חיפוש
סגור את תיבת החיפוש

היתרונות ביישום מערכות Big Data במחלקת הרכש ושרשרת האספקה

שנת 2020 היתה שנה מורכבת עבור ארגונים רבים ובמיוחד עבור מנהלי הרכש  ושרשרת האספקה שלהם. סגירה חלקית של מפעלי ייצור ברחבי העולם, מדיניות עבודה מרחוק ועצירה מוחלטת של נסיעות עסקיות, ביחד עם חולשות מובנות בשרשראות האספקה הגלובליות, הציפו בעיות רבות בשמירה על אספקה סדירה ובזמן ולנתקים בתקשורת השוטפת מול ספקי הארגון המקומיים והבינלאומיים, וחידדו לרבים את העובדה כי קיימת בעיית מידע אמיתית בכל הקשור לקשר של הארגון עם ספקיו, בעיה בעלת השפעות רחבות היקף.

גם במהלך שנת 2021, המשיכו לחוות ארגונים רבים את הבעיות הקשורות בניהול הסיכונים התפעוליים היום יומיים והאסטרטגיים מול מרבית הספקים הארגוניים. סקר מנהלי הרכש לשנת 2021 של חברת Deloitte (Deloitte Global 2021 Chief Procurement Officer Survey) מחזק את הנחות היסוד הנ"ל, כאשר בין ממצעיו הבולטים ניתן לראות כי:

  • 41% מהחברות הנשאלות דיווחו כי נאלצו לקדם משלוחים (Expedite Deliveries) על מנת להבטיח את המשך פעילות קווי הייצור שלהם
  • ·       36% דיווחו כי הפסידו הכנסות כתוצאה ממחסור באספקות
  • ·       11% דיווחו על נזקים למותג הארגוני כתוצאה ישירה מבעיות מול ספקים
  • רק 26% דיווחו כי הם מסוגלים לחזות סיכונים אצל הספקים שלהם

על כן, נשאלת השאלה, כיצד ניתן להיערך לקראת הבאות וכיצד מנהלי רכש ושרשרת אספקה יכולים להבטיח הצלחה בניהול קשריהם העתידיים עם הספקים שלהם?

הפתרון עשוי להיות טמון בהשקעת זמן ומשאבים על מנת להבטיח שלמחלקת הרכש ושרשרת האספקה יהיה מערך נתונים זמין של BIG DATA  ("בִּיג דָּאטָה", לפי החלטת האקדמיה ללשון העבריתנְתוּנֵי עָתֵק)  לניהול כל פעולותיו מול ספקי הארגון.

מסורתית, מנהלי מחלקות הרכש ושרשרת האספקה משקיעים כ 30%-50% מזמנם בחיפוש ואירכוב מידע ממקורות מבוזרים ומגוונים – בעלי פורמטים, איכויות ודרגות אמינות שונות, וזאת על מנת להשוות את נתוני וביצועי הספקים שלהם ולקבל החלטות רכש מושכלות.

למערכות נתוני עתק יש יישומים ברורים במחלקות הרכש ושרשת האספקה ושימוש בהם עשוי לפתוח עידן חדש בתחום ניהול הספקים, זאת לאור העבודה שאיסוף, ניהול וניתוח אוטומאטי של המידע יימטב את ביצועם של פעולות רכש אסטרטגיות ואופרטיביות וביכולתן להקנות יתרון משמעותי למנהלים בהבנת מגמות עומק וקבלת החלטות מהירות ומושכלות מבוססות נתונים ולשפר בכך את הקשר עם הספקים, להגביר שקיפות ושיתוף המידע עימם ולחזק את כלל שרשרת האספקה.

אך למרות היתרונות הברורים, היישום של מערכות לניהול וניתוח נתוני עתק במחלקות הרכש ושרשרת האספקה מפגר בצורה משמעותית מול יישומים דומים במחלקות אחרות בארגון, כשיווק, מכירות וייצור.

