ListenField เชื่อมข้อมูลสภาพอากาศ ภาพดาวเทียม ข้อมูลแปลง และข้อมูลการจัดหาวัตถุดิบเข้าด้วยกัน นำ Agentic AI มาใช้อธิบายและวางแผนงาน ที่อธิบายได้ว่าสภาพแวดล้อมที่แปลงส่งผลต่อห่วงโซ่อุปทานอย่างไร และต้องปรับเปลี่ยนแผนงานตรงไหน
โมเดลทั้งหมด ถูกพัฒนาและทดสอบด้วยข้อมูลที่ตรวจสอบ แล้วสร้าง AI workflow ให้เข้ากับธุรกิจของคุณ
ใช้งานจริงตั้งแต่ปี 2017 · ญี่ปุ่น · ไทย · ลาว · เวียดนาม · โคลอมเบีย
วิกฤต วันพฤหัสฯ คาดเข้าเกินกำลังรับ 38 ตัน (112%)
กลุ่ม B สุกเร็วกว่าที่คาด ยอดเลยเพิ่มขึ้น 24 ตันใน 24 ชม. ยังมีเวลาอีก 3 วัน ถ้าเลื่อน 96 ตันของกลุ่มนี้ไปวันเสาร์ วันพฤหัสฯ ก็จะเหลือ 262 ตัน ส่วนวันเสาร์เป็น 306 ตัน
ตันต่อวันที่รับเข้าโรงงาน · กำลังรับตามสเปกโรงงาน แผนตามสัญญา · วันนี้คือวันจันทร์
ปริมาณต่อวัน: จ. 284 ตัน (รับจริง), อ. 296 ตัน, พ. 312 ตัน, พฤ. 358 ตัน, ศ. 301 ตัน, ส. 210 ตัน, อา. 188 ตัน, จ. 276 ตัน, อ. 290 ตัน, พ. 335 ตัน, พฤ. 300 ตัน, ศ. 270 ตัน, ส. 240 ตัน, อา. 205 ตัน
| กลุ่ม | พร้อมเก็บเกี่ยว | สถานะ | ข้อมูลแปลง | ขั้นต่อไป |
|---|---|---|---|---|
| กลุ่ม B | พฤ. · 96 ตัน ±10 | วันวิกฤต | วันนี้ 06:10 น. | เลื่อนไปวันเสาร์ |
| กลุ่ม D | พ. สัปดาห์หน้า · 88 ตัน ±12 | วันเฝ้าระวัง (105%) | 3 วันก่อน | ตรวจสอบ |
| กลุ่ม C | ยังพยากรณ์ไม่ได้ | ไม่มีข้อมูล | ไม่ได้ลงแปลง 8 วัน | ขอให้ลงแปลง |
ทำไมวันพฤหัสฯ ถึงเกินกำลังรับ
ตรวจแล้ว 3 แหล่งสภาพอากาศ · ดาวเทียม · รายงานจากแปลง
กลุ่ม B สุกเร็วกว่าที่คาด พยากรณ์ของวันพฤหัสฯ เลยเพิ่มขึ้น 24 ตันใน 24 ชม. ตอนนี้วันพฤหัสฯ มีวัตถุดิบเข้า 358 ตันจาก 5 กลุ่ม ขณะที่โรงงานรับได้ 320 ตัน
ถ้าเลื่อนกลุ่ม B ไปวันเสาร์ จะเป็นอย่างไร
ตรวจแล้ว 2 แหล่งแผนรับวัตถุดิบ · กำลังรับของโรงงาน
วันพฤหัสฯ จะลดเหลือ 262 ตัน (82% ของกำลังรับ) ส่วนวันเสาร์ขึ้นเป็น 306 ตัน (96%) แต่วันพุธหน้ายังอยู่ที่ 105% เหมือนเดิม จะคอยดูกลุ่ม D ต่อให้
กลุ่มไหนยังไม่มีข้อมูลแปลง
ตรวจแล้ว 1 แหล่งบันทึกการลงแปลง
กลุ่ม C ไม่มีใครลงแปลงมา 8 วันแล้ว เลยยังพยากรณ์ไม่ได้ ร่างคำขอให้ทีมภาคสนามลงแปลงไว้ให้แล้ว
ข้อมูลแปลงของเราเอง ที่เก็บและตรวจสอบมาตั้งแต่ปี 2017 ใช้ร่วมกับข้อมูลสภาพอากาศย้อนหลังถึงปี 1980 และข้อมูลดาวเทียม เป็นฐานที่เราใช้วางแผนการผลิตตลอดห่วงโซ่อุปทาน
