Gartner: ২০৩০ সালের মধ্যে ৭০% বড় প্রতিষ্ঠান AI ডিমান্ড ফোরকাস্টিং চালু করবে

ডিমান্ড ফোরকাস্টিং সবসময়ই সেই শাখা যেখানে সাপ্লাই চেইন পরিকল্পনা হয় তার মূল্য প্রমাণ করে অথবা নীরবে মার্জিন ধ্বংস করে। সঠিকভাবে করলে ইনভেন্টরি সুচারুভাবে প্রবাহিত হয়; ভুল করলে একই সাথে ভুল পণ্য বেশি এবং সঠিক পণ্য কম থাকে। Gartner-এর সেপ্টেম্বর ২০২৫ পূর্বাভাস — যে ২০৩০ সালের মধ্যে ৭০% বড় প্রতিষ্ঠান AI-ভিত্তিক সাপ্লাই চেইন ফোরকাস্টিং গ্রহণ করবে — আগামী চার বছরকে ধীরে ধীরে বিবর্তনের নয়, বরং নির্ণায়ক রূপান্তরের সময় হিসেবে চিহ্নিত করে।

পূর্বাভাসটি আসলে কী বলছে

মূল পরিসংখ্যান — ৭০% বড় প্রতিষ্ঠান — সেই এন্টারপ্রাইজগুলো অন্তর্ভুক্ত করে যাদের ডেটা অবকাঠামো এবং অপারেশনাল স্কেল machine-learning ফোরকাস্টিং থেকে সবচেয়ে বেশি উপকৃত হওয়ার জন্য যথেষ্ট। Gartner-এর Supply Chain প্র্যাকটিসের ডিরেক্টর অ্যানালিস্ট Jan Snoeckx মূল্য প্রস্তাবটি এইভাবে বর্ণনা করেছেন: AI-ভিত্তিক ফোরকাস্টিং "উন্নত কৌশলগত সিদ্ধান্ত গ্রহণ, বাজার পরিবর্তনে দ্রুততর প্রতিক্রিয়া, এবং উন্নত সহযোগিতা ওয়ার্কফ্লো" প্রদান করে।

প্রক্রিয়াটি হলো ঐতিহ্যবাহী পরিসংখ্যানগত ইঞ্জিন থেকে — ARIMA, exponential smoothing, এবং সরল seasonal decomposition-এর মতো time-series পদ্ধতি — machine-learning মডেলে স্থানান্তর যা অ-রৈখিক প্যাটার্ন সনাক্ত করতে, বাহ্যিক সংকেত অন্তর্ভুক্ত করতে এবং পরিবর্তনের সাথে সাথে ক্রমাগত পুনরায় প্রশিক্ষণ নিতে সক্ষম। লক্ষ্য হলো Gartner যাকে "touchless forecasting" বলে: স্বয়ংক্রিয় পূর্বাভাস যা উৎপন্ন করতে কম মানবীয় হস্তক্ষেপ, সংশোধন করতে কম ম্যানুয়াল ওভাররাইড এবং সীমিত ঐতিহাসিক ডেটা সহ নতুন পণ্য লঞ্চ বা প্রমোশনাল পরিস্থিতিতেও ধারাবাহিক নির্ভুলতা দরকার।

এপ্রিল ২০২৬-এ প্রকাশিত একটি সমান্তরাল Gartner পূর্বাভাস অনুমান করেছে যে agentic AI সমৃদ্ধ সাপ্লাই চেইন ম্যানেজমেন্ট সফটওয়্যার ২০৩০ সালের মধ্যে $৫৩ বিলিয়ন ব্যয়ে পৌঁছাবে। দুটি পূর্বাভাস একসাথে পরামর্শ দেয় শুধু AI পরিকল্পনা ওয়ার্কফ্লোতে প্রবেশ করছে না, বরং এটি পুরো সাপ্লাই চেইন সফটওয়্যার স্তরের অর্থনীতি পুনর্গঠন করছে।

কেন পরিসংখ্যানগত মডেল তাদের সীমায় পৌঁছাচ্ছে

পরিসংখ্যানগত ফোরকাস্টিং পদ্ধতি স্থিতিশীল চাহিদার পরিবেশের জন্য তৈরি হয়েছিল যেখানে ধারাবাহিক মৌসুমিতা এবং ন্যূনতম বাহ্যিক ধাক্কা রয়েছে। অন্তত ২০২০ সাল থেকে বৈশ্বিক সাপ্লাই চেইন এই বর্ণনায় আর সঠিকভাবে খাপ খায়নি। মহামারী-যুগের চাহিদা উত্থান, লাল সাগরের বিচ্যুতি, বন্দর-শ্রম বিরোধ এবং ক্রমাগত ভূরাজনৈতিক অস্থিরতা এমন চাহিদা সংকেত তৈরি করেছে যা পরিসংখ্যানগত মডেল গোলমাল থেকে আলাদা করতে সংগ্রাম করে।

