Каталог статей

• 1 кейс системы интеграции цепочки поставок
  • 1.1 Интегрированная цепочка поставок JD Logistics
    • 1.1.1 Средняя платформа алгоритма
    • 1.1.2 Инженерная платформа Ибо
  • 1.2 Meituan: практика построения цепочки поставок и создания товарной платформы в магазине
• 2 решения для цепочки поставок на рынке
  • 2.1 Система Jinghui — зрелая система обслуживания клиентов на уровне предприятия.
  • 2.2 Полный набор цифровых и интеллектуальных решений для цепочки поставок Cainiao Network
    • 2.2.1 Разумный выбор продукта
    • 2.2.2 Совместный прогноз
    • 2.2.3 Пополнение и складирование
    • 2.2.4 Некоторые сведения о случаях:
  • 2.3 Технология Dede. Создайте универсальную гибкую платформу цепочки поставок для швейной промышленности.
  • 2.4 Shushi Technology: платформа интеллектуальной цепочки поставок Supply Force
  • 2.5 Технология Шаньшу
  • 2.6 Шюнруфенглай
  • 2.10 Данные Гуаньюань
• 3 Управление запасами, распределение и пополнение, оформление
  • 3.1 JD.com: практика комплексной технологии пополнения запасов на основе искусственного интеллекта
  • 3.2 Оптимизация и план распределения технологических запасов Шаньшу
  • 3.4 Практическое исследование оптимизации операций в автомобильной промышленности
  • 3.5 NetEase Yanxuan: идеи проектирования интеллектуальной системы пополнения запасов
  • 3.6 Исследование тщательно отобранных методов и стратегий классификации запасов в цепочке поставок
• 4 Алгоритм прогнозирования
  • 4.1 JD.com: Сквозная модель пополнения интеллектуальной платформы прогнозирования
  • 4.2 Алгоритм прогнозирования цифровой цепочки поставок Alibaba
• 5 Планирование межскладских перевозок
  • 5.1 Оптимизация планирования транспортировки по технологии Шаньшу
  • 5.2 Модель инвентаризации здоровья Alibaba
    • 5.2.1 Два основных типа моделей пополнения запасов
    • 5.2.2 Структура процесса пополнения запасов
    • 5.2.3 Типы моделирования инвентаризации
    • 5.2.4 Интеллектуальное распределение в многоцелевых сценариях
• 6 диспетчерская вышка
  • 6.1 Технология Шаньшу: интеллектуальная диспетчерская вышка для принятия решений в комплексной цепочке поставок
  • 6.2 JD.com: Башня интеллектуального планирования и Башня интеллектуального планирования
    • 6.2.1 Башня-близнец
    • 6.2.2 Интеллектуальная планирующая башня
  • 6.3 Как диспетчерская вышка цепочки поставок ускоряет получение бизнес-преимуществ от цифровизации
• Ссылки

Автор участвовал в проекте умной цепочки поставок в компании. Поскольку он действительно сильно отличается от того, что я изучал раньше, я также провел некоторые исследования и исследования в этом направлении одно за другим, чтобы делать заметки.

1 кейс системы интеграции цепочки поставок

В этой статье в основном описаны некоторые случаи систем интеграции цепочек поставок.

1.1 Интегрированная цепочка поставок JD Logistics

В статье [1] упоминается, что интегрированная цепочка поставок JD Logistics использует цифровые средства для реализации цепочки поставок и создает интеллектуальную систему «супермозг» для цепочки поставок.

Строительство супермозга осуществляется поэтапно: в последние несколько лет основное внимание уделялось построению цифровой инфраструктуры, включая долгосрочное накопление сложных бизнес-систем для поддержки операций выполнения бизнеса в сети, а также строительство промежуточных платформ данных и некоторых вспомогательных объектов. В цифровой инфраструктуре мы создали промежуточную платформу алгоритмов и два набора платформ инженерных услуг: инженерную платформу IB и платформу цифровых двойников. Были разработаны три набора системных приложений: интеллектуальная башня планирования, интеллектуальная башня планирования и система цепочки поставок Jinghui, которые используются для расширения возможностей и обслуживания внешних клиентов.

1.1.1 Средняя платформа алгоритма

Средняя платформа алгоритма — это не простой набор компонентов алгоритма. Это платформа поддержки возможностей алгоритма, которая абстрагируется и выделяется путем накопления отраслевых сценариев внутри JD.com и внешних клиентов на основе бизнес-сценариев. Наиболее важное сходство и различие между этим набором алгоритмов и другими аналогичными продуктами в отрасли заключается в том, что он позволил накопить богатые знания в области цепочек поставок и ускорить логические методологии и шаги для бизнеса и решения конкретных проблем.

1.1.2 Инженерная платформа Ибо

Инженерная платформа называется Yibo. До сих пор эта платформа больше использовалась для прогнозирования товаров. После того как стратегия алгоритма представлена ​​на платформе алгоритма, ее можно быстро развернуть и применить на платформе IB, что повышает эффективность разработки алгоритмов и обеспечивает быстрое формирование серий. Платформа Yibo делает весь процесс видимым и настраиваемым. В то же время ее можно передать сотрудникам отдела продаж, чтобы при выполнении проекта POC они могли быстро настроить некоторые прогнозируемые приложения в соответствии со сценарием и отобразить их клиентам. , при этом соблюдая определенные требования к точности.

Нижним уровнем платформы Yibo является уровень компонентов, который содержит более 130 моделей прогнозирования, более 40 стратегий алгоритмов, поддерживает более 30 сценариев прогнозирования и более десяти отраслевых сценариев.

1.2 Meituan: практика построения цепочки поставок и создания товарной платформы в магазине

На встрече по обмену технологиями в отделе технологий платформы для магазинов Meituan в 2021.7 многие дискуссии касались офлайн-продуктов. Редко учитывалось, что некоторые онлайн-продукты также имеют проблемы с цепочкой поставок. В этой статье Обмен технологиями был очень большим. интересно и открыло для автора познания в новых областях. Основными цепочками поставок сырьевого бизнеса являются:

Давайте посмотрим на разнообразные размеры продуктов в магазине:

Вышеописанный процесс поставки продукции:

2 решения для цепочки поставок на рынке

2.1 Система Jinghui — зрелая система обслуживания клиентов на уровне предприятия.

Согласно статье [1] упоминается, что система Цзинхуэй построена на основе 4-слойной структуры, включающей:

• Центр обработки данных цепочки поставок
• Интеллектуальный механизм принятия решений
• Различные применения продукта
• Пользовательский опыт корпоративного уровня

Прогнозирование, как начало оптимизации цепочки поставок, должно служить оптимизации результатов бизнеса. На основе прогноза нами разработана продуктовая система пополнения запасов, в том числе интеллектуальная система пополнения и распределения, которая позволяет осуществлять пополнение и распределение между складами разного уровня, а также одновременно оптимизировать и балансировать многоуровневые запасы на складах. уровень. .

