），这反过来又决定了建议的订单数量 （SOQ）。

有效利用AI/ML与随机优化的这种强大组合，可以在给定的时间范围内始终如一地最大化每个商店每个SKU的预期盈利能力，最终转化为对损益的积极影响。

AI和随机优化的结合解释

低接触、高影响力的替代方案

这种类型的人工智能解决方案不仅可以提供数据驱动的方法来优化价格补货，还可以提供这些好处，而不会遇到您可能亲自经历过的其他常见陷阱：对现有补货系统进行昂贵的端到端更换。

在 antuit.ai 和 Zebra，我们专注于基于这种独特的技术配对创建易于集成的漏斗顶部软件解决方案，以便您可以简单地增强已有的长期补货系统。在这里再打一个汽车类比：我们的解决方案只是为您现有的补给发动机提供更有效的“高辛烷值”燃料。