Maskinlæring til prognoser for produktefterspørgsel

Hvordan kan du udnytte Machine Learning til at træffe bedre beslutninger i forsyningskæden?

I årevis har virksomheder stræbt efter at implementere intelligente teknologier. Det endelige mål er, at disse maskiner ikke kun træffer beslutninger, men at disse beslutninger er “gode” og ikke behøver at blive valideret af et menneske.

I takt med at virksomheder tager AI, Machine Learning og andre avancerede teknikker til sig, hvordan kan man så udnytte denne revolutionerende teknologi til at skabe effektivitetsgevinster i hele forsyningskæden?

I denne artikel vil vi dykke ned i den afgørende rolle, som Machine Learning allerede spiller i vores dagligdag, samt hvordan virksomheder kan udnytte det til at skabe konkurrencemæssige fordele.

Vi udforsker nogle af de smarte supply chain applikationer, der allerede leverer fantastiske resultater, lige fra implementering af Machine Learning til prognoser for produktefterspørgsel til berigelse af din supply planning proces.

 

Kan maskiner træffe “gode” beslutninger?

Vi lever i en verden, hvor teknologi er en grundlæggende del af vores hverdag, og de teknologier, vi er afhængige af, udvikler sig med eksponentiel hastighed. Eksempler på smarte algoritmer, der er baseret på maskinlæring, kan ses i alle samfundslag:

• Den måde, vi finder produkter på internettet
• Sådan foretager vi banktransaktioner
• Når vi skriver et par ord i en e-mail, og maskinen foreslår slutningen af sætningen
• Og i stigende grad, hvordan værktøjer som ChatGPT skaber menneskelignende dialog.

Mange af disse algoritmer bruger hvert stykke data, de indsamler, til at lære og forbedre sig. Et berømt eksempel er IBM’s Deep Blue Chess (DBC) system. I 1997 lykkedes det maskinen at besejre verdensmesteren i skak, Garry Kasparov, ved hjælp af algoritmer, der blev perfektioneret gennem maskinlæring.

Men disse fremskridt er ikke uden konsekvenser. Det er næsten, som om vores verden kunne begynde at ligne et afsnit af Black Mirror. Eller rettere, vi er alle blevet en person af interesse, som konstant bliver overvåget. Og alligevel er vi alle overbeviste om, at disse innovative teknologier gør vores liv lettere, bedre og hurtigere.

Hvis vi ekstrapolerer dette til forsyningskædens kompleksitet, er anvendelsen af denne intelligente teknologi noget, der har været i gang i lang tid. Fokus har dog primært været på automatisering af processer i fabrikker. Prikken over i’et er at udvikle maskiner, der kan lære at løse problemer ved selv at træffe de bedste beslutninger.

Lad os starte med det grundlæggende

Lad os først forklare nogle af de grundlæggende begreber.

Du er uden tvivl stødt på begreberne kunstig intelligens og maskinlæring, men for at skabe klarhed over ligningen, så lad os definere dem:

Kunstig intelligens (AI)

I bund og grund handler det om at forsøge at få maskiner til at matche menneskelig adfærd. I den seneste tid har det fået større betydning, bl.a. på grund af den store mængde og variation af data, som virksomheder nu er i stand til at indsamle, og den hastighed, hvormed de kan behandle dem.

Maskinlæring

Det er en disciplin inden for AI, der er dedikeret til studiet af algoritmer, som er designet til at udføre en opgave ved hjælp af data. Endnu vigtigere er det, at maskinen bruger disse data til automatisk at lære og forbedre sig uden menneskelig indblanding.

I bund og grund kombinerer Machine Learning anvendt statistik og datalogi med hastighed og præcision for at forudsige fremtidig adfærd. For at gøre dette er de nødt til at indsamle og gemme en stor mængde data (Big Data), hvilket ofte kan være et handicap for mange virksomheder.

Datavidenskab og avanceret analyse

Datavidenskab dækker over udforskning og fortolkning af data for at skabe meningsfuld indsigt for virksomheder. Ved at kombinere principper og praksis fra områderne matematik, statistik, kunstig intelligens og maskinlæring giver denne avancerede analysetilgang virksomheder mulighed for at analysere store mængder data.