כפי שמראה מחקר של חברת Mckinsey (Big data and the supply chain: The big-supply-chain analytics landscape (Part 1) – Mckinsey February 16,2021) … "בפועל חברות מעטות בלבד הצליחו ליישם טכניקות של ניתוח נתוני עתק במחלקת הרכש, יישום העשוי להשפיע על האופן בו הם מסוגלים לנהל ביעילות את שרשרת הספקה שלהם. יישום מלא של מערכות ניתוח נתוני עתק הוגבל עד כה משתי סיבות עיקריות: ראשית, העדר יכולות מתאימות בקרב מנהלי הרכש ושרשרת האספקה. למנהלים קיים נסיון מוגבל בניתוח נתונים על בסיס מדעי. על כן הם מתקשים להבין את היתרונות הקיימים ביישום מערכות שכאלה. שנית (ובעל משעות רבה יותר), ברב הארגונים לא קיים תהליך מובנה לגילוי, ניתוח והבנת היתרונות הגלומים ביישום מערכות לניתוח נתוני עתק ברכש ושרשרת האספקה."…אך מנגד, " ארגוני הרכש המובילים בעולם הינם ארגונים שיישמו מערכות ניתוח נתוני עתק בסבירות של פי 4-5 מארגונים אחרים…יישמו כלים מתקדמים לניבוי עתידי ובעלי סבירות של פי 18 שישמו מערכת בינה מלאכותית…יכולות דיגיטליות מתקדמות עוזרות למחלקת הרכש לקיים סנכרון מידע/שיתוף פעולה ושקיפות מול ספקי הארגון ובכך לייצר שרשרת אספקה אמינה וחזקה יותר הן פנימית והן חיצונית. "

להלן שתי דוגמאות ליישום מערכות לאיסוף וניתוח נתוני עתק בפעילות היום יומית של ארגוני הרכש:

 

1.     ניתוח זמן אספקה (Lead Time) של ספקים:

במערכות ERP רבות, זמן האספקה של הספקים לפריטים השונים מוזן בעת חתימת ההסכם הראשוני או הוצאת הזמנת הרכש הראשונית מול הספק, ולא מעודכן כלל לאחר מכן.

 

הואיל וזמן האספקה של הספק הינו נתון בעל חשיבות מרובה לתזמון והיקף של כל הזמנת רכש, מנהלי רכש רבים מבינים את חשיבותו ומנסים למצא דרכים על מנת להבטיח כי נתון זה ייעדוכן בצורה שוטפת במערכת ה ERP ובמקביל מנסים למצא דרכים שיאפשרו להם לנבא מה השינויים הצפויים בזמן האספקה של הספקים השונים שלהם.

 

כחלק מיישומינו השונים והמתקדמים  בארץ ובעולם, פיתחנו מודל המבוסס על ניתוח נתוני עתק תוך שימוש בכלים מתקדמים כולל למידת מכונה Machine Learning ML)), שחוזה את השינוי בזמן האספקה של החלקים השונים המוזמנים ממגוון ספקי הארגון בהשוואה לנתון המחוזק באופן סטטי במערכת ה ERP. מודול זה מתבסס על איסוף, ניהול וניתוח נתונים מבוזרים ומגוונים – בעלי פורמטים, איכויות ודרגות אמינות שונות – המגיעים בכמות גדולה ממקורות רבים הכוללים:

·       נתוני רכש ממערכת ה ERP הארגונית (או כל מערכת רכש אחרת)

·       נתוני קליטת הטובין ממערכת ה ERP (או כל מערכת רכש אחרת)

·       התחייבות הספקים מול שורות ההזמנות השונות כפי שנקלטו בפורטל הספקים

·       כמות השורות והחלקים היומיים הנמצאים באיחור מדוח ההזמנות הפתוחות

 

ניתוח נתונים מבוזרים אלה, מאפשר לנו לבנות מודל חיזוי מדויק המעניק את הכלים והתובנות הבאות למנהלי הרכש ושרשרת האספקה:

·       יצירת הזמנות ושליחתם בזמן בהתבסס על זמן אספקה ריאלי עבור כל פריט ופריט

·       קבלת החלטות אופרטיביות המתבססות על נתונים מעובדים הכוללים נתוני מלאים וכמויות בייצור

·       קיום דו שיח פרודקטיבי עם הספק במקרה של דרישות אספקה חריגות מצד לקוחות או ריצפת הייצור

·       עידכון אוטומאטי ובזמן אמת של מערכת ה ERP עם נתונים מעובדים, מאומתים ומאושרים של זמן אספקה, דבר המאפשר ניהול מבוסס נתונים של כל חיי הזמנת הרכש

 

 

