Samengevat
De directe en bijkomende gebeurtenissen van COVID-19 hebben duidelijk gemaakt dat onzekerheid een inherent onderdeel is van de vraag-aanbodnetwerkstructuur. Elk bedrijf wordt regelmatig geconfronteerd met “risicosituaties” zoals productie-uitwijkingen, onverwachte nieuwe vraag of verlies van vraag, onderbrekingen van leveranciers van componenten, enz. Dit heeft risicobeheer en snelle intelligente respons (RIR) op de voorgrond geplaatst in het SCM-nieuws. RIR vereist een doordachte combinatie van datawetenschap en computationele modellen om gemeenschapsintelligentie te vergemakkelijken en te anticiperen op structurele kwetsbaarheidspunten. Het SCB-webinar “Hoe datawetenschap en modellering uw risicobeheer een boost kunnen geven” behandelt dit onderwerp in detail. Deze blog bespreekt enkele belangrijke uitdagingen voor datawetenschap en modellering voor een bedrijf om RIR te bereiken.
Introductie
Aan het einde van de 19th eeuw "klassieke natuurkunde' en de aanname van a Clockwork-universum was onbetwist. Na een strijd van 150 jaar om een op de aarde gerichte (Ptolemaeus) modelleringsmethode te vervangen om bewegingen van hemellichamen te voorspellen/verklaren met een zoncentrisch model het ging snel over tot het industrialiseren van zwaartekracht, mechanica en electromagnetisme. Op dit moment is het sterkste bezwaar tegen Darwins evolutietheorie kwam van natuurkunde en haar schatting van de ouderdom van de aarde. Door 1905 Einsteins vier artikelen gevestigd moderne natuurkunde en ernstig vastgesteld grenzen van de klassieke natuurkunde. De Kopenhagen werk over de kwantummechanica maakte duidelijk dat onzekerheid inherent was aan het universum. De klassieke natuurkunde speelt nog steeds een belangrijke rol, maar dat was het ook niet voldoende voor computers of GPS.
Dezelfde situatie doet zich vandaag de dag voor bij het beheer van vraag-aanbodnetwerken (DSN). Toen begin jaren negentig voorraadketenbeheer (SCM) / S&OP Toen het begon, werd het gezien als een modegril zonder langetermijnvooruitzichten in de dagelijkse leiding van een organisatie. Net als bij de vroege zongerichte modellen waren de prestaties ervan slechter dan die van de huidige gevestigde exploitant (aardegericht). Prestaties worden gemeten aan de hand van de kwaliteit van de oplossing, de waarde van de oplossing en de rekenkundige haalbaarheid. De eerste SCM-aanbiedingen van SAP bootsten eenvoudigweg oude (aardegerichte) praktijken na. In deze situatie was het een uitdaging om in 21 dagen een volledig herplan uit te voeren. Van 1995 tot 2015 vonden de huidige best practices op het gebied van SCM (klassiek of ‘big bang’) plaats waar de twee ankerwinkels zijn vraagbeheer en centrale planningsmotoren (CPE). Deze benadering gaat uit van een uurwerkuniversum: een enkele puntschatting van de vraag, oud en ineffectief gebruiken benaderingen For intermitterende vraagschatting en voorraadbeheer, lineair verbruik van capaciteit, aanname van beschikbaarheid van componentproducten, enz.
De directe en bijkomende gebeurtenissen van COVID-19 hebben duidelijk gemaakt dat onzekerheid inherent is aan het universum van het vraag-aanbodnetwerk (DSN). Ander bewijs van onzekerheid varieert van grote verstoringen zoals chiptekorten(de sluiting van de haven van LA in 2014, de orkaan Maria in 2017, de sluiting van de koloniale pijpleiding in 2021) en de talrijke dagelijkse aanpassingen planners moeten omgaan met beperkte ‘cognitieve hulpmiddelen’ die niet kunnen worden benut gemeenschapsintelligentie.
Het is duidelijk dat de klassieke SCM-aanpak te snel moet evolueren naar een “snelle intelligente respons” (RIR) om met onzekerheid om te kunnen gaan. Dit onderwerp wordt uitvoerig besproken in de Brief aan de toeleveringsketen webinar
Hoe datawetenschap en modellering uw risicobeheer een boost kunnen geven. In deze blog zal ik voorbeelden presenteren van uitdagingen voor datawetenschap en modellering om de functie in demand management (DM) en centrale planningsmotoren (CPE) te verbeteren.
Uitdagingen voor datawetenschap bij het inschatten van de vraag.
De kern van best practices voor klassiek vraagbeheer gaat het om het vastleggen van belangrijke historische gegevens, het bijhouden van eerdere prognoses, het mogelijk maken van samenwerking, en nog beter voorspellingen van tijdreeksen – waarbij beter wordt gedefinieerd als het verminderen van prognosefouten op fit en voorspellen. De meeste softwareleveranciers (waaronder Arkieva) zijn gefocust op “forecast reduction error”.
Zoals natuurkundigen ontdekten, is onzekerheid in de structuur ingebouwd; de uitdaging is om over te schakelen naar het begrenzen van de onzekerheid (risicoprofiel) en inzicht. Dit wordt geïllustreerd in de volgende uitdaging voor het inschatten van de vraag.
Figuur 1 toont een grafiek van de parapluverkopen over drie jaar, waarbij de klassieke behoefte een puntschatting zou zijn voor elke maand in jaar 3.
Af en toe wordt bij klassieke vraagschatting gekeken naar eenvoudige ‘causale’ factoren. In figuur 2 is de verkoop van paraplu's grafisch weergegeven met uitblijvende regen en reclame.
Moderne SCM vereist het volgende
- Het identificeren van de grootste onzekerheid vindt plaats in de maanden 6 en 7 (Figuur 3).
- Neerslag en reclamedollars zijn sterk gecorreleerd, wat hun ‘causale’ waarde beperkt. (Figuur 4)
Uitdagingen voor modellering in centrale planningsengines
- Modelleringsmethoden ter ondersteuning centrale planningsmotoren hebben sinds 1995 aanzienlijke technische verbeteringen doorgevoerd in termen van de mogelijkheid om snel oplossingen te genereren die een groot deel van de complexiteit en omvang van leveringsplanning or activa afstemmen op de vraag. Er zijn twee cruciale verbeteringen die moeten worden verbeterd. De kern van de CPE-modelstructuren is gebaseerd op lineaire relaties, inclusief materiaalbalans dateren uit 1957. Er is behoefte aan meer integratie complexe structuren.
- Een vaardigheid om te redeneren over het vraag-aanbodnetwerk (Figuur 5 heeft een eenvoudige bakkerij-DSN). Als de beslagmixers bijvoorbeeld downtime hebben, wat is dan de impact en hoe kan hier het beste op worden gereageerd? Wat zijn potentiële kwetsbaarheden in het aanbod?
Conclusie
Succesvol risicobeheer vereist een doordachte combinatie van datawetenschap en computationele modellen om gemeenschapsintelligentie te vergemakkelijken en te anticiperen op structurele kwetsbaarheidspunten.
Genoten van dit bericht? Inschrijven of volg Arkieva op Linkedin, Twitter en Facebook voor blogupdates.
Bron: https://blog.arkieva.com/supply-chain-rapid-intelligent-response/
