AI vasitəsilə tələbin proqnozlaşdırılması və McDonald’s Georgia təcrübəsindən əldə olunan dəyərli biznes dərsləri

“Elektrik enerjisinin 100 il əvvəl demək olar ki, hər şeyi dəyişdirdiyi kimi, bugün də süni intellektin yaxın bir neçə ildə dəyişdirməyəcəyini düşündüyüm hər hansı bir sahəni təsəvvür etmək mənim üçün çətindir”, — Endryu Ng.

Bugün süni intellekt sahəsində dünyanın ən tanınmış ekspertlərindən birinin bu sözləri biznes mühitində artıq baş verən proseslərin məntiqli izahı kimi səslənir. Şirkətlər getdikcə daha çox süni intellektə eksperiment və ya texnoloji trend kimi deyil, əməliyyatların daha proqnozlaşdırıla bilən və idarəolunan olmasını təmin edən bir alət kimi yanaşırlar. Bu xüsusilə tələbin yüksək dəyişkənlik göstərdiyi və təchizat zəncirlərinin mürəkkəb olduğu sahələrə aiddir: pərakəndə ticarət, distribusiya, istehlak mallarının istehsalı, elektron ticarət (e-commerce) və HoReCa sektoru. Məhz bu sahələrdə proqnozların dəqiqliyi xərclərə, xidmət səviyyəsinə və əməliyyatların davamlı şəkildə genişləndirilməsi imkanlarına birbaşa təsir göstərir.

Tələb planlaşdırılmasında süni intellektin iqtisadi təsiri: qlobal analitikadan McDonald’s Georgia təcrübəsinə qədər

McKinsey analitiklərinin qiymətləndirmələrinə görə, tələbin idarə edilməsi və logistika proseslərində AI həllərinin tətbiqi şirkətlərə ehtiyat səviyyəsini orta hesabla 20–30% azaltmağa, logistika xərclərini 5–20% aşağı salmağa, həmçinin satınalma xərclərini 5–15% optimallaşdırmağa kömək edə bilər. Bu nəticə alqoritmlərin böyük həcmdə məlumatları təhlil etmək və ənənəvi proqnozlaşdırma metodları ilə müqayisədə daha çox amili nəzərə almaq qabiliyyəti sayəsində əldə olunur.

Təxminən iki il əvvəl restoranlar şəbəkəsi McDonald’s Georgia artıq SMART business şirkətinin təqdim etdiyi SMART Demand Forecast həllinin tətbiqi təcrübəsini bölüşmüşdü. Bu həll şəbəkə üzrə tələbin proqnozlaşdırılması dəqiqliyini artırmağa imkan vermişdi. Bugün süni intellektin planlaşdırma proseslərində istifadəsi tədricən innovasiya kateqoriyasından biznes zərurəti kateqoriyasına keçdiyi bir vaxtda, həmin layihə yeni məna qazanır. Şirkət faktiki olaraq AI əməliyyat səmərəliliyinin geniş yayılmış alətinə çevrilməzdən əvvəl proqnozlaşdırma proseslərinin transformasiyasına başlamışdı. Bu məqalədə McDonald’s Georgia artıq toplanmış təcrübə baxımından öz fəaliyyətinə yenidən nəzər salır və AI əsaslı tələb proqnozlaşdırmasının bugün şirkətə əməliyyatların sabitliyini qorumağa, resursları daha dəqiq planlaşdırmağa və dəyişkən bazar şəraitində biznesi daha inamla genişləndirməyə necə kömək etdiyi ilə bağlı faydalı fikirlərini bölüşür.

Tələb proqnozlaşdırılmasının qeyri-dəqiq olmasının biznes üçün real təsiri

Şirkətlər tələb proqnozlaşdırmasından danışarkən, bu mövzu çox vaxt analitika, modellər və ya KPI-larla əlaqəli bir məsələ kimi qəbul olunur, — deyə Artem Stepanov, SMART business şirkətində AI həlləri üzrə Product Owner bildirir.

Lakin reallıqda proqnozun dəqiqliyi biznesin maliyyə nəticələri ilə birbaşa əlaqəlidir. Hətta kiçik səhvlər və ya proqnozdan kənarlaşmalar belə nəzərəçarpacaq dərəcədə əməliyyat itkilərinə səbəb ola bilər.

Gəlin iki geniş yayılmış vəziyyəti nəzərdən keçirək:

1. Tələb olduğundan yüksək qiymətləndirildikdə -> şirkət artıq ehtiyatlarla üzləşir. İlk baxışdan bu, təhlükəsiz strategiya kimi görünə bilər, çünki məhsul mövcuddur və satışlar dayanmır.

Lakin praktikada artıq ehtiyatlar dövriyyə kapitalının dondurulması, saxlama xərclərinin artması və məhsulun yararlılıq müddətinin başa çatması və ya tələbin dəyişməsi səbəbindən silinməsi riskinin yüksəlməsi deməkdir. Nəticədə mənfəət yaratmalı olan aktivlər əlavə xərc mənbəyinə çevrilir.

2. Əks vəziyyət — tələbin olduğundan aşağı qiymətləndirilməsi -> daha ciddi nəticələrə səbəb Məhsulun rəflərdə olmaması birbaşa gəlir itkisi, qaçırılmış satış imkanları və mənfi müştəri təcrübəsi deməkdir. Yüksək rəqabətli sahələrdə isə bu, uzunmüddətli müştəri itkisi riskini də artırır, çünki müştərilər alternativ variantları tez bir zamanda tapa bilirlər.

