AI Inventory Management Agents with OpenClaw

OpenClaw کے ساتھ # AI انوینٹری مینجمنٹ ایجنٹس

انوینٹری ہر بڑے کاروباری فنکشن کے چوراہے پر بیٹھتی ہے: فنانس (اسٹاک میں کام کرنے والا سرمایہ)، آپریشنز (پوری کرنے کی رفتار اور درستگی)، سیلز (فروخت کے لیے دستیابی)، اور پروکیورمنٹ (سپلائر کے تعلقات اور لیڈ ٹائم)۔ اس کا ایک ہی سمت میں غلط انتظام کریں اور آپ کے پاس اسٹاک آؤٹ ہیں جو سیلز کھو دیتے ہیں اور کسٹمر کے تعلقات کو نقصان پہنچاتے ہیں۔ دوسرے میں اس کا غلط انتظام کریں اور آپ کے پاس ضرورت سے زیادہ اسٹاک ہے جو نقدی کو جوڑتا ہے، گودام کی جگہ پر قبضہ کرتا ہے، اور فروخت ہونے سے پہلے ختم یا متروک ہوسکتا ہے۔

روایتی انوینٹری کا انتظام جامد پیرامیٹرز پر انحصار کرتا ہے: فکسڈ ری آرڈر پوائنٹس، فکسڈ سیفٹی اسٹاک لیولز، اور دستی جائزہ لینے کے چکر۔ یہ پیرامیٹرز ایک بار سیٹ کیے جاتے ہیں اور شاذ و نادر ہی نظرثانی کیے جاتے ہیں—جب تک کہ کوئی اسٹاک آؤٹ یا اوور اسٹاک ایونٹ توجہ پر مجبور نہ کرے۔ OpenClaw AI ایجنٹ جامد پیرامیٹرز کو متحرک، مسلسل موافقت پذیر انوینٹری انٹیلی جنس سے بدل دیتے ہیں جو کہ بدلتے ہوئے طلب کے نمونوں، سپلائر کی بھروسے کی تبدیلیوں، اور حقیقی وقت میں مارکیٹ سگنلز کا جواب دیتے ہیں۔

اہم ٹیک ویز

• OpenClaw ڈیمانڈ فورکاسٹنگ ایجنٹس آپ کی سیلز ہسٹری پر ٹائم سیریز کے ماڈلز کا استعمال کرتے ہیں، زیادہ درستگی کے لیے بیرونی سگنلز (موسمی، پروموشنز، مارکیٹ کے رجحانات) سے بھرپور ہوتے ہیں۔
• دوبارہ ترتیب دینے والے پوائنٹ اور سیفٹی سٹاک کے پیرامیٹرز کو خود بخود دوبارہ شمار کیا جاتا ہے جیسا کہ ڈیمانڈ پیٹرن تیار ہوتا ہے — مزید کوئی دستی پیرامیٹر اپ ڈیٹ نہیں۔
• سپلائر کوآرڈینیشن ایجنٹ RFQ کی تقسیم، PO تخلیق، ترسیل سے باخبر رہنے، اور کوالٹی انسپیکشن کوآرڈینیشن کو خودکار کرتا ہے۔
• ملٹی لوکیشن انوینٹری بیلنسنگ ایک مقام پر سست حرکت کرنے والے اسٹاک کی نشاندہی کرتی ہے جسے دوبارہ ترتیب دینے سے پہلے زیادہ مانگ والے مقامات پر منتقل کیا جاسکتا ہے۔
• میعاد ختم ہونے اور متروک ہونے کا انتظام فعال طور پر خطرے سے متعلق انوینٹری کی شناخت کرتا ہے اور مارک ڈاؤن یا دوبارہ تقسیم کی کارروائیوں کو متحرک کرتا ہے۔
• ایجنٹ اوپن کلا ٹول لیئر کے ذریعے Odoo، SAP، NetSuite، Fishbowl، اور حسب ضرورت ERP/WMS سسٹمز کے ساتھ مربوط ہوتے ہیں۔
• ایجنٹ کے ہر فیصلے میں اس کا استدلال کا سلسلہ شامل ہوتا ہے — پیرامیٹرز، سگنلز، اور حسابات مکمل طور پر شفاف اور قابل سماعت ہیں۔
• ECOSIRE مینوفیکچررز، ڈسٹری بیوٹرز، اور ملٹی لوکیشن ریٹیلرز کے لیے OpenClaw انوینٹری مینجمنٹ سسٹم بناتا ہے۔

