Математическая оптимизация: ключ к устойчивым цепочкам поставок

Логистический хаос не новое явление в мире цепочек поставок, но масштаб переворота, вызванного COVID-19 — то, чего стейкхолдеры никогда не видели раньше: 94% компаний Fortune 1000 пережили срывы от пандемии, согласно Accenture.

К счастью, бизнесы сегодня имеют ряд технологий искусственного интеллекта таких как математическая оптимизация на их распоряжении, чтобы помочь бороться и преодолевать срывы цепочек поставок.

Математическая оптимизация давно установлена как go-to технология для планирования и операций цепочек поставок. С 1980-х годов компании через бизнес-мир опирались на широкий массив готовых и беспорядковых планировочных приложений, не только чтобы драйвить большую эффективность и рентабельность, но также для управления и смягчения срывов. Такие технологии были поворотным инструментом за годы для поощрения гибкости и устойчивости цепочек поставок.

Математическая оптимизация облегчает два типа принятия решений для планировщиков и других ключевых стейкхолдеров:

• Реактивные. Они могут чувствовать срывы в реальном времени и отвечать на них быстро и эффективно, идентифицируя корневые причины и динамически перераспределяя ресурсы, тем самым сокращая время до восстановления.
• Проактивные. Они могут анализировать риски цепочек поставок и предвосхищать потенциальные срывы.

Вот как математическая оптимизация может драйвить оптимальные реактивные и проактивные решения, и адресовать срывы цепочек поставок.

Трехчастная модель

Каждое приложение математической оптимизации по сути состоит из двух элементов: солвера (алгоритмического движка решения проблем) и модели (представления или цифрового двойника реальной операционной среды, со всей ее сложностью и вызовами).

Модель может инкапсулировать специфические элементы цепочки поставок (такие как поставщики, производство, логистика и складские операции), или она может охватывать всю end-to-end сеть.

Каждая модель состоит из трех частей:

• Переменные решений. Решения, принимаемые в различных точках через цепочку поставок;
• Ограничения. Бизнес-правила, которые должны быть соблюдены;
• Бизнес-цели. Множественные (и часто конфликтующие) бизнес-цели, такие как минимизация затрат и уровней инвентаря, или максимизация утилизации ресурсов, производительности своевременной доставки и удовлетворенности клиентов.

Когда срыв происходит, приложения математической оптимизации, потому что они построены на моделях, понимающих и воплощающих то, как ведет себя реальная цепочка поставок, позволяют пользователям достичь:

• Видимость. Мгновенно идентифицировать источники срыва, такие как бутылочные горлышки мощности и внезапные флуктуации в поставке и спросе;
• Гибкость. Модифицировать модель путем корректировок и даже добавления новых ограничений, переменных решений и бизнес-целей для отражения текущих операционных условий через цепочку поставок;
• Гибкость/проворность. Динамически и автоматически реоптимизировать планы и расписания, и определить лучший курс действий для разрешения срыва максимально быстро и эффективно.

С приложением математической оптимизации компании могут поддерживать видимость и контроль в реальном времени над end-to-end сетью, так что когда срывы бьют, они могут легко указать корневые причины и быстро предпринять необходимые шаги для их исправления и сохранения бизнес-непрерывности.

«Непрерывная интеллигенция»

Машинное обучение, вероятно, самый известный аспект ИИ, полагается на исторические данные. Напротив, математическая оптимизация черпает из последних доступных данных для доставки реального времени прескриптивной аналитики, или, как называет это Gartner, «непрерывной интеллигенции» через сеть цепочек поставок.

Когда серьезный срыв цепочки поставок бьет, как это случилось во время пандемии COVID-19, компании не могут зависеть от данных из прошлого для помощи в навигации беспрецедентных финансовых и операционных вызовов.

Потому что они используют последние доступные данные и модели, захватывающие текущие условия через операционную сеть, приложения математической оптимизации способны автоматически генерировать лучшие решения для сегодняшних проблем цепочек поставок, и давать непрерывную интеллигенцию и оптимальное принятие решений.

Важная часть управления срывом цепочек поставок — оценка риска и планирование и подготовка для будущего. С возможностью сценарийного анализа математической оптимизации компании могут:

• Исследовать различные сценарии чего-если по поставке, спросу, инвентарю, мощности, макроэкономике, геополитике и другие, и оценивать их потенциальный эффект на бизнес.
• Раскрыть скрытые риски и измерить воздействие риска и время восстановления в случае срыва такого как природная катастрофа, или производственный или транспортный срыв.
• Разблокировать возможности для смягчения риска и драйва улучшенной устойчивости цепочек поставок, путем перераспределения ресурсов или переконфигурации цепочки поставок.

Функциональность сценарийного анализа математической оптимизации позволяет компаниям изолировать свои цепочки поставок от воздействия будущих срывов, позволяя проактивные, стратегические решения в множественных областях, включая капитальные инвестиции, выбор поставщиков, планирование мощности и инвентаря, и локацию производственных и складских объектов.

Во время пандемии COVID-19 мы пережили беспрецедентную волну срыва цепочек поставок, которая вызвала значительное и длительное хаос в глобальной экономике и поставила огромные вызовы для профи цепочек поставок. Математическая оптимизация доказала себя мощным оружием для битвы с такими срывами, в то время как бустинг эффективности и рентабельности цепочек поставок. Эта технология ИИ будет продолжать быть существенным инструментом для лидеров цепочек поставок как они навигируют постоянно меняющийся бизнес-ландшафт.

Эд Ротберг — сооснователь и главный исполнительный директор Gurobi.