Введение в текущие варианты использования и возможности в гигантской отрасли

Недавно я задумался о том, как в своих работах я могу обеспечить равную ценность как техническим, так и бизнес-ориентированным профессионалам. К счастью, моя роль консультанта по науке о данных, естественно, предлагает множество интересных тем. Помимо кодирования, мы постоянно просматриваем литературу и статьи, в которых подробно описываются решения на основе данных в различных секторах. Это непрерывное исследование позволяет нам оценивать осуществимость, эффективность и результативность этих решений, что позволяет нам либо использовать существующие стратегии, либо создавать специальные алгоритмы.

Эта статья знаменует собой начало серии статей, направленных на освещение основных проблем, стандартных решений, а также возникающих возможностей и рисков в трех основных секторах: цепочка поставок, человеческие ресурсы и розничная торговля. Он предназначен для профессионалов в этих отраслях, которые ищут решения, основанные на данных, а также для ученых-исследователей, заинтересованных в расширении своей области. Как следует из названия, наша первая остановка — сложный мир управления цепочками поставок.

От управления сложными логистическими сетями до точного прогнозирования спроса и оптимизации запасов — экосистема цепочки поставок сталкивается с многочисленными огромными проблемами. Одной из самых сложных проблем является беспрепятственная координация и оптимизация операций в сложной сети различных заинтересованных сторон, таких как поставщики, производители, дистрибьюторы, розничные торговцы и клиенты. Кроме того, дополнительные трудности создают постоянные факторы, такие как колебания доступности сырья, рыночного спроса, геополитическая напряженность и экологические катастрофы.

Что мы можем с ними сделать? Что ж, благодаря недавним достижениям в области искусственного интеллекта у нас есть замечательные возможности дать лучшие ответы на эти вопросы. В этой статье мы будем опираться на наш опыт и ссылки на исследования, чтобы кратко описать проблемы и текущие/потенциальные решения, которые могут помочь вам вывести вашу деятельность на новый уровень.

Проблемы в управлении цепочками поставок

Все проблемы управления цепочками поставок коренятся в поиске равновесия спроса и предложения. Кто-то требует (предлагает) товар по определенной цене, и для того, чтобы этот спрос (предложение) был удовлетворен (продан), цена или актуальность товара должна быть достаточно привлекательной. Эта сверхобобщенная динамика, которую вы изучаете в любом вводном курсе экономики, превращается в одну из самых сложных проблем, которые нужно решить. Поскольку в широте вопроса довольно легко заблудиться, начнем с чего-то близкого к началу.

1. Проблема управления запасами

Эффективное управление запасами остается важной частью операций цепочки поставок. Неправильное управление может связать значительный капитал, увеличить текущие расходы и риск морального устаревания. И наоборот, неадекватные запасы потенциально могут привести к упущенным возможностям продаж, потере доверия клиентов и даже смерти (из-за нехватки предметов медицинского назначения). Таким образом, достижение оптимального баланса становится серьезной проблемой.

Чтобы решить эту проблему, мы должны сначала предвидеть спрос, а затем действовать в соответствии с ним.

1.1. Прогнозирование спроса

Точное прогнозирование спроса жизненно важно для обеспечения того, чтобы нужные продукты были доступны в нужном месте и в нужное время. Однако на спрос влияет множество факторов, включая сезонные тенденции, изменения рынка и непредвиденные события, что усложняет задачу точного прогнозирования. К счастью, алгоритмы машинного обучения можно обучать на исторических данных о продажах, рыночных тенденциях и других соответствующих факторах, чтобы прогнозировать будущий спрос. Например, Amazon использует сложные модели прогнозирования спроса для оптимизации своих запасов. Они используют огромные объемы данных, собранных по их продажам, включая исторические данные о продажах, специальные события, праздники и даже прогнозы погоды. Например, они использовали модели машинного обучения для прогнозирования спроса на различные продукты во время таких мероприятий, как Черная пятница, что позволяет им запасаться товарами с высоким спросом и избегать дефицита или затоваривания. Кроме того, Amazon использует машинное обучение для оптимизации своих складов, позиционируя товары в зависимости от спроса, чтобы сократить время, необходимое для подбора товаров для заказа. Хорошие новости? Для этого не обязательно быть размером с Amazon. Любой, у кого есть транзакционная база данных и желание инвестировать в облачные сервисы, может сделать то же самое.

