サイクルタイムを決定するための AI/ML を使うのは無駄な作業です

多くの企業では、サイクルタイムのばらつきや製品構成の変化により、より正確な納期を顧客に約束することが難しくなっています。そのため、過去の経験に基づいてサイクルタイムがどうあるべきかを推定するAIやMLの技術に頼っています。これは、多くのサプライチェーンプランニングベンダーが提供している簡略化されたアプローチであり、以下に述べるいくつかの理由から良い戦略とは言えません。これは、より正確で信頼性の高い決定論的手法で容易に計算できるATP/CTP能力を提供しようとする試みです。

これが機能する方法は、MLアルゴリズムが、顧客、数量、商品の組み合わせ、その他のいくつかの要因を考慮し、配送にかかる時間を過去の経験から学習することです。この方法の大きな欠点は、未来を予測するために過去の慣行に依存しているということです。過去に頼っていては、どうやってサイクルタイムを改善するのでしょうか？さらに、このようなアプローチでは、最近の混乱やミックスの変化、あるいは大量注文、優先順位の高い注文の到着、数量の減少といった特定の事象を考慮することはできません。アルゴリズムは、アルゴリズムが知らないところで大きな変化が起きていることを知らずに、同じサイクルタイムを生成し続けます。追いつくにはかなりの時間がかかるでしょう。

優先順位の高い大規模な注文の到着を想像すると、アルゴリズムは学習したサイクルタイムを生成する可能性が高いです。注文を再割り当てすることで、最終顧客にもっと良いサイクルタイムと速い納期を提供できることを知らない。つまり、このアプローチでは、再割り当てをインテリジェントに行うことができないのです。

最適化技術やAI検索技術は、"今までのやり方 "に頼るだけでなく、さまざまな要因に基づいて計画を再調整することで、より現実的なサイクルタイムやコミット日を見つけるのに非常に効果的です。最適化されたサイクルタイムは、オペレーションのパフォーマンスを改善し続け、より良いソリューションを見つけ続け、一度に何千もの注文に対してサブ秒のスピードで正確なサイクルタイムと配送パフォーマンスを簡単に計算することができます。AIによるインテリジェントな割り当てとより正確なATP/CTPの実行の詳細については、 ここをクリックして下さい。