AI採購優化

系統需求

功能需求

1. AI模組分析：
   • 使用LLM分析歷史採購數據（價格、數量、交貨時間）與海運延誤資訊。
   • 透過自然語言處理（NLP）解讀數據並生成建議。
2. 採購預測：
   • 預測3000公斤不鏽鋼的最佳採購時機（日期）。
   • 提供成本預估（目標5億越南盾）。
3. 輸出建議：
   • 生成採購建議報告（文字格式），包含建議日期、數量與成本。
   • 支援使用者輸入查詢（如「何時採購最划算？」）。
4. 介面整合：
   • 與Odoo IMS無縫連接，顯示預測結果。
   • 提供API與外部供應商（如台灣鋼鐵公司）對接。

非功能需求

• 準確性： 預測誤差低於10%。
• 效能： LLM回應時間低於10秒。
• 安全性： 數據加密傳輸，使用API金鑰驗證。

技術架構

架構組成

1. 數據層：
   • 來源： Odoo IMS（採購歷史）、外部API（海運數據，如MarineTraffic）。
   • 儲存： PostgreSQL（Odoo預設），新增結構化數據表。
2. AI模組（LLM）：
   • 模型： 開源LLM（如LLaMA或Grok），透過API呼叫。
   • 運算： 雲端服務（例如Hugging Face或xAI API）。
   • 處理： 將結構化數據轉為自然語言提示，供LLM分析。
3. 後端：
   • 伺服器： Python Flask，部署於AWS EC2。
   • API： RESTful API，連接Odoo、LLM與供應商。
4. 前端：
   • 介面： Odoo自訂儀表板，顯示LLM建議。
   • 通知： 推送至Odoo與採購員手機。

架構圖

完整內容與步驟

應用場景

• 情境： 永勝越南需採購3000公斤不鏽鋼SUS304，採購員阿強以往憑經驗，常因價格波動或海運延誤多花成本。
• 應用： LLM分析歷史數據與海運狀況，建議1月15日採購，成本5億越南盾。
• 效果： 避開價格高峰，節省2000萬越南盾。

所需設備、人力與技術(預估)

1. 設備：
   • 伺服器：AWS EC2 t3.medium（年費約1.2億 VND）。
   • 電腦：採購員用PC（1500萬 VND）。
2. 人力：
   • 後端工程師1名，整合API與LLM，3個月薪資1億 VND。
   • 阿強（採購員），培訓1週，成本500萬 VND。
3. 技術：
   • 語言： Python（後端）、JavaScript（Odoo前端）。
   • 框架： Flask（後端）、Odoo 17 API。

開源軟體工具

1. 數據處理：
   • Pandas： 清理採購數據。
   • NumPy： 數值處理。
2. LLM整合：
   • Hugging Face Transformers： 調用LLaMA模型。
   • LangChain： 結構化提示與LLM交互。
3. API呼叫：
   • Requests： 連接LLM API與海運API。
   • Flask： 搭建後端服務。
4. 視覺化：
   • Matplotlib： 繪製趨勢圖。
   • Odoo BI： 內建儀表板。

實施步驟

1. 數據收集（1週）：
   • 從Odoo IMS提取3年採購數據（價格、數量、日期）。
   • 透過MarineTraffic API獲取海運延誤數據。
2. 數據準備（1週）：
   • 使用Pandas將數據轉為表格（如「2023-01，165,000 VND/kg，延誤5天」）。
   • 轉換為自然語言提示（如「根據過去3年價格與海運數據，何時採購3000公斤不鏽鋼最划算？」）。
3. LLM整合（2週）：
   • 部署Hugging Face上的LLaMA模型，設定API金鑰。
   • 測試提示與回應準確性，調整參數。
4. 後端開發（2週）：
   • 用Flask搭建服務，連接Odoo與LLM API。
   • 確保回應時間低於10秒。
5. 前端部署與培訓（1週）：
   • 在Odoo新增「AI採購建議」模組，顯示LLM輸出。
   • 培訓阿強使用介面與查詢功能。

操作步驟（以1月採購為例）

1. 啟動分析： 阿強在Odoo點擊「AI採購優化」，輸入「預測3000公斤不鏽鋼的最佳採購時機」。
2. 數據傳送： 後端提取Odoo數據（2022-2024年價格均值165,000 VND/kg，延誤均值5天），轉為提示。
3. LLM演算： 呼叫LLaMA API，分析數據與海運趨勢，回應「建議1月15日採購，成本約5億 VND」。
4. 查看建議： 阿強在儀表板看到建議文字與成本預估，確認可行性。
5. 採購執行： 阿強發送採購單（PO-2025-001），Odoo記錄。

改善前後效益

改善前

• 採購成本： 5.2億 VND（高峰170,000 VND/kg）。
• 延誤損失： 每月1次，損失1000萬 VND（緊急採購）。
• 決策時間： 3天（人工分析）。
• 成本偏差： 10%（無數據支持）。

改善後

• 採購成本： 5億 VND（166,667 VND/kg），節省2000萬 VND。
• 延誤損失： 0次，節省1000萬 VND。
• 決策時間： 10秒（LLM即時回應）。
• 成本偏差： 5%（LLM預測精準）。

效益總結

• 成本節省： 3000萬 VND/月。
• 效率提升： 決策速度提升99.9%。
• 穩定性： 避免延誤損失100%。

5W1H總結

改善前

• Who（誰）： 阿強與採購團隊，人工判斷。
• What（什麼）： 成本5.2億 VND，延誤損失1000萬，決策3天。
• When（何時）： 2024年底前，無AI。
• Where（何地）： 永勝越南（化名）採購部門。
• Why（為什麼）： 缺乏智能分析，依賴經驗。
• How（如何）： 手動查詢價格與海運，效率低。

改善後

• Who（誰）： 阿強與LLM模組，協同Odoo。
• What（什麼）： 成本5億 VND，無延誤損失，決策10秒。
• When（何時）： 2025年1月，LLM導入。
• Where（何地）： 永勝越南（化名）全廠。
• Why（為什麼）： LLM提升預測準確性。
• How（如何）： API呼叫LLM分析數據，生成建議。

結論

AI採購優化模組利用LLM與Odoo IMS整合，透過API呼叫分析歷史數據與海運延誤，預測3000公斤不鏽鋼的最佳採購時機，實現成本節省3000萬 VND與效率提升。