Машинное обучение и большие данные при оптимизации цепи поставок
Минимизация издержек и доставка "точно в срок" для ритейла и производителей потребительских товаров
ML и Big Data задача для руководителя цепи поставок организации
Внедрение машинного обучения стоит начинать, если
- в организации внедрена единая система управления закупками и запасами. Это может быть SAP, 1С или другая.
- в стратегии цифровизации есть задачи повышения производительности без наращивания штата сотрудников.
Если оба пункта выполнены, то ML/BigData задачу можно сформулировать так:
Как [руководитель цепи поставок], я хочу [видеть всю цепочку поставки в точку как набор данных], для [принятия решений на основе данных для минимизации издержек или ускорения доставки].
- в организации внедрена единая система управления закупками и запасами. Это может быть SAP, 1С или другая.
- в стратегии цифровизации есть задачи повышения производительности без наращивания штата сотрудников.
Если оба пункта выполнены, то ML/BigData задачу можно сформулировать так:
Как [руководитель цепи поставок], я хочу [видеть всю цепочку поставки в точку как набор данных], для [принятия решений на основе данных для минимизации издержек или ускорения доставки].
ПОЛУЧИТЕ КОНСУЛЬТАЦИЮ ПО ЦЕЛЕСООБРАЗНОСТИ ВНЕДРЕНИЯ ML И BIG DATA МЕТОДОВ В ВАШЕЙ ОРГАНИЗАЦИИ
ML и Big Data подход BAI GEM к решению задач оптимизации цепи поставок
В основе подхода лежит объединение [факторов времени, географии и возможностей производства] с [прогнозом спроса] в рамках задачи оптимизации цепи поставок .
Задача прогнозирования спроса решается при внедрении ML подхода в управлении закупками и запасами.
Рассмотрим факторы географии и времени.
Торговая сеть «Дорого и точка» действует в Москве и Поволжье. Они заказали живой рыбы у производителя в Санкт-Петербурге.
Оказалось, что если доставлять из Санкт-Петербурга в Нижний Новгород прямым рейсом , то затраты на доставку сильно повысят стоимость рыбы. Поэтому часть потребителей откажется от ее покупки, придется продавать ниже себестоимости. И в итоге при прямой доставке сеть понесет убытки.
Поэтому разумно везти через Москву, распределить рыбу по магазинам там и уже после этого ехать в Нижний новгород. Это минимизирует стоимость доставки. Однако это сильно удлинит срок доставки и возникнет риск не довести продукт до конечного потребителя в Нижнем Новгороде.
Этот кейс помогает сформировать основные моменты при учете географии и времени:
Обычно мы хотим найти поставщика, который находится как можно ближе к конечному потребителю, чтобы свести к минимуму общее время в пути.
Доставщик должен прибыть в нужное время.
Группирование несколько заказов в одном также помогает снизить стоимость доставки
При доставке 1 - 2 продуктов задача кажется несложной для для ручного подбора маршрута. Но когда количество наименований в ассортименте превышает 2000 — нагрузка на отдел логистики возрастает нелинейно. И все равно ошибки будут снижать воспринимаемый уровень сервиса и прибыль организации. А еще вручную никто не станет планировать спрос на подкатегории товаров. На примере кофе – есть Classic, есть Gold, Gold Aroma Intenso и т.д. Вручную никто не станет ни прогнозировать спрос на подкатегории, ни выбирать оптимальный с точки зрения времени и географии маршрут.
BAI Gem решает данную задачу следующим способом:
Создаем модель для прогнозирования каждого отдельного заказа, магазина и доставщика
Вторая модель это модель оптимизации. Она принимает на вход данные первой модели. Затем дает окончательные рекомендации о том, какие заказы каким поставщикам предлагать.
В совокупности модели преобразуют большой массив данных в набор решений об отправке.
Задача прогнозирования спроса решается при внедрении ML подхода в управлении закупками и запасами.
Рассмотрим факторы географии и времени.
Торговая сеть «Дорого и точка» действует в Москве и Поволжье. Они заказали живой рыбы у производителя в Санкт-Петербурге.
Оказалось, что если доставлять из Санкт-Петербурга в Нижний Новгород прямым рейсом , то затраты на доставку сильно повысят стоимость рыбы. Поэтому часть потребителей откажется от ее покупки, придется продавать ниже себестоимости. И в итоге при прямой доставке сеть понесет убытки.
Поэтому разумно везти через Москву, распределить рыбу по магазинам там и уже после этого ехать в Нижний новгород. Это минимизирует стоимость доставки. Однако это сильно удлинит срок доставки и возникнет риск не довести продукт до конечного потребителя в Нижнем Новгороде.
Этот кейс помогает сформировать основные моменты при учете географии и времени:
Обычно мы хотим найти поставщика, который находится как можно ближе к конечному потребителю, чтобы свести к минимуму общее время в пути.
Доставщик должен прибыть в нужное время.
Группирование несколько заказов в одном также помогает снизить стоимость доставки
При доставке 1 - 2 продуктов задача кажется несложной для для ручного подбора маршрута. Но когда количество наименований в ассортименте превышает 2000 — нагрузка на отдел логистики возрастает нелинейно. И все равно ошибки будут снижать воспринимаемый уровень сервиса и прибыль организации. А еще вручную никто не станет планировать спрос на подкатегории товаров. На примере кофе – есть Classic, есть Gold, Gold Aroma Intenso и т.д. Вручную никто не станет ни прогнозировать спрос на подкатегории, ни выбирать оптимальный с точки зрения времени и географии маршрут.
BAI Gem решает данную задачу следующим способом:
Создаем модель для прогнозирования каждого отдельного заказа, магазина и доставщика
Вторая модель это модель оптимизации. Она принимает на вход данные первой модели. Затем дает окончательные рекомендации о том, какие заказы каким поставщикам предлагать.
В совокупности модели преобразуют большой массив данных в набор решений об отправке.
СПЕЦИАЛИСТЫ ПО ДАННЫМ BAI GEM СОЗДАДУТ РЕШЕНИЕ В СООТВЕТСТВИИ С ЗАДАЧАМИ ВАШЕЙ ОРГАНИЗАЦИИ
Эффекты от внедрения ML и Big data для оптимизации цепи поставок
Сокращение стоимости доставки на 1 - 10 %
Доставка “точно в срок”
Снижение количества персонала.
Машинное обучения сократит количество персонала в отделе управления цепями поставок до 2- 3 человек.