مدیریت زنجیره تامین کلاسیک با انقلاب کوانتومی خود روبرو می شود - مسیری برای پاسخ سریع هوشمند (RIR)

خلاصه

رویدادهای مستقیم و فرعی COVID-19 روشن کرده است که عدم اطمینان بخشی ذاتی از ساختار شبکه تقاضا-عرضه است. هر شرکتی به طور منظم با "موقعیت های ریسک" مانند سفرهای تولیدی، تقاضای جدید غیرمنتظره یا از دست دادن تقاضا، قطع شدن تامین کننده قطعات و غیره مواجه است. این امر مدیریت ریسک و پاسخ هوشمند سریع (RIR) را در مرکز اخبار SCM قرار داده است. RIR به ترکیبی متفکرانه از علم داده و مدل‌های محاسباتی نیاز دارد تا هوش جامعه را تسهیل کند و نقاط آسیب‌پذیری ساختاری را پیش‌بینی کند. وبینار SCB "چگونه علم داده و مدل سازی می تواند مدیریت ریسک شما را افزایش دهد” این موضوع را به تفصیل پوشش می دهد. این وبلاگ برخی از چالش های کلیدی را برای علم داده و مدل سازی برای یک شرکت برای دستیابی به RIR مورد بحث قرار می دهد.

معرفی

در پایان سال 19^th قرن "فیزیک کلاسیکو فرض آن از الف جهان ساعتی بدون چالش بود پس از یک نبرد 150 ساله برای جایگزینی روش مدل سازی زمین محور (بطلمیوس) برای پیش بینی / توضیح حرکات اجرام سماوی با مدل خورشید محور به سرعت به سمت نهادینه کردن گرانش، مکانیک و الکترومغناطیس. در این زمان، شدیدترین اعتراض به نظریه تکامل داروین آمده از فیزیک و تخمین آن از سن زمین. توسط 1905 چهار مقاله اینشتین تاسیس فیزیک مدرن و جدی شناسایی شد محدودیت های فیزیک کلاسیک. کار کپنهاگ در مکانیک کوانتومی نشان داد که عدم قطعیت در جهان ذاتی است. فیزیک کلاسیک هنوز نقش مهمی دارد، اما اینطور بود کافی نیست برای کامپیوتر یا GPS

همین وضعیت امروز در مدیریت شبکه‌های عرضه تقاضا (DSN) رخ می‌دهد. در اوایل دهه 1990 زمانی که مدیریت زنجیره تامین (SCM) / S&OP شروع شد، به عنوان یک مد بدون چشم‌انداز بلندمدت در اداره روزانه یک سازمان در نظر گرفته شد. همانند مدل های اولیه خورشید محور، عملکرد آن بدتر از مدل فعلی (زمین محور) بود. عملکرد با کیفیت راه حل، ارزش راه حل و امکان محاسباتی اندازه گیری می شود. اولین پیشنهادات SCM توسط SAP به سادگی از شیوه های قدیمی (زمین محور) تقلید می کرد. در این شرایط، انجام یک برنامه ریزی مجدد سرتاسر در 21 روز یک چالش بود. از سال 1995 تا 2015، بهترین شیوه های فعلی در SCM (کلاسیک یا "بیگ بنگ") جایی که دو فروشگاه لنگر هستند موتورهای مدیریت تقاضا و برنامه ریزی مرکزی (CPE). این رویکرد یک جهان ساعت کاری را فرض می کند: تخمین تک نقطه ای تقاضا، استفاده از قدیمی و بی اثر رویکردها برای برآورد تقاضای متناوب و مدیریت موجودی, مصرف خطی ظرفیت، فرض در دسترس بودن محصولات جزء و غیره

رویدادهای مستقیم و فرعی COVID-19 روشن کرده اند که عدم قطعیت ذاتی در جهان شبکه تقاضا-عرضه (DSN) است. سایر شواهد عدم قطعیت از اختلالات بزرگ مانند کمبود تراشه، بسته شدن بندر لس آنجلس در سال 2014، طوفان ماریا در سال 2017، بسته شدن خط لوله استعماری در سال 2021، و همچنین تعدیل های روزانه متعدد برنامه ریزان باید با "ابزارهای شناختی" محدودی که در مهار آنها ناکام هستند، کار کنند هوش جامعه.

