需要計画と在庫最適化のための自己最適化アルゴリズム
在庫は、販売されて顧客に移動されるまで、単なるコストの蓄積です。 ですから、基本的な問題は、在庫を移動させる方法、つまり「回す」ことです。 在庫不足 適切なタイミングで失敗すると、収益が失われ、市場シェアが失われる可能性があります。 水晶玉がない場合、在庫の移動速度を上げる方法はたくさんあります。 動きが速ければ速いほど、収益が増加し、コストが削減されます。 私たちの基本的な仮定は、需要があるということですが、いつ、どこで、どのような製品の組み合わせについては確信が持てません。
延期戦略は長い間存在しており、非常に効果的であることが証明されています. しかし、製品の構成、流通場所、需要の変動がますます複雑になっているため、それだけでは十分ではありません。 もう XNUMX つの戦略は、市場に迅速に反応する能力を持つことです。 これは、 デジタル計画システムだけではなく、 S&OP も S&OE、需要の変化にリアルタイムで対応し、計画とスケジュールを再構成することで時間通りの配達を確保します。 そのような決定を行う際に数千万の変数があることを考えると、システムだけがそのような操作を実行し、ほぼ最適な結果をリアルタイムで提供する能力を持っています。 言うまでもなく、実行（反応）が速いほど必要な計画は少なくなり、その逆もまた同様です。質の高い計画を作成すると、反応の必要性が少なくなります。
あなたの計画システムがどんなに優れていても、あなたはまだあなたの供給者に翻弄され、彼らがどれほど速く反応することができるか！ 需要の急増を予測する機会がない限り、必要な最終品目を作るために必要な材料がない可能性があります。 近年、より良い需要計画と予測は、何が必要で、どれだけの在庫がいつどこで必要かを適切に予測するのに役立ちました。 さらに重要なことは、アルゴリズム自体について観察することで、予測アルゴリズムの動作を改善できるようになったということです。 言い換えると、 自己最適化アルゴリズム！ さまざまな製品およびさまざまなポリシーに関する予測の良さを観察することで、機械学習手法を使用して動作のパターンを見つけることができます。これにより、常に最適なポリシーと最適なアルゴリズムを選択して、常に最適な予測を提供できます。 これは、use属性と 属性ベースの計画。 機械学習を使用すると、予測の結果に影響を与える可能性のある関連データや前例のないイベントを選択するのにも役立ちます。 Covid-19やスエズ運河の閉塞など、製品の需要と供給の両方に影響を与える可能性のあるこの性質の例は数多くあります。
地域、天気、場所、製品オプションなどの多くの属性を調べることで、人間には見えない隠れた行動パターンを明らかにすることができます。 マルチエシェロン在庫最適化によって強化された場合のこの戦略（MEIO) は、SKU ごとに、いつ、どこで、どれだけの在庫が必要になるかを非常に正確に予測できます。 この手法では、サプライ チェーンのすべての段階で製品の共通性を調べ、サービス レベルとコストの間のトレードオフを、製品、製品ファミリ、および顧客または顧客層ごとに調べます。 その過程で、何百万もの変数が調べられて非常に正確な結果が得られます。これにより、企業は潜在的な過剰在庫を数千万ドル節約すると同時に、納期厳守のパフォーマンスを向上させ、 ビジネスをより環境に優しいサプライ チェーンに変換します。
