Iniziare con l’IA/ML per costruire catene di fornitura intelligenti

Iniziare con l'IA/ML per catene di fornitura intelligenti

Come dovresti pensare alle applicazioni di tecnologia AI/ML all’interno della tua catena di fornitura per massimizzare il ritorno sull’investimento?

Background

L’ottimizzazione della catena di fornitura è un vasto campo di ricerca. Ci sono numerosi casi d’uso all’interno delle catene di fornitura che trarrebbero vantaggio dall’applicazione della tecnologia AI/ML. Spesso, le organizzazioni faticano a capire dove e come iniziare in questo settore. I dirigenti della catena di fornitura stanno tipicamente cercando aree in cui investire il tempo e lo sforzo delle loro squadre (che sono già sotto pressione) per ottenere il massimo valore da queste approcci. In questo articolo, esploriamo un piccolo ma diversificato insieme di casi d’uso che possono servire come punto di partenza per l’approccio di un’organizzazione della catena di fornitura all’AI/ML. I leader della catena di fornitura possono aspettarsi di ottenere un elevato grado di miglioramenti dei costi e dell’efficienza da queste applicazioni.

Dividiamo la gestione della catena di fornitura in cinque componenti: Pianificazione, Approvvigionamento, Produzione, Consegna, Logistica Inversa e delineiamo casi d’uso di Rilevamento della Domanda, Segmentazione dei Fornitori, Previsione dei Guasti dell’Apparecchiatura, Previsione dei Tempi di Consegna, Previsione dei Resi dei Clienti che si adattano alle cinque componenti. Applicando i criteri del valore economico, della tracciabilità, della spiegabilità dei risultati, della praticabilità delle informazioni e della sostenibilità delle applicazioni, valutiamo anche il beneficio complessivo dell’implementazione di ciascun caso d’uso.

Esplorazione dei casi d’uso

Una Catena di Fornitura Intelligente integra dati, automazione e tecnologie analitiche avanzate per apportare efficienze e ridurre i costi alle diverse parti della catena di fornitura. Può essere una fonte di vantaggio strategico per un’organizzazione migliorando l’esperienza del cliente. Di solito è supportata da una combinazione di tecnologie di ottimizzazione e AI/ML. Esploriamo cinque casi d’uso che li mappano con cinque elementi della gestione della catena di fornitura: Pianificazione → Approvvigionamento → Produzione → Consegna → Logistica Inversa.

1. Rilevamento della domanda a breve termine (Pianificazione): La gestione dell’inventario è un’attività critica della catena di fornitura. Il capitale circolante e i costi di stoccaggio sono legati ai livelli di inventario, che a loro volta dipendono dalla previsione accurata della domanda tra gli altri fattori. Un alto livello di accuratezza delle previsioni aiuta a ridurre i costi dell’inventario e le scorte esaurite guidando la produzione della giusta quantità di prodotto nella giusta posizione e nel momento giusto. Ciò aiuta ad ottimizzare l’inventario nei magazzini riducendo i livelli di scorta di sicurezza, riducendo così i costi, evitando allo stesso tempo le scorte esaurite che possono portare a perdite a lungo termine per l’attività e le entrate. Un’applicazione abilitata dall’IA può identificare i modelli negli ordini dei clienti e correlare determinati indicatori principali alla domanda a breve termine per essere più accurata rispetto ai metodi tradizionali. Con le informazioni sugli ordini in tempo reale, possiamo automatizzare le previsioni della domanda per il mese corrente e il successivo che vengono aggiornate regolarmente.

• Un’intuizione per l’AUC e il C di Harrell
• Oltre i voti Utilizzare l’IA per prevedere e spiegare le prestazioni degli studenti
• 10 Modi per Migliorare le Prestazioni dei Sistemi di Generazione Potenziata dalla Recupero

