Vi kan ikke ignorere det. Kompleksiteten i forsyningskæderne er steget eksponentielt i de senere år. Engang var en god forretningsstrategi nok til at konkurrere, men dette er ikke tilfældet længere, hvis optimering af lager skal være en succes.

Slimstock Research Center udfordre konstant grænserne for lagerstyring. Forventningerne til AI & maskine learning er under konstant udvikling, og vores team af eksperter undersøger kontinuerligt, hvordan denne teknologi kan anvendes til at styrke virksomhedernes supply chain.

I dette dokument kigger vi på, hvordan machine learning bliver anvendt indenfor specifikke lagerstyrings dicipliner ifm. optimering af lager, med henblik på at udvikle næste generation af ’værktøjer’ som kan styrke den enkelte virksomheds supply chain og generelle lageroptimering.

FORECASTE EFTERSPØRGSELEN FOR NYE PRODUKTER

Nye produkter er notorisk kendt for at være vanskelige at planlægge for. Vores team af forskere undersøger, hvordan optimering af lager med brug af machine learning kan udnyttes til at fjerne usikkerheden og risikoen ved nye produktlanceringer. Gennem anvendelse af machine learning algoritmer med avanceret konfiguration vil AI-baserede systemer klynge efterspørgselshistorik fra flere produkter, med det formål at identificere og forudse trends i efterspørgslen. Dette vil igen gøre det muligt for systemet at forudse mængden af efterspørgselen. Resultat: Supply chain teams vil være i stand til at bygge robuste forecasts for nye produkter, langt hurtigere end ethvert eksisterende værktøj, som i dag er til rådighed. Dermed vil de i sidste ende have en langt mere effektiv lageroptimering.

OPTIMERING AF LAGER MED MASKINGINDLÆRING

Maskinindlæring er i det væsentlige ikke mere end anvendt matematik med vægt på at integrere den nuværende computerkraft, der er tilgængelig i dag. I betragtning af det stigende antal potentielle datakilder, kombineret med den hurtige udviklingshastighed inden for computerkraft, kan maskinlæring være et enormt kraftfuldt værktøj til optimering af lager og generel lagerstyring.

Maskinindlæring er statistik på steroider. Alligevel er det i det væsentlige stadig ”bare et andet værktøj i kassen.” Og selvfølgelig er der ulemper ved maskinlæring ift. lageroptimering

Maskinindlæring er ikke en hellig gral når det kommer til optimering af lager: den finder sin styrke i situationer, hvor der er rigeligt af data, men graden af ​​kompleksitet er så høj, at traditionel matematik kommer til kort, når snakken falder på lageroptimering. Men nøjagtigt hvor meget data taler vi om?

Hvis vi har en situation med 5 variabler, som hver kan tage på 10 forskellige værdier, har vi allerede 100.000 mulige kombinationer, som maskinen kan lære. I lagerstyring er der ofte mange flere variabler, der kan antage flere værdier.

Hvis dataene er tilgængelige, har maskinlæring enorm kraft. I praksis er dette dog den største svaghed ved maskinlæring når det kommer til optimering af lager. Ledere skal derfor overveje, hvordan data kan indsamles på en struktureret, effektiv og ‘ren’ måde.

Maskinlæring kræver også meget computerkraft. Nogle maskinlæringsalgoritmer er baseret på en enorm mængde numeriske beregninger, og dette kan med tiden være et problem i lagerstyring.

Derudover er det vigtigt at huske, at løsninger i lagerstyring ikke kun er afhængige af kvantitative resultater. I sidste ende er det folk, der skal forstå og arbejde med løsningen. Ledelsen er derfor nødt til at overvåge dette nøje. Som et resultat er det vigtigt at lette viden om maskinlæring og teoretisk lagerstyring i hele virksomheden, hvis en optimering af lager skal finde sted

IDENTIFICERING AF AFVIGELSER

Ved at benytte teknikker lig dem, der er anvendes til identificering af svindel, så bruger vores team machine learning teknikker, der gør det muligt for supply chains at identificere afvigelser i efterspørgselshistorikken og eventuelt udelukke disse fra enhver analyse ifm. lageroptimering. Ved at benytte avancerede neurale netværk til klynge SKU numre, der er stærkt følsomme overfor afvigelser, så vil man kunne håndtere disse produkter mere proaktivt.

Denne udvikling vil betyde at man kan opdage uregelmæssigheder i den daglige drift som f.eks. kundetransaktioner, tilgængelighed og lagerstatus. Som resultat heraf vil pålideligheden af både processer og beregninger blive drastisk forbedret og den overordnede lageroptimering vil i sidste ende blive forbedret!

ELIMINERE SPILD

Minimering af spild er en kompleks udfordring! Eftersom spild kan skyldes flere faktorer, er Slimstock Research Center i gang med at udvikle værktøjer indenfor optimering af lager, som hjælper virksomheder med lageroptimering ved at forudse niveauer for spild, og i mødegå årsagerne. Ved at fokusere på den optimale ordremængde for varer med begrænset holdbarhed, og varer der har stor risoko for at blive forældet hen i mod slutningen af dets livscyklus, undersøger vores team, hvordan AI kan hjælpe forsyningskæden til at få større kontrol over spild.

OPTIMERING AF KAMPAGNER

Resultatet af kampagner kan være svære at forudse, men efterhånden som løsninger indenfor AI bliver bedre, vil vores team af forskere konstant forsøge at være på forkant med hvordan sådanne teknologier kan udnyttes til lageroptimering og generelt at optimere processen omkring kampagner. Ved hjælp af en teknik kaldet ‘deep reinforcement learning’ undersøger Slimstock Research Center aktivt, hvordan denne teknik kan udnyttes til at hjælpe virksomheder med at udvikle mere effektive kampagnepolitikker og optimering af lager.

SPECIFIKKE TILFÆLDE

Der er allerede nogle tilfælde, hvor maskinlæring har bevist, at det kan tilbyde en overlegen løsning. For eksempel:

– Optimering af kampagnepolitikker
– Optimering af lager helt generelt
– Opnå den optimale sourcing-strategi baseret på en række sourcing-muligheder
– Giver mere robust prognoser og indsigt over uregelmæssige og nye poster

Der er også projekter, der er i pipeline på Slimstock. For eksempel:

– Minimering af svind gennem parameteroptimering, analyse af rodårsager og proaktive signaler
– Mere effektiv styring af købsadfærd gennem automatisk undtagelsesstyring
– Optimering af serviceniveauet ved at bestemme de faktiske omkostninger ved out-of-stock
– Opnå en holistisk tilgang til optimering af flere lager
– Minimering af forældet lager gennem rodårsagsanalyse og proaktive signaler

Supply chain værktøjskasse – part 1

Vi giver dig 13 tips til, hvordan du kan overvinde enhver form for kaos, som din virksomhed støder på. rn

Download e-bogen

Supply chain værktøjskasse – part 2

For at hjælpe dig med at få dine vækstmål tilbage på sporet har vi sammensat en 44 siders supply chain-værktøjskasse, der vil føre dig gennem 9 velprøvede strategier for at give din virksomhed et fundament for fremtidig vækst. rn

Download e-bogen

Webinar i samarbejde med Flexport

Richard Evans fra Slimstock og Mathijs Slangen fra Flexport, vil sammen redegøre for fordelene ved øget gennemsigtighed, samt de skridt du kan tage for at øge den. Hvordan man bringer større værdi gennem et sundere supply chain og meget mere. rn

Klik her for at se webinaret
Demand PlanningSupply Chain Tactics