Фон
Оптимизация цепочки поставок — обширная область исследований. Существует множество вариантов использования в рамках оптимизации цепочки поставок, которые выиграют от применения технологии AI/ML. Часто организации борются с тем, где и как начать в этом пространстве. В этой статье мы рассмотрим небольшой, но разнообразный набор вариантов использования цепочки поставок, которые выиграют от применения AI/ML. Мы разделяем управление цепочкой поставок на пять компонентов: планирование, источник, производство, доставка, реверсивная логистика и описываем варианты использования Определение спроса, Сегментация поставщиков, Прогнозирование отказа оборудования. , Прогноз времени доставки, Прогноз возврата клиентов, которые сопоставляются с пятью компонентами. Применяя критерии экономической ценности, удобоваримости, объяснимости результатов, полезности анализа и устойчивости приложений качественно во всех вариантах использования, мы также оцениваем общую выгоду от реализации каждого варианта использования.
Исследование варианта использования
Интеллектуальная цепочка поставок объединяет данные, автоматизацию и передовые аналитические технологии для повышения эффективности и снижения затрат в различных частях цепочки поставок. Это может быть источником стратегического преимущества для организации за счет улучшения качества обслуживания клиентов. Обычно он поддерживается комбинацией технологий оптимизации и AI/ML. Мы исследуем пять вариантов использования, сопоставляя их с пятью элементами управления цепочками поставок: Планировать → Источник → Сделать → Доставить → Обратная логистика.
1. Краткосрочное определение спроса (план). Управление запасами является критически важной деятельностью в цепочке поставок. Затраты на оборотный капитал и хранение привязаны к уровням запасов, которые, в свою очередь, зависят от точного прогнозирования спроса среди других факторов. Высокий уровень точности прогноза помогает снизить затраты на хранение и дефицит запасов, обеспечивая производство нужного количества продукции в нужном месте в нужное время. Это помогает оптимизировать запасы на складах, снижая уровень страхового запаса и тем самым снижая затраты, избегая дефицита запасов, который может привести к долгосрочным потерям в бизнесе и доходах. Приложение с поддержкой ИИ может выявлять закономерности в заказах клиентов и соотносить определенные опережающие индикаторы с краткосрочным спросом, чтобы быть более точным, чем при использовании традиционных методов. Имея информацию о заказах в режиме реального времени, мы можем автоматизировать прогнозы спроса на текущий и следующий месяц, которые регулярно обновляются.
2. Сегментация поставщиков (Источник). Крупные организации могут иметь сотни или тысячи поставщиков, которые составляют неотъемлемую часть их цепочки поставок. Различное сырье в различных количествах поступает от поставщиков. Чтобы снизить стоимость закупок при одновременном повышении надежности поставок, было бы полезно применять разные стратегии к разным поставщикам. В этом отношении было бы полезно объединить поставщиков в несколько ключевых групп, учитывая большое количество поставщиков. Этот тип сегментации позволит проводить целевые переговоры по контрактам о ценах на сырье, объемах и сроках поставки для оптимизации затрат. Приложение с поддержкой ИИ может сегментировать поставщиков на основе таких характеристик, как объем, цена, стратегические отношения, надежность, чтобы позволить специалистам по снабжению применять аналогичные стратегии закупок для поставщиков в кластере. Эта сегментация может обновляться ежемесячно или ежеквартально для учета изменений поставщиков.
3. Прогнозирование отказов оборудования (Make): Незапланированные простои из-за сбоев в надежности являются обычным явлением в производственных операциях. Это, как правило, создает нагрузку на товарные запасы и может привести к задержкам в выполнении заказов клиентами. Прогнозирование таких простоев может помочь предприятию либо принять меры для снижения риска отказа оборудования, либо подготовиться заранее, создав запасы для учета времени простоя. Эти прогнозы и последующие действия по смягчению последствий могут помочь избежать истощения запасов и потери доходов, а также привлечь инвестиции в варианты профилактического обслуживания, чтобы избежать дорогостоящего ремонта. Приложение с поддержкой ИИ может сопоставлять отказы оборудования с ключевыми измерениями (такими как пропускная способность, давление, температура и т. д.) в течение нескольких дней или недель, предшествующих незапланированному отказу оборудования, и предоставлять информацию о времени возникновения отказов. В зависимости от детализации измерений приложение может запускаться каждый день или каждые несколько дней для оценки риска сбоев.