2.     ניבוי חוסרים בקוי הייצור והאם ספקים יעמדו במועדי האספקה החוזיים

לתעשיות יצרניות או מורכבות כתעשיות הרכב, התעופה והאלקטרוניקה יש עקב אכילס: אספקת חלקים מאוחרת. תעשיות אלה מייצרות מוצרים המורכבים מאלפים רבים של חלקים, נאלצות להתמודד עם אתגרים הכרוכים בניהול הספקים, המלאי וקוי הייצור. כמו בפאזל שלא יכול להיחשב לשלם גם אם חסר לו רק חלק אחד מתוך אלף – כך גם מטוס, שחסר לו בורג, או מערכת אלקטרונית שהגעת רכיב מהספק התעכבה. החברה עלולה למצוא עצמה עם מוצר תקוע על פס הייצור ללא אפשרות להתקדם בבנייתו עד לבואו של המשלוח המיוחל. מעבר לנזק הכספי במצב כזה, המשמעות היא גם שלקוח הקצה לא יקבל את הזמנתו במועד שנקבע – מה שיכול לפגוע במוניטין החברה, באמינותה וברווחיותה.

 

אז בעצם כיצד ניתן להפוך את התעשייה ממגיבה לכזאת שמסוגלת להסתכל קדימה ולחזות מראש את החוסרים הצפויים?

גם כאן, השימוש במודלים מתקדמים לניבוי מהווה כלי משמעותי בשיפור ביצועי הספקים (OTD – On Time Delivery)  ופתרון לבעיות המתוארות לעיל.

 

אלגוריתם המנתח מידע ממספר רב של מקורות ומייצר מסקנות על בסיסו. אלגוריתם המשקלל את הנתונים ומצייר תחזית האם חלק יעמוד בזמן או לא במרוצת שלושת החודשים הבאים. האלגוריתם נסמך על היסטוריית האספקה של הספק, על מספר החלקים שידוע שיש לו במלאי ובייצור, על נתוני האישורים הרלוונטיים להזמנותיו הפתוחות מפורטל הספקים ולבסוף – על מדד השירות שלו הכולל את היכולת לכמת את רמת השירות לכדי מדד ולשקלל את הפרמטרים כך שייצרו שיטת מיקוד שיודעת לחזות אם חלקים יגיעו בזמן או לא ויצבע חלקים הצפויים להגיע באיחור באדום כדי שהארגון יטפל בהן מבעוד מועד.

כיום רוב המדדים הקיימים הם מדדים סטטיסטיים הניתנים בדיעבד. הגישה ההוליסטית המשלבת מתודולוגיה וטכנולוגיה לניהול ספקים משנה זאת וחוזה קדימה. למעשה, זה נוצר משילוב של עבר, הווה ועתיד. היכולת לנתח את נתוני העבר, את דרך התקשורת עם הספק ואת נתוני ההווה – ועל סמך זה לצפות את פני העתיד.

לסיכום, מערכות לאיסוף וניתוח נתוני עתק Big data analytics)) מהוות פלטפורמות חדשניות שביכולתן לשפר את ביצועי מחלקת הרכש בצורה משמעותית ופותרות מספר בעיות מפתח הן בתחום הרכש האסטרטגי והן בתחום הרכש הטקטי והאופרטיבי. השימוש במערכות אלה מאפשר שיפור משמעותי בביצועי הרכש, שיפור הניתן  לסכם ב'ארבעת המ"מים' הבאים:

  • מבטיח אספקה בזמן
  • משפר מעקב וניראות בכל שרשרת האספקה
  • מייעל את ניהול הסיכונים אצל הספקים
  • מפשט מאוד את התקשורת איתם

————————————————————————————-

גלי כץ – סמנכ"ל טכנולוגיות בחברת פרואקטיב 4 אס.סי.אמ.
לגלי ניסיון של 25 שנה ביישום מערכות ניהול ספקים ושרשרת אספקה בסביבה מקוונת. בשנת 2005 הקים את חברת פרואקטיב המציעה למגוון לקוחות בארץ ובעולם פתרונות לניהול ספקים ואוטומציה עסקית.

מעוניינים לדעת כיצד מניפת פתרונות הרכש של Proactive 4 SCM יכולה לעזור גם לכם לנהל את הרכש בתקופה מאתגרת שכזאת?

לפרטים נוספים מוזמנים לבקר באתר שלנו www.proactive4.com

או ליצור קשר: gali@proactive4.com

 0506-716297

צרו קשר
השאירו פרטים ונשוב אליכם בהקדם
דילוג לתוכן