المشكلة: إدارة المخزون اليدوية
كانت شركة تجارية من حجم متوسع تعاني من نظام ERP القديم. إدارة المخزون اليدوية كانت تعني حدوث حالات نقص وفرة متكررة، مما أدى إلى خسارة ملايين الدولارات بسبب الإيرادات الضائعة والمساحة المخزنية الفارغة.
حلنا المبتكر
1. التنبؤ بالطلب باستخدام LSTM
استخدمنا شبكات عصبية LSTM المدربة على 3 سنوات من بيانات المبيعات لإنشاء محرك تنبؤ بالطلب بaccuracy 94%. يعتبر الموديل عوامل مثل الموسمية والخصومات والظروف الجوية والحدث المحلي.
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
def build_demand_model(sequence_length, n_features):
model = Sequential([
LSTM(128, return_sequences=True, input_shape=(sequence_length, n_features)),
Dropout(0.2),
LSTM(64, return_sequences=False),
Dense(32, activation='relu'),
Dense(1)
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
return model2. إعادة الطلب التلقائي
يتولى النظام إصدار أوامر الشراء التلقائية مع考ئب الاعتبار لزمن الإنتظار والموسمية ومعدلات الاعتماد على الموردين. هذا أدى إلى إزالة عملية إعادة الطلب اليدوية بالكامل.
3. محرك أسعار ديناميكي
تستخدم الخوارزميات اللاهوتية بيانات أسعار المنافسين ونمط الطلب والمخزون لتحديد الأسعار الأمثل. يُجرى المحرك كل 15 دقيقة ويتعدي الأسعار في الوقت الحقيقي.
النتائج التي تهم
- زيادة الإيرادات بنسبة 300% خلال 18 شهرًا
- تقليل الفائض من المخزون بنسبة 40%
- انخفاض حالات نقص المخزون بنسبة 85%
- تحسين الاستغلال من المساحة المخزنية بنسبة 35%
الملاحظات الرئيسية
لم يكن النجاح مجردًا عن الموديلات اللاهوتية - بل كان عن دمج التنبؤات اللاهوتية بشكل مباشر في تدفقات العمل الحالية في ERP بحيث لا يتعين على المستخدمين تغيير سلوكهم.
