에이전트 시스템으로 소매 및 소비재 산업의 공급망 효율성 향상

ceprodblogsupp

1주 ago

공급망 챌린지는 계속됩니다

소매 업체와 소비재 회사는 특히 공급망에서 지속적인 변화에 직면 해 있습니다. 온라인 판매, 옴니 채널 접근, 직접 소비자 판매 및 복잡한 생태계와 같은 새로운 판매 및 유통 모델이 발전했습니다. 2024 년에 공급망 과제를보고하는 리더의 90%가 외부 혼란이 빈번합니다.¹.

공급망 민첩성과 탄력성은 빠르고 정확한 의사 결정에 의존합니다. 잘못된 결정이나 느린 응답은 약속을 놓치고, 수익 및 고객 만족도에 부정적인 영향을 미치며, 비효율적 인 선적 및 재고 수준이 높아지면 비용 증가로 이어집니다.

이러한 과제를 해결하기 위해 공급망 관리에서 의사 결정의 품질과 속도를 향상시켜야 할 긴급한 필요성이 있습니다.

소매 용 Microsoft Cloud

고객, 사람 및 데이터를 연결하십시오.

자세히 알아보십시오

에이전트 및 에이전트 시스템을 입력하십시오

에이전트 시스템은 의사 결정 품질과 속도를 향상시킬 수있는 혁신적인 기회를 제공합니다. 비즈니스 이벤트에 의해 유발되는 에이전트는 관련 데이터를 수집하고 분석하여 직접 행동하거나 조치를 추천합니다.

Microsoft는 자율 에이전트를 구축하는 능력을 발표했습니다 Microsoft Copilot Studio ~ 동안 마이크로 소프트 점화 2024 년 10 월, 공급망 맥락에서,이 기능은 예를 들어, 선적이 지연 될 경우 대체 공급원에 대한 식별 및 조치를 최소한으로 인간 개입하여 최소한의 인간 개입으로 허용 할 수있다.

에이전트 시스템의 개요

에이전트 시스템의 맥락에서, 에이전트는 자율적 의사 결정 및 행동이 가능한 시스템을 지칭한다. 이러한 시스템은 직접적인 인간의 개입없이 독립적으로 목표를 추구 할 수 있습니다. 에이전트 시스템에는 다음과 같은 특성이 있습니다.

자치. 그들은 독립적으로 운영되며, 필요할 때 인간의 감독없이 의사 결정을 내리고 업무를 수행합니다.
맥락 인식. 그들은 데이터를 해석하고 그에 따라 작업을 조정합니다.
목표 오리엔테이션. 그들은 특정 목표를 달성하는 것을 목표로 할 수 있습니다.
학습. 새로운 데이터와 과거 결과를 사용하여 성능을 향상시킵니다.
추론과 의사 결정. 에이전트는 추론을 사용하여 정보를 처리하고 관계를 추론하며 결정을 내립니다.
인식과 감지. 에이전트는 센서 또는 기타 수단을 통해 환경을 인식하여 프로세스의 변화에 의해 트리거 될 수 있습니다.
기술과 능력. 에이전트는 작업을 수행 할 수있는 특정 기술이나 기능을 가지고 있습니다. 이러한 기술은 배우거나 프로그래밍 할 수 있습니다.
메모리. 에이전트의 메모리는 의사 결정 및 향후 조치를위한 관련 정보를 저장합니다.

에이전트는 일단 활성화되면 특정 목표를 추구하도록 프로그래밍 할 수 있습니다. 예를 들어, 대체 공급원을 검색 할 때 첫 번째 사용 가능한 옵션을 선택하지 않고 비용 최소화 우선 순위를 정할 수 있습니다.

에이전트는 이미 고객에게 가치를 제공하고 있습니다. 예를 들어, 한 고객은 배송 인보이스를 검토하는 자율 에이전트가 있습니다. 더 많은 사용 사례가 계획되었습니다. 시간이 지남에 따라 에이전트는 조직 전체의 다양한 작업을 위해 개발할 수 있습니다. Microsoft Copilot ‘AI의 UI’역할을합니다.

전에 들었습니까?

이것은 RPA (로봇 프로세스 자동화)처럼 들릴 수 있습니다. 또한 에이전트가 사더 필롯과 어떻게 다른지 의문을 제기 할 수도 있습니다.

