Obsah
- Ako funguje dodávateľský reťazec
- Čo sú body riadenia dodávateľského reťazca?
- Ako môže strojové učenie pomôcť
- Žiadne chyby, žiadny stres - Váš sprievodca krok za krokom k vytvoreniu softvéru na zmenu života bez zničenia vášho života
- Ktoré oblasti je potrebné zlepšiť?
- Prípady praktického použitia
- záver
Zdroj: Trueffelpix / Dreamstime.com
Zobrať:
Aby podnik uspel, musí mať riadne riadený dodávateľský reťazec. Strojové učenie pomáha zlepšovať presnosť a efektívnosť riadenia dodávateľského reťazca.
V dnešnom nestabilnom a zložitom obchodnom svete je veľmi ťažké vytvoriť spoľahlivý model predpovedania dopytu pre dodávateľské reťazce. Väčšina prognostických metód vedie k neuspokojivým výsledkom. Hlavné príčiny týchto chýb sa často nachádzajú v technikách, ktoré sa používajú v starých modeloch. Tieto modely nie sú navrhnuté tak, aby sa neustále učili z údajov a prijímali rozhodnutia. Preto sa stanú zastaranými, keď prídu nové údaje a uskutoční sa prognóza. Odpoveďou na tento problém je strojové učenie, ktoré môže dodávateľskému reťazcu pomôcť efektívne predvídať a správne ho spravovať. (Viac informácií o počítačoch a spravodajských službách nájdete v téme Thinking Machines: The Artificial Intelligence Debate.)
Ako funguje dodávateľský reťazec
Dodávateľský reťazec spoločnosti je riadený jeho systémom riadenia dodávateľského reťazca. Dodávateľský reťazec slúži na kontrolu pohybu rôznych druhov tovaru v podniku. Zahŕňa to aj skladovanie materiálov v inventári. Riadenie dodávateľského reťazca je plánovanie, kontrola a vykonávanie každodenných činností v dodávateľskom reťazci s cieľom zlepšiť kvalitu podnikania a spokojnosť zákazníkov, pričom by sa malo vylúčiť plytvanie tovarom vo všetkých uzloch podniku.
Čo sú body riadenia dodávateľského reťazca?
Predpovedanie požiadaviek je jednou z najťažších častí riadenia dodávateľského reťazca. Súčasná technológia na predpovedanie často predstavuje pre používateľa nepresné výsledky, ktoré spôsobujú vážne ekonomické chyby. Nemôžu správne pochopiť meniace sa trhové vzorce a výkyvy trhu, a to sťažuje jeho schopnosť správne vypočítať trendy na trhu a zodpovedajúcim spôsobom poskytovať výsledky.
Plánovací tím je často kvôli obmedzeniam prognózovania dopytu často odradený. Obviňujú vodcov z nedostatočného záujmu o zlepšenie procesu plánovania. Táto výzva vzniká v dôsledku skutočnosti, že údaje zozbierané z požiadaviek zákazníkov sú čoraz zložitejšie. Predtým to bolo možné interpretovať veľmi ľahko. S nástupom novších technológií generovania údajov sa však údaje stali veľmi zložitými a takmer nemožné ich spravovať pomocou existujúcich technológií.
Predtým sa požiadavky dali ľahko vypočítať pomocou jednoduchého historického modelu dopytu. Teraz je však známe, že dopyt veľmi rýchlo kolíše, a preto historické údaje sú zbytočné.
Ako môže strojové učenie pomôcť
Tieto problémy nemôžu byť vyriešené tradičnými algoritmami z dôvodu ich fluktuácií. Spoločnosti ich však môžu pomocou strojového učenia ľahko vyriešiť. Strojové učenie je špeciálny typ technológie, prostredníctvom ktorej sa počítačový systém môže naučiť veľa užitočných vecí z daných údajov. S pomocou strojového učenia môžu spoločnosti modelovať výkonný algoritmus, ktorý pôjde s tokom trhu. Na rozdiel od tradičných algoritmov sa strojové učenie učí zo scenára trhu a môže vytvoriť dynamický model.
Žiadne chyby, žiadny stres - Váš sprievodca krok za krokom k vytvoreniu softvéru na zmenu života bez zničenia vášho života
Nemôžete zlepšiť svoje programovacie schopnosti, keď sa nikoho nezaujíma o kvalitu softvéru.
Vďaka strojovému učeniu môže počítačový systém skutočne vylepšiť model bez pomoci akejkoľvek ľudskej interakcie. To znamená, že čím viac údajov vstúpi do nádrže strojového vzdelávacieho systému, stane sa inteligentnejším a údaje sa stanú ľahšie zvládnuteľnými a ľahšie interpretovateľnými.
Strojové vzdelávanie sa môže integrovať aj do veľkých zdrojov údajov, ako sú sociálne médiá, digitálne trhy a iné internetové stránky. Pri súčasných systémoch plánovania to zatiaľ nie je možné. Jednoducho to znamená, že spoločnosti môžu využívať dátové signály z iných stránok, ktoré generujú zákazníci. Tieto údaje zahŕňajú údaje zo sociálnych sietí a online trhovísk. Tieto údaje spoločnosti pomáhajú vedieť, ako novšie techniky, ako je reklama a používanie médií, môžu zlepšiť predaj.