Əsas məqam ondan ibarətdir ki, artıq ehtiyatlar və ehtiyat çatışmazlığı iki fərqli problem deyil, eyni prosesin iki ifrat nöqtəsidir. Onları birləşdirən ümumi səbəb isə tələbin qeyri-dəqiq proqnozlaşdırılmasıdır. Məhz buna görə biznes daim anbarların həddindən artıq yüklənməsi riski ilə satışların itirilməsi riski arasında tarazlıq yaratmağa çalışır və əməliyyat səmərəliliyinin optimal nöqtəsini axtarır.

Analitik baxımdan, hətta proqnozdakı kiçik bir xəta belə əhəmiyyətli iqtisadi təsir göstərə bilər. Cəmi bir neçə faiz səviyyəsində olan yanlışlıq logistika, satınalma və ehtiyatların idarə edilməsi sahələrində yüz minlərlə, hətta milyonlarla əlavə xərcin yaranmasına səbəb ola bilər.

Tələbdəki kiçik dəyişikliklər — əməliyyatlarda böyük dalğalanmalar

Şirkətlər üçün ayrıca bir çağırış da əməliyyat sisteminin tələbdəki dəyişikliklərə düzgün reaksiya vermək qabiliyyətidir. Təchizat zəncirlərində tez-tez “qamçı effekti” (Bullwhip Effect) kimi tanınan bir hadisə müşahidə olunur. Bu zaman son müştəri səviyyəsində tələbdə baş verən cüzi dəyişikliklər istehsal, satınalma və logistika proseslərində daha böyük dalğalanmalara səbəb olur.

Satışlardakı gündəlik dəyişikliklər təsadüfi və ya qısamüddətli ola bilər, lakin planlaşdırma sistemləri çox vaxt onları sabit bir tendensiya kimi şərh edir. Buna cavab olaraq şirkətlər gözlənilən dəyişiklikləri kompensasiya etməyə çalışaraq sifarişləri ya artırır, ya da kəskin şəkildə azaldır. Belə həddindən artıq reaksiya əməliyyat qeyri-sabitliyi dövrünü başladır: anbarlar bir dövrdə həddindən artıq dolu ola bilər, digər dövrdə isə boş qala bilər.

Əlavə faktor qərarların qəbulunda və təchizat zənciri boyunca məlumatın ötürülməsində yaranan gecikmələrdir. Bu zəncir nə qədər uzun olarsa, tələbin dəyişkənliyi bir o qədər güclənir. Nəticədə, hətta mağaza və ya restoran səviyyəsində baş verən kiçik dalğalanmalar belə satınalma, istehsal və nəqliyyat planlarında dəfələrlə daha böyük dəyişikliklərə çevrilə bilər.

Biznes üçün bu, daşımalar və təcili təchizat xərclərinin artması, xidmət səviyyəsinin daha yüksək dəyişkənliyi və sabit əməliyyat modelini qorumağın çətinləşməsi deməkdir. Beləliklə, problem təkcə tələbin özü ilə bağlı deyil, çünki bu, hər bir bazarın təbii xüsusiyyətidir. Kritik məqam ondan ibarətdir ki, proqnozlaşdırma və planlaşdırma sistemi bu dəyişikliklərə nə qədər sürətli və dəqiq uyğunlaşa bilir və bunun nəticəsində yığılan əməliyyat borcu yaratmır.

Əməliyyat borcu: planlaşdırmanın “yanğın söndürmə” prosesinə çevrildiyi zaman

Beləliklə, tələbin qeyri-dəqiq proqnozlaşdırılması təkcə xərclərə və ya xidmət səviyyəsinə təsir etmir. Zamanla bu, əməliyyat borcu adlanan vəziyyəti formalaşdırır — şirkətin sabit və proqnozlaşdırıla bilən şəkildə işləmək qabiliyyətini tədricən azaldan səmərəsiz qərarların və xaotik proseslərin yığılması.

Belə şəraitdə planlaşdırma artıq strateji funksiya olmaqdan çıxır və reaktiv xarakter alır. Komandalar sistemli şəkildə prosesləri optimallaşdırmaq və qərarların dəqiqliyini artırmaq əvəzinə, daimi olaraq böhran vəziyyətlərinə reaksiya verməyə məcbur olurlar.

Bu, ən çox aşağıdakı simptomlarda özünü göstərir:

• planlaşdırma daimi “yanğın söndürmə” (firefighting) rejimi ilə əvəz olunur, bu zaman əsas diqqət operativ problemlərin həllinə yönəlir;
• təcili sifarişlərin və eskalasiyaların sayı artır (yəni problemin dərhal daha yüksək idarəetmə səviyyəsinə ötürülməsi və ya onun həlli üçün əlavə resursların cəlb edilməsi tələb olunan hallar), bu isə logistika xərclərini yüksəldir;
• qərarların qəbul olunması daha yavaş olur, çünki informasiya yüklənməsi artır və proseslər arasında uyğunsuzluq yaranır. Belə ki, məlumatlar müxtəlif mənbələrdən daxil olduqda onların əl ilə yoxlanılması və ya şöbələr arasında razılaşdırılması tələb olunur ki, bu da biznesin tələbdəki dəyişikliklərə reaksiyasını gecikdirir;
• planlaşdırma və logistika komandalarında stress səviyyəsi yüksəlir, peşəkar yanma (burnout) riski artır.