RPA는 규칙 기반 자동화를 사용하는 반면, 에이전트는 데이터를 추론하고 대형 언어 모델 (LLM)을 사용하여 광범위한 데이터 세트에서 관련 정보를 추출 하여이 기능을 향상시킵니다. RPA 기반 솔루션은 처리 할 수 있고 변경을 수행하기 위해 프로그래밍이 필요한 시나리오 측면에서 엄격한 반면 에이전트 기반 프로세스 자동화 솔루션은 시간이 지남에 따라 학습하고 개선 될 수있어보다 효과적인 결과를 초래할 수 있습니다.

에이전트는 사용자를 실시간으로 돕는 부채질기와 달리 자율적으로 작동합니다. 에이전트는 Copilot 내에서 작업 할 수 있으며 Copilot의 Microsoft Vision과 함께 당신을위한 UI. 앞으로 사용자에게는 하나의 사더 필롯이 있지만 많은 에이전트가 장면 뒤에서 자율적으로 작업하는 것을 포함하여 여러 에이전트를 갖게됩니다.

에이전트가 소매 및 소비재 (RCG) 공급망에서 운영하는 방법

RCG 공급망에 걸쳐 에이전트를 널리 적용하여 반복적 인 작업을 자동화하고, 통찰력을 위해 방대한 양의 데이터를 분석하며, 공급망 관리를 향상시킬 수 있습니다. 이상적인 사용 사례에는 AI가 효율성과 정확성을 크게 향상시킬 수있는 인적 집약적이고 반복적이며 실시간 의사 결정이 필요한 작업이 포함됩니다. 이상적인 사용 사례의 기준에는 높은 데이터 가용성, 명확하게 정의 된 달성 가능한 결과, 수익 및 비용 절감이 측정 가능한 개선 가능성이 포함됩니다.

AI 에이전트는 소매점 성능 및 인벤토리 관리 관행에 중요한 역할을 할 수 있습니다. 에이전트는 성능 데이터를 자율적으로 모니터링하여 매장 성능 메트릭이 정의 된 임계 값 미만으로 떨어질 때 매장 관리자에게 경고 할 수 있습니다. 에이전트는 유사한 매장에서 성능을 비교함으로써 개선을위한 영역을 식별하고 매장 성능을 향상시키기위한 조치를 권장 할 수 있습니다.

에이전트는 소매점에서 재고 및 오버 스탁 상황을 피하는 데 도움이 될 수 있습니다. 에이전트는 다양한 소스 (예 : 판매, 재고, 프로모션 및 외부 이벤트와 같은)의 데이터를 분석함으로써 판매 스파이크가 예측과 잘못 정렬 될 때를 식별하여 잠재적 인 부족으로 이어지고 공급망 팀에 경고 할 수 있습니다. 에이전트는 최적의 주식 수준을 보장하고, 운반 비용을 낮추고, 재고 아웃 또는 잉여 재고의 가능성을 줄이기 위해 자동으로 생성 할 수있는 보충 주문을 권장합니다.

에이전트 AI를 통한 도전 완화

공급망의 중단은 종종 제품 부족과 낮은 케이스 충전 속도 (CFR)로 이어져 고객 전체에 재고를 할당하는 복잡한 일일 작업으로 이어집니다. 에이전트는 고객 주문, 현재 재고 수준 및 제품 대체 옵션을 분석하여 잠재적 인 CFR 상황을 식별 할 수 있습니다. 에이전트는 고객 충성도, 고객 세분화, 주문 가치, SLA 벌금 및 긴급 성과 같은 사전 정의 된 기준을 기반으로 주문을 우선 순위로 삼아 재고를 할당합니다.

2025 년 RCG 회사가 직면 한 가장 큰 과제 중 하나는 관세의 영향을 평가하는 것입니다. AI 에이전트는 다른 지역의 대체 공급 업체를 평가하고 권장하여 높은 관세의 위험을 완화 할 수 있습니다. 이 다각화 전략은 비용을 최소화하면서 꾸준한 재료 공급을 유지하는 데 도움이됩니다. 관세 규정 및 시장 상황을 지속적으로 모니터링함으로써 AI 에이전트는 관세 하이킹 전 벌크 구매와 같은 비용 절감 조치를 제안하거나 관세가 낮은 국가로 생산을 이동시킬 수 있습니다. 에이전트는 시장 상황과 역사적 가격 데이터를 분석하여 공급 업체와 더 나은 용어를 협상하는 데 도움을 줄 수 있습니다. 이는 관세 변동에도 불구하고 기업이 최상의 거래를 할 수 있도록하는 데 도움이됩니다.

