LUCKYTEK

Samoučící se dodavatelský řetězec 

 

Samoučící se dodavatelský řetězec

Samoučící se dodavatelský řetězec


Během posledních let zasáhla globální dodavatelské řetězce řada neočekávaných událostí. Koronavirus, válka na Ukrajině, brexit a kontejnerová loď zaklíněná v Suezském průplavu se spojily a zpozdily dodávky všeho možného od jízdních kol po krmivo pro domácí mazlíčky. Využijte umělou inteligenci a další nástroje, abyste mohli rychleji reagovat na problémy s dodavateli, přizpůsobovat výrobu nebo monitorovat dostupnost surovin. Šoky v dodavatelském řetězci jsou nevyhnutelné ale pomocí těchto špičkových nástrojů je můžete minimalizovat. 

  • supply_chain_disruptions.png

    Vysoké náklady narušení dodavatelského řetězce                                                                           

    184 milionů $
    je průměrná roční ztráta příjmů, které společnosti čelí v důsledku narušení dodavatelského řetězce

     

    Viditelnost

    88 %
    společností uvádí, že viditelnost jejich globálního dodavatelského řetězce je nyní důležitější než před dvěma lety

     

    Nástroje
    74 %
    společností stále používá manuální metody pro řízení rizik dodavatelského řetězce

     

     
  • prescriptive_data_analytics.png

     

    Agentura Gartner uvádí že 70% firem používá pouze deskriptivní analytiku dat (popisující minulý stav), 15-25% používá prediktivní analytiku dat (popisující budoucí stav) a jen asi 1-5% používá preskriptivní analytiku dat (radící uživatelům jaké kroky mají udělat v návaznosti na analýzu skrytých trendů v datech).
  • waste.png

    Firmy bez preskriptivní analytiky dat se dostávají do problémů se špatným designem produktů, nepřesnými odhady, neefektivním plánováním a plýtváním. Jsou omezené  deskriptivní analytikou která hledí do minulosti, potřebují přejít od „Co se stalo ?“ na „Co se stane ?“ a „Jaké kroky máme podniknout ?“
  • chaos_butterfly_wing_effect.png

    V tradičním dodavatelském řetězci se vychází z mnoha předpokladů založených na lidských zkušenostech a pravidlech, jako např. odhad výrobního času v technologickém postupu nebo seřizovacího času stroje. Tím dochází k nepřesnostem které vedou k nespolehlivým plánům. Začíná to malou odchylkou – technologická operace trvá déle, než bylo plánováno - a brzy díky  chaotickému efektu mávnutí motýlýho křídla a hromadění nepřesností, je celý plán neplatný.
  • main.png

    Naproti tomu se samoučící dodavatelský řetězec učí o firemních procesech nepřetržitou analýzou historických dat a generuje predikce klíčových ukazatelů výkonnosti a doporučení pro zlepšení plánování procesů. Například zachytí rozdíl mezi plánovaným a probíhajícím úkolem, analyzuje příčinu tohoto rozdílu a použije tuto znalost v budoucím plánování pro zmenšení této odchylky.

Tři kroky procesu samoučícího se dodavatelského řetězce

 

 

Krok 1: získávání dat
Krok 2: získávání znalostí
Krok 3: plánování a optimalizace
Příklad využití samoučícího se dodavatelského řetězce v praxi - CNC výroba
Krok 1: získávání dat

Získávání aktualizovaných dat v reálném čase z dodavatelského řetězce např. pomocí systému adaptivního řízení MES (Manufacturing Execution System) 

 

  • Charakteristika zakázky


  • Data z výrobních terminálů

    • Seřizovací časy
      Časy měření
      Čekací časy
      Data ze senzorů na strojích
      Čas výrobního cyklu

Krok 2: získávání znalostí
Krok 3: plánování a optimalizace
Příklad využití samoučícího se dodavatelského řetězce v praxi - CNC výroba