2. Segmentazione dei fornitori (Approvvigionamento): Le grandi organizzazioni possono avere centinaia o migliaia di fornitori che fanno parte integrante della loro catena di fornitura. Diversi materiali grezzi in quantità variabili vengono forniti dai fornitori. Per ridurre i costi di approvvigionamento aumentando al contempo l’affidabilità della fornitura, sarebbe utile applicare diverse strategie a diversi fornitori. Raggruppare i fornitori in pochi gruppi chiave sarebbe vantaggioso a tal proposito, data la grande quantità di fornitori. Questo tipo di segmentazione consentirà negoziazioni contrattuali mirate sui prezzi delle materie prime, sulle quantità e sui tempi di fornitura per ottimizzare la spesa. Un’applicazione abilitata dall’IA può segmentare i fornitori in base a caratteristiche come volume, prezzo, relazione strategica, affidabilità per consentire agli specialisti dell’approvvigionamento di adottare strategie di approvvigionamento simili per i fornitori all’interno di un cluster. Questa segmentazione può essere aggiornata mensilmente o trimestralmente per tener conto dei cambiamenti dei fornitori.

3. Previsioni dei guasti dell’apparecchiatura (Produzione): I tempi di inattività non pianificati dovuti a guasti di affidabilità sono comuni nelle operazioni di produzione. Questi tendono a stressare le posizioni dell’inventario di prodotti e possono portare a ritardi nella soddisfazione del cliente. Prevedere quando possono verificarsi tali tempi di inattività può aiutare una struttura a prendere misure per mitigare il rischio di guasti dell’apparecchiatura o prepararsi in anticipo accumulando inventario per tenere conto del tempo di inattività. Queste previsioni e le conseguenti azioni di mitigazione possono aiutare ad evitare scorte esaurite e perdite di ricavi e, allo stesso tempo, guidare gli investimenti in opzioni di manutenzione preventiva per evitare costose riparazioni. Un’applicazione abilitata dall’IA può correlare i guasti dell’apparecchiatura a misurazioni chiave (come la produttività, la pressione, la temperatura, ecc.) per giorni o settimane che precedono un guasto non pianificato dell’apparecchiatura e fornire informazioni sul momento dei guasti. A seconda della granularità delle misurazioni, l’applicazione può essere eseguita ogni giorno o ogni pochi giorni per valutare il rischio di guasti.

4. Previsione dei tempi di consegna (Consegna): La consegna puntuale ai clienti è una metrica chiave per valutare le prestazioni delle catene di fornitura che influisce direttamente sull’esperienza del cliente. Le organizzazioni misurano questa metrica e cercano attivamente di migliorarla basandosi su tendenze storiche di ritardo. Essere in grado di prevedere con precisione i tempi di consegna può aiutare a far arrivare il prodotto al cliente nel momento richiesto, evitando così una scarsa esperienza del cliente e una perdita di affari conseguente e evitare penalità e altre spese dovute a consegne in ritardo. Un’applicazione abilitata dall’IA può essere utilizzata per prevedere i tempi di consegna in base al giorno e all’ora di inizio, alla stagione, al vettore, all’origine e alla destinazione, tra altri attributi. Una tale previsione per ogni spedizione consentirà di tenere il cliente informato e migliorare l’esperienza e la fidelizzazione del cliente. Inoltre, ciò rappresenta un’opportunità per ottimizzare i percorsi e selezionare i vettori ad alte prestazioni.

5. Previsione dei resi dei clienti (Logistica inversa): Una percentuale delle vendite viene restituita dai clienti per una varietà di motivi, tra cui la non conformità alle specifiche di qualità o ritardi nella spedizione. Per prepararsi alle spedizioni dei resi, allo stoccaggio e alla lavorazione, le aziende hanno bisogno di una stima accurata del volume dei prodotti che torneranno. Ciò aiuterà a ridurre i costi di stoccaggio e lavorazione. Un’applicazione abilitata dall’IA può fornire un volume aggregato di resi in base alle ultime settimane di spedizioni dei clienti. Questa previsione può essere aggiornata settimanalmente.

