Tổng kết
Các sự kiện trực tiếp và phụ trợ của COVID-19 đã làm rõ rằng sự không chắc chắn là một phần cố hữu của cấu trúc mạng lưới cung-cầu. Mọi công ty thường xuyên phải đối mặt với “các tình huống rủi ro” chẳng hạn như thay đổi sản xuất, nhu cầu mới bất ngờ hoặc mất nhu cầu, gián đoạn nhà cung cấp linh kiện, v.v. RIR yêu cầu sự kết hợp chu đáo giữa khoa học dữ liệu và các mô hình tính toán để tạo điều kiện thuận lợi cho trí thông minh của cộng đồng và dự đoán các điểm dễ bị tổn thương về cấu trúc. Hội thảo trực tuyến SCB “Khoa học dữ liệu và mô hình hóa có thể tăng cường quản lý rủi ro của bạn như thế nào” bao gồm chủ đề này một cách chi tiết. Blog này thảo luận về một số thách thức chính đối với khoa học dữ liệu và mô hình hóa để một công ty đạt được RIR.
Giới thiệu
Vào cuối 19th thế kỷ "vật lý cổ điển” và giả định của nó về một vũ trụ đồng hồ không bị thách thức. Sau cuộc chiến kéo dài 150 năm nhằm thay thế phương pháp lập mô hình lấy trái đất làm trung tâm (Ptolemy) để dự đoán/giải thích chuyển động của các thiên thể bằng một mô hình lấy mặt trời làm trung tâm nó nhanh chóng chuyển sang thể chế hóa lực hấp dẫn, cơ học và điện từ. Tại thời điểm này, sự phản đối mạnh mẽ nhất đối với Thuyết tiến hóa của Darwin đến từ vật lý và ước tính tuổi của trái đất. Qua 1905 Bốn bài báo của Einstein thành lập vật lý hiện đại và xác định nghiêm trọng giới hạn của vật lý cổ điển. Các công việc ở Copenhagen về cơ học lượng tử đã làm rõ sự không chắc chắn vốn có trong vũ trụ. Vật lý cổ điển vẫn có một vai trò quan trọng, nhưng nó đã không đủ cho máy tính hoặc GPS.
Tình trạng tương tự đang xảy ra ngày nay trong việc quản lý các mạng cung cấp nhu cầu (DSN). Đầu những năm 1990 khi quản lý chuỗi cung ứng (SCM) / S&OP bắt đầu, nó được coi là một mốt nhất thời không có triển vọng dài hạn trong hoạt động hàng ngày của một tổ chức. Cũng như các mô hình lấy mặt trời làm trung tâm ban đầu, hiệu suất của nó kém hơn so với mô hình hiện tại (lấy trái đất làm trung tâm). Hiệu suất được đo bằng chất lượng của giải pháp, giá trị của giải pháp và tính khả thi của tính toán. Các dịch vụ SCM sớm nhất của SAP chỉ đơn giản là bắt chước các hoạt động cũ (lấy trái đất làm trung tâm). Trong tình huống này, thật khó để thực hiện kế hoạch thay thế từ đầu đến cuối trong 21 ngày. Từ năm 1995 đến năm 2015, các phương pháp hay nhất hiện nay trong SCM (cổ điển hay “vụ nổ lớn”) đã được áp dụng khi hai cửa hàng neo đang quản lý nhu cầu và động cơ lập kế hoạch tập trung (CPE). Cách tiếp cận này giả định một vũ trụ hoạt động theo đồng hồ: ước tính một điểm về nhu cầu, sử dụng cũ và không hiệu quả cách tiếp cận cho ước tính nhu cầu không liên tục và quản lý hàng tồn kho, công suất tiêu thụ tuyến tính, giả định về sự sẵn có của các sản phẩm thành phần, v.v.
Các sự kiện trực tiếp và phụ trợ của COVID-19 đã làm rõ rằng sự không chắc chắn là cố hữu trong vũ trụ của mạng cung-cầu (DSN). Bằng chứng khác về sự không chắc chắn bao gồm từ những gián đoạn lớn như thiếu chip, đóng cửa cảng LA năm 2014, bão Maria năm 2017, đóng cửa đường ống thuộc địa năm 2021,) cũng như nhiều điều chỉnh hàng ngày các nhà lập kế hoạch phải xử lý với các “công cụ nhận thức” hạn chế không khai thác được trí tuệ cộng đồng.
