Resumen
Los eventos directos y auxiliares de COVID-19 han dejado en claro que la incertidumbre es una parte inherente de la estructura de la red de oferta y demanda. Cada empresa se enfrenta regularmente a "situaciones de riesgo" como excursiones de fabricación, nueva demanda inesperada o pérdida de demanda, interrupción del proveedor de componentes, etc. Esto ha colocado la gestión de riesgos y la respuesta inteligente rápida (RIR) al frente y al centro de las noticias de SCM. RIR requiere una combinación cuidadosa de ciencia de datos y modelos computacionales para facilitar la inteligencia de la comunidad y anticipar puntos de vulnerabilidad estructural. El seminario web de SCB “Cómo la ciencia de datos y el modelado pueden impulsar su gestión de riesgos”Cubre este tema en detalle. Este blog analiza algunos desafíos clave para la ciencia de datos y el modelado para que una empresa logre RIR.
Introducción
Al final de 19th siglo "física clásica”Y su suposición de un universo de relojería fue indiscutido. Después de una batalla de 150 años para reemplazar un método de modelado centrado en la tierra (Ptolomeo) para predecir / explicar los movimientos de los objetos celestes con un modelo centrado en el sol rápidamente se movió para institucionalizar la gravedad, la mecánica y electromagnetismo. En este momento, la objeción más fuerte a La teoría de la evolución de Darwin. vino de la física y su estimación de la edad de la tierra. Por 1905 Cuatro artículos de Einstein se establece física moderna e identificado grave límites de la física clásica. Trabajo de Copenhague sobre la mecánica cuántica dejó en claro que la incertidumbre era inherente al universo. La física clásica todavía tiene un papel importante, pero fue insuficiente para ordenadores o GPS.
La misma situación ocurre hoy en día en la gestión de redes de oferta y demanda (DSN). A principios de la década de 1990, cuando gestión de la cadena de suministro (SCM) / COMPENSACIÓN Comenzó, se consideró una moda sin perspectivas a largo plazo en el funcionamiento diario de una organización. Al igual que con los primeros modelos centrados en el sol, su rendimiento fue peor que el actual (centrado en la Tierra). El rendimiento se mide por la calidad de la solución, el valor de la solución y la viabilidad computacional. Las primeras ofertas de SCM de SAP simplemente imitaban prácticas antiguas (centradas en la tierra). En esta situación, fue un desafío hacer un replan de extremo a extremo en 21 días. De 1995 a 2015, las mejores prácticas actuales en SCM (clásico o "big bang") se afianzaron donde el dos tiendas ancla en motores de gestión de la demanda y planificación centralizada (CPE). Este enfoque asume un universo de trabajo de reloj: estimación de un solo punto de la demanda, usando viejos e ineficaces enfoques para estimación de demanda intermitente y gestión de inventario, consumo lineal de capacidad, supuesto de disponibilidad de productos componentes, etc.
Los eventos directos y auxiliares de COVID-19 han dejado en claro que la incertidumbre es inherente al universo de la red de oferta y demanda (DSN). Otra evidencia de incertidumbre varía desde grandes interrupciones como escasez de chips, el cierre en 2014 del puerto de Los Ángeles, el huracán María en 2017, el cierre del oleoducto colonial en 2021, así como el numerosos ajustes diarios los planificadores deben manejar con "herramientas cognitivas" limitadas que no aprovechan inteligencia comunitaria.
Está claro que el enfoque SCM clásico debe evolucionar demasiado como una “respuesta inteligente rápida” (RIR) para manejar la incertidumbre. Este tema se discute en detalle en el Resumen de la cadena de suministro Webinar
Cómo la ciencia de datos y el modelado pueden impulsar su gestión de riesgos. En este blog, presentaré ejemplos de desafíos para la ciencia de datos y el modelado para mejorar la función en la gestión de la demanda (DM) y los motores de planificación central (CPE).
Desafíos para la ciencia de datos en la estimación de la demanda.
El núcleo de las mejores prácticas para la gestión de la demanda clásica implica capturar datos históricos clave, mantener pronósticos previos, permitir la colaboración e incluso mejor pronósticos de series de tiempo - donde mejor se define como reducir el error de pronóstico basado en ajustar y predecir. La mayoría de los proveedores de software (incluido Arkieva) se centran en "pronosticar la reducción de errores".
Como descubrieron los físicos, la incertidumbre está integrada en el tejido, el desafío es cambiar para limitar la incertidumbre (perfil de riesgo) y la percepción. Esto se ilustra en el siguiente desafío de estimación de la demanda de paraguas.
La Figura 1 tiene un gráfico de 3 años de ventas generales, donde la necesidad clásica sería una estimación puntual para cada mes del año 4.
Ocasionalmente, la estimación clásica de la demanda considerará factores “causales” simples. La Figura 2 muestra las ventas de paraguas representadas gráficamente con publicidad y fallas por lluvia.
SCM moderno requiere lo siguiente
- La mayor incertidumbre se identifica en los meses 6 y 7 (Figura 3).
- Los dólares de lluvia y publicidad están altamente correlacionados, lo que limita su valor "causal". (Figura 4)
Desafíos para el modelado en motores de planificación central
- Métodos de modelado para apoyar motores de planificación central han realizado mejoras de ingeniería sustanciales desde 1995 en términos de la capacidad de generar rápidamente soluciones que capturan gran parte de la complejidad y el tamaño de la planificación del suministro or hacer coincidir los activos con la demanda. Hay dos mejoras críticas que deben mejorarse. El núcleo de las estructuras del modelo CPE se basa en relaciones lineales que incluyen el balance de materiales que fecha de regreso a 1957. Es necesario incorporar más estructuras complejas.
- Una habilidad razonar sobre la red de oferta y demanda (La Figura 5 tiene un DSN de panadería simple). Por ejemplo, si las herramientas del mezclador de masa tienen tiempo de inactividad, ¿cuál es el impacto y cuál es la mejor manera de responder? ¿Cuáles son las posibles vulnerabilidades de suministro?
Conclusión
La gestión de riesgos exitosa requiere una combinación reflexiva de ciencia de datos y modelos computacionales para facilitar la inteligencia de la comunidad y anticipar los puntos de vulnerabilidad estructural.
¿Disfrutaste esta publicación? Suscríbete o sigue a Arkieva en LinkedIn, Twittery Facebook para actualizaciones del blog.
Fuente: https://blog.arkieva.com/supply-chain-rapid-intelligent-response/