Nəticədə biznes həm proqnozlaşdırma dəqiqliyini, həm də əməliyyat çevikliyini itirir. Proseslər formal olaraq işləməyə davam edir, lakin hər yeni səhv yığılaraq tədricən sistemli qeyri-sabitliyə çevrilir. Bu isə elə bir vəziyyət yaradır ki, tələbdə baş verən hətta kiçik dəyişikliklərin idarə olunması üçün qeyri-proporsional dərəcədə böyük səylər tələb olunur.

Əl ilə aparılan təhlildən süni intellektə qədər: qərarların qəbul edilmə sürəti necə dəyişib

Biznes üçün qərarvermə sürətinin niyə kritik əhəmiyyət daşıdığını anlamaq üçün məlumatlarla işləmə alətlərinin necə inkişaf etdiyinə nəzər salmaq kifayətdir. Əl ilə hazırlanan cədvəllərdən tutmuş inteqrasiya olunmuş sistemlərə və müasir süni intellekt həllərinə qədər hər dövrün öz imkanları və məhdudiyyətləri olub.

Ənənəvi metodlar: qərarların gecikdiyi əl ilə aparılan təhlil dövrü

Hələ yaxın keçmişə qədər əksər şirkətlər məlumatların təhlili və planlaşdırılması üçün əsas alət kimi elektron cədvəllərə etibar edirdilər.

Nəticədə:

• qərarlar həftələrlə, hətta aylarla gecikmə ilə qəbul edilirdi;
• məlumatlar parçalanmış olur və çox vaxt bir-biri ilə uzlaşmırdı;
• analitika “nə baş verib” sualına cavab verirdi, lakin “bundan sonra nə olacaq” sualını cavablandıra bilmirdi.

Əslində, biznes postfaktum rejimində fəaliyyət göstərir, hadisələrə yalnız onlar baş verdikdən sonra reaksiya verirdi. Bu zaman isə vəziyyətə təsir etmək ya çətin, ya da artıq gec olurdu.

İnteqrasiya olunmuş sistemlər dövrü: daha sürətli, lakin hələ də kifayət deyil

Növbəti mərhələ sistemlərin inteqrasiyası və vahid informasiya mühitinin formalaşması oldu. Məlumatlar bir-biri ilə “ünsiyyət qurmağa”, proseslər isə sinxronlaşmağa başladı.

Bu, aşağıdakılara imkan verdi:

• qərarların qəbul edilmə müddətini günlərə qədər azaltmaq;
• qaydalara əsaslanan sadə proqnoz modellərindən istifadə etmək;
• məlumatların emalını sürətləndirən bəzi əməliyyatları avtomatlaşdırmaq.

Buna baxmayaraq, bu səviyyədə də biznes əsasən reaktiv olaraq qalırdı. Sistemlər məlumatı daha sürətli emal edə bilsə də, hadisələrin inkişafını hələ də tam şəkildə proqnozlaşdıra bilmirdi.

Süni intellekt dövrü: reaksiyadan qabaqlayıcı tədbirlərə qədər

Bugün biznes tamamilə fərqli bir reallığa keçir. Burada məlumatla qərar arasında olan gecikmə demək olar ki, aradan qalxır.

AI sistemləri idarəetmə yanaşmasını dəyişir:

• məlumatları kontekstdə təhlil edir — onlarla əlaqəli amilləri nəzərə alaraq;
• bazar və müştəri davranışındakı dəyişiklikləri nəzərə alaraq proqnozlar qurur;
• real vaxt rejimində dəyişikliklərə uyğunlaşır;
• postfaktum reaksiya vermək əvəzinə proaktiv hərəkət etməyə imkan yaradır.

Başqa sözlə, biznes artıq hadisələri izləməkdən çıxır və onları qabaqlamağa başlayır.

Bu, praktikada nə deməkdir?

Burada əsas fikir sadədir: bugün rəqabət üstünlüyü daha çox məlumatı olanın deyil, həmin məlumatı daha tez qərarlara çevirə bilənin əlindədir.

Tələbin proqnozlaşdırılması kontekstində bu, aşağıdakıları ifadə edir:

• müştəri davranışındakı dəyişikliklərə daha sürətli reaksiya;
• daha az yığılmış əməliyyat borcu;
• dinamik mühitdə belə daha sabit proseslər.

Məhz bu məqamda McDonald’s Georgia təcrübəsi nümunəvi olur. Şirkət faktiki olaraq qərarların qəbul edilmə sürətini tamamilə yeni səviyyəyə yüksəltdi.

Konsultasiya sifariş etmək

Böyümə artdıqca proqnozlaşdırma çətinləşəndə: McDonald’s Georgia təcrübəsi

Süni intellektə keçid ehtiyacının haradan yarandığını anlamaq üçün biznesin real kontekstinə nəzər salmağa dəyər. McDonald’s Georgia nümunəsində dəyişikliyin əsas səbəbi şəbəkənin sürətli şəkildə böyüməsi oldu.

2019-cu ildən etibarən şirkətin restoranlarının sayı 75% artaraq ölkə üzrə 28 məkana çatdı. Bu, faktiki olaraq hər birinin öz tələb dinamikası, yerli xüsusiyyətləri və müştəri davranışı olan onlarla ayrı əməliyyat vahidinin idarə olunması deməkdir. Bu miqyasda ənənəvi proqnozlaşdırma metodları artıq kifayət qədər effektiv olmadı və biznes üçün daha müasir yanaşma və alətlərə keçidin zəruriliyi aydın oldu.

