Obsah
- Jak funguje dodavatelský řetězec
- Co jsou bolestné body v řízení dodavatelského řetězce?
- Jak může strojové učení pomoci
- Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
- Jaké oblasti je třeba zlepšit?
- Případy praktického použití
- Závěr
Zdroj: Trueffelpix / Dreamstime.com
Odnést:
Aby podnik uspěl, musí mít řádně spravovaný dodavatelský řetězec. Strojové učení pomáhá zlepšit přesnost a efektivitu správy dodavatelského řetězce.
V dnešním nestabilním a složitém obchodním světě je velmi obtížné vytvořit spolehlivý model předpovídání poptávky pro dodavatelské řetězce. Většina předpovědních technik vede k neuspokojivým výsledkům. Kořenové příčiny těchto chyb se často vyskytují v technikách používaných ve starých modelech. Tyto modely nejsou navrženy tak, aby se průběžně učily z dat a přijímaly rozhodnutí. Proto se stávají zastaralými, když přicházejí nová data a provádí se předpovídání. Odpovědí na tento problém je strojové učení, které může dodavatelskému řetězci pomoci efektivně předpovídat a správně ho spravovat. (Další informace o počítačích a inteligenci naleznete v tématu Thinking Machines: The Artificial Intelligence Debate.)
Jak funguje dodavatelský řetězec
Dodavatelský řetězec společnosti je řízen systémem řízení dodavatelského řetězce. Dodavatelský řetězec pracuje na řízení pohybu různých druhů zboží v podniku. Zahrnuje také skladování materiálů v inventáři. Řízení dodavatelského řetězce je tedy plánování, kontrola a provádění každodenních činností v dodavatelském řetězci s cílem zlepšit kvalitu firmy a spokojenost zákazníků, a přitom negovat plýtvání zboží, ve všech uzlech podnikání.
Co jsou bolestné body v řízení dodavatelského řetězce?
Prognóza požadavků je jednou z nejobtížnějších částí řízení dodavatelského řetězce. Současná technologie pro předpovídání často přináší uživateli nepřesné výsledky, které způsobují závažné ekonomické chyby. Nemohou správně pochopit měnící se tržní vzorce a fluktuace trhu, a to ztěžuje jeho schopnost správně vypočítat tržní trendy a odpovídajícím způsobem poskytovat výsledky.
Vzhledem k omezením prognózy poptávky se plánovací tým často odradí. Obviňují vůdce za nedostatek zájmu o zlepšení procesu plánování. Tato výzva vyvstává v důsledku skutečnosti, že data shromážděná z požadavků zákazníků jsou čím dál složitější. Dříve to bylo možné interpretovat velmi snadno. S nástupem novějších technologií generování dat se však data stala velmi složitou a téměř nemožnou spravovat pomocí stávající technologie.
Dříve bylo možné požadavky snadno vypočítat pomocí jednoduchého historického modelu poptávky. Nyní je však známo, že poptávka kolísá ve velmi krátké době, takže historické údaje jsou zbytečné.
Jak může strojové učení pomoci
Tyto problémy nemohou být vyřešeny tradičními algoritmy kvůli jejich fluktuacím. Společnosti je však mohou pomocí strojového učení snadno vyřešit. Strojové učení je speciální typ technologie, pomocí níž se počítačový systém může z daných dat naučit mnoho užitečných věcí. S pomocí strojového učení mohou společnosti modelovat výkonný algoritmus, který půjde s tokem trhu. Na rozdíl od tradičních algoritmů se strojové učení učí z tržního scénáře a může vytvořit dynamický model.
Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
Nemůžete zlepšit své programovací schopnosti, když se nikdo nestará o kvalitu softwaru.
Prostřednictvím strojového učení může počítačový systém skutečně vylepšit model bez pomoci jakékoli lidské interakce. To znamená, že čím více dat vstoupí do zásobníku strojového učení, stane se inteligentnější a data budou lépe ovladatelná a snáze interpretovatelná.
Strojové učení se může také integrovat do velkých zdrojů dat, jako jsou sociální média, digitální trhy a další internetové stránky. U současných plánovacích systémů to zatím není možné. Zjednodušeně to znamená, že společnosti mohou používat datové signály z jiných webů, které generují zákazníci. Tato data zahrnují data ze sociálních sítí a online trhů. Tato data pomáhají společnosti vědět, jak novější techniky, jako je reklama a použití médií, mohou zlepšit prodej.