다음은 무엇입니까?

오늘날의 상당한 시간과 노력을 고려하십시오.“공급망을 어떻게 10%증가시키기 위해 공급망을 최적화 할 수 있습니까?”

이것은 공급망 질문처럼 느껴질 수 있지만 금융, 판매, 마케팅 및 제조가 포함됩니다. 답변이 며칠 또는 몇 주 동안 분석이 필요할 것으로 예상되는 복잡한 질문입니다.

오늘날 Copilot에 통합 된 에이전트는 사용자가 정의 된 영역에서 구체적인 질문을 할 수 있습니다. 이 기능은 시간이 지남에 따라 범위와 복잡성이 확장되어 결국 비즈니스 응용 프로그램의 포괄적 인 재 설계로 이어질 것입니다.

소피아 프로젝트 무한한 연구 캔버스로 수렴하는 에이전트, 사본 및 비즈니스 애플리케이션을 구상합니다.

AI 첫 번째 접근 방식으로 설계된 Project Sophia를 사용하면 다양한 이종 시스템 및 입력의 데이터를 분석하여 비즈니스 질문을 할 수 있습니다. AI는 다양한 관점을 보도록 안내하여 통찰력을 전체적으로 이해하고 행동하도록 도와줍니다.

Sophia는 사용자 경험을 다시 상상하여 각 직무 기능을 지원하여 전략 및 전술적 접근 방식을 통합하면서 자신의 관점에서 질문을 해결합니다.

에이전트 시스템을 시작합니다

소매, 소비재에서 가치 사슬 최적화를 확장 할 AI의 잠재력 증가

에이전시 AI는 제조 및 판매 전략을 통합, 여러 채널을 통해 판매하거나 소비자에게 직접 판매, 여러 제품 라인 및 비즈니스 관리, 전 세계 마케팅 및 판매 노력을 통합하는 등 시장에 대한 노선의 복잡성을 탐색하는 데 적합합니다.

에이전트 AI는 자율적으로 행동 할 수있는 능력을 가진 LLMS 대행사를 제공하는 필수 도구입니다. LLM은 이전에 텍스트 생성 및 문서 요약 등 작업을 수행하는 데 사용되었지만 권장 사항에 따라 행동 할 수 없었습니다. 반면 에이전트 AI는 목표 기반 최적화를 주도하도록 설계되었으며 높은 예측 가능성과 최소한의 인간 감독으로 목표를 동적으로 적응하고 실행할 수 있습니다. 생성 AI 및 에이전트 AI의 발전은 함께 기술에서 파생 된 전략적 가치와 생산성을 재정의하여보다 고급 의사 결정 프로세스를 더 정확성과 속도로 통합 할 것입니다.

보다 전략적 참여를위한 비즈니스 문제 및 시나리오를 식별하십시오

전략적 방식으로 AI 에이전트를 사용하는 방법을 고려할 때, 자동화에 적합한 비즈니스 프로세스 라인을 식별하는 더 큰 맥락에서 에이전트 AI의 응용 프로그램을 프레임하는 것이 중요합니다. 시간이 많이 걸리고 평범한 작업/시나리오 최적화; 에이전트의 기능에 대한 사용자 신뢰를 설정하고 데이터 거버넌스, 개인 정보 보호, 보안을 포함한 에이전트 AI를위한 명확한 운영 가드 레일 설정; 그리고 에이전트의 가치 제공에 대한 신뢰를 심어 주면서 작업 추적을 넘어 계획 및 실행 기능으로의 공동 작업 관리를 확장합니다.

에이전트 AI 및 생성 AI를 비즈니스 응용 프로그램에 통합하면 조직이 문제 해결, 전략 계획 및 운영 효율성에 접근 할 수있는 방법에 대한 기념비적 인 변화를 의미합니다. 고급 AI 기능을 사용함으로써 비즈니스는 의사 결정이 더 빠르고 정확할뿐만 아니라 더 통찰력 있고 전체적인 미래를 예상 할 수 있습니다. 이러한 기술의 수렴은 혁신적인 솔루션과 전례없는 수준의 생산성을위한 길을 열어 주었으며, 내일의 비즈니스 환경의 핵심에서 AI와 확고하게.