Əl ilə metodlar niyə miqyaslanmaya davam gətirmədi

Biznesin böyüməsi əl ilə alətlərin zəif tərəflərini üzə çıxarır. Ən kritik məqamlar bunlardır:

1. Əl ilə proqnozlaşdırma miqyaslana bilmir — dəqiqliyi saxlamaq üçün şirkət planlaşdırma komandasını daim genişləndirməli olardı. Bu isə faktiki olaraq “analitiklər ordusu” qurmaq demək idi və əməliyyat səmərəliliyi ideyasına zidd idi.
2. Məlumatların məhdud səviyyədə təfərrüatlı olması — bütün şəbəkə üzrə ümumiləşdirilmiş göstəricilərlə işləmək ayrı-ayrı restoranlar arasındakı fərqləri görməyə imkan vermirdi. Nəticədə qərarlar real vəziyyətə deyil, “orta göstəricilərə” əsaslanırdı.
3. Proqnozlarda kənar amillərin olmaması — ənənəvi modellər demək olar ki, konteksti nəzərə almırdı: hava şəraiti, yerli tədbirlər, marketinq aktivlikləri və s.

Nəticədə McDonald’s Georgia proqnozlaşdırma rejimində deyil, daha çox reaksiya rejimində işləyirdi.

Bir bazar onlarla fərqli ssenaridən ibarət olduqda

Bu məhdudiyyətlər xüsusilə ayrı-ayrı şəhərlər və hətta konkret restoranlar səviyyəsində daha çox hiss olunur.

Niyə McDonald’s Georgia öz daxili tərtibatı əvəzinə hazır SMART Demand Forecast həllini seçdi

Коли команда McDonald’s Georgia усвідомила, що ручне прогнозування більше не працює, постало ло McDonald’s Georgia komandası əl ilə proqnozlaşdırmanın artıq işləmədiyini anlayanda, təbii bir sual yarandı — yanaşmanı necə dəyişmək lazımdır.

“Bizim seçimimiz iki ssenari arasında idi: ya öz proqnozlaşdırma sistemimizi yaratmaq, ya da hazır AI həllini tətbiq etmək. İlk baxışda fərdi tərtibat “özünə uyğun” alət yaratmaq imkanı kimi cəlbedici görünə bilər. Lakin reallıqda bu yol daha mürəkkəb və risklidir. Ona görə də hazır həllin seçilməsinə bizim üçün gördüyümüz bir sıra konkret üstünlüklər səbəb oldu,” — deyə Giorgi qeyd edir.

1. Sürət: nəticənin “nə vaxtsa” yox, “indi” lazım olduğu bir vəziyyətdə əsas faktor sürət oldu. Öz həllini sıfırdan hazırlamaq, hətta xarici podratçıların iştirakı ilə belə, bir neçə il çəkə bilərdi. Bu isə yalnız işlək prototip mərhələsinə qədər olan müddətdir. Halbuki biznesə dəyişikliklər artıq “dünəndən” lazım idi.

Buna görə McDonald’s Georgia aşağıdakıları mümkün edən yanaşmanı seçdi:

• diaqnostikadan dərhal sonra ilkin nəticələri əldə etmək;
• uzun tərtibat dövrlərinə vaxt itirməmək;
• problemi tez bir zamanda praktiki nəticəyə çevirmək.

Əslində söhbət yanaşma məntiqinin dəyişməsindən gedirdi: alət qurmaq deyil, nəticə əldə etmək.

2. Əsas ekspertizaya fokus: restoran biznesi ≠ AI tərtibatı. McDonald’s Georgia qonaqpərvərlik sahəsində fəaliyyət göstərən bir biznesdir, proqram təminatı hazırlayan şirkət deyil. Komandanın güclü analitik təcrübəsi olsa da, ML modellərinin qurulması və dəstəklənməsi əlavə mütəxəssislərin cəlb olunmasını tələb edir. Üstəlik, model yaradıldıqdan sonra iş bitmir. O, aşağıdakıları tələb edir:

• davamlı monitorinq;
• mütəmadi yenidən öyrədilmə (retraining);
• texniki dəstək və inkişaf.

Yəni faktiki olaraq maşın öyrənməsi üzrə ayrıca ekspert komandasına ehtiyac yaranırdı. Bu kontekstdə hazır SMART Demand Forecast həlli şirkətə aşağıdakı imkanları verdi:

• AI sistemlərinin dəstəklənməsinə deyil, biznesin inkişafına fokuslanmaq;
• tərtibat əvəzinə hazır analitik məlumatlardan istifadə etmək;
• artıq formalaşmış təcrübəyə çıxış əldə etmək.

3. Çeviklik və gələcəyə hazır olmaq — QSR (quick service restaurants) sahəsində tələb onlarla dəyişənin təsiri ilə formalaşır:

• mövsümilik;
• promoaksiyalar;
• hava şəraiti;
• satış kanalları;
• yerli tədbirlər.

Buna görə McDonald’s Georgia üçün aşağıdakı imkanlara malik sistem lazım idi:

• bu asılılıqlarla “qutudan çıxan kimi” işləyə bilən;
• yeni məlumatlar əsasında davamlı öyrənən;
• sıfırdan yenidən qurulmadan dəyişikliklərə uyğunlaşan.

Məhz bu amillər hazır SMART Demand Forecast həllinin seçilməsində əsas həlledici arqumentlərdən biri oldu.

4. Daha az tərtibat — biznes üçün daha çox dəyər: hazır həllin tətbiqi sayəsində McDonald’s Georgia komandası aşağıdakıları əldə etdi:

• modellərlə deyil, proqnozlarla işləmək;
• planlaşdırma və qərarverməyə fokuslanmaq;
• geniş imkanlardan istifadə etmək, hansılarki fərdi tərtibat zamanı böyük resurslar tələb edəcək.

