Bez kategorii

Myślące łańcuchy dostaw

4 października 2018

E-handel zrewolucjonizował już wiele aspektów funkcjonowania łańcucha dostaw w XXI wieku. A obecnie działające firmy, takie jak np. Amazon, patentują rozwiązania nazywane „Anticipatory Shipping” („Przewidywaną wysyłką”), co w praktyce oznacza, że Twoje przyszłe zamówienie mogło już zostać wysłane do najbliższego centrum dystrybucyjnego w oczekiwaniu na spodziewany zakup.

W jaki sposób robi to wspomniany Amazon? Odpowiedzią są zaawansowane i skomplikowane algorytmy uczenia maszynowego, które mogą przetwarzać duże ilości danych i przewidywać zapotrzebowanie na poziomie szczegółowym, aby pomóc firmie zoptymalizować procesy łańcucha dostaw i zadowolić klientów. Tradycyjnie w dziedzinie prognozowania organizacje polegały na mieszance doświadczonych pracowników i podstawowych modeli w arkuszach kalkulacyjnych. Inną powszechną tendencją było stosowanie metody „z góry na dół” – prognozowanie na pewnym wyższym poziomie, np. ogólnej sprzedaży kategorii, a następnie dokonanie przydziału procentowego na poziomie szczegółowym, odwołując się do wzorca historycznego.

[emaillocker id=”2517″]

Jednak wspomniane tradycyjne metody są podatne na liczne ograniczenia w scenariuszach obsługi, które często występują w nowoczesnych łańcuchach dostaw. Po pierwsze różne kanały/segmenty/ produkty mogą mieć różne wskaźniki wzrostu (i/lub wykazywać sezonowość), które nie są prawidłowo rejestrowane zarówno za pomocą wspomnianych metod. Po drugie – różne działy organizacji przyjmują założenia i hipotezy bazując na swoich doświadczeniach, co nieraz dostarcza bardzo różnych prognoz. Po trzecie ten sam produkt może być wytwarzany przez więcej niż jeden zakład, a ten sam klient obsługiwany przez więcej niż jeden magazyn. Dlatego optymalizacja inwentaryzacji i planowania produkcji staje się coraz trudniejsza przy stosowaniu tradycyjnych narzędzi. Po czwarte specjalne wydarzenia, takie jak promocje, zapewniają wysoki wzrost sprzedaży, który może zakłócić funkcjonowanie łańcucha dostaw z powodu efektu byczego bicza. Po piąte przedmioty charakteryzowane przez długi ogon (wolno rotujące) są jeszcze trudniejsze do zdefiniowania, ponieważ towary te są zamawiane rzadko i w mniejszych ilościach. Wreszcie inne czynniki, takie jak wprowadzanie nowych produktów, wejście na nowe rynki, obsługa tysięcy jednostek SKU, duże zbiory danych Big Data itp. dodatkowo zmniejszają dokładność prognozowania tradycyjnych narzędzi.

Fiasko uniwersalnego podejścia

Ostatnio wiele firm zaczęło do prognozowania wykorzystywać także oprogramowanie służące planowaniu zasobów przedsiębiorstwa (ERP). Jednak niewielu wie o ograniczeniach takich narzędzi. Oprogramowanie próbuje przewidzieć popyt bez zrozumienia, jakie czynniki go napędzają. Ponadto większość algorytmów prognostycznych wymaga niewielkiego dostosowania w celu adaptacji do scenariusza biznesowego obejmującego optymalną wydajność, z czym większość rozwiązań opartych na ERP sobie nie radzi. Tworzenie modeli prognozowania jakości wymaga porzucenia uniwersalnego podejścia i uwzględnienia zrozumienia działania biznesu w modelu prognostycznym.

W związku z tym istnieje ogromna potrzeba ograniczenia ręcznego podejmowania decyzji, użycia arkuszy kalkulacyjnych i prognoz opartych na systemie ERP oraz wymóg wykorzystania inteligentnych narzędzi do rozwiązywania łamigłówek prognostycznych. Również podejście oddolne – prognozowanie na poziomie szczegółowym, a następnie agregacja danych – miałoby większy wpływ na działalność biznesową.

