هوش مصنوعی برای مدیریت انبار و موجودی کالا
مدل زبانی نمیتواند بگوید چند تا فیلتر در انبار دارید، ولی میتواند فهرست بههمریختهی کالا را تمیز کند، فاکتور عکسی را جدول کند و بگوید کدام کالا خوابیده است.
یک فایل اکسل انبار را باز کنید که سه نفر در چهار سال در آن کالا وارد کردهاند. «فیلتر روغن پراید»، «فیلتر روغنی پراید»، همان یکی با یای عربی، و یکی هم به انگلیسی. چهار سطر، یک کالا. موجودی هر کدام جدا شمرده میشود و هیچکدام درست نیست.
این وضع رایج انبار فروشگاههای کوچک است و ربطی به نداشتن نرمافزار ندارد؛ نرمافزار هست، دادهای که تویش ریخته شده تمیز نیست. اینجا همان جایی است که مدل زبانی خوب کار میکند. جای دیگری هم هست که اصلاً نباید سراغش رفت. اول مرز را بکشیم.
دو دسته کاری که مدام قاطی میشوند
کارهای انبار دو جنس متفاوت دارند. یک دسته محاسباتی است: ماندهی هر کالا، نقطهی سفارش، حداقل موجودی، ارزش ریالی انبار. اینها جواب قطعی دارند و از یک فرمول بیرون میآیند. دستهی دوم متنی است: نام این کالا چه باشد، شرحش را چطور بنویسیم، در کدام دسته بگذاریمش، و این گزارش فروش چه میگوید.
مدل زبانی در دستهی دوم کارآمد است و در دستهی اول ناپایدار. چراییِ فنیاش را در چرا هوش مصنوعی در ریاضی ضعیف است باز کردهام.
| کار | با چه چیزی | چرا |
|---|---|---|
| مانده و شمارش موجودی | سیستم انبار | باید دقیق و قابل ردیابی باشد |
| نقطهی سفارش و حداقل موجودی | فرمول در اکسل | قاعدهی ثابت، نه قضاوت |
| یکدستسازی نام کالا | مدل زبانی | تشخیص شباهت معنایی |
| شرح کالا و دستهبندی | مدل زبانی | کار نوشتاری و طبقهبندی |
| تفسیر گزارش فروش | مدل زبانی روی دادهی آماده | خواندن الگو، نه ساختن عدد |
عدد موجودی را هرگز از مدل نپرسید
هیچوقت نپرسید «چند تا فیلتر روغن پراید در انبار دارم». مدل نمیداند و اگر نداند سکوت نمیکند — عددی میسازد که کاملاً معقول بهنظر میرسد. همان رفتاری که در توهم هوش مصنوعی توضیح داده شده و در انبار یعنی سفارش اشتباه و پول خوابیده. مسیر درست: عدد را از سیستم بگیرید، در پیام بچسبانید، بعد بخواهید تحلیلش کند.
این قاعدهی اصلی کار است، نه یک احتیاط جانبی. هر عددی که بدون منبع در جواب ظاهر شود، کل آن جواب را معیوب میکند.
یکدستکردن نام کالا: بیشترین سود
اگر قرار باشد فقط یک کار از این فهرست را انجام دهید، همین است. فهرست کالا را با ستون کد، نام فعلی، برند و موجودی بیرون بدهید و بخواهید نامها را طبق یک قاعدهی مشخص بازنویسی کند و سطرهای مشکوک به تکرار را کنار هم بگذارد.
یک نکتهی ظریف: اجازهی ادغام ندهید. بگذارید فقط پیشنهاد بدهد، چون «واشر سرسیلندر» و «واشر سرسیلندر کامل» گاهی یک کالا هستند و گاهی دو کالای متفاوت با دو قیمت.
این فهرست کالای یک فروشگاه لوازم یدکی است و نامها دستی وارد شده.
کار تو فقط یکدستکردن نام است، نه تغییر هیچ عددی.
قاعدهی نام: نوع کالا + برند + مدل خودرو، همه فارسی و بدون حرف انگلیسی.
برای هر سطر بده: نام پیشنهادی، برند، و کد سطرهایی که همان کالا هستند.
اگر مطمئن نیستی دو سطر یکیاند، ادغام را پیشنهاد نده و بنویس «نیازمند بررسی».
ستون موجودی و قیمت را عیناً کپی کن. خروجی فقط جدول باشد.خروجی را در ستونی کنار فایل اصلی بگذارید، نه بهجای آن. اگر با اکسل راحت نیستید، تحلیل داده و اکسل با هوش مصنوعی مسیر سادهترش را نشان میدهد.
شرح کالا و دستهبندی
برای فروشگاهی که همان کالاها را در دیوار یا یک سایت فروش هم میگذارد، نوشتن شرح برای چند صد کالا طاقتفرساست. مدل این را خوب انجام میدهد، به شرط اینکه مشخصات فنی را خودتان بدهید. اگر ندهید، از خودش میسازد و شما آگهیای با اطلاعات غلط منتشر کردهاید.
