Χαρακτηριστικά
Τα άμεσα και παρεπόμενα γεγονότα του COVID-19 κατέστησαν σαφές ότι η αβεβαιότητα είναι εγγενές μέρος της δομής του δικτύου ζήτησης-προσφοράς. Κάθε επιχείρηση αντιμετωπίζει σε τακτική βάση «καταστάσεις κινδύνου», όπως εκδρομές στην κατασκευή, απροσδόκητη νέα ζήτηση ή απώλεια ζήτησης, διακοπή προμηθευτή εξαρτημάτων κ.λπ. Αυτό έχει τοποθετήσει τη διαχείριση κινδύνου και την ταχεία έξυπνη απόκριση (RIR) μπροστά και στο επίκεντρο των ειδήσεων SCM. Το RIR απαιτεί έναν προσεκτικό συνδυασμό επιστήμης δεδομένων και υπολογιστικών μοντέλων για τη διευκόλυνση της νοημοσύνης της κοινότητας και την πρόβλεψη δομικών σημείων ευπάθειας. Το διαδικτυακό σεμινάριο SCB "Πώς η Επιστήμη των Δεδομένων και η Μοντελοποίηση μπορούν να αυξήσουν τη διαχείριση κινδύνων σας” καλύπτει αυτό το θέμα λεπτομερώς. Αυτό το ιστολόγιο συζητά μερικές βασικές προκλήσεις για την επιστήμη των δεδομένων και τη μοντελοποίηση για μια επιχείρηση για την επίτευξη του RIR.
Εισαγωγή
Στο τέλος του 19th αιώνα»κλασική φυσική» και η παραδοχή του για α ρολόι σύμπαν ήταν αδιαμφισβήτητη. Μετά από μια μάχη 150 ετών για την αντικατάσταση μιας μεθόδου μοντελοποίησης με επίκεντρο τη γη (Πτολεμαίος) για την πρόβλεψη/εξήγηση των κινήσεων των ουράνιων αντικειμένων με ηλιοκεντρικό μοντέλο κινήθηκε γρήγορα για να θεσμοθετήσει τη βαρύτητα, τη μηχανική και ηλεκτρομαγνητισμό. Αυτή τη στιγμή, η ισχυρότερη αντίρρηση Η θεωρία της εξέλιξης του Δαρβίνου προήλθε από η φυσική και η εκτίμηση της για την ηλικία της γης. Με Τον 1905 Τα τέσσερα έγγραφα του Αϊνστάιν εγκατεστημένος σύγχρονη φυσική και εντοπίστηκε σοβαρή όρια της κλασικής φυσικής. ο Έργο της Κοπεγχάγης σχετικά με την κβαντομηχανική κατέστησε σαφές ότι η αβεβαιότητα ήταν εγγενής στο σύμπαν. Η κλασική φυσική εξακολουθεί να έχει σημαντικό ρόλο, αλλά ήταν ανεπαρκής για υπολογιστές ή GPS.
Η ίδια κατάσταση συμβαίνει σήμερα στη διαχείριση δικτύων ζήτησης-προσφοράς (DSN). Στις αρχές της δεκαετίας του 1990 όταν διαχείριση της εφοδιαστικής αλυσίδας (SCM) / ΔΟΛΩΜΑ ξεκίνησε, θεωρήθηκε ως μόδα χωρίς μακροπρόθεσμες προοπτικές στην καθημερινή λειτουργία ενός οργανισμού. Όπως και με τα πρώιμα ηλιοκεντρικά μοντέλα, η απόδοσή του ήταν χειρότερη από το σημερινό κατεστημένο (γήινοκεντρο). Η απόδοση μετριέται από την ποιότητα της λύσης, την αξία της λύσης και την υπολογιστική σκοπιμότητα. Οι πρώτες προσφορές SCM από τη SAP απλώς μιμούνταν παλιές (γήινοκεντρες) πρακτικές. Σε αυτήν την κατάσταση, ήταν μια πρόκληση να γίνει ένας επανασχεδιασμός από άκρο σε άκρο σε 21 ημέρες. Από το 1995 έως το 2015, οι τρέχουσες βέλτιστες πρακτικές στο SCM (κλασικό ή «big bang») επικράτησαν όπου δύο καταστήματα άγκυρας are μηχανές διαχείρισης ζήτησης και κεντρικού σχεδιασμού (CPE). Αυτή η προσέγγιση προϋποθέτει ένα ωρολογιακό σύμπαν: εκτίμηση ενός σημείου της ζήτησης, χρησιμοποιώντας παλιά και αναποτελεσματικά προσεγγίσεις for εκτίμηση διαλείπουσας ζήτησης και διαχείριση αποθεμάτων, γραμμική κατανάλωση χωρητικότητας, υπόθεση διαθεσιμότητας συστατικών προϊόντων κ.λπ.
Τα άμεσα και παρεπόμενα γεγονότα του COVID-19 κατέστησαν σαφές ότι η αβεβαιότητα είναι εγγενής στο σύμπαν του δικτύου ζήτησης-προσφοράς (DSN). Άλλα στοιχεία αβεβαιότητας κυμαίνονται από μεγάλες διαταραχές όπως ελλείψεις τσιπ, το κλείσιμο του λιμανιού του Λος Άντζελες το 2014, ο τυφώνας Μαρία το 2017, το κλείσιμο του αποικιακού αγωγού το 2021, καθώς και το πολυάριθμες καθημερινές προσαρμογές οι σχεδιαστές πρέπει να χειριστούν με περιορισμένα «γνωστικά εργαλεία» που αποτυγχάνουν να αξιοποιήσουν νοημοσύνη της κοινότητας.