Одним из примеров является отрасль потребительских товаров. До того, как этот клиент принял модель управления цепочками поставок JD.com, клиент сам осуществлял общую компоновку продукта и его поставку. После использования системы Jinghui для ее расширения мы интегрировали данные всего звена и в то же время, основываясь на возможности прогнозирования спроса, заранее планировали запасы и реагировали на них. Теперь клиент передает все каналы поставок системе Jinghui компании JD Logistics, которая помогает ему стратегически сформулировать и реализовать лучшую структуру сети, стратегии пополнения запасов и управление запасами.

Система цепочки поставок Jinghui опирается на логистику, деловые потоки и цифровые технологии, чтобы обеспечить максимальный опыт логистики для 410 миллионов активных пользователей Интернета в Китае. Интегрируя интеллектуальные системные услуги во все аспекты цепочки поставок, мы управляем миллионами SKU и обслуживаем наших ведущих клиентов. В то же время мы расширили возможности наших сервисов для малого и среднего бизнеса, что в конечном итоге помогает модернизировать цифровые технологии. эффективность работы всего общества.

На этой основе создаются индивидуальные конфигурации для удовлетворения различных индивидуальных потребностей.

2.2 Полный набор цифровых и интеллектуальных решений для цепочки поставок Cainiao Network

Сеть Кайняо Также предоставляется компанией Supply Chain Digital Brain.Матрица продуктов включает в себя：

Матрица продуктов Digital Brain:

Сокровища подсклада:

От продавцов к потребителям мы провели реструктуризацию: планирование очень важно для цепочки поставок. С самого начала выбора продуктов мы помогаем продавцам делать разумный выбор продуктов на основе внешних данных и возможностей продавцов, мы будем делать некоторые совместные прогнозы; ; на основе товаров купцов , мы будем консультировать его по некоторым планам пополнения запасов и национальным планам складирования; во время крупных рекламных акций мы будем продвигать ему продукцию Dahubao с точки зрения оптимизации принятия решений, у нас есть мозг, принимающий решения в цифровой интеллектуальной цепочке поставок; На основе данных мы даем ему цифровое интеллектуальное соединение в один клик.

2.2.1 Разумный выбор продукта

В частности, мы начинаем с продукта. Потому что в цепочке поставок большая часть возможностей сейчас сосредоточена на логистике. Однако если будет проведена единая трансформация логистических элементов, то на самом деле будет сложно оказать наибольшее влияние на цепочку поставок. Чтобы оказать огромное влияние на цепочку поставок, вам нужно начать с бизнес-потока. Начиная с бизнес-потока, мы помогаем компаниям начать с выбора продукта. Как создать эффективные продукты и как помочь компаниям создавать взрывоопасные продукты? С помощью предварительных данных мы поможем компаниям разрабатывать новые продукты. После завершения выращивания мы окажем помощь торговцам в эксплуатации обычных продуктов, включая устранение старых продуктов, а также поможем торговцу управлять всем жизненным циклом продукта.

2.2.2 Совместный прогноз

Фактически, после горячих продуктов во всем объеме продаж, на основе анализа больших данных, мы видим, что ежедневные продажи составляют 20% годовых продаж, но на них приходится 150 дней в году малых и средних продаж; около 200 дней в году, на него приходится 50% всех продаж; вся акция фактически занимает 10 дней, но на одиночный объем приходится около 30% всего года. В настоящее время, будучи торговцем, если у него нет опыта в создании горячих продуктов, он легко может потерпеть неудачу во время больших продаж, но в обычное время запасов будет слишком много. Будучи новичком, он имеет возможность объединиться со стойкой регистрации, чтобы помочь продавцам управлять запасами ежедневных мелких и средних продаж и крупных продаж, добиться сокращения запасов и ускорить оборот, включая снижение давления на денежные потоки.

Как мы это сделали? Во-первых, мы помогаем ему с помощью алгоритмов уровня SKU, включая погоду, времена года и портреты потребителей, а также помогаем ему хранить различные SKU, во-вторых, основываясь на историческом опыте различных малых и средних рекламных акций, мы рекомендуем его иметь; календарь рекламных акций, которым можно поделиться. На протяжении всего календаря мы рассказываем ему, как ему следует осуществлять малые и средние продажи в каждый период времени во время крупных продаж, Кайниао будет координировать свои действия с несколькими ресурсами, чтобы гарантировать, что он сможет нормально осуществлять поставки во время крупных продаж;

2.2.3 Пополнение и складирование

Как только у нас будет горячий товар и план доставки, мы сообщим продавцу план пополнения и выбор склада по стране, исходя из возможностей продавца. Фактически, традиционная цепочка поставок в прошлом серьезно оторвана от плана. Склад был похож на человеческий желудок: сколько бы товаров ни приходило, их все равно съедали. Но теперь, когда у нас есть создание продукта, включая прогноз продаж продукта, мы разработаем план продукта. Как я только что сказал, я могу составить круглогодичный план сотрудничества по продукту, основанный на ежедневных малых, средних и крупных планах продвижения. Благодаря плану сотрудничества мы можем сотрудничать на основе трафика Tmall, чтобы помочь продавцам разумно выбирать склады по всей стране и рационально выбирать инвентарь на каждом складе. Благодаря точным возможностям Cainiao, пока вы входите на склад, вы можете наслаждаться с благословением. Вся полная финансовая цепочка поставок, когда торговцы находятся под финансовым давлением, вся финансовая цепочка поставок Cainiao может оказать поддержку.

2.2.4 Некоторые сведения о случаях:

2.3 Технология Dede. Создайте универсальную гибкую платформу цепочки поставок для швейной промышленности.

ссылка: Dede Technology — создайте универсальную гибкую платформу цепочки поставок для швейной промышленности.

Цепочка поставок Dede, созданная Dede Technology, является типичным представителем бизнес-модели S2b, которую платформа расширяет возможности предприятий. Dede Supply Chain предоставляет услуги по интеграции цепочки поставок одежды, предоставляет брендам и дистрибьюторам продукцию, основанную на оригинальных разработках дизайнеров, а также осуществляет производство и поставку OEM и ODM-продукции.

За платформой цепочки поставок Dede стоит открытая SaaS-платформа, которая поддерживает все роли в производственной цепочке швейной промышленности, включая бренды, дистрибьюторов, дизайнеров, комнаты для образцов, торговцев тканями, торговцев аксессуарами, производственные предприятия, поставщиков логистических услуг и учреждения, оказывающие финансовые услуги. и т. д., могут использовать эту платформу для выполнения своей роли.