Jaké oblasti je třeba zlepšit?
Existuje mnoho míst, kde lze strojové učení použít ke zlepšení. Existují však tři hlavní místa, kde tradiční postupy plánování způsobují problémy. Tyto problémy a zlepšení těchto aspektů pomocí strojového učení jsou diskutovány níže:
Problémy s plánováním týmu
Plánovací týmy často používají staré prognostické techniky, které zahrnují ruční vyhodnocení všech dat. Tento proces je velmi časově náročný a výsledky často nejsou dostatečně přesné. Tento druh situace nejen snižuje morálku zaměstnanců, ale také brzdí růst společnosti. Při strojovém učení však systém může vzít mnoho proměnných podle svých priorit na základě dat a vytvořit vysoce přesný model. Tyto modely mohou plánovači použít pro mnohem efektivnější plánování a nezabírají moc času. Plánovači mohou model ještě více vylepšit svými zkušenostmi. (Chcete-li se dozvědět více o využití dat k plánování dopředu, přečtěte si článek Jak může integrace pomoci posílit prediktivní analýzu.)
Úrovně bezpečnostních zásob
Při tradičních metodách plánování musí společnost udržovat úroveň svých bezpečných zásob téměř neustále. Strojové učení však může pomoci tím, že vyhodnotí mnohem více proměnných pro nastavení optimální úrovně zabezpečení zásob.
Plánování prodeje a provozu
Pokud je prognóza vašeho týmu pro plánování prodeje a provozu (S&OP) neuspokojivá a nepřesná nebo není dostatečně flexibilní, aby se přizpůsobila chování na trhu, možná je čas upgradovat systém. Strojové učení zde najde perfektní využití, protože může zlepšit kvalitu předpovídání tím, že se naučí aktuální trendy na trhu prostřednictvím různých druhů dat. Strojové učení tak může práci S&OP mnohem usnadnit.
Všechny tyto oblasti mají prostor pro zlepšení a tyto mezery mohou být vyplněny technikou strojového učení. Strojové učení může kompletně přepracovat architekturu řízení dodavatelského řetězce společnosti. Mnoho společností ji již začalo používat a zjistí, že jejich plánování je mnohem lepší.
Případy praktického použití
Vzhledem k mnoha výhodám strojového učení při předpovídání poptávky se používá v různých oborech. Tyto organizace však své systémy úplně nezměnily na systémy učení - používají vedle systémů tradičních také systémy strojového učení. Systémy strojového učení pokrývají mezery starších systémů a zvyšují jejich výkon. Některé příklady takových případů použití jsou uvedeny níže.
Granarolo
Jedná se o italskou mléčnou společnost, která použila strojové učení ke zvýšení své předpovědi o pět procent. Dodací lhůty se také snížily přibližně o polovinu původní doby, což vedlo také k lepší spokojenosti zákazníků.
Groupe Danone
Tato společnost má sídlo ve Francii a prodává mnoho různých typů produktů. Dříve se předpovědi na reakci na propagační nabídky společnosti ukázaly jako nepřesné 70 procent, což mělo za následek velké ztráty. Se zavedením strojového učení do architektury plánování však došlo k velkému zlepšení prodeje i předpovědi.
Lennox International
Lennox je americká společnost, která vyrábí chladicí a topná zařízení. Rozšiřuje se po celé Severní Americe. Abychom zajistili plnou spokojenost zákazníků a zvládli proces rozšíření, Lennox integroval strojové učení se svou předpovědní architekturou. S pomocí strojového učení mohl Lennox přesně předvídat potřeby svých zákazníků, což společnosti dále pomohlo lépe porozumět běžným požadavkům zákazníků. Strojové učení také do značné míry pomohlo společnosti plně automatizovat proces plánování.
Závěr
Strojové učení, pokud je implementováno na správném místě a ve správný čas, se může ukázat jako velmi prospěšné pro dodavatelský řetězec společnosti. Může to pomoci při vytváření přesných modelů pro predikci poptávky a může také usnadnit práci oddělení plánování. Nyní není nutné úplně měnit celý systém, ale ve velmi blízké budoucnosti bude každý dodavatelský řetězec určitě používat strojové učení ke zlepšení schopnosti předpovídání vytvořením dynamických modelů, které budou pravidelně aktualizovány systémem strojového učení. Tato nová technologie se tedy ukáže jako nezbytný nástroj pro podniky.