Machine-learning পদ্ধতি এটি ভিন্নভাবে পরিচালনা করে। ঐতিহাসিক ডেটায় একটি প্যারামেট্রিক কার্ভ ফিট করার পরিবর্তে, তারা অসংগঠিত সংকেত গ্রহণ করতে পারে — সংবাদ মনোভাব, আবহাওয়ার প্যাটার্ন, সোশ্যাল মিডিয়া ক্রয় অভিপ্রায়, প্রতিযোগীর মূল্য — এবং গতিশীলভাবে সেগুলো ওজন দিতে পারে। যখন একটি টাইফুন একটি উৎপাদন অঞ্চল ব্যাহত করার পূর্বাভাস দেওয়া হয়, মডেল ডাউনস্ট্রিম বাজারে বিকল্প পণ্যের চাহিদা প্রত্যাশা সামঞ্জস্য করতে পারে — বিশ্লেষককে ম্যানুয়ালি পরিসংখ্যানগত ইঞ্জিন পুনরায় প্যারামিটার করতে হয় না।

দানাদারতার উন্নতিও উল্লেখযোগ্য। Machine-learning মডেল ঐতিহ্যবাহী পদ্ধতির চেয়ে সূক্ষ্মতর পণ্য ও ভৌগোলিক রেজোলিউশনে আরও ঘনঘন পূর্বাভাস তৈরি করতে পারে, যা পরিকল্পনা দলগুলোকে মাসিক সমষ্টিগত সংকেতের জন্য অপেক্ষা না করে SKU এবং পোস্টাল-কোড স্তরে প্রাথমিক চাহিদার পরিবর্তন সনাক্ত করতে সক্ষম করে।

Gartner যে গ্রহণ বাধা চিহ্নিত করেছে

Gartner স্পষ্টভাবে বলেছে যে আশাবাদী শিরোনাম সত্ত্বেও, আজকে গ্রহণ সীমিত থেকে গেছে। তিনটি কাঠামোগত বাধা প্রাধান্য পায়:

• অসম্পূর্ণ ডেটা: ML মডেলের SKU, চ্যানেল এবং ভূগোল জুড়ে পরিষ্কার, ব্যাপক, ধারাবাহিকভাবে ফর্ম্যাট করা ঐতিহাসিক ডেটা প্রয়োজন। অনেক এন্টারপ্রাইজে বছরের পর বছরের ERP ডেটা রয়েছে যা ফাঁক, পুনর্শ্রেণীকরণ এবং সিস্টেম মাইগ্রেশনে পরিপূর্ণ।
• কৌশলের অনুপস্থিতি: সংশ্লিষ্ট ডেটা গভর্ন্যান্স এবং পরিবর্তন ব্যবস্থাপনা পরিকল্পনা ছাড়া machine-learning ফোরকাস্টিং টুল মোতায়েন করলে সাধারণত একটি পরিশীলিত মডেল তৈরি হয় যার কেউ বিশ্বাস করে না।
• অটোমেশনের প্রতিরোধ: অভিজ্ঞ ডিমান্ড প্ল্যানার যারা ম্যানুয়াল ফোরকাস্ট সমন্বয়ের চারপাশে ক্যারিয়ার গড়েছেন তারা স্বাভাবিকভাবেই সেই সিস্টেমের প্রতি সংশয়ী যা তাদের ইনপুট ছাড়াই তাদের কাজ করার দাবি করে। চ্যালেঞ্জ হলো human-AI সহযোগিতা ডিজাইন করা যা পরিকল্পনাকারীর বিচারকে পাশ কাটানোর পরিবর্তে বাড়িয়ে তোলে।

Gartner-এর সুপারিশকৃত পথে তিনটি ক্রমাগত পদক্ষেপ অন্তর্ভুক্ত: বর্তমান সহযোগিতা প্রক্রিয়া মূল্যায়ন করুন এবং যেখানে ম্যানুয়াল হস্তক্ষেপ সংকেতের পরিবর্তে গোলমাল যোগ করছে তা চিহ্নিত করুন; একটি ডেটা কৌশল তৈরি করুন যা অভ্যন্তরীণ লেনদেন ডেটা এবং বাহ্যিক বাজার সংকেত উভয়কে অন্তর্ভুক্ত করে; এবং একটি প্রযুক্তি রোডম্যাপ তৈরি করুন যা বিদ্যমান পরিকল্পনা অবকাঠামোর সম্পূর্ণ প্রতিস্থাপন হিসেবে নয়, পাশাপাশি AI-ভিত্তিক ফোরকাস্টিং পর্যায়ক্রমে চালু করে।