Но какую модель выбрать? Давайте посмотрим, что делает отрасль для решения проблемы прогнозирования.

Прогнозирование решений

Здесь большинство предприятий работают, используя один из следующих способов:

  • Простая статистика: любая форма прогнозирования среднего или медианы. Может использоваться в качестве эталона для сравнения производительности моделей машинного обучения, но это не интеллектуальные прогнозы, поскольку мы предполагаем, что временное окно, выбранное для расчета среднего, является хорошей оценкой среднего значения будущих значений. Это может работать для низкой дисперсии и статических рядов, но когда у нас возникают проблемы с сезонностью и специальные события, мы в конечном итоге все испортим.
  • Классические модели временных рядов: авторегрессионные модели (ARIMA, SARIMA, SARIMAX, VAR,и т. д.) или экспоненциальное сглаживание ( Холта-Винтерса), которые могут давать хорошие результаты, когда ряды стабильны, т. е. имеют низкую дисперсию и четкие тренды. Конечно, это лучше, чем использование простой статистики, но они не используют весь потенциал признаков, характеризующих каждый временной ряд, и дополнительную информацию, которую можно извлечь из похожих рядов (например, товары со схожими продажами и характеристиками). Кроме того, если у вас есть тысячи серий, состоящих из комбинаций магазина и товара, процесс примерки этих моделей станет ужасным.
  • Алгоритмы Ensemble/Boosting: такие модели, как Random Forest, CatBoost, XGBoost и LightGBM. В связи с этим важно подчеркнуть, что эти модели не предназначены специально для обработки данных временных рядов, особенно когда речь идет о многошаговом или многозонном прогнозировании, где каждый прогноз должен учитывать предыдущие прогнозы. Короче говоря, данные временных рядов часто содержат временные зависимости, которые эти алгоритмы не моделируют явным образом. Использование этих методов для многоэтапного прогнозирования будет включать прогнозирование по одному шагу за раз и использование каждого прогноза в качестве входных данных для следующего прогноза (т. Е. Рекурсивное прогнозирование). Этот подход, однако, может накапливать ошибки по мере того, как прогнозы распространяются вперед... Таким образом, даже если это учитывать, процедура остается концептуально ошибочной и неоптимальной. Более того, как и в случае с классическими моделями временных рядов, мы столкнемся с реальной проблемой при попытке обучиться на тысячах рядов, составленных из комбинаций магазин-продукт, поскольку эти модели не способны изучать специфику в таком большом разнообразии. классы.

Как вы можете догадаться, мы не верим, что эти методы могут работать в сложных сценариях, где у нас есть миллионы наблюдений, множество рядов и высокая волатильность. Именно здесь Модели глубокого обучения могут дать значительное преимущество, если у вас достаточно качественных данных и вычислительной мощности.

В связи с этим мы можем внедрить нейронные сети, предназначенные для обработки последовательностей данных, что сделает их более подходящими для таких задач, как многозонное прогнозирование, когда предсказание будущих значений зависит от прошлых и настоящих входных данных. Самые известные из них:

  • Рекуррентные нейронные сети (RNN):предназначены для распознавания шаблонов в последовательностях данных, таких как текст, геномы, почерк или данные временных рядов, используемые при прогнозировании. Они называются «рекуррентными», потому что выполняют одну и ту же операцию для каждого элемента последовательности, а результат зависит от предыдущих вычислений. Это позволяет им сохранять информацию в «памяти» с течением времени. Однако они могут бороться с сохранением этой «памяти» в длинных последовательностях.
  • Долговременная кратковременная память (LSTM) сети: особый вид RNN, способный изучать долгосрочные зависимости. LSTM были разработаны для борьбы с проблемой «исчезающего градиента» в традиционных RNN, из-за которой сетям было сложно поддерживать свою «память» в длинных последовательностях. Ключом к LSTM является состояние ячейки, горизонтальная линия, проходящая через верхнюю часть диаграммы (если вы когда-либо видели схему LSTM). Состояние ячейки может нести информацию по всей цепочке обработки с минимальными изменениями, что позволяет LSTM переносить «память» вниз по цепочке последовательностей. Это делает их особенно эффективными для задач, где предсказание будущих значений зависит от прошлых и настоящих входных данных.

