より少ない在庫と正確なコミット日のための確率的サプライ チェーン プランニング

供給と混乱の不確実性が増していることを考えると、実際には確率論的なサプライ チェーンの特定の重要なパラメータに対して一定の事前定義された値を仮定することは賢明ではありません。 例としては、サプライヤの納期、機器の可用性、注文を完了するまでのサイクル時間、輸送時間の信頼性、処理時間、供給の可用性の変動性などがあります。 確率的または非決定論的な計画とは、需要側に加えて供給側の変動性を考慮に入れることを意味します。 需要計画では、確率論的手法と ML 手法を使用して、需要量の変動性を判断します。 供給側でも同じことをする必要があります。 たとえば、仕入先が発注書を受け取ってから 60 日後に出荷を配達する確率は 21% しかなく、10 日を超える確率は 21%、30 日を下回る確率は 14% です。 さらに、特定のサプライヤーが、XNUMX 年の特定の時期に重要なアイテムをより早く配達する可能性が高いことがわかっている場合、これは在庫の削減と顧客へのより迅速な配達に大きな影響を与える可能性があります。

上記のパラメーターの可能性のある値を決定するために必要な種類のデータは、ほとんどのトランザクション システムで利用できます。 ML 手法を使用して、必要なときに必要なアイテムを入手できる可能性について結論を導き出すことができます。 さらに、大量の注文を受けた場合や、需要が大幅に増加した場合に、サプライヤーや委託製造業者が必要なものを提供する可能性が高いかどうかを判断できます。 これにより、サプライヤーやCMに確認することなく、リアルタイムで信頼性の高いクライアントに即座に対応できます。

サプライ チェーン ツインを作成するということは、物理的なサプライ チェーンのデジタル モデルを可能な限り正確に作成し、物理的な世界の変化に合わせて変化する能力を備えていることを意味し、その結果、計画、コミット日、および財務結果が正確になります。 上記のパラメータの変動性を考慮に入れることで、より正確な計画が作成され、結果として確約日がより正確になり、他の部品が到着するのを待っている間に余分な在庫を保持しないことで在庫が削減され、迅速化やより高価な部品番号や輸送の使用が回避されますメソッド。 結果として得られるシステムは、物理的なサプライ チェーンの真の能力を正確に表現するため、より予測可能になります。 したがって、回復力が向上し、リスクや驚きが少なくなります。