Techniki szeregu czasowego i regresji

Wszyscy wiemy, że dane historyczne mogą dostarczyć cennych informacji umożliwiających podejmowanie trafnych decyzji w przypadku każdej funkcji biznesowej. Niemożliwe jest jednak ręczne wygenerowanie prawidłowych danych, a precyzyjne prognozowanie przy użyciu takiej metody okazuje się bardzo trudne. Jak więc poprawić wydajność łańcuchów dostaw i dokładność prognoz w firmach, w których tysiące produktów są wytwarzane w wielu fabrykach, przechowywane w wielu magazynach i sprzedawane milionom klientów? To tutaj potrzebujemy pomocy zaawansowanych narzędzi analitycznych, które mogą przeszukiwać masy historycznych punktów danych i uwzględniać informacje pomocne w ulepszeniu naszych przyszłych działań. Narzędzia do uczenia maszynowego oferują taką możliwość. Ze względu na ich sposób uczenia się, wspomniane modele mogą być stosowane do generowania prognoz, a także zlecania działań, takich jak ustalanie poziomu zapasów i decydowanie o optymalnej wielkości produkcji. Istnieją dwa główne rodzaje technik prognostycznych – szereg czasowy i prognozy oparte na regresji. W przypadku pierwszego dane historyczne sprzedaży produktu są wykorzystywane do prognozowania sprzedaży przyszłej. W modelach opartych na regresji najpierw ustalana jest relacja między sprzedażą a parametrami mającymi na nią wpływ. Ta modelowana zależność, wraz z przyszłymi wartościami parametrów, jest następnie wykorzystywana do prognozowania sprzedaży.

Metody prognozowania oparte na uczeniu maszynowym wykorzystują metodę opartą na regresji. Mogą automatycznie wykrywać i modelować złożone zależności między bodźcami (parametry niezależne, które mogą wpływać na sprzedaż) a wynikiem (w tym przypadku sprzedażą). Zatem wszystko, co musi zrobić użytkownik, to zrozumieć kontekst biznesowy i dostarczyć dane zarówno dla parametrów, jak i sprzedaży.

Korzyść z równania

Najpierw zrozumiemy działanie prostego modelu prognostycznego opartego na uczeniu maszynowym. Modele tego typu opisują zależność między zmiennymi niezależnymi i zmienną zależną w postaci równania. Przyjrzyjmy się przykładowym danym dotyczącym sprzedaży dla sklepu odzieżowego:

Liniowy model uczenia maszynowego przewidujący sprzedaż różnych produktów wyglądałby następująco:

Sprzedaż= w1 x1 + w2 x2 + w3 x3 + w4 x4

X1, x2, x3, x4 odpowiadają tutaj odpowiednio takim pojęciom jak „cena”, „kolor”, „promocja”, „sprzedaż w poprzednim miesiącu”. Na podstawie danych historycznych model będzie kształtować i obliczać każdą z wag (w1, w2, w3, w4), a następnie używać tego samego równania dla wykonania przyszłych prognoz.

Powyższy model jest bardzo uproszczoną wersją wdrażanych obecnie algorytmów. Teraz spróbujemy zrozumieć jak działają zaawansowane algorytmy uczenia maszynowego, takie jak Sieci Neuronowe i Głębokie Uczenie. Sztuczne sieci neuronowe inspirowane są pracą ludzkiego mózgu i wyróżniają się przy rozpoznawaniu złożonych, nieliniowych wzorców. Między warstwami wejściowymi i wyjściowymi istnieje warstwa ukryta, która może modelować złożone relacje i współzależności między motorami popytu.

Czym więc różni się uproszczony model liniowy od sieci neuronowych? Aby to zrozumieć, przyjmijmy prosty scenariusz i spróbujmy przewidzieć, ile wydamy dziś na zakupy? W związku z powyższym zadajmy sobie pytania:

  1. Czy w nadchodzących tygodniach będę uczestniczyć w jakimś wydarzeniu?
  2. Czy przyjaciele będą towarzyszyć mi podczas zakupów?
  3. Czy coś ostatnio kupiłem/-łam?
  4. Jaki będzie wówczas dzień miesiąca?
  5. Jaki posiadam limit na karcie?
  6. Czy nie jest zbyt zimno?