২০৩০ সালের মধ্যে ৭০% গ্রহণ ভিজিবিলিটি দলের জন্য কী অর্থ বহন করে

শিপমেন্ট ভিজিবিলিটি দলের জন্য প্রভাব গৌণ কিন্তু উল্লেখযোগ্য। উন্নত ডিমান্ড পূর্বাভাস মানে আরও পূর্বানুমানযোগ্য অর্ডার ভলিউম, যা আরও পূর্বানুমানযোগ্য ইনবাউন্ড শিপমেন্ট পরিকল্পনায় রূপান্তরিত হয়। যখন প্রকিউরমেন্ট এবং পরিকল্পনা AI-তৈরি চাহিদা সংকেত থেকে পরিচালিত হয়, সমুদ্র বুকিংয়ের ভলিউম এবং সময় কম অনিয়মিত হয় — শেষ মুহূর্তের এক্সপিডাইটিং, পিক-ডিমান্ড ভেসেল রোলওভার এবং অপারেশনাল দলকে বেঁধে রাখা এক্সেপশন-হ্যান্ডলিং ওভারহেড হ্রাস পায়।

অন্যদিকে ভিজিবিলিটি প্ল্যাটফর্মকে ডিমান্ড-ফোরকাস্টিং সিস্টেমে সঠিক মাইলস্টোন ডেটা সরবরাহ করতে হবে। যদি একটি AI ফোরকাস্টিং মডেল ডেলিভারি বিলম্ব অন্তর্ভুক্ত ঐতিহাসিক বিক্রয় প্যাটার্ন থেকে শিক্ষা নেয়, তার পূর্বাভাস পদ্ধতিগতভাবে গ্রাহকের চাহিদাকে অবমূল্যায়ন করবে — বিলম্বিত ডেলিভারিকে হ্রাসকৃত চাহিদা হিসেবে ভুল বুঝে। ভিজিবিলিটি টুল থেকে পরিকল্পনা সিস্টেমে প্রবাহিত পরিষ্কার, ক্যারিয়ার-স্বাভাবিককৃত মাইলস্টোন ডেটা ফোরকাস্টিং স্তরকে একটি চাহিদা সংকেত এবং একটি সরবরাহ ব্যাঘাতের মধ্যে পার্থক্য করতে দেয়।

ফোরকাস্টিং এবং ভিজিবিলিটির মিলন

Gartner বর্ণিত ২০৩০ দিগন্ত কেবল একটি ফোরকাস্টিং গল্প নয়। এটি একটি ইন্টিগ্রেশন গল্প: AI-ভিত্তিক চাহিদা সেন্সিং আপস্ট্রিম সাপ্লাই ও লজিস্টিক্স এক্সিকিউশনের সাথে সংযুক্ত হয়, এবং সেই সংযোগ ওই সিস্টেমগুলো উৎপাদিত রিয়েল-টাইম অপারেশনাল ডেটার মানের উপর নির্ভর করে। যে প্রতিষ্ঠানগুলো উভয় স্তরে বিনিয়োগ করে — সঠিক চাহিদা সংকেত এবং সঠিক শিপমেন্ট-স্টেট সংকেত — তারা এমন পরিকল্পনা অবকাঠামো তৈরি করে যা বিচ্ছিন্নভাবে পরিশীলিত হওয়ার চেয়ে প্রকৃতপক্ষে অভিযোজিত।

একাধিক ক্যারিয়ার ও ট্রেড লেন জুড়ে পরিচালিত শিপার এবং 3PL-দের জন্য, বাস্তব প্রবেশ বিন্দু হলো একটি ভিজিবিলিটি প্ল্যাটফর্ম যা ক্যারিয়ার নেটওয়ার্ক জুড়ে ধারাবাহিক, টাইমস্ট্যাম্পযুক্ত মাইলস্টোন ডেটা উৎপন্ন করে। সেই ডেটা, একটি ডিমান্ড-ফোরকাস্টিং স্তরে প্রবাহিত হয়ে, গ্রাহকরা কী অর্ডার করছে এবং আসলে কী চলছে তার মধ্যে লুপ বন্ধ করে — Gartner বর্ণিত ৭০% গ্রহণের সংখ্যাকে পূর্বাভাসের চেয়ে বেসলাইন প্রত্যাশায় পরিণত করে।

সূত্র: Gartner