С помощью этой платформы Dede Supply Chain объединяет все роли в цепочке поставок швейной промышленности и предоставляет интегрированные и комплексные услуги для всех типов пользователей в швейной промышленности, включая выбор дизайнерских работ, производство выкроек, изготовление выкроек, услуги швейной промышленности, такие как такие как выбор моделей и размещение заказов, производственные субподряды, управление процессами, контроль качества и процессов, проверка урожая и финансовые расчеты.

Dede Technology использует интегрированную ИТ-систему для создания открытой и общей платформы для всех клиентов в цепочке производства одежды. Одно предприятие может интегрировать финансовые, деловые, клиентские и другие системные данные для повышения операционной эффективности компании, что выгодно для компании. Сказал, что дизайнеры, поставщики, торговцы тканями, производители и другие роли связаны на одной платформе, что сокращает цикл бизнес-процессов, снижает потери информации, а также снижает эксплуатационные расходы.

2.4 Shushi Technology: платформа интеллектуальной цепочки поставок Supply Force

Официальный сайт: http://www.digitforce.com/product/supply/

Благодаря цифровой интеллектуальной платформе сотрудничества по планированию цепочки поставок (IBP) в качестве ядра она обеспечивает полнофункциональную совместную работу по планированию цепочки поставок, предоставляет стратегическую платформу (IBS) с прогнозированием, выбором продуктов и другими возможностями и поддерживает визуализацию в реальном времени; полнозвенные данные в цепочке поставок, платформа раннего предупреждения и совместного контроля (SCCT). Создайте интеллектуальную платформу для анализа цепочки поставок и принятия решений для предприятий, чтобы создать совместную, согласованную и гибкую систему цепочки поставок.

При этом выделяются некоторые работоспособные и интерактивные интерфейсы: Связи между управлением цепочками поставок и эксплуатацией продукции в швейной промышленности сложны, а принятие решений и сотрудничество обычно полагаются на неэффективные методы, такие как электронные таблицы и электронная почта. Благодаря комплексному решению для планирования и эксплуатации продукции возможности совместной работы при планировании цепочки поставок. и возможности эксплуатации продукта могут быть улучшены. Сформируйте основную движущую силу для роста эффективности бренда.

2.5 Технология Шаньшу

Официальный сайт: https://www.shanshu.ai/

Вся интеллектуальная система делится на:

• система оптимизации транспорта
• Интеллектуальная система распределения и пополнения
• Умная система ценообразования
• Интеллектуальная система планирования производства
• Интеллектуальная складская система

Существует также решатель COPT с открытым исходным кодом:

Решающая программа Shashu COPT (Cardinal Optimizer) — это эффективный пакет решателей математического программирования, независимо разработанный Shanhu для решения крупномасштабных задач оптимизации. Он также является основным компонентом, поддерживающим комплексную платформу цепочки поставок Shashu.

COPT в настоящее время является единственным комплексным решением для математического программирования в Китае, которое позволяет решать крупномасштабное линейное программирование (симплексный метод и метод внутренней точки), смешанное целочисленное программирование, конусное программирование второго порядка, выпуклое квадратичное программирование и выпуклое квадратичное программирование с ограничениями. Это предоставляет предприятиям больше возможностей для удовлетворения потребностей высокопроизводительных решений.

2.6 Шюнруфенглай

2.7 Облако Huawei: цепочка поставок Lingkun Digital Intelligence Cloud Brain

От: https://bbs.huaweicloud.com/blogs/333213

В Lingkun Numerical Guidance мы создали систему с интеллектуальными алгоритмами в качестве ядра для расширения и помощи в принятии решений.

Двустороннее моделирование и двусторонняя тяга реализуют оптимальное распределение ресурсов в сети.

2.8 Alibaba Cloud: интеллектуальное решение для цепочки поставок

Адрес решения: https://www.aliyun.com/solution/newretail/smartsupplychain. Часть отрывка из лекции «Средняя платформа интеллектуальных цепочек поставок Alibaba 2.0» на [Китайском технологическом дне открытых дверей]

Интеллектуальные решения для цепочки поставок могут решить такие проблемы, как неточные прогнозы продаж, низкая эффективность обработки заказов, низкая точность планирования производства, которую необходимо уточнить, а также высокие затраты на планировку и логистику, а также низкая эффективность.

Вся техническая архитектура средней платформы:

Распределение бизнеса мидл-офиса также относительно разбросано:

2.9 JD Cloud: открытая платформа для продавцов умной цепочки поставок

Продукт JD Cloud, веб-сайт: https://ysc.jd.com/login. Сочетание передовых в отрасли концепций управления цепочками поставок с возможностями больших данных и алгоритмов, предоставляемыми платформой искусственного интеллекта розничной торговли YAIR (Y AI Platform for Retail) от JD.com, платформой и продукцией, путем предоставления усовершенствованных, интеллектуальных, автоматизированных продуктов для принятия решений по запасам. Обеспечивать торговцам оптимальную поддержку принятия решений по управлению запасами, а также открывать и расширять возможности более профессиональных интеллектуальных полнозвенных решений для цепочки поставок.

2.10 Данные Гуаньюань

Этот раздел взят из документа «Белая книга по цифровому росту развивающихся брендов 20210108». Брендам необходимо собирать данные от нескольких сторон и проводить эффективный анализ, чтобы повысить гибкость и оперативность цепочки поставок, заранее прогнозировать цели по запасам и распределению, обеспечить полнофункциональное сотрудничество от отдела продаж до конца поставок, сократить затраты на запасы, улучшить возможности выполнения контрактов и доставки, а также максимизировать преимущества бренда.

Товары, как и «боеприпасы» на поле боя, являются наиболее важными «точками соприкосновения» между потребителями и брендами. Усовершенствованное управление и анализ продуктов позволяют брендам Постоянно оптимизируйте и повторяйте ключевые факторы, такие как качество продукции, дизайн, функциональность и внешний вид, чтобы повысить привлекательность продукции для потребителей и точно управлять процессом производства.

3 Управление запасами, распределение и пополнение, оформление

3.1 JD.com: практика комплексной технологии пополнения запасов на основе искусственного интеллекта

В статье [2] упоминалось, что JD.com оптимизирует всю цепочку. Большую часть нашей работы можно разделить на три категории:

• Первая категория — это прогнозная работа, которая является основой всех видов принятия решений и планирования. Во всей самостоятельной цепочке поставок самое главное — как спрогнозировать будущие продажи. Поскольку мы знаем будущий объем продаж, мы можем решить, когда совершать покупку. Для прогноза продаж, мы очень зрелые.
• Вторая категория — возможности оптимизации макета. Наших возможностей по оптимизации макета вполне достаточно. Поскольку возможности оптимизации могут помочь нам принимать более обоснованные решения, например, сколько и в какое время покупать в сценарии пополнения запасов, это очень очевидная проблема оптимизации операций.
• Третья категория — платформа моделирования. Для любого алгоритма необходимо провести детальную оценку, прежде чем он будет опубликован в сети. Платформа моделирования позволяет нам завершить последний этап подготовки перед выходом в Интернет.