---

انوینٹری مینجمنٹ آرکیٹیکچر

OpenClaw انوینٹری اسٹیک میں پانچ خصوصی ایجنٹ ہیں:

[ Sales History + External Data ]
              ↓
[ Demand Forecasting Agent ]   — forecast per SKU per location per week
              ↓
[ Parameter Optimization Agent ] — calculate optimal reorder points and safety stock
              ↓
[ Replenishment Agent ]        — trigger POs, transfers, or production orders
              ↓
[ Supplier Coordination Agent ] — RFQ, PO, delivery tracking, receipt coordination
              ↓
[ Exception Agent ]            — stockout risk alerts, overstock alerts, expiry alerts

تمام ایجنٹس ریئل ٹائم انوینٹری ڈیٹا اسٹور کا اشتراک کرتے ہیں جو ویب ہک کے ذریعے ERP/WMS سے اپ ڈیٹس وصول کرتا ہے۔ ایجنٹ کے فیصلے ERP کو ​​بطور سفارشات (انسانوں کے ذریعہ نظرثانی شدہ) یا اعمال (آپ کی پالیسی کی ترتیب کے لحاظ سے خود مختار طریقے سے انجام دیئے جاتے ہیں) کے طور پر لکھے جاتے ہیں۔

---

ڈیمانڈ فورکاسٹنگ ایجنٹ: پیشین گوئی کرنا کہ آپ کو کیا ضرورت ہو گی۔

طلب کی درست پیشن گوئی انوینٹری مینجمنٹ میں ہر چیز کی بنیاد ہے۔ ایک پیشن گوئی جو 30% تک غلط ہے دوبارہ ترتیب دینے والے پوائنٹس تیار کرے گی جو 30% تک غلط ہیں، سیفٹی اسٹاک جو 30% غلط ہے، اور غلط مقدار کے لیے خریداری کے آرڈرز پیدا کرے گا۔

OpenClaw کا پیشن گوئی ایجنٹ ماڈلز کا درجہ بندی استعمال کرتا ہے۔ ہر SKU کے لیے منتخب کردہ ماڈل اس کی طلب کی تاریخ کی لمبائی اور استحکام پر منحصر ہے:

**Exponential Smoothing (ETS): کم از کم 12 ماہ کی تاریخ اور نسبتاً مستحکم ڈیمانڈ کے ساتھ SKUs کے لیے۔ ماڈل سطح، رجحان، اور موسمی اجزاء کو پکڑتا ہے۔

سریما: مضبوط موسمی نمونوں اور کافی تاریخ (2+ سال) والے SKUs کے لیے۔ پیچیدہ موسمی چکروں کو ETS سے بہتر طریقے سے ہینڈل کرتا ہے۔

مشین لرننگ (گریڈینٹ بوسٹنگ): بیرونی سگنلز (پروموشنز، موسم، معاشی اشارے) سے متاثر SKUs کے لیے۔ ٹائم سیریز سے آگے فیچر ان پٹس لیتا ہے۔

موونگ ایوریج: نئے SKUs کے لیے جن کی تاریخ 3 ماہ سے کم ہے۔ سادہ، کم تعصب کی بنیاد جب تک کہ زیادہ نفیس ماڈلز کے لیے کافی تاریخ موجود نہ ہو۔

export const ForecastDemand = defineSkill({
  name: "forecast-demand",
  tools: ["erp", "analytics", "external-data"],
  async run({ input, tools }) {
    const salesHistory = await tools.erp.getSalesHistory({
      productId: input.productId,
      locationId: input.locationId,
      weeks: 104, // 2 years of weekly data
    });

    const externalSignals = await tools.externalData.getSignals({
      productCategory: input.category,
      signals: ["seasonality-index", "market-trend", "promotion-calendar"],
    });

    // Model selection
    const model = selectForecastModel(salesHistory.length, externalSignals.hasPromoCalendar);

    const forecast = await analytics.forecast({
      model,
      history: salesHistory,
      signals: externalSignals,
      horizonWeeks: 13,
      confidenceIntervals: [0.80, 0.95],
    });

    return {
      productId: input.productId,
      locationId: input.locationId,
      forecastWeeks: forecast.weeks,
      // Returns point estimate + confidence intervals per week
    };
  },
});