واضح است که رویکرد کلاسیک SCM باید بیش از حد "پاسخ هوشمند سریع" (RIR) برای مدیریت عدم قطعیت تکامل یابد. این موضوع به تفصیل در مورد بحث قرار گرفته است خلاصه زنجیره تامین وبینار

چگونه علم داده و مدل سازی می تواند مدیریت ریسک شما را افزایش دهد. در این وبلاگ، من نمونه هایی از چالش های علم داده و مدل سازی را برای بهبود عملکرد در مدیریت تقاضا (DM) و موتورهای برنامه ریزی مرکزی (CPE) ارائه خواهم کرد.

چالش‌های علم داده در برآورد تقاضا.

La هسته بهترین شیوه ها برای مدیریت تقاضای کلاسیک شامل گرفتن داده های تاریخی کلیدی، حفظ پیش بینی های قبلی، امکان همکاری و حتی بهتر است. پیش بینی های سری زمانی - جایی که بهتر به عنوان کاهش خطای پیش بینی بر اساس تعریف می شود در تناسب و پیش بینی. اکثر ارائه دهندگان نرم افزار (از جمله Arkieva) بر روی "پیش بینی کاهش خطا" متمرکز هستند.

همانطور که فیزیکدانان کشف کردند، عدم قطعیت در بافت وجود دارد، چالش تغییر به محدود کردن عدم قطعیت (پروفایل ریسک) و بینش است. این در چالش برآورد تقاضای چترهای زیر نشان داده شده است.

شکل 1 نموداری از 3 سال فروش چتر دارد که در آن نیاز کلاسیک تخمین نقطه ای برای هر ماه در سال 4 است.

گاهی اوقات برآورد کلاسیک تقاضا به عوامل ساده «علّی» نگاه می‌کند. شکل 2 دارای نمودار فروش چتر با شکست باران و تبلیغات است.

SCM مدرن به موارد زیر نیاز دارد

1. شناسایی بزرگترین عدم قطعیت در ماه های 6 و 7 است (شکل 3).
2. میزان بارندگی و دلارهای تبلیغاتی همبستگی بالایی دارند که ارزش «علّی» آنها را محدود می‌کند. (شکل 4)

چالش های مدل سازی در موتورهای برنامه ریزی مرکزی

1. روش های مدل سازی برای پشتیبانی موتورهای برنامه ریزی مرکزی از سال 1995 پیشرفت های مهندسی قابل توجهی را در زمینه توانایی تولید سریع راه حل هایی انجام داده اند که بسیاری از پیچیدگی و اندازه برنامه ریزی تامین or تطبیق دارایی ها با تقاضا. دو پیشرفت حیاتی وجود دارد که باید بهبود یابند. هسته ساختارهای مدل CPE مبتنی بر روابط خطی از جمله تعادل مواد است به سال 1957 برمی گردد. نیاز به ترکیب بیشتر وجود دارد ساختارهای پیچیده.
2. یک توانایی برای استدلال در مورد شبکه تقاضا-عرضه (شکل 5 دارای DSN نانوایی ساده است). به عنوان مثال، اگر ابزار میکسر خمیر از کار افتاده باشد، چه تاثیری دارد و چگونه می توان بهترین پاسخ را داد؟ آسیب پذیری های عرضه بالقوه چیست؟

نتیجه

مدیریت ریسک موفقیت آمیز به ترکیبی متفکرانه از علم داده و مدل های محاسباتی نیاز دارد تا هوش جامعه را تسهیل کند و نقاط آسیب پذیری ساختاری را پیش بینی کند.

از این پست لذت بردید؟ اشتراک  یا Arkieva را دنبال کنید لینکدین, توییترو فیس بوک برای به روز رسانی وبلاگ.

منبع: https://blog.arkieva.com/supply-chain-rapid-intelligent-response/