Среди 9 миллионов товаров не так много популярных товаров. Большинство из них — обычные товары. Сами товары сложно предсказать и пополнить. В случае большой неопределенности прогноза, как использовать модель пополнения для получения хороших результатов, является очень сложной проблемой.

Если вы хотите хорошо выполнить работу по пополнению запасов, вам необходимо более четко разобрать запасы и сопоставить разные стратегии пополнения и алгоритмы моделирования для разных уровней запасов. В настоящее время мы в основном демонтируем существующие запасы на основе модели резервного запаса. Демонтаж на основе модели инвентаря:

• сначала этоОборотный запас：Оборотный запас В идеальной ситуации достаточно покрыть сумму между двумя пополнениями. Однако во многих случаях из-за нестабильности спроса и предложения предложение будет сильно меняться, а спрос будет сильно колебаться, если вы только подготовите Оборотный. запас, приведет к риску отсутствия товара на складе.
• с последующимстраховой запас：во избежание Оборотный Риск нехватки запасов, вызванный запасом, введенным страховой запас, отвечающий потребностям потребителей. Например, различные страховой запас соответствует различным уровням обслуживания, таким как спотовая ставка, достигающая 97%, повышенная страховая запас значительно превышает уровень 95%.
• окончательностратегический запас：Помимо оборота истраховой Помимо запаса, есть еще и стратегический запас。стратегический Запас предназначен для работы с некоторыми особыми сценариями, такими как сценарии больших рекламных запасов, такие как 618 и Double 11. Весь ритм сильно зависит от производственных мощностей поставщика, а также будет ограничен мощностью притока товаров в склад. За несколько дней до 618 и Дабл 11 завезти товар сложно. В этом случае товар нужно завозить ритмично. Эта часть инвентаря стратегический. запас. Его величина часто очень велика, что создает большие проблемы для оптимизации товарооборота.

Чтобы справиться с этой проблемой, в настоящее время мы вводим две общие стратегии пополнения запасов:

Первая категория — регулярное пополнение.

Регулярное пополнение служит больше для резервного запаса и ротационного запаса. В этом процессе необходимо выполнить два типа работы: рекомендовать разумный уровень запасов на основе неопределенности прогноза, а затем сопоставить соответствующие параметры на основе разумного уровня запасов. В процессе рекомендации параметров мы в настоящее время используем оптимизационную модель исследования операций для определения параметров. Например, чтобы достичь определенного уровня запасов, необходимо давать разные рекомендации по продуктам для разных параметров, таких как количество дней на складе и уровень обслуживания. Благодаря параметрической модели регулярного пополнения мы достигаем очень высокого уровня автоматизации - 70%.

Вторая категория — большое пополнение по акции.

Большое пополнение продаж — это совершенно особый сценарий, поскольку в определенный момент его объем очень сильно возрастает. В этом случае мы разобьем ритм и количество складирования в долгосрочной перспективе на основе прогнозов, планов закупок бизнеса, планов продаж и запасов, логистических мощностей и производственных мощностей поставщиков. Трудности здесь заключаются в следующем:

• Первый - прогноз продаж. Наша команда прогнозистов провела большую оптимизацию продаж в период большой рекламной акции. С прошлого года до запуска 618 в этом году, после запуска нового большого прогноза по рекламной акции, был достигнут весь план. был значительно улучшен.
• Второй — соответствие ритму складирования, что больше связано с логистическим тестированием.

Кроме того, во многих случаях бизнес будет вносить коррективы в план, и в этом случае это окажет большое влияние на результаты подготовки крупномасштабных продаж. За два раунда пилотных проектов мы решили основные проблемы. Судя по текущим последующим результатам, уровень внедрения и эффективность автоматизации очень высоки. Уровень внедрения крупных рекламных акций превышает 80%, а уровень автоматизации остается выше 60%.

3.2 Оптимизация и план распределения технологических запасов Шаньшу

Содержимое взято из лекции, прочитанной Ван Си из Shashu Technology на форуме datafunSummit Industrial Data Science Forum.

Разрабатывайте дифференцированные модели запасов безопасности и модели стратегии пополнения запасов на основе характеристик продукта и характеристик продаж, учитывайте такие показатели, как уровень обслуживания и эффективность оборачиваемости, для достижения интеллектуального многоуровневого управления планированием запасов; В то же время ежедневные планы пополнения и распределения составляются с учетом нехватки складов/магазинов, невыполненных заказов и колебаний продаж для достижения гибкой оптимизации на уровне исполнения.

Дифференцированная стратегия пополнения и резервного запаса:

Решение для многоуровневой оптимизации сети инвентаризации

Это первый уровень многоканального интеллекта Xiaomi.&Оптимизация распределения второстепенных грузов：

Обобщите глобальную логику пополнения в модель интеллектуального алгоритма:

3.3 Alibaba Cloud: интеллектуальное решение для цепочки поставок

Отрывок из лекции «Средняя платформа интеллектуальных цепочек поставок Alibaba 2.0» на [Китайском технологическом дне открытых дверей] Модель управления запасами:

Введение в процесс прогнозирования всего управления запасами:

Что касается процесса прогнозирования нового продукта:

Платформа алгоритмического прогнозирования для всего управления запасами:

3.4 Практическое исследование оптимизации операций в автомобильной промышленности

На лекции datafunCon 2021 Лин Лин, эксперт по анализу данных из Automobile Group, поделилась темой: «Практическое исследование оптимизации исследований операций в автомобильной промышленности».