پیش گوئی کی خرابی کی نگرانی: ایجنٹ ہر SKU ہفتہ وار کے لیے اصل بمقابلہ پیشن گوئی کو ٹریک کرتا ہے اور MAPE (مطلب مطلق فیصدی کی خرابی) کا حساب لگاتا ہے۔ SKUs جہاں ماڈل مسلسل کم کارکردگی کا مظاہرہ کرتا ہے (MAPE > 25%) کو دستی جائزہ لینے یا اپ ڈیٹ کردہ خصوصیات کے ساتھ ماڈل کی دوبارہ تربیت کے لیے جھنڈا لگایا جاتا ہے۔

---

پیرامیٹر آپٹیمائزیشن ایجنٹ: ڈائنامک سیفٹی اسٹاک اور ری آرڈر پوائنٹس

ہاتھ میں درست پیشین گوئی کے ساتھ، پیرامیٹر آپٹیمائزیشن ایجنٹ اعدادوشمار کے لحاظ سے بہترین حفاظتی اسٹاک کا حساب لگاتا ہے اور ہر SKU کے لیے ہر مقام پر دوبارہ ترتیب دیتا ہے۔

سیفٹی اسٹاک فارمولہ: ایجنٹ آپ کے ٹارگٹ سروس لیول کے حساب سے شماریاتی حفاظتی اسٹاک فارمولہ استعمال کرتا ہے:

Safety Stock = z × σ_LT × √(L + R)

کہاں:

• z = ٹارگٹ سروس لیول کے لیے z-اسکور (جیسے، 95% کے لیے 1.65، 99% کے لیے 2.33)
• σ_LT = لیڈ ٹائم کے دوران مانگ کا معیاری انحراف
• L = سپلائر لیڈ ٹائم ہفتوں میں
• R = ہفتوں میں جائزہ لینے کی مدت

سروس لیول کا ہدف فی پروڈکٹ کے زمرے کے لیے قابل ترتیب ہے۔ آہستہ چلنے والی، کم مارجن والی مصنوعات 90% استعمال کر سکتی ہیں۔ تیزی سے چلنے والی، زیادہ مارجن والی مصنوعات یا طویل لیڈ ٹائم والی اشیاء 99% استعمال کر سکتی ہیں۔

export const OptimizeParameters = defineSkill({
  name: "optimize-inventory-parameters",
  tools: ["erp", "analytics"],
  async run({ input, tools }) {
    const [forecast, supplierData, currentParams] = await Promise.all([
      tools.analytics.getForecast({ productId: input.productId, locationId: input.locationId }),
      tools.erp.getSupplierLeadTime(input.productId),
      tools.erp.getCurrentInventoryParams(input.productId, input.locationId),
    ]);

    const serviceLevel = getServiceLevelTarget(input.productCategory);
    const z = getZScore(serviceLevel);

    // Calculate demand variability during lead time
    const demandDuringLeadTime = forecast.weeks.slice(0, supplierData.leadTimeWeeks);
    const meanDemand = mean(demandDuringLeadTime.map(w => w.pointEstimate));
    const stdDevDemand = stdDev(demandDuringLeadTime.map(w => w.pointEstimate));

    const safetyStock = Math.ceil(z * stdDevDemand * Math.sqrt(supplierData.leadTimeWeeks + 1));
    const avgWeeklyDemand = mean(forecast.weeks.map(w => w.pointEstimate));
    const reorderPoint = Math.ceil(avgWeeklyDemand * supplierData.leadTimeWeeks + safetyStock);
    const economicOrderQty = calculateEOQ(avgWeeklyDemand, input.orderingCost, input.holdingCostRate, input.unitCost);

    const recommendation = {
      safetyStock,
      reorderPoint,
      economicOrderQty,
      currentSafetyStock: currentParams.safetyStock,
      currentReorderPoint: currentParams.reorderPoint,
      changeSignificant: Math.abs(reorderPoint - currentParams.reorderPoint) / currentParams.reorderPoint > 0.15,
    };

    if (recommendation.changeSignificant) {
      // Significant change — flag for human review before applying
      await flagForReview(recommendation, input);
    } else {
      // Minor adjustment — apply automatically
      await tools.erp.updateInventoryParams(input.productId, input.locationId, { safetyStock, reorderPoint });
    }

    return recommendation;
  },
});