Rõ ràng là phương pháp SCM cổ điển phải phát triển quá “phản ứng thông minh nhanh” (RIR) để xử lý sự không chắc chắn. Chủ đề này được thảo luận chi tiết trong Tóm tắt chuỗi cung ứng webinar
Khoa học dữ liệu và mô hình hóa có thể tăng cường quản lý rủi ro của bạn như thế nào. Trong blog này, tôi sẽ trình bày các ví dụ về những thách thức đối với khoa học dữ liệu và mô hình hóa để nâng cao chức năng quản lý nhu cầu (DM) và công cụ lập kế hoạch trung tâm (CPE).
Những thách thức đối với Khoa học dữ liệu trong việc ước tính nhu cầu.
Sản phẩm cốt lõi của thực tiễn tốt nhất đối với quản lý nhu cầu cổ điển liên quan đến việc thu thập dữ liệu lịch sử quan trọng, duy trì các dự báo trước đó, cho phép cộng tác và thậm chí tốt hơn dự báo chuỗi thời gian – nơi tốt hơn được định nghĩa là giảm lỗi dự báo dựa trên phù hợp và dự đoán. Hầu hết các nhà cung cấp phần mềm (bao gồm cả Arkieva) đều tập trung vào việc “giảm lỗi dự báo”.
Như các nhà vật lý đã phát hiện ra, sự không chắc chắn được tích hợp vào kết cấu, thách thức là chuyển sang giới hạn sự không chắc chắn (hồ sơ rủi ro) và cái nhìn sâu sắc. Điều này được minh họa trong thử thách ước tính nhu cầu ô dù sau đây.
Hình 1 có biểu đồ doanh số bán ô trong 3 năm, trong đó nhu cầu cổ điển sẽ là ước tính điểm cho mỗi tháng trong năm 4.
Đôi khi ước tính nhu cầu cổ điển sẽ xem xét các yếu tố “nhân quả” đơn giản. Hình 2 có biểu đồ doanh số bán ô với mưa thất bại và quảng cáo.
SCM hiện đại yêu cầu những điều sau đây
- Xác định độ không đảm bảo lớn nhất là vào tháng 6 và 7 (Hình 3).
- Lượng mưa và tiền quảng cáo có mối tương quan chặt chẽ với nhau, điều này hạn chế giá trị “nhân quả” của chúng. (Hinh 4)
Những thách thức đối với việc lập mô hình trong bộ máy quy hoạch tập trung
- Phương pháp mô hình hỗ trợ động cơ kế hoạch tập trung đã thực hiện những cải tiến kỹ thuật đáng kể kể từ năm 1995 về khả năng nhanh chóng tạo ra các giải pháp nắm bắt được phần lớn độ phức tạp và kích thước của Kế hoạch cung cấp or tài sản phù hợp với nhu cầu. Có hai cải tiến quan trọng phải được cải thiện. Cốt lõi của cấu trúc mô hình CPE dựa trên các mối quan hệ tuyến tính bao gồm cân bằng vật chất ngày trở lại năm 1957. Cần kết hợp thêm cấu trúc phức tạp.
- Một khả năng lý do về mạng lưới cung cầu (Hình 5 có DSN làm bánh đơn giản). Ví dụ: nếu các công cụ trộn bột có thời gian ngừng hoạt động, tác động là gì và cách phản hồi tốt nhất? Lỗ hổng nguồn cung tiềm năng là gì?
Kết luận
Quản lý rủi ro thành công đòi hỏi sự kết hợp chu đáo giữa khoa học dữ liệu và mô hình tính toán để tạo điều kiện thuận lợi cho trí thông minh của cộng đồng và dự đoán các điểm dễ bị tổn thương về cấu trúc.
Thích bài viết này? Theo dõi hoặc theo dõi Arkieva trên Linkedin, Twittervà Facebook để cập nhật blog.
Nguồn: https://blog.arkieva.com/supply-chain-rapid-intelligent-response/