Оптимизация инвентаря:

3.5 NetEase Yanxuan: идеи проектирования интеллектуальной системы пополнения запасов

Справочная статья《Идеи дизайна интеллектуальной системы пополнения》

Целью разработки системы пополнения запасов, отвечающей потребностям бизнеса, является достижение недорогого и эффективного управления запасами. Система пополнения должна обладать следующими возможностями:

• Многоканальное пополнение: пополнение может осуществляться на основе нескольких измерений, таких как каналы продаж, склады, поставщики и т. д.
• Пакетизация: автоматически создавайте планы пополнения для сотен тысяч (или даже миллионов) продуктов.
• Эффект виден: план пополнения можно оценить заранее, а результаты бизнеса — потом.
• Возможность вмешательства: в план пополнения можно внести ручные корректировки.
• Риски контролируемы: результаты расчетов стабильны и достоверны

При размещении заказа на пополнение необходимо также учитывать бизнес-ограничения. Вот некоторые общие факторы:

• Минимальный объем заказа: Количество заказа не должно быть меньше минимального количества покупки. Время выполнения: общее время, необходимое от размещения заказа до складирования, включая ряд промежуточных звеньев, которые могут включать производство, транспортировку и т. д.
• Минимальная частота покупок: по определенным деловым причинам покупательское поведение не может быть слишком частым, например, необходимо совершать покупки не чаще одного раза в неделю.
• Размер коробки: количество покупки обычно указывается в штуках, но единица транспортировки обычно указывается в коробках.

Стоит отметить, что разные товары (разные поставщики или разные склады) могут иметь разные соответствующие ограничения, поэтому система пополнения должна иметь возможность обрабатывать дифференцированные ограничения.

Результаты расчетов системы пополнения должны быть достоверными, а эффект должен быть оценен. Мы представляем модули моделирования, мониторинга и анализа:

• моделирование Проверить эффективность и надежность Прогнозной модели и пополнить запасы Модели.
• Мониторинг выявляет аномалии данных в каждом модуле. Если обнаружена аномалия, подается сигнал тревоги или процесс приостанавливается, чтобы предотвратить финансовые потери.
• Анализ: заранее объясните причины пополнения запасов и впоследствии проанализируйте последствия пополнения запасов.

Прогнозная модель В действительности правила продаж разных товаров (разных каналов) различны. Рекомендуется реализовать разнообразные Прогнозные модель,Такие как правила Модель、временной ряд Модель、Статистика Модель、Модель нейронной сети и др.

модель принятия решений Функция заключается в расчете количества пополнения, которое имеет вид Прогнозная ниже модели, поскольку прогнозируемый результат является одним из ее входных данных. Кроме того, он учитывает бизнес-ограничения. Различные продукты могут быть представлены разными моделями. принятия решения для обработки. Например, реализовать следующую функцию пополнения:

• Поддерживает несколько измерений минимального количества заказа, например количество SKU, количество SPU, вес и т. д.
• Поддерживает несколько поставщиков, например несколько поставщиков одного и того же продукта.
• Поддерживает поступление партиями.
• Поддерживает пополнение по складу.

3.6 Исследование тщательно отобранных методов и стратегий классификации запасов в цепочке поставок

От NetEase Юшу：Исследование тщательно отобранных методов и стратегий классификации запасов в цепочке поставок.

На текущем этапе тщательно отобранной разработки запасов формулируется набор планов классификации запасов для осуществления классифицированного и иерархического управления путем разделения существующих товаров на уровни запасов. Продукты на разных уровнях должны иметь разные стандарты перемещения запасов и отсутствия на складе, формулировать разные стратегии, охватывать множество сценариев в звене планирования и инвестировать ограниченные управленческие ресурсы в ключевые запасы, которые могут принести большую ценность.

В отрасли изучались следующие методы: классификация ABC и классификация XYZ, где ABC характеризуется важностью продаж, а XYZ характеризуется волатильностью продаж. После интеграции реальных стратегических приложений мы также добавили функции передачи библиотек и классификацию RST.

Особенность 1: Важность продаж Метод классификации ABC, который представляет собой метод классификации, характеризующийся важностью продаж, используется при управлении запасами. С точки зрения важности продаж классификация ABC выполняется для выявления продуктов, которые вносят хороший или плохой вклад в продажи компании. По классификационным стандартам по значимости продаж они делятся на категорию А (отлично, важно), категорию Б (хорошо, в целом важно) и категорию С (плохо, не важно). Среди них товары класса А составляют около 10% от общего количества товаров на складе, но их вклад в продажу составляет около 60%, товары класса В составляют около 30% товаров на складе, а их вклад в продажу составляет около 30; %; товары класса С составляют около 30% от общего количества товаров на складе. На их долю приходится около 60% количества товаров на складе, но его вклад в продажи составляет лишь около 10%.

Особенность 2: Волатильность продаж Классификация ABC говорит нам, какие продукты наиболее важны для продаж. Классификация XYZ расскажет нам, каковы характеристики продаж и характеристики спроса на продукт. Метод классификации XYZ — это метод классификации, основанный на волатильности продаж. Что касается стандартов классификации, обычно используемый стандарт трехступенчатой ​​классификации использует границы 0,67 и 1. В соответствии с фактическим вкладом в продажи, соответствующим каждому пороговому значению, он корректируется до 0,6 и 1,2 и делится на категорию X. (отличное, стабильное) и категория Y (хорошее, среднее), категория Z (плохое, нестабильное), количество продуктов и вклад в продажи трех категорий товаров в основном составляют 30%: 40%: 30%.

Функция 3: Перенос библиотеки На основе тщательно отобранных реальных сценариев применения реализована функция переноса библиотеки. Оборачиваемость запасов является ключевым показателем, который отражает характеристики оборачиваемости запасов со стороны предложения. Он включает в себя влияние операционных характеристик товаров со стороны предложения и связан с применением стратегий пополнения запасов. С точки зрения формулировки показателя, скорость оборачиваемости запасов измеряется через запасы/среднедневные продажи. С точки зрения стандартов классификации мы сравнили среднее распределение запасов и среднее распределение пропорций товарных запасов и обнаружили, что полученные запасы и пропорции артикулов в основном одинаковы, поэтому мы выбрали один из них и нашли граничное значение по среднему значению. распределение пропорций СКУ и разделил их на R (отлично), на три категории: S (хорошо) и Т (плохо).

Объединенные три функции будут иметь 27 измерений. Фактически, при рассмотрении стратегического направления для 27 категорий производительность будет одинаковой, а сложность операций увеличится. Поэтому, исходя из схожести стратегических направлений всех 27 категорий товаров, на первом этапе подачи заявки они были объединены в 5 категорий.

На основе направления оптимизации на основе функций и характеристик продукта классификации запасов можно разделить направление оптимизации параметров продуктов с различными классификациями запасов.

4 Алгоритм прогнозирования

4.1 JD.com: Сквозная модель пополнения интеллектуальной платформы прогнозирования

В статье [2] упоминаются функции и алгоритмы интеллектуальной платформы прогнозирования в рамках внутренней системы цепочки поставок JD.com.

Для того, чтобы интеллектуальная платформа прогнозирования имела лучшую адаптируемость.,Мы перенесем некоторую бизнес-информацию на интеллектуальную платформу прогнозирования.,Например, разные виды бизнеса.,Например, производство крупной бытовой техники — это бизнес, основанный на планах, мода — это фьючерсный бизнес, а производство мелких и средних товаров определяется спросом.,В процессе прогнозирования необходимо учитывать различные форматы бизнеса.