پیرامیٹر کی تبدیلی کی پالیسی: پیرامیٹر کی بڑی تبدیلیاں (پوائنٹ یا سیفٹی اسٹاک کو دوبارہ ترتیب دینے میں 15% سے زیادہ ایڈجسٹمنٹ) کو خودکار طور پر لاگو کرنے کے بجائے انسانی جائزے کے لیے جھنڈا لگایا جاتا ہے۔ چھوٹے ایڈجسٹمنٹ بغیر کسی رکاوٹ کے لاگو ہوتے ہیں۔ یہ نظام کو قلیل مدتی ڈیمانڈ اسپائکس کی بنیاد پر ڈرامائی تبدیلیاں کرنے سے روکتا ہے جنہیں پیشن گوئی کرنے والے ماڈل نے ابھی تک فلٹر کرنا نہیں سیکھا ہے۔

---

دوبارہ بھرنے کا ایجنٹ: صحیح وقت پر صحیح کارروائی کو متحرک کرنا

جب اسٹاک ری آرڈر پوائنٹ پر یا اس سے نیچے آتا ہے، تو ریپلنشمنٹ ایجنٹ مناسب کارروائی کا تعین کرتا ہے- یہ ہمیشہ خریداری کا آرڈر نہیں ہوتا ہے۔

ریپلیشمنٹ کے لیے فیصلہ کن درخت:

1. کیا کسی اور ملکیتی جگہ پر اسٹاک دستیاب ہے؟ اگر ہاں اور منتقلی کی لاگت آرڈرنگ لاگت سے کم ہے، تو ایک انٹر لوکیشن ٹرانسفر شروع کریں۔
2. کیا اس پروڈکٹ کے لیے کوئی موجودہ اوپن پی او موجود ہے؟ اگر ہاں اور متوقع رسید ضرورت کو پورا کرتی ہے، تو ڈپلیکیٹ بنانے کے بجائے ضرورت پڑنے پر پی او کی مقدار کو اپ ڈیٹ کریں۔
3. کیا خریداری کا آرڈر مناسب ہے؟ کسی بھی کم از کم آرڈر کی ضروریات کے لیے ایڈجسٹ شدہ اقتصادی آرڈر کی مقدار کے ساتھ ایک PO بنائیں۔
4. کیا یہ میک ٹو اسٹاک پروڈکٹ ہے؟ خریداری آرڈر کے بجائے پروڈکشن آرڈر بنائیں۔

export const TriggerReplenishment = defineSkill({
  name: "trigger-replenishment",
  tools: ["erp", "warehouse"],
  async run({ input, tools }) {
    const neededQty = input.reorderPoint + input.economicOrderQty - input.currentStock;

    // Check inter-location transfers
    const otherLocations = await tools.erp.getStockByLocation(input.productId, {
      excludeLocation: input.locationId,
      minAvailable: neededQty,
    });

    if (otherLocations.length > 0) {
      const source = otherLocations.sort((a, b) => b.available - a.available)[0];
      const transferCost = await estimateTransferCost(source.locationId, input.locationId, neededQty);
      const orderCost = await estimateOrderCost(input.productId, neededQty);

      if (transferCost < orderCost * 0.7) {
        await tools.erp.createInternalTransfer({
          productId: input.productId,
          fromLocationId: source.locationId,
          toLocationId: input.locationId,
          qty: neededQty,
        });
        return { action: "TRANSFER_CREATED", sourceLocation: source.locationId };
      }
    }

    // Create purchase order
    const bestVendor = await selectBestVendor(tools.erp, input.productId, neededQty);
    const po = await tools.erp.createPurchaseOrder({
      productId: input.productId,
      vendorId: bestVendor.id,
      qty: Math.max(neededQty, bestVendor.minimumOrderQty),
      price: bestVendor.price,
      expectedDelivery: addDays(new Date(), bestVendor.leadTimeDays),
    });

    return { action: "PO_CREATED", poId: po.id, qty: neededQty, vendor: bestVendor.name };
  },
});