Είναι σαφές ότι η κλασική προσέγγιση SCM πρέπει να εξελίσσεται πολύ «ταχεία έξυπνη απόκριση» (RIR) για να χειρίζεται την αβεβαιότητα. Αυτό το θέμα συζητείται λεπτομερώς στο Σύντομη αλυσίδα εφοδιασμού webinar
Πώς η Επιστήμη των Δεδομένων και η Μοντελοποίηση μπορούν να αυξήσουν τη διαχείριση κινδύνων σας. Σε αυτό το ιστολόγιο, θα παρουσιάσω παραδείγματα προκλήσεων για την επιστήμη δεδομένων και τη μοντελοποίηση για τη βελτίωση της λειτουργίας στη διαχείριση ζήτησης (DM) και στις μηχανές κεντρικού σχεδιασμού (CPE).
Προκλήσεις για την Επιστήμη των Δεδομένων στην Εκτίμηση της Ζήτησης.
Η πυρήνα των βέλτιστων πρακτικών για την κλασική διαχείριση ζήτησης περιλαμβάνει τη συλλογή βασικών ιστορικών δεδομένων, τη διατήρηση προηγούμενων προβλέψεων, την ενεργοποίηση της συνεργασίας και ακόμη καλύτερα προβλέψεις χρονοσειρών – όπου το καλύτερο ορίζεται ως μείωση βάσει σφαλμάτων πρόβλεψης σχετικά με την καταλληλότητα και την πρόβλεψη. Οι περισσότεροι πάροχοι λογισμικού (συμπεριλαμβανομένης της Arkieva) επικεντρώνονται στη «μείωση του σφάλματος πρόβλεψης».
Όπως ανακάλυψαν οι φυσικοί, η αβεβαιότητα είναι ενσωματωμένη στο ύφασμα, η πρόκληση είναι να στραφούμε στον περιορισμό της αβεβαιότητας (προφίλ κινδύνου) και στη διορατικότητα. Αυτό φαίνεται στην ακόλουθη πρόκληση εκτίμησης ζήτησης ομπρελών.
Το Σχήμα 1 έχει ένα γράφημα 3 ετών πωλήσεων ομπρέλας, όπου η κλασική ανάγκη θα ήταν μια σημειακή εκτίμηση για κάθε μήνα του έτους 4.
Περιστασιακά, η κλασική εκτίμηση της ζήτησης εξετάζει απλούς «αιτιωτικούς» παράγοντες. Το Σχήμα 2 έχει τις πωλήσεις ομπρέλα που απεικονίζονται σε γραφήματα με αποτυχία βροχής και διαφήμιση.
Το σύγχρονο SCM απαιτεί τα ακόλουθα
- Ο εντοπισμός της μεγαλύτερης αβεβαιότητας είναι στους μήνες 6 και 7 (Σχήμα 3).
- Οι βροχοπτώσεις και τα διαφημιστικά δολάρια συσχετίζονται σε μεγάλο βαθμό, γεγονός που περιορίζει την «αιτιώδη» αξία τους. (Εικόνα 4)
Προκλήσεις για Μοντελοποίηση σε Μηχανές Κεντρικού Σχεδιασμού
- Μέθοδοι μοντελοποίησης για υποστήριξη κινητήρες κεντρικού σχεδιασμού έχουν κάνει ουσιαστικές βελτιώσεις μηχανικής από το 1995 όσον αφορά την ικανότητα γρήγορης δημιουργίας λύσεων που αποτυπώνουν μεγάλο μέρος της πολυπλοκότητας και του μεγέθους του προγραμματισμός προμήθειας or αντιστοίχιση περιουσιακών στοιχείων με τη ζήτηση. Υπάρχουν δύο κρίσιμες βελτιώσεις που πρέπει να βελτιωθούν. Ο πυρήνας των δομών του μοντέλου CPE βασίζεται σε γραμμικές σχέσεις, συμπεριλαμβανομένης της ισορροπίας υλικών που χρονολογείται από το 1957. Υπάρχει ανάγκη να ενσωματωθούν περισσότερα σύνθετες δομές.
- Μια ικανότητα να αιτιολογήσει το δίκτυο ζήτησης-προσφοράς (Το σχήμα 5 έχει απλό DSN αρτοποιείου). Για παράδειγμα, εάν τα εργαλεία ανάμειξης κτυπήματος έχουν χρόνο διακοπής λειτουργίας, ποιος είναι ο αντίκτυπος και πώς να ανταποκριθεί καλύτερα; Ποιες είναι οι πιθανές ευπάθειες στον εφοδιασμό;
Συμπέρασμα
Η επιτυχής διαχείριση κινδύνου απαιτεί έναν προσεκτικό συνδυασμό επιστήμης δεδομένων και υπολογιστικών μοντέλων για τη διευκόλυνση της νοημοσύνης της κοινότητας και την πρόβλεψη δομικών σημείων ευπάθειας.
Σας άρεσε αυτή η ανάρτηση; Εγγραφείτε ή ακολουθήστε την Αρκίεβα linkedin, Twitter, να Facebook για ενημερώσεις ιστολογίου.
Πηγή: https://blog.arkieva.com/supply-chain-rapid-intelligent-response/