دستهبندی هم همین است: فهرست دستههای خودتان را بدهید و بگویید حق ساختن دستهی تازه ندارد. جزئیات بیشترش در هوش مصنوعی برای فروشگاه اینترنتی آمده است.
فاکتور عکسی و رسید کاغذی به جدول
بار که میرسد، فاکتور تأمینکننده اغلب کاغذ است یا عکسی در واتساپ. عکس را به یک مدل چندوجهی بدهید و ستونهای خروجی را دقیق مشخص کنید: نام کالا، تعداد، قیمت واحد، جمع سطر.
برای فاکتور تایپی نتیجه معمولاً تمیز است. برای دستخط و کاغذ چروک باید سطر به سطر نگاه کنید و جمع نهایی را خودتان دوباره حساب کنید. روش دقیقترش در تبدیل PDF و تصویر به اکسل باز شده است.
کالای راکد و کالای پرگردش
این تحلیل به هوش مصنوعی نیاز ندارد ولی با آن سریعتر خوانده میشود. گزارش فروش دوازدهماهه را با ستون کد، نام، فروش ماهانه و موجودی فعلی بدهید و بخواهید کالاها را سهدسته کند: پرگردش، کمگردش، و راکد بدون فروش در شش ماه اخیر.
خروجی معمولاً ناخوشایند و مفید است. اغلب معلوم میشود بخش بزرگی از پول انبار روی کالایی خوابیده که ماههاست تکان نخورده. تصمیم بعدی — حراج، برگرداندن به تأمینکننده، یا بستن سفارش مجدد — با شماست، ولی حالا فهرستش را دارید.
پیشبینی تقاضا و مرزهای واقعیاش
اینجا باید صادق بود. مدل روی دادهی فروش شما الگوی تکرارشونده را میبیند: ضدیخ در آبان بالا میرود، لوازم مصرفی پیش از نوروز جهش دارد، فلان کالا هر بهار میخوابد. تا همینجا کمک واقعی است.
اما پیشبینی عددی برای ماه آینده چیز دیگری است. جهش نرخ ارز، تغییر تعرفهی واردات یا نبود کالا نزد تأمینکننده هیچکدام در دادهی فروش شما نیست. برای کالای تازه که سابقه ندارد، خروجی عملاً حدس است. روشن بگویم: اگر عدد سفارش را بیبازبینی از این تخمین بردارید، دیر یا زود ضرر میکنید.
نقطهی سفارش: این یکی کار فرمول است
نقطهی سفارش یعنی مصرف روزانه ضربدر روزهای انتظار تأمین، بهعلاوهی یک ذخیرهی اطمینان. یک فرمول ساده در اکسل که همیشه یک جواب میدهد؛ تعریف استانداردش در مدخل Reorder point هست.
کار مدل اینجا نوشتن و توضیحدادن فرمول است، نه حسابکردن جوابش در هر نوبت. یک بار فرمول را در فایل بگذارید و از آن به بعد عدد از اکسل بیرون بیاید نه از چت. همین منطق برای تحلیل ABC هم برقرار است.
سیستم حساب کند، مدل توضیح دهد
الگویی که واقعاً جواب میدهد ساده است. هر هفته یک گزارش ثابت از سیستم بگیرید: کالاهای زیر نقطهی سفارش، کالاهای راکد، پرفروشهای هفته. بعد همان متن را به چت بدهید و بخواهید خلاصه کند و اولویت خرید پیشنهاد بدهد. عددها از سیستم آمدهاند و مدل فقط دارد میخواند.
برای خودکارکردن همین گردش کار، خودکارسازی کارهای تکراری بدون برنامهنویسی نقطهی شروع خوبی است. برای امتحان فوری هم فهرست کالایتان را در نارنگی بگذارید و از یکدستسازی نام شروع کنید.
کجا جواب نمیدهد
شمارش فیزیکی انبار را هیچ مدلی انجام نمیدهد و عکس قفسه هم جای انبارگردانی را نمیگیرد. اختلاف موجودی سیستم با موجودی واقعی مسئلهی مدل نیست، مسئلهی رویه است. و یک نکته: قیمت خرید، نام تأمینکننده و حاشیهی سود اطلاعات تجاریاند و باید پیش از فرستادن فایل حذف شوند — دلیلش در امنیت اطلاعات در هوش مصنوعی آمده.
جمعبندی
مدل زبانی مسئول شمارش انبار شما نیست و نباید بشود. کاری که میکند این است: فهرست کثیف را تمیز میکند، شرح و دسته میسازد، فاکتور عکسی را جدول میکند، و گزارشی را که سیستم داده برایتان میخواند.
از همان فایل بههمریخته شروع کنید. یکدستکردن نام کالاها یک بعدازظهر وقت میبرد و اثرش سالها میماند، چون از آن به بعد هر گزارشی که میگیرید یک قدم به واقعیت نزدیکتر است.
برای ادامه:
