תוֹכֶן
- איך עובד שרשרת אספקה
- מהן נקודות כאב בניהול שרשרת האספקה?
- כיצד לימוד מכונות יכול לעזור
- אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
- באילו תחומים צריך שיפור?
- מקרי שימוש מעשיים
- סיכום
מקור: Trueffelpix / Dreamstime.com
להסיר:
על מנת שעסק יצליח עליו להיות בעל שרשרת אספקה מנוהלת כראוי. למידת מכונה מסייעת בשיפור הדיוק והיעילות של ניהול שרשרת האספקה.
בעולם העסקים הפכפך והמורכב של ימינו, קשה מאוד ליצור מודל חיזוי ביקוש לרשתות אספקה. רוב טכניקות החיזוי מניבות תוצאות מאכזבות. לעיתים קרובות נמצא כי שורשי הגורמים שמאחורי טעויות אלה טמונים בטכניקות המשמשות בדגמים הישנים. מודלים אלה אינם מיועדים ללמוד באופן רציף מהנתונים ולקבל החלטות. לכן הם מתיישנים כשמגיעים נתונים חדשים ומתבצעים תחזיות. התשובה לבעיה זו היא למידת מכונות, מה שיכול לעזור לרשת אספקה לחזות ביעילות ולנהל אותה כראוי. (למידע נוסף על מכונות ואינטליגנציה ראו מכונות חשיבה: דיון בינה מלאכותית.)
איך עובד שרשרת אספקה
שרשרת האספקה של החברה מנוהלת על ידי מערכת ניהול שרשרת האספקה שלה. שרשרת אספקה פועלת לבקרת תנועה של סוגים שונים בעסק. זה כולל גם אחסון של חומרים במלאי. אז ניהול שרשרת האספקה הוא תכנון, בקרה וביצוע של פעילויות שרשרת האספקה היומיומיות, במטרה לשפר את איכות העסק ואת שביעות רצון הלקוחות, תוך שלילת בזבוז סחורות, בכל צמתים של עסק.
מהן נקודות כאב בניהול שרשרת האספקה?
חיזוי הדרישות הוא אחד החלקים הקשים ביותר בניהול שרשרת האספקה. הטכנולוגיה הקיימת כיום לחיזוי מציגה בפני המשתמש תוצאות לא מדויקות, וגורמת לו לטעות כלכליות חמורות. הם אינם יכולים להבין כראוי את דפוסי השוק המשתנים ואת תנודות השוק, וזה פוגע ביכולתו לחשב נכון את מגמות השוק ולספק תוצאות בהתאם.
לעתים קרובות, בגלל מגבלות החיזוי של הביקוש, צוות התכנון נוטה להתייאש. הם מאשימים את המנהיגים בחוסר העניין שלהם בשיפור תהליך התכנון. אתגר זה מתעורר בגלל העובדה שהנתונים שנאספים מדרישות הלקוח הופכים מורכבים יותר ויותר. בעבר ניתן היה לפרש זאת בקלות רבה. עם זאת, כאשר טכנולוגיות חדשות יותר לייצור נתונים נכנסות לפעולה, הנתונים הפכו מורכבים מאוד וכמעט בלתי אפשריים לניהול בעזרת טכנולוגיה קיימת.
בעבר ניתן היה לחשב את הדרישות בקלות על ידי שימוש בדפוס דרישה היסטורי פשוט. אולם כעת, ידוע כי הביקוש משתנה בהתראה קצרה מאוד, ולכן נתונים היסטוריים אינם מועילים.
כיצד לימוד מכונות יכול לעזור
לא ניתן לפתור בעיות אלה על ידי אלגוריתמים מסורתיים בגלל תנודותיהם. עם זאת, בעזרת למידת מכונות, חברות יכולות לפתור אותן בקלות. למידת מכונה היא סוג מיוחד של טכנולוגיה דרכה מערכת המחשבים יכולה ללמוד דברים שימושיים רבים מהנתונים הנתונים. בעזרת למידת מכונות, חברות יכולות לדגמן אלגוריתם רב עוצמה אשר ילך עם זרימת השוק. בשונה מאלגוריתמים מסורתיים, למידת מכונה לומדת מתרחיש השוק ויכולה ליצור מודל דינאמי.
אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
אינך יכול לשפר את כישורי התכנות שלך כאשר לאף אחד לא אכפת מאיכות התוכנה.
באמצעות למידת מכונה, מערכת המחשבים יכולה למעשה לעדן את המודל ללא עזרה מכל אינטראקציה אנושית. המשמעות היא שככל שיותר נתונים ייכנסו למאגר מערכת למידת המכונה, הם יהפכו חכמים יותר והנתונים יהפכו לניהול וקל יותר לפרשנות.
למידת מכונה יכולה להשתלב גם במקורות נתונים גדולים כמו מדיה חברתית, שווקים דיגיטליים ואתרים אחרים מבוססי אינטרנט. זה עד כה לא אפשרי עם מערכות תכנון שוטפות. במילים פשוטות זה אומר שחברות יכולות להשתמש באותות נתונים מאתרים אחרים שנוצרים על ידי צרכנים. נתונים אלה כוללים נתונים מאתרי רשתות חברתיות ומקומות שוק מקוונים. נתונים אלה עוזרים לחברה לדעת כיצד טכניקות חדשות יותר כמו פרסום ושימוש במדיה יכולות לשפר את המכירות.
באילו תחומים צריך שיפור?