Ktoré oblasti je potrebné zlepšiť?
Existuje veľa miest, kde je možné strojové učenie použiť na zlepšenie. Existujú však tri hlavné miesta, kde tradičné postupy plánovania spôsobujú problémy. Tieto problémy a zlepšovanie týchto aspektov pomocou strojového učenia sú uvedené nižšie:
Problémy plánovacieho tímu
Plánovacie tímy často používajú staré prognostické techniky, ktoré zahŕňajú manuálne vyhodnotenie všetkých údajov. Tento proces je mimoriadne náročný na čas a výsledky často nie sú dostatočne presné. Táto situácia nielenže znižuje morálku zamestnancov, ale brzdí aj rast spoločnosti. Avšak pri strojovom učení môže systém zobrať veľa premenných podľa svojich priorít na základe údajov a vytvoriť vysoko presný model. Tieto modely môžu projektanti použiť na oveľa efektívnejšie plánovanie a nezaberajú veľa času. Plánovači môžu model ešte vylepšiť svojimi skúsenosťami. (Ak sa chcete dozvedieť viac o používaní údajov na plánovanie dopredu, prečítajte si článok Ako môže jednotná integrácia posilniť prediktívnu analýzu.)
Úrovne bezpečnosti zásob
Pri tradičných metódach plánovania musí spoločnosť udržiavať úroveň svojich bezpečných zásob takmer neustále. Strojové učenie však môže pomôcť vyhodnotením mnohých ďalších premenných na nastavenie optimálnej úrovne bezpečnosti zásob.
Plánovanie predaja a operácií
Ak je predpoveď vášho tímu plánovania predaja a operácií (S&OP) neuspokojivá a nepresná alebo nie je dostatočne flexibilná na to, aby sa prispôsobila podľa trhového správania, možno je čas na upgrade systému. Strojové učenie tu nájde perfektné využitie, pretože môže zlepšiť kvalitu predpovedania tým, že sa naučí súčasné trendy na trhu prostredníctvom rôznych druhov údajov. Strojové učenie tak môže prácu S&OP omnoho ľahšie uľahčiť.
Všetky tieto oblasti majú priestor na zlepšenie a tieto medzery môžu byť vyplnené technikou strojového učenia. Strojové učenie môže úplne prepracovať architektúru riadenia dodávateľského reťazca spoločnosti. Mnoho spoločností to už začalo používať a zistili, že ich plánovacie oddelenie je oveľa lepšie.
Prípady praktického použitia
Vďaka mnohým výhodám strojového učenia pri predpovedaní dopytu sa používa v rôznych oblastiach. Tieto organizácie však úplne nezmenili svoje systémy na systémy učenia - používajú popri tradičných systémoch aj systémy strojového učenia. Systémy strojového učenia pokrývajú medzery starých systémov a zvyšujú ich výkonnosť. Niektoré príklady takýchto prípadov použitia sú uvedené nižšie.
Granarolo
Ide o taliansku mliečnu spoločnosť, ktorá používa strojové učenie na zvýšenie svojej presnosti predpovede o päť percent. Dodacie lehoty sa tiež znížili približne o polovicu pôvodného času, čo viedlo k lepšej spokojnosti zákazníkov.
Groupe Danone
Táto spoločnosť má sídlo vo Francúzsku a predáva veľa rôznych druhov výrobkov. Skoršie predpovede na reakciu na propagačné ponuky spoločnosti sa ukázali byť nepresné na 70 percent, čo malo za následok veľké straty. So zavedením strojového učenia do architektúry plánovania však došlo k značnému zlepšeniu predaja a predpovede.
Lennox International
Lennox je americká spoločnosť, ktorá vyrába chladiace a vykurovacie zariadenia. Rozširuje sa po celej Severnej Amerike. S cieľom zabezpečiť úplnú spokojnosť zákazníka a zvládnuť proces rozširovania, Lennox integroval strojové učenie so svojou prognostickou architektúrou. S pomocou strojového učenia mohol Lennox presne predpovedať potreby svojich zákazníkov, čo ďalej pomohlo spoločnosti lepšie pochopiť bežné požiadavky zákazníkov. Strojové učenie tiež do značnej miery pomohlo spoločnosti plne automatizovať jej postup plánovania.
záver
Strojové učenie, ak je implementované na správnom mieste av správnom čase, sa môže ukázať ako veľmi prospešné pre dodávateľský reťazec spoločnosti. Môže pomôcť pri vytváraní presných modelov na predpovedanie dopytu a môže tiež uľahčiť prácu oddelenia plánovania. Teraz nie je potrebné úplne meniť celý systém, ale vo veľmi blízkej budúcnosti bude každý dodávateľský reťazec určite využívať strojové učenie na zlepšenie schopnosti predpovedania vytvorením dynamických modelov, ktoré budú pravidelne aktualizované systémom strojového učenia. Táto nová technológia sa teda ukáže ako nevyhnutný nástroj pre podniky.