Короче говоря, RNN и LSTM подходят для прогнозирования временных рядов благодаря их способности обрабатывать данные последовательности и поддерживать «память» с течением времени. Однако LSTM с их уникальной архитектурой имеют лучшие возможности для обработки долгосрочных зависимостей в данных, что делает их предпочтительным выбором для сложных задач прогнозирования.

В связи с этим я добился недавнего успеха с помощью модели Temporal Fusion Transformer (TFT), позволяющей прогнозировать ежедневный спрос на множество товаров (+400) в различных магазинах (+50), просто используя информация, описывающая каждый временной ряд (продажи, цена, категория/подкатегория продукта, месяц, день недели, выходные, процент скидки, store_id, местоположение магазина, product_id, time_idx, специальные дни, relative_time_idx и скользящие средние значения). Если будет достаточно интереса, я могу написать статью о полной реализации, а пока вот бумага. В любом случае, я считаю, что на данный момент это самый мощный прогностический инструмент для многозонного прогнозирования.

Вот некоторые из его основных преимуществ, которые показывают, насколько несовершенны другие подходы.

  1. Обработка нескольких временных рядов. TFT может работать с данными из нескольких временных рядов, что является важным фактором, когда вам нужно прогнозировать спрос на большое количество товаров в разных магазинах. Каждый продукт и магазин могут иметь свои уникальные характеристики и закономерности временного ряда, такие как сезонность, тенденции и другие факторы. TFT способен фиксировать эти закономерности для каждого отдельного временного ряда, обеспечивая более точные и персонализированные прогнозы. Обратите внимание, что это одна из проблем, с которой алгоритмы бустинга не могут справиться правильно.
  2. Гибкое включение статических и динамических переменных. TFT может включать различные типы независимых переменных в модель прогнозирования. Например, информация о каждом магазине (например, местоположение, размер и демографические данные клиентов) и каждом продукте (например, категория, подкатегория, цена и рекламная деятельность) может быть введена в модель как статические ковариаты. Точно так же могут быть включены динамические ковариаты, такие как особые события, погода или изменение экономических условий.
  3. Нелинейные и сложные временные зависимости. TFT особенно хорошо справляется с захватом сложных временных зависимостей и нелинейных взаимосвязей в данных. Он использует механизмы внимания для выявления и взвешивания важной исторической информации. Это позволяет модели узнать, какая информация из прошлого наиболее актуальна для прогнозирования будущих значений. Обратите внимание, что это является решением одной из наиболее распространенных проблем прогнозирования, т. е. выбора временного окна, релевантного для прогнозирования следующей последовательности значений.
  4. Вероятностные прогнозы. Одним из ключевых преимуществ TFT является то, что он может предоставлять вероятностные прогнозы. Это особенно важно при прогнозировании спроса, когда понимание неопределенности может помочь в принятии решений. Например, знание диапазона, в котором ожидается спрос (с определенной вероятностью), очень полезно для определения политики запасов, такой как уровень страхового запаса, и предотвращения дефицита или затоваривания. Это делается с помощью функции QuantileLoss вместо широко используемых показателей производительности, таких как RMSE, MAE, MAPE, SMAPE и т. д.
  5. Интерпретируемость. Несмотря на то, что TFT представляет собой модель «черного ящика», в ней есть механизмы интерпретируемости. Механизмы внимания в модели могут дать представление о том, какие исторические входные данные важны для прогноза и как различные ковариаты способствуют прогнозу. Это может быть важно в бизнес-сценариях, где понимание причин прогноза так же важно, как и сам прогноз. В упомянутом примере мы используем это для ручной отладки модели, для проверки несоответствий или «плохо» обученных моделей. Например, мы обнаружили, что особые дни нуждались в некоторой настройке, так как дни непосредственно перед особыми днями были более актуальными, чем особые дни как таковые (движение из городских центров началось накануне).
  6. Масштабируемость. Наконец, TFT разработан так, чтобы быть эффективным в вычислительном отношении. Он использует переменные сети выбора, чтобы уменьшить размерность данных, что делает возможным масштабирование до большого количества временных рядов. Это делает его вполне подходящим для сценария, подобного упомянутому нами, когда нам нужно предсказать спрос на сотни товаров в десятках магазинов.

