יצרנים בשוק הבינוני מתמודדים לעיתים קרובות עם ריבוי מוצרים (SKU proliferation) הפוגע ברווחיותם. רציונליזציית מק"טים מבוססת בינה מלאכותית (AI SKU rationalization) מציעה גישה מונעת נתונים לזיהוי מוצרים רווחיים ומוצרים שרק מייצרים עלויות תקורה. סקירה זו בוחנת כיצד מעבר מגיליונות אלקטרוניים סטטיים למודלים דינמיים מאפשר למנהלי תפעול למנוע דליפת רווחים ולשפר את ביצועי אספקה בזמן (OTIF).
רציונליזציית מק"טים באמצעות בינה מלאכותית משתמשת באלגוריתמים של למידת מכונה כדי להעריך ביצועי מוצרים על פני מימדי נתונים מרובים – כגון רווחיות תרומה, מורכבות ייצור וביקוש בשוק. בניגוד לדיווח סטטי, היא מזהה קשרים לא ליניאריים בין רמות מלאי לדרישות שירות לקוחות. ריבוי מק"טים יוצר עומס משמעותי על התפעול, גורם להחלפות מכונה תכופות, מגדיל עלויות אחזקת מלאי ומסבך את שרשרת האספקה.
מנהלי מפעלים מגלים לעיתים קרובות שמק"טים בעלי נפח נמוך משבשים את ייצור המוצרים הרווחיים יותר. לדוגמה, יצרן פלסטיק גילה ש-15% מהפרופילים המותאמים אישית שלו דרשו 40% מזמן החלפת הכלים הכולל. בעוד שמערכות ERP מציגות רווח גולמי חיובי לפריט בודד, העלויות הנסתרות של הגדרה, טיפול במחסן ותקורה אדמיניסטרטיבית עלולות לגרום להפסד נטו ליחידה.
רוב החברות בשוק הבינוני מסתמכות על ניתוח ABC תקופתי ממערכות ה-ERP שלהן, אך שיטה זו מוגבלת מכיוון שהיא מתבססת על נתונים היסטוריים וחד-ממדית. היא מתמקדת בהכנסות או נפח, ומתעלמת מ"עלות השירות" וחיכוך הייצור. בינה מלאכותית מסירה את הסובייקטיביות על ידי כימות ההשפעה המדויקת על שיפור ה-EBITDA והקיבולת, ומאפשרת קבלת החלטות מושכלות יותר.
גישת iForAI מתמקדת בהשגת רווחים מהירים באמצעות אבחון אינטנסיבי של 4-8 שבועות. המודל מזהה "קוטלי רווחים" – פריטים עם שונות גבוהה בין הערכה לביצוע בפועל ותרומה נמוכה. בתוך 60 יום, ההנהלה יכולה ליישם אסטרטגיית יציאה הדרגתית מפריטים אלה, ולפנות שטח רצפה וכוח אדם לעבודה רווחית יותר. מעבר להפחתת עלויות אחזקת מלאי, היתרונות כוללים זמני החלפה מופחתים, יעילות עבודה במחסן, מינוף ספקים טוב יותר ודיוק משופר בחיזוי ביקוש. כדי להפוך את הניקוי החד-פעמי למנוע יצירת ערך בר-קיימא, יש לשלב תובנות AI בסקירות חודשיות ולשבור את סילוסי הנתונים בין מכירות ותפעול.