“Bizə nəticələr illər ərzində deyil, aylar içində lazım idi. Uzun tərtibat dövrü həmişə reallıqdan uzaqlaşma riski yaradır: custom model hazır olana qədər restoran şəbəkəsi, tələbin strukturu və satış kanallarının özləri oyun qaydalarını dəyişə bilər. Buna görə də, biznesi ləngitmədən, dərhal nəticə verən bir həllin tətbiqi bizim üçün əhəmiyyətli dərəcədə vacib idi,” — deyə Giorgi vurğulayır.

Yəni texnologiya artıq bir layihə deyil, birbaşa işlək alətə çevrildi.

Konsultasiya sifariş etmək

Süni intellekt proqnozlaşdırmanı konkret proseslərə necə çevirdi

McDonald’s Georgia nümunəsində AI tələb idarəetmə sisteminin qapalı dövrəsinin bir hissəsinə çevrildi. Burada məlumatlar, proqnoz və əməliyyat qərarları vahid bir sistem kimi işləyir.

Parçalanmış məlumatlardan vahid mənzərəyə qədər

İstənilən proqnozlaşdırma məlumatlardan başlayır. Lakin real biznesdə onlar nadir hallarda ideal şəkildə strukturlaşdırılmış olur.

“Məlumat bazasının təməlinin əhəmiyyətini qiymətləndirməmək olmaz. Keyfiyyətli və təmiz məlumatlar bu cür layihələrin uğuru üçün əsasdır. Şans bizim tərəfimizdə oldu: artıq altı il əvvəl biz məlumat infrastrukturunun inkişafına məqsədli şəkildə investisiya etmişdik və bu layihəyə başlayanda o artıq yüksək səviyyədə idi. Eyni zamanda, işin özü daha detallı yanaşma tələb edirdi. Əvvəllər ümumiyyətlə izləmədiyimiz yeni məlumat növləri ortaya çıxdı. Bu isə bizi bəzi fərziyyələri yenidən nəzərdən keçirməyə, ayrı-ayrı göstəricilərin necə müəyyənləşdirildiyini yenidən düşünməyə və tarixi məlumatların uyğunluğunu təmin etməyə məcbur etdi,” — deyə Giorgi bölüşür.

McDonald’s Georgia-da bu, müxtəlif tipli siqnallar toplusu idi:

• POS sistemlərindən satışlar;
• təchizat məlumatları;
• promoaksiyalar;
• hava şəraiti.

Bu amillərin hər biri ayrıca götürüldükdə yalnız mənzərənin bir hissəsini göstərir. Lakin birlikdə onlar real tələbin formalaşdığı konteksti yaradır.

SMART Demand Forecast sistemində süni intellekt bu pərakəndə və əlaqəsiz məlumatları bir araya gətirməyə və onları detalları və yerli xüsusiyyətləri itirmədən vahid sistem kimi emal etməyə imkan verir.

Layihə komandasının qeyd etdiyi kimi, model “qara qutu” prinsipi ilə işləmir. Məlumatların inteqrasiyasından tutmuş müxtəlif amillərin nəzərə alınmasına qədər hər bir mərhələ şəffaf və nəzarət oluna bilən olaraq qalır.

Sistemin “beyni”: SMART Demand Forecast həllində AI modeli necə işləyir?

Növbəti mərhələ məlumatları proqnoza çevirən modelin özüdür. Burada əsas rolu yalnız dəqiqlik deyil, həm də prosesin idarəolunması oynayır:

1. Model yeni məlumatlar əsasında mütəmadi olaraq yenidən öyrədilir.
2. Hava şəraitindən promoaksiyaların təsirinə qədər onlarla dəyişəni nəzərə alır.
3. Proqnozun niyə məhz bu formada hazırlandığını anlamağa imkan verir.

Bu, biznes üçün olduqca vacibdir. Çünki proqnoza olan etibar təkcə rəqəmlər vasitəsilə deyil, həm də onların arxasında dayanan məntiqin başa düşülməsindən formalaşır.

Ən önəmli məqam icra səviyyəsidir

Süni intellektin əsas dəyəri modelin özündə deyil, onun nəticələrinin necə istifadə olunmasında üzə çıxır. McDonald’s Georgia-da proqnozlar birbaşa biznes proseslərinə inteqrasiya olunub:

• satış və əməliyyatların planlaşdırılması (S&OP);
• istehsal qrafiklərinin hazırlanması;
• ehtiyatların idarə edilməsi;
• satınalma prosesləri.

Yəni proqnoz avtomatik olaraq konkret proseslərə çevrilir. Beləliklə, analitika ayrıca bir funksiya olmaqdan çıxır və əməliyyat dövrünün ayrılmaz hissəsinə çevrilir.

Süni intellektin tətbiqi prosesi praktikada necə həyata keçirilir?

McDonald’s Georgia nümunəsinin vurğuladığı digər vacib məqam ondan ibarətdir ki, süni intellektə keçid birdəfəlik transformasiya deyil, ardıcıl və mərhələli bir prosesdir. Bu prosesdə əsas rolu isə möhkəm təməlin hazırlanması oynayır, yəni:

1. Məlumatlar başlanğıc nöqtəsi kimi — ilk və ən vacib mərhələ məlumatlarla işləməkdir. SMART business komandası McDonald’s Georgia ilə birlikdə aşağıdakıları özündə birləşdirən vahid məlumat strukturu yaradıb:

• satışların tarixçəsi;
• restoranların xüsusiyyətləri;
• xarici amillər;
• promoaktivliklər;
• məhsulların həyat dövrü;
• hətta xüsusi qaydalar və istisnalar (məsələn, COVID-19 pandemiyası dövrü).