Кроме того, мы установим различные факторы влияния. Различные факторы влияния оказывают большое влияние на конечный эффект, например, факторы продвижения и сезонные факторы. Мы моделируем различные факторы отдельно, чтобы облегчить поддержку различных форм бизнеса. В настоящее время интеллектуальная платформа прогнозирования. поддерживается. В настоящее время в этой области существуют три основных направления:

• Первая категория — финансовое прогнозирование, которое помогает предприятиям планировать финансовые планы;
• Второй - прогноз продаж,Очень взрослый сейчас,Это основа для реализации автоматического пополнения.,Выдавайте более 10 миллионов строк предложений прогнозов каждый день.,Покупки на десятки миллионов долларов;
• Прогнозирование единичного количества — это скорее услуга для логистики, составления планов закупок на складах и распределения производственных мощностей.

Вся система Прогнозная модель разделена на четыре части:

• Первая категория – модель времени.

Во многих случаях модели обучающих временных рядов могут лучше решать проблемы прогнозирования продаж. Поэтому адаптивность некоторых категорий здесь относительно хорошая. Судя по нашему опыту, трендовые модели, в том числе циклические, работают лучше и могут лучше решать подобные проблемы.

• Вторая категория — Модель машинного обучения.

Когда последовательная модель не может решить проблему, необходимо внедрить модели машинного обучения, включая модели глубокого обучения. Какой тип эффекта эта модель решает лучше? Например, рекламную и маркетинговую информацию, сложную информацию трудно учитывать в модели временных рядов, поскольку ее способность к обучению относительно слаба. В этом случае эффект будет улучшен за счет внедрения модели машинного обучения.

• Третья категория – новые продукты Модель

Новые модели продуктов в настоящее время представляют собой трудность в отрасли. Мы также исследовали множество идей прогнозирования новых продуктов, но в настоящее время не существует особенно идеальной идеи. Более доступная идея — логика схожего продукта, которая будет играть большую роль в прогнозировании нового продукта. Например, после того, как многие продукты будут представлены на платформе, некоторые старые продукты будут очень похожи на них. После их внедрения появятся относительно полные данные для обучения моделей новых продуктов, и результаты будут лучше.

• Четвертая категория — модель маршрутизации.

Поскольку вышеуказанные три типа модели определяются алгоритмом после анализа продукта.,Улучшенные эффекты, вызванные дифференциацией для разных уровней продуктов.,Но эффективность относительно низкая。Поэтому мы предложили модель маршрутизации, надеясь, что благодаря автоматической идентификации алгоритма мы сможем автоматически определить, имеет ли каждый продукт подходящую мета в определенный период. адаптация модели. После более чем года исследований мы нашли некоторые механизмы отбора, которые могут хорошо соответствовать взаимосвязям между продуктами. Фактически модель маршрутизации играет очень важную роль в повышении точности рынка. На разных частотах пульс увеличивается выше определенной точки, причем прирост очень велик. Таким образом, в настоящее время в основном продвигается модель маршрутизации, которая может повысить эффективность и улучшить результаты прогнозирования.

Чтобы повысить эффективность развертывания алгоритмов, мы внесли некоторые улучшения в механизм, в том числе усовершенствовали систему оценки процесса развертывания и систему бэктестинга с прошлого года, что значительно ускорило развертывание алгоритмов прогнозирования.

Сквозная модель пополнения

Передовая технология, которую мы продвигаем с 2020 года, — это многостороннее пополнение. Основная логика предыдущего пополнения заключается в том, чтобы сначала сделать прогнозы, а затем объединить модель пополнения, например рекомендации по параметрам, для размещения заказов на покупку. Одним из недостатков этого метода является то, что ссылок много, и на каждом уровне будут накапливаться ошибки, что ухудшает эффект прогнозирования. Поэтому мы хотим превратить два звена прогнозирования и принятия решений в одно звено и напрямую давать оптимальные предложения. Таким образом, мы можем еще больше улучшить эффект пополнения.

Во всей сквозной модели прогноз текущего объема продаж, прогноз VLT и принятие решения о пополнении запасов объединяются в большую модель через большую нейронную сеть и, наконец, даются рекомендации. Чтобы улучшить интерпретируемость всей модели, результаты промежуточного процесса, такие как прогноз продаж и результаты прогноза VLT, будут выведены для всеобщего сведения.

Судя по результатам нашей проверки, в реальном сценарии реализации мы выбрали три конкретные категории для онлайн-экспериментов. Результаты эксперимента были очень хорошими. Оборот и спотовые товары могут достигать двух литров, как для обычных продуктов, так и для самых продаваемых продуктов. результаты.

Мы также постоянно исследуем интерпретируемость предсказаний. Как это сделать? В настоящее время нам предстоит предпринять два шага в процессе разведки:

• Во-первых, интерпретируемость процесса прогнозирования означает, что количество действий увеличилось;
• Во-вторых, интерпретируемость результатов требует разбора общего прогнозируемого объема, какой объем маркетинга создается за счет продвижения, а какой объем создается за счет цены. Результаты необходимо разобрать, чтобы облегчить отслеживание после неудачного случая с бизнесом. , у нас лучшая интерпретируемость.

4.2 Алгоритм прогнозирования цифровой цепочки поставок Alibaba

Статья из datafun-лекции «Алгоритм прогнозирования цифровой цепочки поставок Alibaba»

Сортировка и разделение сценариев прогноза в основном основаны на разделении временной шкалы, то есть времени заблаговременности прогноза. Разные сроки прогнозирования имеют разные применения и соответствующие алгоритмы. Следующие сцены можно разделить от дальних к ближним.

① Период прогноза до одного года – прогноз GMV

Прогнозирование GMV относится к долгосрочному прогнозированию объема транзакций магазина или платформы, которое используется для формулирования долгосрочных бизнес-планов. Например, то, как распределить маркетинговые ресурсы или некоторые основные ресурсы для поддержки роста, зависит от долгосрочного прогноза будущего. Срок выполнения долгосрочного прогноза составляет один год. Например, сейчас мы прогнозируем состояние транзакций отрасли на весь следующий год.

② Период прогноза от нескольких месяцев до недель – прогноз продаж

Прогноз продаж относится к прогнозированию будущего объема продаж продуктов в различных сценариях на Taobao, Tmall и различных новых розничных магазинах Alibaba. В основном он используется для пополнения запасов, распределения и товарооборота. Некоторые ключевые решения в бизнес-процессе зависят от наших прогнозов и суждений о будущем.