---

ملٹی لوکیشن انوینٹری بیلنسنگ

متعدد گوداموں یا خوردہ مقامات والے کاروباروں کے لیے، اسٹاک میں عدم توازن عام ہے: مقام A میں پروڈکٹ X کے 200 یونٹ ہیں جو دھول جمع کر رہے ہیں جبکہ مقام B اسٹاک سے باہر ہے اور خریداری کا آرڈر دے رہا ہے۔ بیلنسنگ ایجنٹ ہفتہ وار ان مواقع کی نشاندہی کرتا ہے۔

توازن الگورتھم:

1. مقامی طلب کی پیشن گوئی کی بنیاد پر ہر مقام پر متوقع ہفتوں کی سپلائی کا حساب لگائیں۔
2. 8 ہفتوں سے زیادہ سپلائی والے مقامات کی شناخت کریں (ان کی طلب کے لیے زیادہ ذخیرہ)۔
3. 3 ہفتوں سے کم سپلائی والے مقامات کی شناخت کریں (کم ذخیرہ شدہ)۔
4. منتقلی کی مقدار کا حساب لگائیں جو تمام مقامات کو سپلائی کے ہفتوں کے ہدف تک لے آئیں۔
5. چیک کریں کہ کیا منتقلی کی لاگت وصول کرنے والے مقام کے لیے نیا PO لگانے کی لاگت سے کم ہے۔
6. اقتصادی طور پر جائز منتقلی کے لیے ٹرانسفر آرڈرز بنائیں۔

---

میعاد ختم ہونے اور متروک ہونے کا انتظام

خراب ہونے والی مصنوعات اور مختصر پروڈکٹ لائف سائیکل والے الیکٹرانکس کو فعال ایکسپائری مینجمنٹ کی ضرورت ہوتی ہے۔ ایکسپائری ایجنٹ خطرے سے دوچار انوینٹری کی نگرانی کرتا ہے اور بروقت مداخلت کو متحرک کرتا ہے۔

** خراب ہونے والی مصنوعات کے لیے**:

• میعاد ختم ہونے سے 60 دن پہلے: ترجیحی انتخاب کے لیے جھنڈا (FEFO—پہلی میعاد، پہلے باہر)۔
• میعاد ختم ہونے سے 30 دن پہلے: پروموشنل قیمتوں کے لیے دستیاب اسٹاک کی سیلز ٹیم کو مطلع کریں۔
• میعاد ختم ہونے سے 14 دن پہلے: مارک ڈاؤن قیمتوں کی سفارش یا عطیہ/تصرف کی اجازت بنائیں۔

سست حرکت کرنے والی مصنوعات کے لیے:

• انوینٹری کی رفتار (ہر ماہ فروخت ہونے والی یونٹس) اور موجودہ مہینوں کی سپلائی کا حساب لگائیں۔
• 12 ماہ سے زیادہ کی سپلائی اور کم ہوتی رفتار کے رجحان والی مصنوعات کو اضافی کے طور پر نشان زد کیا جاتا ہے۔
• ایجنٹ تجویز کردہ کارروائیوں کے ساتھ اضافی SKUs کی فہرست تیار کرتا ہے: مارک ڈاؤن، سپلائر کے پاس واپسی (اگر واپسی کا معاہدہ موجود ہے)، یا لیکویڈیشن۔

---

سپلائر کی کارکردگی کی نگرانی

سپلائر کوآرڈینیشن ایجنٹ تین جہتوں میں سپلائر کی کارکردگی کو ٹریک کرتا ہے: بروقت ترسیل کی شرح، مقدار کی درستگی (ڈیلیور شدہ مقدار بمقابلہ آرڈر شدہ مقدار)، اور معیار کی قبولیت کی شرح۔ خریداری کے نئے آرڈرز بناتے وقت یہ میٹرکس وینڈر کے انتخاب کے فیصلوں میں شامل ہوتے ہیں۔

export const UpdateSupplierPerformance = defineSkill({
  name: "update-supplier-performance",
  tools: ["erp"],
  async run({ input, tools }) {
    const receipt = await tools.erp.getPurchaseReceipt(input.receiptId);
    const po = await tools.erp.getPurchaseOrder(receipt.poId);