Bu, başlanğıc kimi görünür, amma məhz bu mərhələ bütün sonrakı addımların keyfiyyətini müəyyən edir. Çünki əgər məlumatlar strukturlaşdırılmayıbsa, ən yaxşı AI belə səhvlər edəcək.

2. Bütün biznes üçün vahid məlumat məntiqi — növbəti addım müştərinin məlumatlarının artıq mövcud olan və müxtəlif departamentlər üçün anlaşılan universal strukturaya uyğunlaşdırılması oldu. Bu isə aşağıdakılara imkan verdi:

• komandalar arasında baxışın sinxronlaşdırılması;
• məlumatlardakı ziddiyyətlərin aradan qaldırılması;
• “vahid həqiqət” versiyası ilə işləmək.

3. Omnikanallılıq məcburi şərt kimi — McDonald’s Georgia üçün əsas çağırışlardan biri çoxkanallılıq oldu. Tələb yalnız məhsul və ya restoran səviyyəsində deyil, həm də kanal səviyyəsində formalaşır:

• zal;
• “McDrive”;
• çatdırılma.

Buna görə də sistem biznesi bütün bu kanallar üzrə eyni zamanda görməyə imkan verəcək şəkildə quruldu.

4. Pilot və sistemin öyrədilməsi — model tam istifadəyə verilməzdən əvvəl test mərhələsindən keçir:

• proqnozun dəqiqliyi yoxlanılır;
• anomaliyalar aşkar edilir;
• kalibrləmə aparılır.

5. Miqyaslandırma və komandanın yeni rolu — sistem tətbiq edildikdən sonra proqnozlaşdırma prosesi köklü şəkildə dəyişir. McDonald’s Georgia komandasının qeyd etdiyi kimi:

• əməliyyat işlərinin 90%-ə qədərini sistem yerinə yetirir;
• komanda yoxlama və qərarverməyə fokuslanır;
• diqqət rutin tapşırıqlardan strateji səviyyəyə keçir.

Əslində süni intellekt insanları əvəz etmədi — onların rolunu dəyişdirdi.

Konsultasiya sifariş etmək

SMART Demand Forecast sistemində AI “pərdə arxasında”: xam məlumatlardan idarəetmə qərarlarına qədər

SMART Demand Forecast — Microsoft ekosistemində qurulmuş, məlumat inteqrasiyasından Power BI-də analitikaya qədər uzanan vahid proqram həllidir. Əgər onu komponentlərə bölsək, əsas məntiq aydın görünür: səhvlərə səbəb ola bilən yerlərdə insan faktorunu minimuma endirmək, ekspertizanın tələb olunduğu sahələrdə isə onu gücləndirmək.

Məlumatlar təməl rolunda: niyə bunsuz AI işləmir

Məhz buna görə SMART Demand Forecast sistemində ilk mərhələ “AI möcüzəsi” deyil, kifayət qədər sistemli bir işdir:

• məlumatların keyfiyyətinin avtomatik təhlili — sistem boşluqları, səhvləri və məntiqsiz dəyərləri aşkarlayır;
• tarixi satışların təmizlənməsi — real tələbin artıq məlumatlardan ayrılması;
• trend və mövsümiliyin müəyyən edilməsi.

Burada AI proqnozlaşdırıcı kimi deyil, məlumatların “sanitari” rolunda çıxış edir.

Əsas mühərrik: real süni intellektin meydana çıxdığı mərhələ

Məlumatlar qaydaya salındıqdan sonra adətən “AI” adlandırılan mərhələ başlayır. Lakin praktikada bu, sadəcə modeldən daha geniş bir anlayışdır.

SMART Demand Forecast sisteminin “ürəyi” ML mühərrikidir, o:

• konkret biznes ssenarisi üçün ən uyğun modeli avtomatik olaraq seçir;
• həm müntəzəm tələblə, həm də promo ilə işləyir (“cannibalization” prosesini nəzərə alaraq);
• yeni məlumatlar əsasında davamlı olaraq yenidən öyrədilir.

Amma burada əsas güc təfərrüatlardadır, məsələn:

1. Satış tarixçəsi olmadan başlanğıc probleminin analoqlar vasitəsilə həlli — yeni məhsullar və ya məkanlar proqnozlaşdırmada ən çətin məsələlərdən biridir. Bu, qlobal bir çağırışdır və dünya üzrə şirkətlər bu problemlə üzləşirlər: məlumat olmadıqda, təbii olaraq, proqnozlaşdırmaq üçün də heç nə olmur.

SMART Demand Forecast sistemində bu problem analoqlar mexanizmi vasitəsilə həll olunur:

• sistem oxşar SKU-lardan və ya restoranlardan istifadə edə və onların seçilməsinə imkan verir;
• onların davranışı əsasında proqnoz qurur;
• daha sonra onu yeni kontekstə uyğunlaşdırır.

Beləliklə, biznes artıq “təxmin etmir”, əvəzində əsaslandırılmış ssenarilərlə işləməyə başlayır.

2. Xaos əvəzinə anomaliyaların idarə olunması. Tələbdə kəskin artım və ya enişlər istənilən biznes üçün klassik haldır. Amma əsas sual onların necə interpretasiya olunmasıdır. Bu halda SMART business tərəfindən təqdim olunan sistemdə:

• anomaliyalar avtomatik olaraq aşkar edilir (3-sigma rule kimi alqoritmlər və ya ML vasitəsilə);
• hamarlaşdırma (smoothing) təklif olunur;
• istifadəçiyə onları təsdiqləmək və ya dəyişmək imkanı

Bu, vacib məqamdır, çünki AI insanın yerinə qərar vermir, sadəcə harada müdaxilə lazım olduğunu göstərir.