ListenField ติดตามเครือข่ายอุปทานของคุณอย่างต่อเนื่อง ทำการวิเคราะห์และประเมินแผนงาน แล้วกระจายข้อมูลสู่การลงมือปฏิบัติอย่างเป็นระบบ ที่ตอบคำถามและการดำเนินงานของบุคลากรแต่ละแผนกในการผลิต
ตัวอย่างลูกค้าของเรา
พันธมิตรของเรา
เป้าหมายเดียว ขับเคลื่อนด้วยระบบย่อยของ AI 3 ชั้น ที่วิเคราะห์และประเมินแผนงานโดยอัตโนมัติ แล้วส่งต่อสู่การปฏิบัติงานของบุคลากรแต่ละแผนกอย่างเป็นระบบ
AI ประเมินพื้นที่การเกษตรกว่า 340 แห่งทุกวัน โมเดลผลผลิตตั้งระดับภูมิภาคถึงระดับทุ่งนา พร้อมรหัสเตือนภัยที่มีนัยสำคัญ และเตือนเวลาเหมาะสมแห่งการเก็บเกี่ยวล่วงหน้าถึง 21 วัน
ระบบรวบรวมการวิเคราะห์ในภาพใหญ่ของห่วงโซ่อุปทานอย่างครอบคลุม ข้อมูลแสดงภาพรวมการพยากรณ์ผลผลิตข้ามภูมิประเทศ, ชนิดพืช, และแหล่งวัตถุดิบ — เชื่อมโยงกับฐานการผลิตของโรงงาน
เอเจนต์วางแผนงานและกำหนดเวลา ทีมของคุณอนุมัติแล้วกระจายสู่เกษตรกร นักวิชาการเกษตร เจ้าหน้าที่ภาคสนาม และผู้รับเหมาเครื่องจักร ทุกฝ่ายรับงานผ่านมือถือ และติดตามความคืบหน้าได้แบบเรียลไทม์
Unilever
ร่วมมือกับ Livelihoods Ventures และมหาวิทยาลัยเกษตรศาสตร์ในโครงการข้าวเกษตรกรรมฟื้นฟู — ข้อมูลและการวิเคราะห์เพื่อปรับปรุงห่วงข้อมูลย้อนกลับสำหรับเกษตรกร
Sun Sweet
การวางแผนการผลิตที่คาดการณ์ได้ ผลการพยากรณ์ที่แม่นยำ และเครื่องมือลดความเสี่ยงรวมถึงเครื่องคำนวณการปลูก
Sapporo Beers
การติดตามการเจริญเติบโต การพยากรณ์ระยะสุก และการตรวจจับการล้ม — ได้รับผลตอบรับดีจากทีมวิจัยและเกษตรกร
แพลตฟอร์ม AI ของ ListenField ผสานข้อมูลภาพถ่ายดาวเทียม แบบจำลองสภาพอากาศ และข้อมูลดิน เพื่อติดตามเครือข่ายอุปทานทั้งหมดอย่างต่อเนื่อง แทนที่จะตั้งรับเมื่อเกิดปัญหาขาดแคลน ระบบตรวจจับสัญญาณความเสี่ยงล่วงหน้า ทำให้ทีมจัดซื้อสามารถจัดหาแหล่งทดแทนได้เชิงรุก ระบบนี้ทำงานอยู่ในห่วงโซ่อุปทานอาหารและการเกษตรจริงมาตั้งแต่ปี 2017 ใน 5 ประเทศ
เราเริ่มจากภาพรวมล่วงหน้าทั้งฤดูกาล ด้วยการพยากรณ์ภูมิอากาศตามฤดูกาล (seasonal forecast) ListenField ให้ภาพรวมปริมาณวัตถุดิบได้ล่วงหน้า 3–6 เดือน เร็วพอให้วางแผนการผลิต การขนส่ง และการจัดหาวัตถุดิบ ตัวเลขช่วงแรกเป็นภาพรวม ยังไม่ใช่ตัวเลขสุดท้าย พอฤดูกาลดำเนินไปและมีข้อมูลแปลงกับภาพดาวเทียมเข้ามาเพิ่ม พยากรณ์ก็อัปเดตและแม่นยำขึ้นเรื่อย ๆ จนแม่นที่สุดในช่วงไม่กี่สัปดาห์ก่อนเก็บเกี่ยว ส่วนสัญญาณความเสี่ยงและการแจ้งช่วงเก็บเกี่ยว เราส่งให้ตลอดฤดูกาล