③ От недели до нескольких дней вперед – прогноз объема складских заказов.

Количество заказов, поступающих на склад, является очень важным неопределенным фактором, который будет влиять на производственную мощность склада и подготовку рабочей силы, поэтому необходимость такого прогнозирования является острой.

Выше приведены основные направления поддержки алгоритмов прогнозирования. Они прогнозируются с использованием алгоритмов автономного прогнозирования (автономный режим определяется как время выполнения в один день или более), а базовые данные и технические системы находятся в автономном режиме.

Существует полный набор технических решений для прогнозирования общего объема продаж, прогноза продаж и прогноза количества единиц продукции в режиме реального времени (реальное время подразумевается в течение одного дня), которое может обновляться на часовом и минутном уровнях. Сценарии приложений реального времени аналогичны офлайн-сценариям, но техническая архитектура отличается.

Маршрут и результаты разработки алгоритма прогнозирования

Алгоритм собственной разработки

Основное преимущество Falcon — небольшой масштаб параметров, составляющий около нескольких тысяч. Существуют десятки тысяч параметров, поскольку в блоке есть полностью связанные слои, что приводит к потере некоторых параметров. Цель — контролировать параметры на уровне 10 000. Наш объем данных составляет около 100 000 000 000. Попробуйте контролировать параметры на уровне 100:1. Время обучения составляет один или два часа для запуска алгоритма с объемом данных в один миллион.

Кроме того, ведется определенная работа над инфраструктурой, чтобы не отставать от нисходящего потока, в основном для того, чтобы восходящий и нисходящий поток соответствовали этой модели, быстро подключили бизнес и быстро вышли в Интернет.

Алгоритм Falcon был в основном доработан во второй половине 2020 года, и результаты бизнес-операций в основном достигли запланированных.

Есть несколько простых решений некоторых сегментированных проблем. Как показано на рисунке 2-5, есть несколько прямых решений для рекламной продукции, например, замена продуктов и сезонные продукты. Основная работа заключается в том, чтобы интегрировать идею решения в модель алгоритма, рассматривать ее как специальный блок или что-то на более высоком уровне и наполнить ее более совершенным образом. Сезонная часть в основном готова, а рекламная часть почти готова. Эксперимент по замещению является относительно сложным. Он требует некоторой исследовательской работы, чтобы использовать некоторые диаграммы для определения взаимосвязей между продуктами.

5 Планирование межскладских перевозок

5.1 Оптимизация планирования транспортировки по технологии Шаньшу

Принимая во внимание различные бизнес-ограничения, мы планируем все ресурсы глобально, максимально сокращаем транспортные расходы, улучшаем использование ресурсов и повышаем скорость реагирования бизнеса, обеспечивая при этом уровень обслуживания клиентов.

Содержимое взято из лекции, прочитанной Ван Си из Shashu Technology на форуме datafunSummit Industrial Data Science Forum.

После подтверждения плана распределения реализуйте его экономически эффективным и своевременным образом.

5.2 Модель инвентаризации здоровья Alibaba

Статья Чжиху: новая розничная торговля - Интеллектуальное распределение в многоцелевых сценариях новая розничная торговля - Умная модель пополнения Цепочка поставок Alibaba Health смоделирована для заказа и пополнения запасов фармацевтических продуктов электронной коммерции, что требует целевого анализа и оптимизации на основе уникальных свойств товаров для здоровья. Первоначально мы использовали наиболее широко используемую периодическую (s, S) модель с лучшими результатами в отрасли, что позволило нам быстро построить базовую модель, затем выполнить одноточечную мелкозернистую оптимизацию для продуктов медицинского назначения, а также построить различные стратегии и стратегии, подходящие для сценариев здравоохранения, существуют две модели:

5.2.1 Два основных типа моделей пополнения запасов

Модель периодической инвентаризации (s, S) Поскольку рыночный спрос неопределенен, при периодической инвентаризации уровень обслуживания поставщика время выполнения заказа + цикл инвентаризации (vlt + nrt) равен

В случае ситуация с потреблением запасов следующая:

Модель динамической инвентаризации (DTIA)

Динамическая корректировка целевых запасов Из приведенной выше формулы страхового запаса видно, что он обладает определенной степенью устойчивости к колебаниям объема продаж и VLT. У нас есть набор методов анализа атрибуции отсутствия на складе, которые могут суммировать отсутствующие на складе товары и найти основные причины, влияющие на отсутствие товаров на складе. В сценарии здоровья посредством анализа атрибуции было обнаружено, что колебания объема продаж не являются основным фактором, влияющим на отсутствие запасов, но влияние поставщиков является важной причиной отсутствия запасов. Поэтому мы предложили модель динамических целевых запасов (DTIA), которая снижает риск отсутствия запасов за счет всестороннего рассмотрения ситуации с поставщиками и динамической корректировки целевых запасов.

5.2.2 Структура процесса пополнения запасов

(1) Уровень предварительной обработки в части предварительной обработки и настройки параметров разделен следующим образом:

• Некоторые параметры будут разделены на категории, и соответствующие параметры будут адаптированы для разных категорий;
• Новый японский старый предмет,Новые продукты часто имеют некоторую волатильность, которая требует особого внимания.,Адаптация к новым продуктам Модель;
• Обычные продукты и продукты с длинным хвостом, продукты с длинным хвостом учитывают оборот и легкую нехватку;
• Ежедневные продукты и сезонные продукты, сезонные продукты будут иметь характеристики, учитывающие минимальное количество и сокращение;

(2) Слой модели, к которому относятся:

• Обычная модель,В большинстве обычных продуктов используются периодические (s),S）Модель；
• Квантильная модель,Для некоторых новых продуктов или продуктов с длинным хвостом,Использование квантильной регрессии и квантильного пополнения;
• DTIAМодель,Для некоторых товаров, которых легко нет в наличии,Учитывайте уязвимость к дефициту и т. д.;

(3) Уровень постобработки

• Сезонность, при выполнении сезонной обработки будут добавлены некоторые перехваты при постобработке прогнозирования и пополнения;
• В случае крупных рекламных акций количество продуктов, участвующих в крупных рекламных акциях, будет увеличиваться в течение периода основной рекламной акции;
• Легко нет в наличии,После учета корректировок по Модели,Обычно по этой части есть некоторые условные ограничения;
• MOQ (минимальный объем заказа), минимальный объем заказа будет скорректирован в соответствии с такими правилами, как правила упаковки;

Благодаря предварительной обработке и обработке корректирующего слоя мы можем эффективно работать с различными характеристиками популярных продуктов, продуктов с длинным хвостом, сезонных продуктов и продуктов, которых легко нет в наличии. Слой модели также адаптируется к различным выходным данным модели. а затем через окончательную постобработку. Уровень обработки регулирует уровень запасов и размер коробки в соответствии с конечными требованиями к выходу.