3. Ssenari modelləşdirilməsi: qərarları tətbiq etməzdən əvvəl onların yoxlanılması — bu, gələcəyi sadəcə proqnozlaşdırmaq deyil, onunla işləmək imkanıdır. Məsələn:

• 50% endirim bazar ertəsi deyil, cümə günü olarsa nə baş verər;
• yeni məhsulun buraxılması zamanı tələb necə dəyişər;
• bir neçə promo eyni anda tətbiq olunarsa necə qarşılıqlı təsir göstərər.

Bu, proqnozlaşdırmadan tələbin idarə olunmasına keçiddir.

Mürəkkəb riyaziyyatın həllə çevrildiyi an

Nəticənin biznes üçün necə göründüyünə xüsusi diqqət yetirməyə dəyər. Bütün hesablamalar anlaşılan analitikaya çevrilir:

1. Proqnoza nə qədər etibar etmək olar — sistem dəqiqlik səviyyəsini göstərir və qərar qəbulundan əvvəl riskləri qiymətləndirməyə imkan verir.
2. Proqnozun sistematik olaraq harada səhv etməsi — qərəzliliyin monitorinqi tələbin daimi az qiymətləndirilməsi və ya artıq qiymətləndirilməsi kimi kənarlaşmaları üzə çıxarır.
3. Bunun biznesə maliyyə və əməliyyat baxımından təsiri — analitika proqnozun ehtiyatlara, məhsul əlçatanlığına və mümkün itkilərə və ya artıq qalığa təsirini göstərir.

Burada vacib olan sistemin “hesablaması” deyil, menecerin səbəb-nəticə əlaqəsini görməsi və bu məlumatlardan satınalmadan tutmuş promo planlamasına qədər qərar vermək üçün istifadə edə bilməsidir.

Niyə SMART Demand Forecast “kosmik elm” deyil, gündəlik istifadə üçün bir alətdir

Sistemin istifadəsi kifayət qədər sadədir və bu, bir sıra üstünlüklər yaradır:

• korporativ hesab vasitəsilə giriş imkanı olan veb tətbiq;
• aydın iş ssenarisi: məlumatları yenilə → dövrü seç → anomaliyaları emal et → modeli öyrət → promo və analoqları nəzərə al → proqnozu əldə et;
• “xam” və təmizlənmiş məlumatlar arasındakı fərqi göstərən vizual qrafiklər;
• sürətli düzəlişlər etmək və nəticəni dərhal görmək imkanı.

“Keyfiyyətli məlumat + AI + insan nəzarəti” kombinasiyası isə proqnozlaşdırmanı “keçmiş haqqında” analitikadan gələcəyi idarə edən alətə çevirir.

Konsultasiya sifariş etmək

McDonald’s Georgia-nın oyun qaydalarını dəyişən nəticələri

McDonald’s Georgia komandası qeyd edir ki, planlaşdırmanın dəqiqliyi bütün səviyyələrdə artıb. Lakin ən vacib məqam bu dəyişikliklərin məhz harada özünü göstərməsidir.

Biznes daha yüksək təfərrüat səviyyəsinə sahib oldu

Əgər əvvəllər proqnozlaşdırma bütün şəbəkə və ya iri seqmentlər səviyyəsində aparılırdısa, indi söhbət konkret restoran səviyyəsində dəqiqlikdən gedir:

• 4 həftəlik proqnoz hər bir restoran üzrə faktiki nəticələrlə 83% uyğunluq göstərir.
• satışların 70%-ni formalaşdıran məhsullar üzrə proqnozun dəqiqliyi 85%-i ötür ki, bu da biznesin bir çox istiqaməti, xüsusilə təchizat zəncirinin idarə olunması üçün mühüm göstəricidir.

Biznesin böyüməsi artıq komandanın eyni şəkildə genişlənməsini tələb etmir

Şəbəkənin miqyası böyüsə də, McDonald’s Georgia planlaşdırma komandasının sayını artırmadan fəaliyyətini davam etdirə bilib.

• Analitik işlərin 90%-ə qədərini sistem öz üzərinə götürür.

Qalan 10% isə şirkətin əlavə etdiyi lokal kontekstdir. Çünki AI sürətlə inkişaf etsə də, insan amili, xüsusilə müştəri əhval-ruhiyyəsinin və davranış xüsusiyyətlərinin tələbə ciddi təsir göstərdiyi belə bir biznesdə, öz əhəmiyyətini qoruyub saxlayır.

• Proqnoz artıq əl ilə hazırlanmır — o, avtomatik olaraq formalaşdırılır və yenilənir.
• Komandanın rolu da dəyişib: proqnozun hazırlanmasından onun validasiyasına və nəzarətinə keçib.

“Əslində, prosesə görə hələ də planlaşdırma üzrə təcrübəli bir menecerimiz məsuliyyət daşıyır. Lakin əvvəllər o, proqnozu əl ilə hazırlayırdısa, indi artıq hazır modellər əsasında onu yoxlayır, düzəlişlər edir və qərarlar qəbul edir. Sistem fasiləsiz işləyir, 24/7 rejimində məlumatları təhlil edir, dəyişiklikləri izləyir və komandanın genişləndirilməsinə ehtiyac olmadan proqnozu yeni şərtlərə uyğunlaşdırır”, — deyə Giorgi izah edir.