ListenField มีโมเดลที่ผ่านการตรวจสอบแล้วสำหรับข้าวโพดหวาน ข้าวบาร์เลย์ มันฝรั่ง พืชผัก อ้อย ข้าว มันสำปะหลัง และสมุนไพร ใช้งานจริงในญี่ปุ่น ไทย ลาว เวียดนาม และโคลอมเบีย สำหรับพืชชนิดใหม่ สามารถตั้งค่าและเริ่มใช้งานได้ภายใน 30–90 วัน ขึ้นอยู่กับข้อมูลที่มีและรอบการเพาะปลูก AI จะเรียนรู้จากแปลงและเงื่อนไขเฉพาะของคุณไปทุกฤดูกาล ความแม่นยำจะต่างกันไปตามพืช พื้นที่ ฤดูกาล และปริมาณข้อมูลแปลงที่มี และเราคุยเรื่องนี้กับลูกค้าแต่ละรายอย่างตรงไปตรงมา
ระบบ ERP เช่น SAP และ Oracle เน้นข้อมูลการผลิตฝั่งโรงงาน — สั่งซื้ออะไร ผลิตอะไร ส่งอะไร ListenField เน้นสิ่งที่เกิดขึ้นในแปลงก่อนที่วัตถุดิบจะถึงโรงงาน โดยนำเข้าข้อมูลสิ่งแวดล้อม ได้แก่ สภาพดิน รูปแบบสภาพอากาศ ระยะการเจริญเติบโตของพืช แล้วฝึก AI ให้เข้าใจว่าเงื่อนไขเหล่านี้ส่งผลต่อความเสี่ยงด้านอุปทาน ความผันแปรของผลผลิต และช่วงเวลาเก็บเกี่ยวอย่างไร ERP บันทึกอดีต ListenField พยากรณ์อนาคตและเชื่อมสภาพแปลงกับแผนโรงงาน
เครื่องมือ BI ทั่วไปให้กราฟและรายงาน แต่คุณต้องสร้าง Data Pipeline เอง ตีความตัวเลขเอง และตัดสินใจเอง ListenField สร้าง Data Pipeline ให้ทั้งหมด เชื่อมข้อมูลแปลงของคุณกับภาพถ่ายดาวเทียม แบบจำลองสภาพอากาศ และข้อมูลดิน แล้วเรียนรู้ Workflow เฉพาะของคุณ แทนที่จะเป็นแดชบอร์ดทั่วไป คุณจะได้ข้อมูลเชิงปฏิบัติที่ปรับแต่งสำหรับแต่ละผู้มีส่วนได้ส่วนเสีย ผู้จัดการโรงงานเห็นพยากรณ์อุปทาน นักวิชาการเกษตรเห็นสัญญาณเตือนระดับแปลง ทีมโลจิสติกส์เห็นตารางเก็บเกี่ยว ระบบวิเคราะห์และประเมินแผนงานโดยอัตโนมัติ ระบุประเด็นที่ต้องจัดการ พร้อมเสนองานถัดไป ผู้รับผิดชอบ และกำหนดเวลา ส่วนการตัดสินใจและการดำเนินงานเป็นของบุคลากรในแต่ละแผนก
บริษัทอาหารและการเกษตรชั้นนำใน 5 ประเทศไว้วางใจเรา ตัวอย่างลูกค้าของเรา ได้แก่ Sun Sweet (ข้าวโพดหวาน ประเทศไทย) Eastern Sugar & Canes (อ้อย ประเทศไทย) Sapporo Beers (ข้าวบาร์เลย์ ญี่ปุ่น) Unilever (ข้าวเกษตรกรรมฟื้นฟู) PepsiCo (ห่วงโซ่อุปทานมันฝรั่ง) Ajinomoto (มันสำปะหลัง) Sumitomo Chemical, East West Seeds และ VSC Food ส่วน Kubota เป็นนักลงทุนเชิงกลยุทธ์ของเรา นอกจากนี้เรายังทำงานในโครงการพัฒนาร่วมกับ ADB, IFC, JICA และ UNDP ด้วย หนึ่งในนั้นคือโครงการเกษตรรับมือการเปลี่ยนแปลงสภาพภูมิอากาศ (Climate-smart agriculture) ของ ADB ในอนุภูมิภาคลุ่มแม่น้ำโขง (GMS)
ข้อมูลรวมศูนย์ การลงมือทำกระจายสู่หน้างาน มาดูกันว่าใช้กับห่วงโซ่อุปทานของคุณได้อย่างไร
ขอนัดสาธิต