Prioritizzazione dei casi d’uso

Valutiamo questi casi d’uso attraverso cinque criteri chiave: valore economico, praticabilità, spiegabilità dei risultati, azionabilità delle informazioni e sostenibilità dell’applicazione. Il valore economico include eventuali risparmi di costi o evitamento di perdite di ricavi. La praticabilità si riferisce alla disponibilità dei dati e a un approccio IA/ML robusto per fornire previsioni in un periodo di tempo ragionevole. La spiegabilità dei risultati indica quanto facilmente le osservazioni e le previsioni possono essere spiegate agli stakeholder utilizzando i driver aziendali. L’azionabilità delle informazioni caratterizza fino a che punto l’organizzazione può agire sui risultati dell’applicazione IA/ML. Infine, la sostenibilità dell’applicazione descrive la longevità di mantenere e aggiornare attivamente gli input per l’applicazione di intelligenza artificiale.

(i) Valore economico: Prevediamo un valore economico ‘Alto’ per la Rilevazione della domanda e la Previsione del tempo di consegna a causa del volume stesso delle spedizioni. La sporadicità nell’adottare azioni per la Segmentazione del fornitore e la Previsione dei guasti dell’attrezzatura porta a una valutazione ‘VoAGI’, mentre i volumi relativamente inferiori riscontrati nei resi dei clienti hanno determinato la scelta di una valutazione ‘Bassa’.

(ii) Praticabilità: Con la dimensione dei dati dei casi d’uso e la potenza di calcolo a nostra disposizione, ci si aspetta che la maggior parte dei casi d’uso abbia una praticabilità ‘Alta’, tranne per la Previsione dei guasti dell’attrezzatura, che potrebbe essere limitata dai dati se i guasti non si verificano molto frequentemente.

(iii) Spiegabilità dei risultati: L’applicazione consigliata di una regressione lineare multipla per la Rilevazione della domanda e la Previsione dei resi dei clienti produce una valutazione di spiegabilità ‘Alta’. Un metodo non supervisionato (ad esempio, clustering k-means) quando viene applicato alla Segmentazione del fornitore può mostrare quali caratteristiche sono vicine in ogni cluster e quindi la spiegabilità è stata indicata come ‘Alta’. L’applicazione di metodi di insieme più complessi (ad esempio, Random Forest, Xgboost) per la Previsione dei guasti dell’attrezzatura e la Previsione del tempo di consegna porta a una spiegabilità ‘VoAGI’.

(iv) Azionabilità delle informazioni: L’azionabilità viene indicata come ‘Alta’ per la Rilevazione della domanda e la Previsione dei resi dei clienti, poiché è una decisione interna cambiare la produzione e la lavorazione in base alle modifiche delle previsioni, mentre per azionare le informazioni sulla Previsione del tempo di consegna e la Segmentazione del fornitore sarebbe necessaria una negoziazione con parti esterne, tra cui vettori e fornitori, dove potremmo avere una manovrabilità limitata. Per la Previsione dei guasti dell’attrezzatura con una valutazione di azionabilità ‘VoAGI’, potremmo essere in grado di intraprendere azioni per ridurre il rischio ma potremmo non essere in grado di eliminare completamente i guasti.

(v) Sostenibilità dell’applicazione: Si presume che sia alta per quattro dei cinque casi d’uso poiché i dati possono essere generati a un ritmo appropriato consentendo frequenti aggiornamenti dell’applicazione IA/ML, tranne per la Previsione dei guasti dell’attrezzatura, che potrebbe essere limitata dai dati.

Osservando questi casi d’uso come riassunto nella tabella sottostante, la Rilevazione della domanda ottiene il punteggio più alto in tutti questi criteri: la raccomandazione in questo caso sarebbe di iniziare con un’applicazione IA/ML per questo caso d’uso.

Conclusioni

L’applicazione delle tecniche di intelligenza artificiale/apprendimento automatico per l’ottimizzazione della supply chain e delle attività aziendali è ancora un settore embrionale in molti settori. Non è irragionevole adottare un approccio di “crawling, walking, running” verso l’integrazione di IA/ML nelle operazioni. Dimostrare l’efficacia di IA/ML nella generazione di valore per un team attraverso “frutti a portata di mano” può avere un effetto di volano. Tuttavia, è fondamentale costruire su successi più piccoli verso un modello di business sostenibile a lungo termine, in cui l’IA/ML sia incorporata in ogni aspetto della catena del valore.

Grazie per la lettura. Spero che tu lo abbia trovato utile. Non esitare a inviarmi i tuoi commenti a [email protected]. Connettiamoci su LinkedIn