یادگیری ماشین چگونه مدیریت زنجیرۀ تأمین را متحول خواهد کرد

این فناوری با استفادۀ بهتر از داده‌ها و پیش‌بینی‌ها، تصمیم‌گیری را بهبود می‌بخشد.

ما شرکت‌ها هنوز هم با این چالش دست‌وپنجه نرم می‌کنند. یکی از علل اصلی‌اش پیش‌بینی‌های معیوب است که منجر به تأخیر در تحویل، ناهماهنگی بسیار بین میزان موجودی و تقاضا و عملکرد مالی ناامیدکننده می‌شود. این پیامدها چندان هم غیرمنتظره نیستند. زیرا وقتی پیش‌بینی‌های تقاضا به‌طور گسترده اشتباه هستند، چگونه می‌توان برای میزان موجودی و تولید، تصمیمات کارآمدی گرفت؟

ما راهی برای رفع این ناکارآمدی یافته‌ایم. در این الگوی جدید برای ارائهٔ توصیه‌های بسیار بهتر برای تصمیمات زنجیرهٔ تأمین از یادگیری ماشین و داده‌های مربوط به گذشته استفاده می‌کنیم. روش‌های فعلی یادگیری ماشین بر تلاش برای ارائهٔ پیش‌بینی‌های دقیق‌تر تمرکز دارند، اما تمرکز روش ما بر تصمیم‌گیری‌های قابل اتکا است. این روش جدید که ما آن را یادگیری ماشین بهینه (OML) می‌نامیم، از فناوری هوش مصنوعی استفاده می‌کند تا یک مدل ریاضی ایجاد کند که داده‌های کلیدی مرتبط با زنجیرهٔ تأمین را می‌گیرد (گره‌های شبکه، موقعیت مکانی آن‌ها، معاملات فروش و حمل و نقل، شاخص‌های مالی، تبلیغات بازاریابی، محدودیت‌های تدارکاتی و ظرفیتی و غیره) و آن‌ها را با تصمیمات برنامه‌ریزی پیوند می‌دهد (به‌طور مثال، چه مقدار از محصولی تولید شود یا در هر مکانی چه مقدار از موجودی انبار شود.) این مدل می‌تواند اولویت‌های یک شرکت (مانند سطح خدمات مشتریان که طبق قراردادی موظف است یا می‌خواهد که به آن دست یابد)، محدودیت‌های بودجه‌ و سایر محدودیت‌های منابعش (مانند در دسترس‌بودن مواد اولیه و نیروی کار) را در نظر بگیرد. این داده‌ها به‌گونه‌ای ذخیره می‌شوند که امکان به‌روزرسانی لحظه‌ای و اصلاح سریع محاسباتی را فراهم می‌کنند که در تصمیم‌گیری دخیل هستند.

برای مشاهده ادامه متن مقاله، اشتراک تهیه نمایید.