Советую проверить реализацию TFT и более продвинутых моделей в документации по прогнозированию pytorch.

1.2. Оптимизация ресурсов

Итак, как только мы спрогнозировали спрос на следующий операционный период, мы должны определить наилучший способ приобретения товаров/компонентов, необходимых для удовлетворения этого спроса. Но с чего начать? Мы можем начать с определения всего, что необходимо проанализировать для достижения наилучшего результата. Например, список переменных может включать:

  • Альтернативные поставщики и затраты. Сколько у меня поставщиков и сколько они берут с меня за каждую предоставленную единицу?
  • Презентация продукта: вы, возможно, предполагали, что собираетесь продать 120 конфет, но они поставляются в коробках по 60, поэтому вам нужно преобразовать все единицы в их версию для доставки.
  • Вместимость склада: какой объем товара может вместить мой склад?
  • Сроки доставки: к какой дате и времени мне нужно получить товар, чтобы избежать дефицита товара?
  • Сроки выполнения. Сколько времени требуется каждому поставщику для доставки заказа после его размещения?
  • Время заказа. В какие даты поставщик принимает и доставляет заказы? Поставщик может осуществлять доставку только в определенные дни недели.
  • Гарантийный запас. Какова политика в отношении минимального запаса товара на каждом складе?
  • Места хранения. Куда должны быть доставлены товары/компоненты?
  • Способ транспортировки груза. Как будут доставляться заказы и какие характеристики связаны с этим решением?

После рассмотрения этих факторов пришло время построить модель. Здесь наука о данных выходит за рамки простого запуска реализаций кода. Нам потребуется объединить знания предметной области, технические навыки и креативность, чтобы работать в уникальной структуре линейного программирования и смешанного целочисленного программирования (или, альтернативно, эвристики и метаэвристики). .

Я уже написал статью на эту тему, где представлена ​​реальная проблема из жизни, поэтому не буду вдаваться в подробности. Однако дело в том, что эти методы могут помочь нам максимизировать/минимизировать результат (функцию полезности) на основе нескольких типов ограничений (например, вместимость склада, количество грузовиков, рабочих) и функции затрат (переменные и постоянные затраты на единицу продукции). способ транспортировки, стоимость за водителя, стоимость за поставщика и т. д.). Основная сила и слабость этой структуры заключается в том, что вы должны определить проблему, которую хотите решить:

  • Если вам не хватает творчества, знаний в предметной области и технических навыков, вы можете не указать проблему;
  • Но чем более вы осведомлены, тем больше вероятность того, что вы в конечном итоге определите очень конкретную проблему, которая станет неразрешимой с вычислительной точки зрения.

В любом случае, всегда лучше быть в последнем сценарии, так как вы всегда можете уменьшить спецификацию проблемы. Исходя из этого, концепция оптимизации запасов приводит нас к более широкой проблеме оптимизации сети цепочки поставок.

2. Проблема оптимизации сети цепочки поставок

Оптимизация сети цепочки поставок — это многогранная задача, когда мы начинаем с предположения/прогнозирования определенного спроса, а затем определяем наиболее эффективные маршруты, способы транспортировки и складские помещения для различных товаров. С точки зрения транспорта, эти проблемы могут быть дополнительно классифицированы в зависимости от того, связаны ли они с унимодальной или интермодальной логистикой.

  • Унимодальная логистика — использование одного вида транспорта, например наземного, морского или воздушного. Каждый режим сопряжен с уникальными проблемами: наземный транспорт может столкнуться с пробками или проблемами с дорожной инфраструктурой, морские перевозки зависят от погодных условий и пропускной способности порта, а воздушные перевозки связаны с такими факторами, как ограничения воздушного пространства и стоимость топлива. Для каждого режима требуются определенные типы переменных и уникальное определение задачи. Например, интересной проблемой в наземном транспорте может быть оптимизация перевозки грузов по стране в зависимости от типа оборудования (например, фургон, рефрижератор или платформа), предпочтений водителя (возможно, следует избегать некоторых штатов), временных окон для вывоза. и ограничения на доставку и работу (например, обязательные периоды отдыха для водителей);
  • Интермодальная логистика. включает в себя координацию нескольких видов транспорта, например использование грузовиков и кораблей для одной и той же поездки. Это добавляет дополнительный уровень сложности, поскольку требует плавной координации между различными видами транспорта и обработки товаров во время перехода с одного вида транспорта на другой. Учитывая эти сложности, мы могли бы либо решать каждую проблему отдельно, либо стремиться обеспечить глобальный оптимум, что привело бы к большой модели с несколькими предположениями, которые могут быть или не быть достаточно точными. В этом случае наилучший подход может заключаться в том, чтобы привлечь всех экспертов или участников, участвующих в каждом этапе, максимально точно сформулировать проблему, а затем удалить несущественные элементы.