4. Прогноз времени доставки (доставка). Своевременная доставка клиентам является ключевым показателем для оценки эффективности цепочек поставок, который напрямую влияет на качество обслуживания клиентов. Организации измеряют этот показатель и активно пытаются улучшить его на основе исторических тенденций задержек. Возможность точно прогнозировать время доставки может помочь доставить продукт клиенту в запрошенное время, тем самым избегая плохого обслуживания клиентов и, следовательно, потери бизнеса, а также избегая штрафов и других сборов из-за несвоевременной доставки. Приложение с поддержкой ИИ можно использовать для прогнозирования времени доставки на основе дня и времени начала, сезона, перевозчика, источника и пункта назначения среди других атрибутов. Такой прогноз для каждой поставки позволит информировать клиента и повысить качество обслуживания и удержание клиентов. Кроме того, это дает возможность оптимизировать маршруты и выбрать наиболее эффективных перевозчиков.
5. Прогноз возвратов клиентов (обратная логистика). Определенный процент продаж возвращается клиентами по разным причинам, включая несоответствие требованиям к качеству или задержки с доставкой. Чтобы подготовиться к возврату, хранению и переработке, компаниям необходимо иметь точную оценку объема возвращаемой продукции. Это поможет снизить затраты на хранение и обработку. Приложение с поддержкой ИИ может предоставить совокупный объем возвратов в зависимости от количества отгрузок клиентам за последние несколько недель. Этот прогноз может обновляться еженедельно.
Используйте приоритезацию случаев
Мы рассматриваем эти варианты использования через призму пяти ключевых критериев: экономическая ценность, управляемость, объяснимость результатов, возможность принятия решений и устойчивость приложений. Экономическая ценность включает любую экономию средств или предотвращение потери дохода. Под управляемостью понимается доступность данных и надежный подход AI/ML для предоставления прогнозов в разумные сроки. Объяснимость результатов показывает, насколько легко наблюдения и прогнозы могут быть объяснены заинтересованным сторонам с помощью бизнес-факторов. Практичность Insights характеризует степень, в которой организация может воздействовать на результаты приложения AI/ML. Наконец, устойчивость приложения описывает долгосрочную жизнеспособность активного обслуживания и обновления входных данных для приложения ИИ.
Мы ожидаем «высокую» экономическую ценность для определения спроса и прогнозирования сроков доставки из-за огромного объема отгрузок. Нерегулярность действий по сегментации поставщиков и прогнозированию отказов оборудования привела к «средней» оценке, в то время как относительно низкие объемы возвратов клиентов привели к выбору «низкой» оценки. . Имеющиеся в нашем распоряжении объем данных вариантов использования и вычислительная мощность позволяют ожидать, что большинство вариантов использования будут иметь «высокую» управляемость, за исключением прогнозирования отказов оборудования, для которого данные могут быть ограничены, если отказы не происходят очень часто. часто. Рекомендуемое применение множественной линейной регрессии для Определение спроса и Прогноз возвратов клиентов дает «высокий» рейтинг объяснимости. Неконтролируемый метод (например, кластеризация k-средних) при применении к сегментации поставщиков может показать, какие функции близки в каждом кластере, поэтому объяснимость отмечена как «высокая». Применение более сложных ансамблевых методов (например, Random Forest, Xgboost) для прогнозирования отказов оборудования и прогнозирования времени доставки приводит к «средней» объяснимости. Эффективность Insights отмечена как «Высокая» для Определение спроса и Прогноз возвратов клиентов, поскольку это внутреннее решение об изменении производства и обработки на основе прогнозируемых изменений при выполнении доставки. Прогнозирование времени и сегментация поставщиков потребуют переговоров с внешними сторонами, включая перевозчиков и поставщиков, где у нас может быть ограниченная маневренность. Для Прогнозирования отказов оборудования со средним рейтингом оперативности мы можем принять меры для снижения риска, но не сможем полностью свести количество отказов к нулю. Предполагается, что устойчивость приложения будет высокой для четырех из пяти вариантов использования, поскольку данные могут генерироваться с соответствующей скоростью, что позволяет часто обновлять приложение AI/ML, за исключением прогнозирования отказа оборудования, которое может быть данные ограничены.
При рассмотрении этих вариантов использования Demand Sensing получает наивысшие оценки по всем этим критериям — в этом случае рекомендуется начать с приложения AI/ML для этого варианта использования.
Заключение
Применение методов AI/ML для оптимизации цепочки поставок и бизнеса все еще находится в зачаточном состоянии во многих отраслях. Вполне разумно использовать подход «ползай, ходи, беги» для интеграции AI/ML в операции. Демонстрация эффективности AI/ML в создании ценности для команды с помощью «низко висящих плодов» может иметь эффект маховика. Однако очень важно опираться на меньшие успехи в направлении устойчивой долгосрочной бизнес-модели, в которой AI/ML встроены во все аспекты цепочки создания стоимости.
Спасибо за прочтение. Свяжитесь со мной в LinkedIn, чтобы связаться.