 Prosty model przypisuje wagi każdemu z parametrów, mnoży każdą wartość przez odpowiednią wagę i po prostu je dodaje. Jednak scenariusze z prawdziwego życia są znacznie bardziej skomplikowane. Niektórych parametrów nie można rozpatrywać w izolacji od pozostałych i właśnie to działanie sieci neuronowe są w stanie wykonać lepiej – rozpoznają niestandardowe wzorce i współzależności ze względu na ukryte warstwy. Sieci neuronowe lepiej modelują rzeczywistość – o tym, ile wydam decyduje nieliniowa i złożona interakcja powyższych oraz wiele innych parametrów.

Techniki głębokiego uczenia się stanowią rozszerzenie powyższej koncepcji – wykorzystują wiele ukrytych warstw, dzięki czemu są w stanie wykryć znacznie bardziej skomplikowane wzorce. Znajdują zastosowanie w rozwiązywaniu niektórych z najtrudniejszych problemów Sztucznej Inteligencji, takich jak rozpoznawanie głosu czy Wirtualni Osobiści Asystenci.

Studium przypadku

Dla jednej z wiodących firm zajmujących się produkcją wyrobów przemysłowych w Indiach NeenOpal opracował prognozę popytu i algorytm zarządzania zapasami w celu optymalizacji łańcucha dostaw. Firma zmagała się z dwoma poważnymi problemami. Po pierwsze – wyższe koszty zapasów ze względu na nierotujące i wolno rotujące produkty. Po drugie (w przypadku niektórych pozycji) scenariusze dotyczące niedostępności produktów, które prowadziły do ​​niezadowalającego poziomu obsługi klienta, utraty sprzedaży i zmian w produkcji ad-hoc. Problem dodatkowo potęgowała dynamika biznesu. Niektóre zapasy musiały być przechowywane w każdym z regionalnych magazynów, aby zaspokoić mniejszy popyt. Wiele zakładów może wytwarzać te same SKU. Firma produkowała ponad 1400 jednostek SKU, z których wiele cechowało się wyjątkowo sezonowymi lub zmiennymi wzorcami popytu. NeenOpal najpierw opracował model prognozowania oparty na uczeniu maszynowym, który rozpoczął pracę na poziomie szczegółowym – prognozowanie sprzedaży dla każdej pozycji na poziomie regionalnym, a następnie sumowanie na poziomach wyższych. Trzy główne elementy – historyczne dane dotyczące sprzedaży, czynniki wewnętrzne wpływające na sprzedaż i parametry kontekstowe – zostały połączone w formie danych wejściowych dla uzyskania wysokiej dokładności prognozowania.

Wniosek

Zaawansowane metody uczenia maszynowego stosujemy, aby poznać złożoną zależność między popytem a wpływającymi na niego parametrami. Aplikacje do takich algorytmów obejmują optymalizację prawie każdego elementu w łańcuchu dostaw – produkcji, logistyki, magazynowania, dystrybucji, sprzedaży, obsługi posprzedażnej itp. Dzięki znacznie ulepszonym systemom danych, to odpowiedni czas dla firm, aby wykorzystać zalety prognozowania opartego na uczeniu maszynowym. Mamy nadzieję, że kolejna fala innowacyjnych zastosowań w tej dziedzinie będzie pochodzić od nowych organizacji, a nie tylko od twórców trendów, takich jak Amazon.

Odniesienia

Brian Myerholtz i Henry Caffrey, 4 listopad 2014 r., Perspektywy BCG, Prognozowanie popytu: Klucz do poprawy wydajności łańcucha dostaw link

XenonStack, 16 lipiec 2017 r., Przegląd Sztucznych Sieci Neuronowych i ich zastosowań link

Joseph Shamir, 4 kwartał 2014 r., Uczenie maszynowe: Nowe narzędzie dla lepszego prognozowania link

O Marketingu, Forbes, 28 styczeń 2014 r., Dlaczego Przewidywana Wysyłka od Amazona to genialny pomysł link

[/emaillocker]

Artykuł po raz pierwszy ukazał się na łamach czasopisma “Logistics Manager” nr 1(1) luty-kwiecień 2018, s.92-98.

Jeśli zaciekawił Cię artykuł, sprawdź jak możesz uzyskać dostęp do kolejnych wydań. KLIKNIJ TUTAJ