สร้างและปรับแต่งคำสั่งซื้อเบื้องต้น (Preliminary PO) โดยใช้ผลลัพธ์จาก LLM: กฎการปัด เลเวลความปลอดภัย และการรวมล็อต
ในยุคดิจิทัลที่เทคโนโลยี AI เข้ามามีบทบาทสำคัญ การจัดการโซ่อุปทาน (Supply Chain) ได้รับการยกระดับขึ้นอย่างมาก โดยเฉพาะการใช้ Large Language Models (LLM) ในการวิเคราะห์ข้อมูลเพื่อ สร้างและปรับแต่งคำสั่งซื้อเบื้องต้น (Preliminary PO) กระบวนการนี้ไม่เพียงแต่ช่วยลดภาระงานของเจ้าหน้าที่จัดซื้อ แต่ยังเพิ่มความแม่นยำในการคาดการณ์ความต้องการสินค้าผ่านอัลกอริทึมที่ซับซ้อน
ทำไมต้องใช้ LLM ในการสร้าง Preliminary PO?
LLM มีความสามารถในการประมวลผลข้อมูลมหาศาล ทั้งข้อมูลการขายในอดีต เทรนด์ตลาด และปัจจัยภายนอก เมื่อนำมาใช้สร้าง Preliminary PO ระบบจะสามารถเสนอแนะจำนวนสั่งซื้อที่ ‘ฉลาด’ กว่าการใช้สูตรคำนวณแบบเดิมๆ อย่างไรก็ตาม ผลลัพธ์จาก LLM จำเป็นต้องผ่านการขัดเกลาด้วยกฎเกณฑ์ทางธุรกิจเพื่อให้ใช้งานได้จริงในโลกแห่งความเป็นจริง
3 องค์ประกอบหลักในการปรับแต่งคำสั่งซื้อ
เพื่อให้ Preliminary PO ที่สร้างโดย AI มีความสมบูรณ์แบบ เราจำเป็นต้องพิจารณา 3 ปัจจัยสำคัญดังนี้:
1. กฎการปัด (Rounding Rules)
บ่อยครั้งที่ AI คำนวณจำนวนสั่งซื้อออกมาเป็นตัวเลขทศนิยม เช่น 152.4 กล่อง แต่ในทางปฏิบัติ ซัพพลายเออร์อาจขายเป็นพาเลทหรือแพ็คเกจเต็ม กฎการปัดจึงสำคัญมาก:
- ปัดขึ้นเสมอ (Round Up): เพื่อป้องกันสินค้าขาดมือ เหมาะสำหรับสินค้าขายดี
- ปัดลง (Round Down): เพื่อประหยัดงบประมาณหรือเมื่อมีพื้นที่คลังจำกัด
- ปัดตามหน่วยบรรจุ (MOQ/Pack Size): ปรับให้ตรงกับหน่วยที่ซัพพลายเออร์กำหนด
2. เลเวลความปลอดภัย (Safety Stock Levels)
การตั้งค่า Safety Stock คือการเผื่อความเสี่ยงจากความไม่แน่นอนของ Lead Time หรือความต้องการที่พุ่งสูงขึ้นกะทันหัน การใช้ LLM ช่วยให้เราสามารถปรับเลเวลความปลอดภัยแบบ Dynamic ตามฤดูกาลได้ แทนที่จะใช้ค่าคงที่ตลอดทั้งปี
3. การรวมล็อต (Lot Sizing & Consolidation)
การรวมคำสั่งซื้อหลายรายการเข้าด้วยกันเพื่อประหยัดค่าขนส่ง (Freight Optimization) เป็นกลยุทธ์ที่สำคัญ ระบบจะพิจารณาว่าควรสั่งซื้อสินค้าชนิดใดพร้อมกันเพื่อให้เต็มตู้คอนเทนเนอร์หรือถึงยอดขั้นต่ำที่ได้รับส่วนลด
| ปัจจัย | ผลกระทบ | การตั้งค่าแนะนำ |
|---|---|---|
| กฎการปัด | ความถูกต้องของจำนวน | ปัดตาม Pack Size ของซัพพลายเออร์ |
| เลเวลความปลอดภัย | อัตราการบริการลูกค้า | ปรับตามความผันผวนของ Demand |
| การรวมล็อต | ต้นทุนการขนส่ง | รวมรายการที่มาจากซัพพลายเออร์เดียวกัน |
ขั้นตอนการสร้าง Preliminary PO ด้วย AI
- Data Ingestion: ป้อนข้อมูลสต็อกปัจจุบัน ยอดขาย และ Lead Time เข้าสู่ระบบ LLM
- AI Analysis: ให้ LLM วิเคราะห์และสร้างร่างคำสั่งซื้อเบื้องต้น
- Constraint Application: นำกฎการปัด เลเวลความปลอดภัย และเงื่อนไขการรวมล็อตมาครอบทับผลลัพธ์
- Human Review: เจ้าหน้าที่ตรวจสอบความสมเหตุสมผลก่อนกดยืนยันเป็น Final PO
คำถามที่พบบ่อย (FAQ)
ตอบ: LLM สามารถคำนวณได้แม่นยำหากมีการระบุค่าหน่วยบรรจุ (UoM) และเงื่อนไขขั้นต่ำ (MOQ) ใน Prompt หรือฐานข้อมูลที่ชัดเจน
ตอบ: จะทำให้เกิดต้นทุนการถือครองสินค้า (Carrying Cost) ที่สูงขึ้นและเสี่ยงต่อสินค้าหมดอายุหรือล้าสมัย
ตอบ: จริง เพราะช่วยเพิ่มประสิทธิภาพการใช้พื้นที่ขนส่งและสร้างอำนาจต่อรองในการขอส่วนลดปริมาณ (Volume Discount)