ישנם מקומות רבים שבהם ניתן להשתמש בשיפור למידת מכונה. עם זאת, ישנם שלושה מקומות עיקריים שבהם נהלי התכנון המסורתיים יוצרים בעיות. להלן בעיות אלה ושיפור היבטים אלה באמצעות למידת מכונות:
בעיות צוות התכנון
לעיתים קרובות צוותי התכנון משתמשים בטכניקות חיזוי ישנות, הכרוכות בהערכה ידנית של כל הנתונים. תהליך זה אורך זמן רב, והתוצאות לרוב אינן מדויקות מספיק. מצב מסוג זה לא רק מקטין את מורל העובדים, אלא גם פוגע בצמיחת החברה. עם זאת, בעזרת למידת מכונה המערכת יכולה לקחת משתנים רבים בהתאם לסדרי העדיפויות שלהם על סמך הנתונים, ולעשות מודל מדויק ביותר. המודלים האלה יכולים לשמש את המתכננים לתכנון אפקטיבי בהרבה, והם גם לא לוקחים הרבה זמן. המתכננים יכולים גם לשפר את הדגם עוד יותר באמצעות חוויותיהם. (למידע נוסף על שימוש בנתונים לתכנון קדימה, ראה כיצד אינטגרציה קונבנציונלית יכולה להעצים אנליטי חזוי.)
רמות מלאי בטיחות
בשיטות תכנון מסורתיות, על החברה לשמור על רמות מלאי הבטיחות שלה גבוהות כמעט כל הזמן. עם זאת, למידת מכונה יכולה לעזור בהערכת משתנים רבים נוספים להגדרת רמת מלאי אבטחה אופטימלית.
תכנון מכירות ותפעול
אם התחזית מצוות מכירות ותכנון פעולות (S&OP) שלך אינה מספקת ולא מדויקת, או שאינה גמישה מספיק בכדי להסתגל בהתאם להתנהגות השוק, אולי הגיע הזמן לשדרג את המערכת. למידת מכונה מוצאת כאן שימוש מושלם, מכיוון שהיא יכולה לשפר את איכות החיזוי על ידי למידת מגמות השוק הנוכחיות באמצעות סוגים שונים של נתונים. לפיכך, למידת מכונה יכולה להקל על העבודה של S&OP.
לכל התחומים הללו יש מרחב לשיפור וניתן למלא פערים אלה בטכניקה של למידת מכונה. למידת מכונות יכולה לשפץ לחלוטין את האדריכלות של ניהול שרשרת האספקה של חברה. חברות רבות כבר החלו להשתמש בו, והן מגלות שחטיבת התכנון שלהן משופרת בהרבה.
מקרי שימוש מעשיים
בשל היתרונות הרבים של למידת מכונות בחיזוי ביקוש, משתמשים בה במגוון תחומים. עם זאת, ארגונים אלה לא שינו לחלוטין את המערכות שלהם למערכות לומדות - הם משתמשים במערכות למידת מכונות לצד מערכות מסורתיות. מערכות למידת המכונות מכסות את הפערים של מערכות מורשת ומשפרות את ביצועיהן. להלן מספר דוגמאות למקרי שימוש כאלה.
גרנארולו
זוהי חברת חלב איטלקית, שהשתמשה בלימוד מכונות כדי להגדיל את דיוק החיזוי שלה בחמישה אחוזים. זמני האספקה צומצמו גם כמחצית מהזמן המקורי, מה שהביא גם לשביעות רצון לקוחות טובה יותר.
הקבוצה דנונה
חברה זו ממוקמת בצרפת ומוכרת מוצרים רבים ושונים. מוקדם יותר, התחזיות לתגובה להצעות לקידום מכירות שהועלתה על ידי החברה התבררו כ 70 אחוז לא מדויקות, מה שהביא להפסדים גדולים. עם זאת, עם הטמעת למידת המכונה בארכיטקטורת התכנון שלה, היא חלה שיפור רב הן במכירות והן בתחזית.
לנוקס אינטרנשיונל
לנוקס היא חברה אמריקאית המייצרת מכשירי קירור וחימום. זה התרחב ברחבי צפון אמריקה. לכן, על מנת לספק שביעות רצון מלאה של הלקוחות, תוך התמודדות עם תהליך ההרחבה, שילבה לנוקס למידת מכונות עם ארכיטקטורת החיזוי שלה. בעזרת למידת מכונות, לנוקס הייתה יכולה לחזות במדויק את צרכי לקוחותיה, מה שעזר עוד יותר לחברה להבין טוב יותר את דרישות הלקוחות הנפוצות. למידת מכונות עזרה בעיקר לחברה לבצע אוטומציה מלאה של הליך התכנון שלה.
סיכום
למידת מכונה, אם מיושמת במקום הנכון ובזמן הנכון, יכולה להתברר כמועילה מאוד לשרשרת האספקה של חברה. זה יכול לעזור בפיתוח מודלים מדויקים לחיזוי דרישות ויכול גם להקל על עבודת מחלקת התכנון. אין צורך לשנות לחלוטין מערכת שלמה כעת, אך בעתיד הקרוב, כל שרשרת אספקה בוודאי תשתמש בלימוד מכונות כדי לשפר את יכולת החיזוי על ידי יצירת מודלים דינמיים אשר יתעדכנו באופן שוטף על ידי מערכת הלמידה של המכונה. אז טכנולוגיה חדשה זו תתגלה ככלי חיוני לעסקים.