    const onTime = receipt.receivedDate <= po.expectedDelivery;
    const qtyAccuracy = receipt.receivedQty / po.orderedQty;
    const qualityAcceptanceRate = receipt.acceptedQty / receipt.receivedQty;

    await tools.erp.updateSupplierScore(po.vendorId, {
      deliveryId: receipt.id,
      onTime,
      qtyAccuracy,
      qualityAcceptanceRate,
      leadTimeActual: daysBetween(po.createdDate, receipt.receivedDate),
    });

    return { vendorId: po.vendorId, onTime, qtyAccuracy, qualityAcceptanceRate };
  },
});

ہر ڈیلیوری کے ساتھ وینڈر کے اسکور اپ ڈیٹ ہوتے ہیں اور ریپلنشمنٹ ایجنٹ میں وینڈر کے انتخاب کو متاثر کرتے ہیں۔ مستقل طور پر ناقص بروقت ڈیلیوری والے وینڈر کا انتخاب الگورتھم میں وزن کم کیا جاتا ہے، جو مستقبل کے POs کو مزید قابل اعتماد متبادلات کی طرف لے جاتا ہے۔

---

اکثر پوچھے گئے سوالات

نئے SKUs کے لیے ڈیمانڈ کی پیشن گوئی کرنے والے ماڈل کو درست ہونے میں کتنا وقت لگتا ہے؟

بغیر سیلز ہسٹری کے نئے SKUs کا آغاز موونگ ایوریج ماڈل سے ہوتا ہے جس کے لیے کم از کم 4 ہفتوں کا ڈیٹا درکار ہوتا ہے۔ 12 ہفتوں کے بعد، ایجنٹ تیزی سے ہموار کرنے کے لیے سوئچ کرتا ہے۔ 52 ہفتوں کے بعد، موسمی نمونوں کو شامل کیا جا سکتا ہے۔ پہلے 12 ہفتوں کے دوران، حفاظتی اسٹاک کو قدامت پسندی سے سیٹ کیا جاتا ہے (پراکسی کے طور پر پروڈکٹ کے زمرے کے لیے انڈسٹری کی اوسط تغیر کو استعمال کرتے ہوئے) اسٹاک آؤٹ سے بچانے کے لیے جب ماڈل کیلیبریٹ ہوتا ہے۔ پیشن گوئی کی درستگی عام طور پر 16-24 ہفتوں کے اندر ہدف کی حد تک پہنچ جاتی ہے (مستحکم مصنوعات کے لیے MAPE 15% سے کم)۔

سسٹم گستاخانہ ڈیمانڈ کے ساتھ پروڈکٹس کو کیسے ہینڈل کرتا ہے (وقفے وقفے سے، بے قاعدہ فروخت)؟

گانٹھ کی طلب (اسپیئر پارٹس، B2B مصنوعات، موسمی خصوصی اشیاء کے لیے عام) معیاری ٹائم سیریز کی پیشن گوئی کے مطابق نہیں ہے۔ SKUs کے لیے جن کی شناخت lumpy ڈیمانڈ کے طور پر ہوتی ہے (کراسٹن کے طریقہ کار کا استعمال کرتے ہوئے انٹر ڈیمانڈ کا وقفہ 1.3 سے زیادہ)، ایجنٹ Croston کے طریقہ کار یا Syntetos-Boylan کے قریب کی طرف سوئچ کرتا ہے، جو وقفے وقفے سے طلب کے لیے ڈیزائن کیے گئے ہیں۔ lumpy ڈیمانڈ پروڈکٹس کے لیے حفاظتی سٹاک کیلکولیشنز زیادہ متغیرات کے لیے وسیع تر اعتماد کے وقفوں کا استعمال کرتے ہیں۔

کیا سسٹم 3PL کے WMS کے ساتھ ضم ہوسکتا ہے؟

جی ہاں سپلائی کرنے والے کوآرڈینیشن اور دوبارہ بھرنے کے ایجنٹ 3PLs کے ساتھ اپنے شائع شدہ APIs کے ذریعے بات چیت کرتے ہیں (زیادہ تر بڑے 3PLs REST APIs پیش کرتے ہیں) یا EDI کے ذریعے اگر 3PL کے پاس جدید API نہیں ہے۔ API تک رسائی کے بغیر 3PLs کے لیے، ایجنٹ ای میل کردہ ASN (ایڈوانس شپنگ نوٹس) اور انوینٹری رپورٹ فائلوں پر خودکار طور پر دستاویز پروسیسنگ پائپ لائن کا استعمال کر سکتا ہے۔