Опять же, такие алгоритмы, как линейное программирование и смешанное целочисленное программирование, могут использоваться для поиска частичных решений проблем, возникающих при анализе одномодального и интермодального бизнеса. Однако, учитывая потенциальный размер и сложность проблемы, эвристические и метаэвристические алгоритмы, такие как генетические алгоритмы, могут оказаться более подходящими.

Исходя из моего опыта (только в одномодальной логистике), лучший подход к сложным проблемам, таким как Проблема маршрутизации транспортных средств с вместимостью с работой и временными ограничениями заключается в использовании комбинации эвристики, традиционных алгоритмов теории графов и хорошо продуманной процедуры обработки данных (интеллектуальная фильтрация и векторизованные операции). Этот подход сужает область поиска решения, позволяя нам избежать вычисления невыполнимых или субоптимальных комбинаций результатов и, что более важно, получить решение за разумное время.

Однако есть одно важное предостережение: эти конкретные решения часто остаются неопубликованными, являясь частью стратегических алгоритмов, обеспечивающих компании конкурентное преимущество. Итак, основной вывод здесь заключается в том, что прежде чем спешить с реализацией решателя из пакета вроде Google OR-Tools, подумайте, сможете ли вы добиться достаточных результатов, используя эвристику/метаэвристику, графовые алгоритмы и интеллектуальную обработку данных. Этот подход может предложить более управляемое и столь же эффективное решение задач оптимизации сети вашей цепочки поставок.

3. Проблема управления рисками

Цепочки поставок подвержены широкому спектру рисков, от стихийных бедствий до геополитических волнений и нестабильности рынка. Выявление, оценка и снижение этих рисков являются серьезными проблемами в управлении цепочками поставок.

3.1. Возможные решения

Как показывают недавние исследования, многое еще предстоит сделать в отношении управления рисками в цепочке поставок (Ганеш, А. Д., и Калпана, П., 2022). Имея это в виду, я резюмирую некоторые из обсуждаемых возможностей развития:

  • Использование НЛП для упреждающего мониторинга рисков. Современные модели обработки естественного языка (НЛП), такие как GPT, могут использоваться для тщательного изучения новостных статей и сообщений в социальных сетях на предмет потенциальных угроз цепочке поставок. Эта информация может генерировать персонализированные оповещения и разрабатывать соответствующие стратегии смягчения последствий. В сочетании с расширенной аналитикой это может дать прогнозную информацию о надвигающихся рыночных потрясениях, что позволит упреждающее управление рисками. В качестве иллюстрации рассмотрите возможность создания бота с использованием OpenAI GPT API для мониторинга определенных медиаканалов. Он может извлекать соответствующие данные из новостных статей и сообщений в социальных сетях и использовать модель GPT, чтобы определить, может ли событие повлиять на ваши операции. Например, во время блокировки Суэцкого канала в 2021 году хорошо настроенная система НЛП могла бы определить событие и предупредить соответствующие заинтересованные стороны, чтобы они начали рассматривать альтернативные маршруты или виды транспорта.
  • Оценка производительности с помощью НЛП и инструментов прогнозирования. Те же инструменты НЛП в сочетании с теорией графов, моделями прогнозирования и классификации позволяют оценивать, классифицировать и рекомендовать поставщиков/грузоотправителей/водителей на основе их исторической эффективности. Это способствует эффективности и прозрачности цепочки поставок, позволяя выявлять и потенциально заменять неэффективные объекты. Рассмотрим модель, которая оценивает историю поставщика в отношении своевременности поставок, качества продукции и скорости реагирования. Это может помочь определить, являются ли они надежным партнером или следует рассмотреть альтернативные источники.
  • Модели прогнозного обслуживания. Модели прогнозного обслуживания позволяют нам прогнозировать проблемы с машинами и оборудованием, улучшая профилактические меры по обслуживанию. Это может сократить время простоя, сократить расходы и продлить срок службы оборудования. Например, модель прогнозирования может анализировать исторические данные о парке грузовиков для доставки, чтобы предвидеть, когда определенные компоненты могут выйти из строя, помогая планировать профилактическое обслуживание и избегать неожиданных поломок.
  • Геопространственный анализ географических рисков. Геопространственный анализ может выявить и оценить географические риски в цепочке поставок, например склад, расположенный в зоне, подверженной наводнениям, что позволяет лучше планировать действия в чрезвычайных ситуациях.
  • Использование Интернета вещей и блокчейна для мониторинга и прогнозирования в реальном времени. Сочетание данных технологий Интернета вещей и блокчейна с прогностическими моделями может расширить возможности мониторинга и отслеживания в реальном времени. Кроме того, он может обеспечивать прогнозирование отклонений в реальном времени, сопровождаемое предупреждениями и стратегиями смягчения последствий. Это повышает прозрачность и отслеживаемость, снижая риски, связанные с мошенничеством, подделкой и несоблюдением требований. (Каур А. и др., 2022 г.).