Məhz AI əsaslı proqnozlaşdırma McDonald’s Georgia-ya diqqəti rutin əməliyyatlardan uzaqlaşdıraraq daha yüksək səviyyəli qərarlara yönəltməyə imkan verir. Nəticədə bu, artıq şirkətin müxtəlif funksiyalarında özünü göstərən tamamilə yeni biznes planlaşdırma səviyyəsi yaradır.

Platforma davamlı öyrənmə prinsipi əsasında qurulub. McDonald’s Georgia 2020-ci ildən etibarən satışların tarixi məlumatlarını sistemə yükləyib və hər yeni yeniləmə zamanı sistem son 24 aya qayıdaraq modeli yenidən öyrədir. Bu yanaşma proqnozun hər zaman aktual məlumatlara əsaslanmasını təmin etməklə yanaşı, tarixi tendensiyaları və qanunauyğunluqları da nəzərə almasına imkan verir. Bütün bunlar “pərdə arxasında” baş verir. Nəticədə şirkət daha çox çeviklik qazanır və diqqətini modellərin qurulmasının texniki tərəflərinə deyil, planlaşdırma və qərarların qəbuluna yönəldə bilir.

Əvvəllər görünməyən sahə üzərində nəzarət yaranır

Proqnozun ayrı-ayrı restoranlar, satış kanalları və hətta “məhsul–kanal” kombinasiyaları səviyyəsində detallılaşdırılması əvvəllər ümumi rəqəmlərin içində sadəcə itən tələb və satışlardakı problemli nöqtələri üzə çıxarır.

“Biz çoxkanallı biznesik və tələbi yalnız restoranlar və məhsullar səviyyəsində deyil, həm də satış kanalları üzrə təhlil etməyə imkan verən bir həll əldə etmək  bizim üçün çox vacib idi. Lakin əgər çağırışdan danışsaq, o daha çox tərtibatçı tərəfdə idi. Bizim etməli olduğumuz yeganə şey tələbi dəqiq şəkildə formalaşdırmaq idi, bundan sonrasını SMART business komandası öz üzərinə götürdü. Onlar rəqəmlərlə məhdudlaşmadan biznesimizin necə işlədiyini dərindən araşdırdılar. Biz birlikdə bir neçə yoxlama dövründən keçdik ki, modelin nəticələrinin müxtəlif kanallarda tələbin real davranışına uyğun olduğuna əmin olaq”, — deyə Giorgi qeyd edib.

Komandalar arasında qarşılıqlı əlaqə yaxşılaşır

Digər vacib təsir isə daxili koordinasiyada keyfiyyətli dəyişikliklərdir. Burada söhbət sadəcə “daha rahat işləməkdən” getmir, həm də qarşılıqlı fəaliyyətin məntiqinin özünün dəyişməsindən gedir.

• Daha sürətli kommunikasiya — əvvəllər qərarların razılaşdırılması tez-tez əlavə izahlar tələb edirdi: proqnoz haradan yaranıb, niyə məhz bu rəqəmlərdir, hansı fərziyyələr əsas götürülüb. İndi isə bu suallar demək olar ki, aradan qalxıb, çünki hamı eyni məlumatlarla işləyir və eyni mənzərəni görür. Bu, müzakirələrə sərf olunan vaxtı əhəmiyyətli dərəcədə azaldır və daha tez hərəkətə keçməyə imkan verir.
• Bütün səviyyələrdə məlumatların və tələbin vahid anlaşılması — əməliyyat komandası, marketinq, supply chain və top menecment artıq biznesə fərqli “həqiqət versiyaları” üzərindən baxmır. AI modeli bütün tərəflər üçün eyni şəkildə interpretasiya olunan vahid proqnoz bazası formalaşdırır. Nəticədə hər departamentin öz hesablamalarına və ya fərziyyələrinə əsaslanaraq qərar verməsi kimi hallar aradan qalxır. İndi isə hamı eyni ümumi kontekstdə işləyir.
• Komandanın qərarlarına inam səviyyəsi artıb — proqnoz konkret restoranlar və kanallar səviyyəsində davamlı olaraq yüksək dəqiqlik göstərdikdə, o artıq “hipotez” olmaqdan çıxır və real şəkildə güvənilə bilən bir alətə çevrilir. Bu isə komandaların davranışını dəyişir: intuitiv qərarlar və ya “özünü sığortalama” yanaşması əvəzinə, biznes daha inamlı və proaktiv şəkildə hərəkət etməyə başlayır.

“Nəticədə SMART Demand Forecast vasitəsilə AI proqnozlaşdırma bizim biznes üçün əməliyyat səviyyəsindən tutmuş top menecmentə qədər ortaq bir dilə çevrildi. Məhz bu, şirkətə daha sürətli hərəkət etməyə imkan verir və reallığı razılaşdırmağa vaxt itirmədən, birbaşa onunla işləməyə başlamaq imkanı yaradır”, — deyə Giorgi yekunlaşdırır.

Əgər siz də qərarların qəbulunda düşünülməmiş addımlar atmadan tələbi idarə etmək və bazar dəyişikliklərinə tez və effektiv şəkildə uyğunlaşmaq istəyirsinizsə, SMART Demand Forecast sizə biznesinizin gələcəyini artıq bu gündən şəffaf şəkildə qiymətləndirməyə kömək edəcək. Konsultasiya üçün müraciət edin — SMART business şirkəti sizə məlumatların toplanmasından başlayaraq nəticələrin əməliyyat proseslərinə inteqrasiyasına qədər AI proqnozlaşdırmanı qurmağa kömək edəcək.

Konsultasiya sifariş etmək