Начало работы с ИИ/МО для создания интеллектуальных поставочных цепей

Введение в ИИ/МО для создания интеллектуальных поставочных цепей

Как нужно мыслить о применении технологий искусственного интеллекта и машинного обучения в рамках вашей цепочки поставок, чтобы максимизировать возврат инвестиций?

Фото Владимира Грищенко на Unsplash

Фон

Оптимизация цепочки поставок – это обширная область исследований. В рамках цепочек поставок существует множество случаев использования, которые могут получить выгоду от применения технологий искусственного интеллекта и машинного обучения. Часто организации сталкиваются с трудностями в определении места и способа начала работы в этой области. Руководители цепочек поставок обычно ищут области, в которых стоит вложить время и усилия своих команд (которые уже работают на износ), чтобы извлечь наибольшую пользу от этих подходов. В этой статье мы рассмотрим небольшой, но разнообразный набор случаев использования, которые могут служить отправной точкой для начала работы организации цепочки поставок в области искусственного интеллекта и машинного обучения. Руководители цепочек поставок могут ожидать значительного повышения экономической эффективности и эффективности от таких приложений.

Мы разделяем управление цепочкой поставок на пять компонентов: Планирование, Закупка, Производство, Доставка, Обратная логистика и определяем случаи использования Детектирование спроса, Сегментация поставщиков, Прогнозирование отказов оборудования, Прогнозирование времени доставки, Прогнозирование возвратов клиентов, которые соответствуют этим пяти компонентам. Применяя критерии экономической ценности, прослеживаемости, объяснимости результатов, действенности выводов и устойчивости применения качественно ко всем случаям использования, мы также оцениваем общую пользу от внедрения каждого случая использования.

Исследование случая использования

Интеллектуальная цепочка поставок объединяет данные, автоматизацию и передовые аналитические технологии для повышения эффективности и снижения затрат в различных частях цепочки поставок. Она может быть источником стратегического преимущества для организации, улучшая опыт клиентов. Обычно она поддерживается комбинацией оптимизационных и технологий искусственного интеллекта и машинного обучения. Мы рассмотрим пять случаев использования, связывая их с пятью элементами управления цепочкой поставок: Планирование → Закупка → Производство → Доставка → Обратная логистика.

1. Краткосрочное детектирование спроса (Планирование): Управление запасами является важным элементом деятельности цепочки поставок. Оборотные средства и затраты на хранение связаны с уровнем запасов, который, в свою очередь, зависит от точного прогнозирования спроса, среди прочих факторов. Высокий уровень точности прогноза помогает снизить затраты на запасы и избежать нехватки товара, производя нужное количество товара в нужном месте и в нужное время. Это помогает оптимизировать запасы на складах, снижая уровни безопасности запасов и, таким образом, сокращая затраты, при этом избегая исчерпания запасов, что может привести к долгосрочным потерям бизнеса и доходов. Приложение, основанное на искусственном интеллекте, может выявлять закономерности в заказах клиентов и коррелировать некоторые ведущие показатели с краткосрочным спросом для повышения точности по сравнению с традиционными методами. С помощью информации о заказах в режиме реального времени мы можем автоматизировать прогнозирование спроса на текущий и следующий месяц с регулярным обновлением.

2. Сегментация поставщиков (Закупка): У крупных организаций может быть сотни или тысячи поставщиков, которые являются неотъемлемой частью их цепочки поставок. От поставщиков закупается различное количество сырья. Для снижения затрат на закупку при одновременном повышении надежности поставки полезно применять разные стратегии для разных поставщиков. Кластеризация поставщиков в несколько групп позволит осуществлять целевые переговоры по ценам на сырье, объемам и срокам поставки для оптимизации расходов. Приложение, основанное на искусственном интеллекте, может сегментировать поставщиков на основе таких характеристик, как объем, цена, стратегические отношения, надежность, что позволит специалистам по закупкам применять аналогичные стратегии закупок для поставщиков в каждом кластере. Эта сегментация может обновляться ежемесячно или каждый квартал для учета изменений поставщиков.

3. Прогнозирование отказов оборудования (Производство): Неплановые простои из-за отказов в надежности обычны в производственных операциях. Они могут оказывать давление на позиции товарного запаса и приводить к задержкам в выполнении заказов клиентов. Прогнозирование времени возникновения таких простоев может помочь предприятию принять меры для снижения риска отказа оборудования или заранее подготовиться, увеличив запасы для учета простоя. Эти прогнозы и соответствующие меры могут помочь избежать исчерпания запасов и потерь доходов, а также стимулировать инвестиции в варианты предупредительного технического обслуживания, чтобы избежать дорогостоящих ремонтов. Приложение, основанное на искусственном интеллекте, может коррелировать отказы оборудования с ключевыми измерениями (такими как производительность, давление, температура и т. д.) за несколько дней или недель до непланового отказа оборудования и предоставлять информацию о времени возникновения сбоев. В зависимости от детализации измерений приложение может запускаться каждый день или каждые несколько дней для оценки риска отказов.