Dette kan igen bruges til at lave en beskrivende analyse (som er baseret på at forklare, hvad der er sket gennem statistikker, grafer og tabeller). Men der, hvor Machine Learning-teknikker virkelig tilfører værdi, er ved at udføre to mere sofistikerede typer af analyser: prædiktiv analyse (forudsigelser baseret på tidligere situationer til fremtidig brug); og præskriptiv analyse (simulering af forskellige scenarier og evaluering af, hvilke handlinger der vil opnå de bedste resultater i fremtiden).

Maskinlæring i aktion

Som vi har nævnt, er anvendelsesmulighederne for Machine Learning omfattende. Men lad os tage et enkelt eksempel for at vise, hvordan Machine Learning-teknikker kan bruges til at opnå bedre forretningsresultater.

Forestil dig, at du arbejder for et fitnesscenter, og at du vil forsøge at fastholde kunder, som måske overvejer at opsige deres medlemskab i løbet af de næste par uger. Dit mål er at identificere disse medlemmer og derefter engagere dem på det rigtige tidspunkt for at overtale dem til at blive.

Lad os se, hvordan det går:

 

 

Hvordan kan Machine Learning tilføre værdi til din forsyningskæde?

Integrationen af Machine Learning i supply chain management hjælper virksomheder med at automatisere opgaver af tilsyneladende ringe værdi, så der bliver mere tid til at fokusere på strategiske og mere effektive forretningsaktiviteter. Men Machine Learning åbner et univers af mere ambitiøse muligheder.

Her er nogle eksempler på, hvordan Machine Learning har gavnet supply chain-teams:

Ledelse af forsyningskæden

• Optimering af ruterne for genopfyldning leveringer gennem forskellige punkter i logistiknetværket i realtid
• Oprettelse af en leverandørordrekalender, der tager højde for flere begrænsninger, såsom lageromkostninger, leveringstid, lagerkapacitet, osv.
• Giver en forståelse i realtid af, præcis hvor hver palle befinder sig i forsyningskæden, og midlerne til at bestemme det præcise ankomsttidspunkt til det næste punkt i kæden.

Optimering af lageret

• Automatisering af kvalitetsinspektioner ved hjælp af billedgenkendelse til at opdage skader på containere og emballage
• Design af produkternes layout på lageret, optimering af forberedelsesruter, minimering af fejl i forberedelsen osv.
• Forbedring af ressourcestyringen ved at inddrage oplysninger om forventet fravær og personaleudskiftning for at optimere vagtmønstrene.
• Bestemmelse af det bedste tidspunkt til at udføre forebyggende vedligeholdelse af maskiner og udstyr for at reducere nedetid

Produktionsplanlægning

• Indsamling af data for at forstå maskinernes produktivitet og identificere muligheder for optimering (f.eks. omfordeling af produktionstider)
• Automatisering af gentagne handlinger for at øge produktionshastigheden og smidigheden, så medarbejderne kan fokusere på andre typer opgaver, der tilfører mere værdi.
• Muliggør personalisering og tilpasning med maksimal præcision og hurtig produktion
• At opdage mulige uregelmæssigheder i produktionen og sikre, at de ikke påvirker produktionsprocessen.

Hvordan kan du bruge Machine Learning til at forudsige efterspørgslen efter produkter?

Indtil videre har vi talt om anvendelsen af Machine Learning i forsyningskæden i en generel forstand. I det næste afsnit vil vi fokusere på et mere specifikt område, hvor denne spændende teknologi leverer reelle resultater.

Ved at gøre det muligt for virksomheder at skabe stadig mere præcise prognoser spiller Machine Learning en vigtig rolle i at hjælpe virksomheder med at forbedre beslutningsprocesserne. Når det gælder prognoser for produktefterspørgsel, er styrkerne ved Machine Learning tydelige.

Når man tænker på karakteren af denne kritiske forsyningskædeproces, er Machine Learning et naturligt match til produkt efterspørgselsprognoser:

• Prognoseteknikker er typisk afhængige af en omfattende pulje af data
• Med flere datakilder og aggregeringslag er der ofte en høj grad af kompleksitet.
• Den resulterende indsigt kan bruges til at understøtte beslutningstagning på tværs af organisationen og kan endda udvides til at omfatte valg af partnere i forsyningskæden.