3.2. Что можно сделать, изучая возможные решения

Основываясь на том, что я видел, я не могу перестать подчеркивать, что организациям следует вкладывать больше ресурсов в разработку симуляций, чтобы понять потенциальное влияние различных стратегических решений. Лучшая вещь? Вам не нужно больше, чем чистый Python и знание предметной области.

Рассмотрим гипотетическую розничную компанию TheRetail. TheRetail рассматривает вопрос о том, следует ли централизовать управление поставками через одного логистического оператора или поддерживать прямые отношения с несколькими поставщиками. Чтобы оценить это решение, они могли запустить моделирование, чтобы оценить потенциальное влияние каждого варианта. Они должны, как минимум, учитывать такие факторы, как экономическая эффективность, скорость доставки, гибкость и уязвимость к сбоям. Давайте представим несколько сценариев:

a) смоделировать ситуацию, когда логистический оператор сталкивается со значительной задержкой или отключением. Как долго TheRetail может поддерживать операции, используя свои текущие запасы? Как это повлияет на их продажи и удовлетворенность клиентов?

b) рассмотрите влияние закрытия поставщика или повышения цен. Мог ли логистический оператор быстро найти замену? Как это соотносится со способностью TheRetail переключать поставщиков в их текущей системе?

Это всего лишь простые примеры, демонстрирующие, что, запуская тысячи или даже миллионы сценариев, любая компания может лучше понять потенциальные риски и преимущества, связанные с каждой стратегией, позволяя при этом принимать более обоснованные решения.

Чтобы знать, мы обсуждали решения, но не упомянули, почему еще так много нужно сделать. Не волнуйтесь, мы рассмотрим это дальше.

4. Проблема данных и будущее цепочки поставок

На данный момент мы выделили три основные проблемы в управлении цепочками поставок — управление запасами, оптимизация сети цепочек поставок и управление рисками. Эти проблемы сосуществуют и взаимодействуют, создавая сложный ландшафт. Ключ к навигации по этому ландшафту и решению этих проблем лежит в области данных. В частности, нам нужны систематические, чистые данные, соответствующие единой таксономии. Как, вероятно, заявил не один разгневанный менеджер по логистике: «Эра управления цепочками поставок с помощью электронных таблиц Excel должна закончиться…»

4.1. Разгадка головоломки с данными

Поэтому неудивительно, что для решения этих проблем необходим подход, ориентированный на данные. Это означает, что нам необходимо учитывать спектр источников данных, охватывающих, но не ограничивающихся: исторические данные о продажах для прогнозирования спроса; Текущие уровни запасов и их местонахождение; Данные о производительности поставщиков; Транспортные расходы и сроки доставки; Тенденции рынка и данные о поведении клиентов; Геополитические данные и обновления новостей для оценки рисков; Данные об использовании оборудования.