4. Прогнозирование времени доставки (Доставка): Своевременная доставка клиентам – это ключевая метрика, позволяющая оценить эффективность цепочек поставок, что непосредственно влияет на опыт клиентов. Организации измеряют эту метрику и активно стремятся улучшить ее на основе исторических тенденций задержек. Возможность точно прогнозировать время доставки может помочь доставить товар клиенту в запрошенное время, тем самым избегая плохого опыта клиента и потерь бизнеса, а также избежать штрафов и других сборов за поздние доставки. Приложение, основанное на искусственном интеллекте, может использоваться для прогнозирования времени доставки на основе дня и времени начала, сезона, перевозчика, источника и пункта назначения, среди прочих атрибутов. Такой прогноз для каждой отправки позволит информировать клиента и улучшить его опыт и лояльность. Кроме того, это предоставляет возможность оптимизировать маршруты и выбрать более эффективных перевозчиков.

5. Прогноз возвратов клиентов (обратная логистика): Процент продаж возвращается клиентами по различным причинам, включая несоответствие качеству или задержки в доставке. Чтобы подготовиться к отправке возвратов, их хранению и обработке, компаниям необходимо точно оценить объем продукции, возвращаемой клиентами. Это поможет снизить затраты на хранение и обработку. Приложение на основе искусственного интеллекта может предоставить агрегированный объем возвратов как функцию нескольких последних недель отправок клиентам. Это предсказание может обновляться еженедельно.

Приоритетизация случаев использования

Мы рассматриваем эти случаи использования через призму пяти ключевых критериев: экономической ценности, реализуемости, объяснимости результатов, действенности выводов и долгосрочной жизнеспособности приложения. Экономическая ценность включает в себя снижение затрат или избежание потерь в доходе. Реализуемость относится к наличию данных и надежному подходу искусственного интеллекта/машинного обучения для предоставления прогнозов в разумные сроки. Объяснимость результатов показывает насколько легко можно объяснить наблюдения и прогнозы заинтересованным сторонам с использованием бизнес-факторов. Действенность выводов характеризует степень, в которой организация может действовать на основе результатов применения искусственного интеллекта/машинного обучения. Наконец, долгосрочная жизнеспособность приложения описывает возможность длительного поддержания и обновления входных данных для приложения искусственного интеллекта.

(i) Экономическая ценность: Мы предполагаем, что “высокая” экономическая ценность присуща определению спроса и прогнозированию времени доставки из-за огромного объема отправок. Спорадичные действия при сегментации поставщиков и прогнозировании отказов оборудования приводят к оценке “VoAGI”, в то время как выбор “низкой” оценки связан с относительно меньшим объемом возвратов клиентов.

(ii) Реализуемость: С учетом доступного объема данных и вычислительной мощности, большинство случаев использования ожидаются “высокой” реализуемости, за исключением прогнозирования отказов оборудования, которое может быть ограничено данными, если отказы происходят не очень часто.

(iii) Объяснимость результатов: Рекомендуется применение метода множественной линейной регрессии для определения спроса и прогнозирования возвратов клиентов, что приводит к “высокому” уровню объяснимости. Применение безнаблюдаемого метода (например, кластеризация k-средних) при сегментации поставщиков позволяет видеть, какие характеристики близки в каждом кластере, поэтому объяснимость была отмечена как “высокая”. Применение более сложных методов ансамбля (например, случайный лес, Xgboost) при прогнозировании отказов оборудования и времени доставки приводят к объяснимости “VoAGI”.

(iv) Действенность выводов: Действенность оценивается как “высокая” для определения спроса и прогнозирования возвратов клиентов, поскольку это внутреннее решение изменить производство и обработку на основе изменений прогноза, в то время как действия по прогнозированию времени доставки и сегментации поставщиков требуют переговоров с внешними сторонами, включая перевозчиков и поставщиков, где у нас может быть ограниченная маневренность. Для прогнозирования отказов оборудования с оценкой действенности “VoAGI” мы можем предпринять меры для снижения риска, но не сможем полностью исключить отказы.

(v) Долгосрочная жизнеспособность приложения: Предполагается, что она высокая для четырех из пяти случаев использования, поскольку данные могут генерироваться с соответствующей скоростью, позволяющей частое обновление приложения искусственного интеллекта/машинного обучения, за исключением прогнозирования отказов оборудования, которое может быть ограничено данными.

Оценивая эти случаи использования, как указано в таблице ниже, определение спроса имеет наивысший балл по всем этим критериям – рекомендация в данном случае состоит в том, чтобы начать с приложения искусственного интеллекта/машинного обучения для этого случая использования.

Оценки качества случаев использования по нескольким критериям

Заключение

Применение методов искусственного интеллекта и машинного обучения для оптимизации цепочки поставок и бизнеса все еще является новым направлением во многих отраслях. Не является неразумным использовать подход “ползти, ходить, бежать” к интеграции искусственного интеллекта и машинного обучения в операционные процессы. Демонстрация эффективности искусственного интеллекта и машинного обучения в создании ценности для команды путем реализации “низкорастущих плодов” может иметь усиливающий эффект. Однако критически важно строить на маленьких успехах в сторону устойчивой долгосрочной модели бизнеса, где искусственный интеллект и машинное обучение внедрены во всех аспектах цепочки создания ценности.

Спасибо за чтение. Надеюсь, вы найдете это полезным. Не стесняйтесь присылать свои комментарии на rkumar5680@gmail.com. Давайте свяжемся в LinkedIn