I betragtning af hvor komplekst og kritisk det er at forudsige efterspørgslen efter produkter for at understøtte en effektiv beslutningsproces i forsyningskæden, anvender mange virksomheder statistiske modeller til at forudse den fremtidige efterspørgsel. Men ved at inddrage Machine Learning kan virksomhederne skabe en synlighed, som simple statistiske modeller ikke kan matche.

Lad os dykke længere ned i dette og udforske 3 praktiske anvendelser af Machine Learning i prognoser for produktefterspørgsel:

 

1) Forudsigelse af efterspørgslen efter nye produkter

Nye produkter er notorisk svære at planlægge efter. Men ved at anvende Machine Learning-algoritmer med avanceret konfiguration kan Machine Learning-aktiverede systemer selvstændigt gruppere efterspørgselshistorik fra flere produkter for at identificere og forudse tendenser i efterspørgslen. Det gør det så muligt for systemet at forudsige den potentielle fremtidige efterspørgselsvolumen.

Resultatet: Supply chain-teams kan opbygge robuste prognoser for nye produkter langt hurtigere og samtidig fjerne usikkerhed og risiko fra nye produktlanceringer.

2) Forudsigelse af anomali

Ved hjælp af lignende teknikker som dem, der bruges til at opdage svindel, gør Machine Learning-teknikker det muligt for supply chain-teams at identificere afvigelser i efterspørgselshistorikken og udelukke dem fra enhver analyse. Ved at bruge avancerede neurale netværk til at gruppere SKU’er, der er meget følsomme over for afvigelser, kan disse produkter desuden håndteres mere proaktivt.

Ved at opdage uregelmæssigheder i kundetransaktioner, tilgængelighed og lagerstatus, forbedres robustheden af andre understøttende algoritmer kun.

3) Optimering af kampagner

Der er ingen tvivl om, at kampagner giver virksomheder en del hovedpine. Men efterhånden som Machine Learning-algoritmerne udvikler sig, udnytter virksomhederne teknologien til at optimere beslutningsprocessen omkring kampagner. Ved at bruge en teknik, der kaldes “deep reinforcement learning”, kan virksomheder udvikle mere effektive kampagnepolitikker, der øger salget og minimerer risikoen for uplanlagte nedslag.

Forudsætninger for at anvende Machine Learning-principper i din virksomhed

I betragtning af det stigende antal potentielle datakilder, kombineret med den hurtige udvikling i computerkraft, kan Machine Learning være et enormt kraftfuldt værktøj i både prognoser for produktefterspørgsel og andre vigtige forsyningskædeprocesser.

Men i bund og grund er det stadig “bare endnu et værktøj i kassen”. Og selvfølgelig er der ulemper ved Machine Learning. Derfor bør det ikke blive et mål for virksomheder at “gøre” Machine Learning for dets egen skyld.

Machine Learning er ikke den hellige gral; den finder sin styrke i situationer, hvor der er rigeligt med data, men hvor kompleksiteten er så høj, at traditionel matematik kommer til kort. Men hvor meget data taler vi egentlig om?

Hvis vi har en situation med 5 variabler, der hver kan antage 10 forskellige værdier, så har vi allerede tusindvis af mulige kombinationer, som maskinen kan lære. I forecasting, for eksempel, er der ofte mange flere variabler, der kan antage flere værdier.

Hvis dataene er tilgængelige, har Machine Learning enorme kræfter. Men i praksis er det den største svaghed ved Machine Learning. Ledere skal derfor overveje, hvordan data kan indsamles på en struktureret, effektiv og “ren” måde.

Machine Learning kræver også meget computerkraft. Nogle Machine Learning-algoritmer er baseret på et enormt antal numeriske beregninger, og det kan nogle gange være et problem i lagerstyring.

Derudover er det vigtigt at huske på, at løsninger inden for lagerstyring ikke kun er afhængige af kvantitative resultater. I sidste ende er det menneskerne, der skal forstå og arbejde med løsningerne. Ledelsen skal derfor overvåge dette nøje. Derfor er det vigtigt at formidle viden om Machine Learning og teoretisk lagerstyring på tværs af virksomheden.

Men for virksomheder, der ønsker at arbejde mere effektivt, giver Machine Learning betydelige konkurrencefordele. Fra at slå verdensmestre i skak til at hjælpe dig med at opnå mere pålidelig indsigt i fremtidig efterspørgsel – Machine Learning giver virksomheder nye muligheder, som allerede er ved at revolutionere nutidens forsyningskæde.