Преодолеть проблемы сбора и интеграции данных можно путем внедрения надежной инфраструктуры данных, способной обрабатывать большие объемы данных различных типов. Кроме того, партнерство с поставщиками данных или улучшение внутренних процессов сбора данных может решить проблему нехватки данных.

Помимо простого сбора данных, мы также должны обеспечить нашу способность связывать эти данные последовательным и логичным образом. Другими словами, нам нужна четкая схема базы данных с описанием отдельных сущностей и их взаимосвязей. По сути, нам необходимо реализовать сквозную (E2E) прозрачность цепочки поставок и объединить это огромное количество информации в непротиворечивую базу данных — монументальная задача. Однако есть люди, достаточно смелые (или дерзкие), чтобы справиться с этой задачей и стать катализатором новой эры в управлении цепочками поставок: эры сквозной прозрачности цепочек поставок. Но к чему относится это понятие?

4.2. Будущее — сквозная прозрачность цепочки поставок

Сквозная прозрачность цепочки поставок (E2E) — это революционная концепция в отрасли. Он требует всестороннего и прозрачного представления всех процессов и данных от начала до завершения цепочки поставок. Достижение этой всеобъемлющей видимости включает в себя навигацию по нескольким участникам, сложным процессам и обширным точкам данных. (Долги, А. и др., 2022).

Тем не менее, интегрируя искусственный интеллект (ИИ) по всей цепочке поставок, мы можем использовать передовые возможности аналитики и машинного обучения. Эти технологии на основе искусственного интеллекта интерпретируют и контекстуализируют обширные данные, генерируемые деятельностью цепочки поставок, предлагая бесценную информацию и повышая прозрачность всей цепочки. При этом они создают основу для полной прозрачности.

Как вы можете догадаться, ИИ не только обеспечивает сквозную прозрачность, но и процветает в такой среде. Благодаря прозрачности и доступу ко всем соответствующим данным модели работают более эффективно, обеспечивая более точные и ценные результаты. Эта синергетическая динамика в конечном итоге способствует более активному подходу к управлению цепочками поставок. Как только эта полная прозрачность будет достигнута, все, о чем мы говорили в предыдущем разделе, станет намного проще воплотить в жизнь.

Заключительные замечания

Этот обзор дает представление об преобразующем потенциале технологий искусственного интеллекта и обработки данных в отрасли цепочки поставок. Решая давние проблемы, эти технологии обещают сформировать будущее повышенной эффективности, устойчивости и оперативности в цепочках поставок. Поскольку мы стоим на пороге этого захватывающего рубежа, мы приглашаем вас, наших читателей и коллег-первопроходцев, продолжать изучать и использовать конвергенцию науки о данных и управления цепочками поставок.

Оставайтесь с нами, чтобы не пропустить новые полезные статьи из этой серии, поскольку мы вместе стремимся сделать мир лучше за счет демократизации инновационных решений.

Рекомендации

[1] Долги, А., и Иванов, Д. (2022). 5G в цифровой цепочке поставок и управлении операциями: повышение гибкости, сквозное подключение и прозрачность в режиме реального времени благодаря всеобщему Интернету. Международный журнал производственных исследований, 60(2), 442–451.

[2] Ганеш, А. Д., и Калпана, П. (2022). Будущее искусственного интеллекта и его влияние на управление рисками цепочки поставок — систематический обзор. Компьютеры и промышленная инженерия, 108206.

[3] Каур А., Сингх Г., Кукреджа В., Шарма С., Сингх С. и Юн Б. (2022). Адаптация IoT с блокчейном в управлении цепочками поставок продуктов питания: анализ на основе анализа развития, преимуществ и потенциальных применений. Датчики, 22(21), 8174.

[4] Лим, Б., Арык, С. О., Лефф, Н., и Пфистер, Т. (2021). Преобразователи временного синтеза для интерпретируемого прогнозирования временных рядов с несколькими горизонтами. Международный журнал прогнозирования, 37(4), 1748–1764.

[5] Шарма, Р., Шишодия, А., Гунасекаран, А., Мин, Х., и Муним, З. Х. (2022). Роль искусственного интеллекта в управлении цепочками поставок: картографирование территории. Международный журнал производственных исследований, 60(24), 7527–7550.