Устранение сбоев в цепочке поставок сводится к математике

Логистический хаос - не новое явление в мире цепочек поставок, но масштабы потрясений, вызванных COVID-19, никогда не были видны заинтересованным сторонам:по данным Accenture, 94% компаний из списка Fortune 1000 испытали сбои из-за пандемии.

К счастью, сегодня предприятия имеют в своем распоряжении целый ряд технологий искусственного интеллекта, таких как математическая оптимизация, которые помогают бороться с сбоями в цепочке поставок и преодолевать их.

Математическая оптимизация давно зарекомендовала себя как основная технология планирования и операций в цепочке поставок. С 1980-х годов компании во всем мире бизнеса использовали широкий спектр готовых и индивидуальных приложений для планирования, не только для повышения эффективности и прибыльности, но и для управления сбоями и смягчения их последствий. Такие технологии на протяжении многих лет были ключевым инструментом для повышения гибкости и устойчивости цепочки поставок.

Математическая оптимизация позволяет планировщикам и другим ключевым заинтересованным сторонам принимать два типа решений:

• Реактивный. Они могут обнаруживать сбои в реальном времени и быстро и эффективно реагировать на них, выявляя первопричины и динамически перераспределяя ресурсы, тем самым сокращая время до восстановления.
• Активно . Они могут анализировать риски цепочки поставок и предвидеть возможные сбои.

Вот как математическая оптимизация может стимулировать принятие оптимальных ответных и проактивных решений и устранять сбои в цепочке поставок.

Модель из трех частей

Каждое приложение математической оптимизации состоит из двух элементов:решателя (основанного на алгоритмах механизма решения проблем) и модели (представления или цифрового двойника реальной операционной среды со всей ее сложностью и проблемами).

Модель может включать в себя определенные элементы цепочки поставок (такие как поставщики, производство, логистика и складские операции) или может охватывать всю сквозную сеть.

Каждая модель состоит из трех частей:

• Переменные решения . Решения, которые принимаются на разных этапах цепочки поставок;
• Ограничения. Бизнес-правила, которые необходимо соблюдать;
• Бизнес-цели . Многочисленные (и часто противоречащие друг другу) бизнес-цели, такие как минимизация затрат и уровней запасов или максимальное использование ресурсов, своевременная доставка и удовлетворенность клиентов.

В случае сбоя приложения математической оптимизации, поскольку они построены на моделях, которые понимают и отражают поведение реальной цепочки поставок, позволяют пользователям достичь:

• Видимость . Мгновенно выявляйте источники сбоев, такие как узкие места в производственных мощностях и внезапные колебания спроса и предложения;
• Гибкость . Измените модель, внося корректировки и даже добавляя новые ограничения, переменные решения и бизнес-цели, чтобы отразить текущие условия работы по всей цепочке поставок;
• Ловкость. Динамически и автоматически повторно оптимизируйте планы и расписания и определяйте наилучший курс действий для устранения сбоев как можно быстрее и эффективнее.

С помощью приложения математической оптимизации компании могут поддерживать видимость и контроль над сквозной сетью в режиме реального времени, чтобы при возникновении сбоев они могли легко определить первопричины и быстро предпринять необходимые шаги для их устранения и сохранения непрерывности бизнеса. .

"Непрерывный интеллект"

Машинное обучение, вероятно, самый известный аспект искусственного интеллекта, основывается на исторических данных. В отличие от этого, математическая оптимизация опирается на последние доступные данные для предоставления предписывающей аналитики в реальном времени или, как это называет Gartner, «непрерывного анализа» всей сети цепочки поставок.

Когда происходит серьезное нарушение цепочки поставок, как это было во время пандемии COVID-19, компании не могут полагаться на данные из прошлого, которые помогут справиться с беспрецедентными финансовыми и операционными проблемами.

Поскольку они используют самые последние доступные данные и модели, которые фиксируют текущие условия в операционной сети, приложения математической оптимизации способны автоматически генерировать лучшие решения современных проблем цепочки поставок, обеспечивая непрерывный анализ и принятие оптимальных решений.

Изучение рисков

Важной частью устранения сбоев в цепочке поставок является оценка рисков, планирование и подготовка к будущему. Благодаря возможности математической оптимизации по анализу сценариев компании могут:

• Исследуйте различные сценарии спроса, предложения, запасов, мощности, макроэкономические, геополитические и другие сценарии «что, если» и оценить их потенциальное влияние на бизнес.
• Раскрыть скрытые риски и оценить подверженность риску и время для восстановления в случае сбоя, такого как стихийное бедствие, производственная или транспортная поломка.
• Разблокировать возможности для снижения рисков и повышения устойчивости цепочки поставок за счет перераспределения ресурсов или изменения конфигурации цепочки поставок.

Функциональность математической оптимизации по анализу сценариев позволяет компаниям изолировать свои цепочки поставок от воздействия сбоев в будущем, позволяя принимать упреждающие стратегические решения во многих областях, включая капитальные вложения, выбор поставщика, планирование мощностей и запасов, а также расположение производственных и складских помещений. / P>

Во время пандемии COVID-19 мы пережили беспрецедентную волну сбоев в цепочке поставок, которая вызвала значительный и продолжительный хаос в мировой экономике и поставила огромные проблемы для профессионалов в цепочке поставок. Математическая оптимизация зарекомендовала себя как мощное оружие для борьбы с такими сбоями, одновременно повышая эффективность и прибыльность цепочки поставок. Этот А. Технологии по-прежнему будут важным инструментом для руководителей цепочек поставок, поскольку они ориентируются в постоянно меняющемся бизнес-ландшафте.

Эд Ротберг - соучредитель и главный исполнительный директор Gurobi.