سسٹم پروڈکٹس کو کیسے ہینڈل کرتا ہے جہاں پروموشنز یا یک طرفہ ایونٹس کی وجہ سے مانگ بڑھ جاتی ہے؟

پروموشنل ایونٹس بیرونی سگنلز ڈیٹا سورس میں رجسٹرڈ ہوتے ہیں۔ کسی معروف پروموشن سے پہلے، ایجنٹ اسی طرح کی پروموشنز (اگر دستیاب ہو) یا کنفیگر ایبل لفٹ ملٹیپلائر کے لیے تاریخی لفٹ ریشو کا استعمال کرتے ہوئے پیشن گوئی کو اوپر کی طرف ایڈجسٹ کرتا ہے۔ پروموشن کے بعد، ایجنٹ پروموشن کے بعد ڈیمانڈ میں کمی کا پتہ لگاتا ہے اور اس کے مطابق پروموشن کے بعد کی ڈیمانڈ پر اوور بلڈنگ سے بچنے کے لیے دوبارہ بھرنے کو ایڈجسٹ کرتا ہے۔ تاریخی اعداد و شمار کے بغیر یک طرفہ واقعات کے لیے، ایجنٹ ایونٹ کی منصوبہ بندی کی مدت کے دوران دستی پیشن گوئی کی ایڈجسٹمنٹ کے لیے متعلقہ SKUs کو جھنڈا لگاتا ہے۔

کیا ہوتا ہے اگر ERP آف لائن ہو جب دوبارہ بھرنے کی کارروائی کی ضرورت ہو؟

دوبارہ بھرنے کا ایجنٹ ایک پائیدار پیغام کی قطار میں دوبارہ بھرنے کے کاموں کو قطار میں کھڑا کرتا ہے۔ جب ERP کنکشن بحال ہو جاتا ہے، تو ایجنٹ قطار میں لگے کاموں کو ترتیب سے پروسیس کرتا ہے۔ وقت کی حساس ادائیگی کے لیے (زیرو اسٹاک پر ایک پروڈکٹ جس میں اعلی ترجیحی کسٹمر آرڈر زیر التواء ہے)، ایجنٹ پروکیورمنٹ ٹیم کو ایک الرٹ بھی بھیجتا ہے تاکہ سسٹم کنکشن کی بحالی کے دوران ایک دستی PO رکھا جا سکے۔

---

اگلے اقدامات

جامد انوینٹری کا انتظام ہر سمت میں میز پر پیسہ چھوڑ دیتا ہے — پیشین گوئی کرنے میں آسان مصنوعات کے لیے اضافی حفاظتی ذخیرہ، غیر مستحکم مصنوعات کے لیے ناکافی کور۔ OpenClaw انوینٹری ایجنٹس مسلسل حقیقت کے مطابق دوبارہ ترتیب دیتے ہیں، اسٹاک آؤٹ کے خطرے کو کم کرتے ہیں اور بیک وقت اخراجات اٹھاتے ہیں۔

ECOSIRE کی OpenClaw نفاذ کی خدمات میں مکمل انوینٹری مینجمنٹ آٹومیشن شامل ہے — ڈیمانڈ فورکاسٹنگ کیلیبریشن، پیرامیٹر آپٹیمائزیشن سیٹ اپ، ریپلنشمنٹ پالیسی کنفیگریشن، اور ERP انضمام۔ ہماری آپریشنز ٹیم سپلائی چین کے گہرے علم کو OpenClaw انجینئرنگ کے ساتھ ملاتی ہے تاکہ ایسے سسٹمز کی تعمیر کی جا سکے جو قابل پیمائش ورکنگ کیپیٹل میں بہتری فراہم کرتے ہیں۔

اپنے انوینٹری مینجمنٹ کے چیلنجوں پر بات کرنے اور حسب ضرورت آٹومیشن کی تجویز حاصل کرنے کے لیے ECOSIRE سے رابطہ کریں۔