5.2.3 Типы моделирования инвентаризации

Моделирование запасов — это процесс моделирования и оценки модели пополнения запасов в системе цепочки поставок. Он может оценивать эффективность различных показателей моделей с разными стратегиями в одной системе. К часто используемым показателям относятся: оборачиваемость запасов, уровень отсутствия на складе. (спотовый курс)).

Моделирование пополнения основано на исторических запасах, заказах на поставку и другой информации с учетом случайных факторов и параллельно моделирует различные размеры склада в течение определенного периода времени. Рассчитывается количество эпох моделирования и среднее значение моделирования. рассчитывается как конечный результат.

5.2.4 Интеллектуальное распределение в многоцелевых сценариях

Основные факторы, учитываемые при распределении, включают: стоимость распределения, ожидаемое увеличение доставки на следующий день и ожидаемое снижение уровня отсутствия на складе. Целевую функцию необходимо соответствующим образом оценить и определить количественно. Вот некоторые мысли по поводу количественной оценки.

• 1. Стоимость, плата за перевод стоимости единицы товара между складами может быть оценена на основе объема, веса, страхового тарифа и других расходов, связанных с перемещением между складами;
• 2. Чтобы увеличить доставку на следующий день, вы можете использовать соотношение объема продаж к объему единицы продукции. Предполагая, что межрегиональные поставки трудно доставить на следующий день, вы можете оценить ожидаемое увеличение доставки на следующий день на величину. увеличение объема поставок в этом регионе;
• 3. Ожидается снижение уровня отсутствия на складе.

Существует несколько способов решения алгоритма распределения:

Трансформация решения проблем Исходная проблема представляет собой многокритериальную задачу нелинейного программирования. Ее сложно решить напрямую. Существует множество глобальных переменных решения, и решение требует много времени. В то же время полученный набор подрешений для одного продукта не является. Интуитивно понятный. Преобразуя идею решения, сначала решается подзадача одного продукта, а затем рассматриваются соответствующие ограничения в целом, в сочетании с вышеуказанной объективной линейной количественной оценкой, проблема может быть преобразована в задачу многокритериального целочисленного программирования. решать. Если вы рассматриваете подзадачи, вы можете использовать методы параллельных вычислений, чтобы самостоятельно решать, как распределять продукт и сколько выделять каждый раз.

Многоцелевое решение

Многоцелевая оптимизация относится к задаче оптимизации, в которой учитывается несколько показателей. На самом деле не существует четкой границы относительно того, кто лучше для каждой цели. Между целями могут возникать конфликты, поэтому не обязательно существует только одно оптимальное решение.

Комбинированное целевое решение

Кроме Многоцелевое решениеснаружи,Вы можете использовать комбинированный метод прямого решения задачи.,Идея аналогична вышеописанной,Это просто сочетание показателей уровня беспокойства, заранее преобразованных в цели.,Преобразуйте несколько одиночных целей в объединенную цель.

6 диспетчерская вышка

6.1 Технология Шаньшу: интеллектуальная диспетчерская вышка для принятия решений в комплексной цепочке поставок

Содержимое взято из лекции, прочитанной Ван Си из Shashu Technology на форуме datafunSummit Industrial Data Science Forum.

Отдел планирования теперь имеет полный набор инструментов с функциями визуализации, оптимизации принятия решений и моделирования планирования цепочки поставок. Общий анализ рынка + Прогнозный анализ каждого звена в будущем + Принятие наилучшего решения по запасам, распределению и транспортировке

В планировании сценариев используется технология моделирования, позволяющая в максимальной степени восстановить логику планирования цепочки поставок и последовательно соединить сквозной процесс. Благодаря мощной функции анализа «что, если» предприятия имеют возможность гибкого анализа заранее прогнозировать будущее. сравнивать влияние различных возможностей изменения на цепочку поставок и принимать оптимальные решения.

6.2 JD.com: Башня интеллектуального планирования и Башня интеллектуального планирования

В справочной статье [1] упоминаются башни-близнецы JD.com, интеллектуальная башня планирования и интеллектуальная башня планирования.

6.2.1 Башня-близнец

На основе платформы цифрового двойника мы создали систему продуктов под названием «Платформа-близнец», которая представляет собой цифровое представление физического мира. Вдобавок к этому формируется система продуктов-близнецов: интеллектуальная башня планирования и интеллектуальная башня планирования. Это продукты оптимизации, основанные на алгоритмах. Результаты оптимизации будут переданы обратно на платформу цифрового двойника, и цифровой двойник будет использоваться. смоделировать его для оптимизации. После того, как эффект достигает определенного уровня, он передается в производственную систему, тем самым влияя на операционный эффект реального физического мира.

6.2.2 Интеллектуальная планирующая башня

Важная роль башни планирования заключается в планировании логистики на верхнем уровне на основе анализа данных. Абстрактное планирование логистической сети — это проблема пространственно-временной сети, которая включает в себя определение точек, линий и плоскостей.

Важной способностью башни планирования является расчет оптимального решения под желаемые бизнес-цели. Поскольку масштаб всей сети теперь очень велик, выполняется больше статической работы. С этой целью мы приложили много технических усилий, таких как интеграция традиционных исследований операций и машинного обучения искусственного интеллекта, что значительно улучшило общую производительность вычислений, тем самым решая более актуальные проблемы.

6.3 Как диспетчерская вышка цепочки поставок ускоряет получение бизнес-преимуществ от цифровизации

Это статья《Как башни управления цепочками поставок ускоряют получение бизнес-преимуществ от цифровизации》的介绍性文献

Стандартная диспетчерская вышка должна обеспечивать сквозную видимость всей цепочки поставок, особенно непредвиденных внешних событий. В конечном итоге это поможет вам лучше прогнозировать сбои, повысить отказоустойчивость, управлять исключениями и реагировать на незапланированные события. Возможно, наиболее фундаментальной ценностью башни управления цепочками поставок является ее способность соединять различные системы, такие как WMS, TMS, ERP и т. д., и обеспечивать одну версию отображения данных.

Когнитивная вычислительная машина: оцифровка требует разумных действий. Бизнес-цель этого уровня — использовать данные из внешних и внутренних источников для применения аналитики к бизнес-процессам, прогнозирования и определения приоритетности проблем, прогнозирования сбоев, эффективного смягчения последствий и обеспечения интеллектуального автономного принятия решений. Это достигается за счет:

• Количественная оценка воздействия: когда инцидент произошел или вот-вот произойдет, команда должна быть в состоянии предсказать и количественно оценить вероятное влияние инцидента, чтобы спроектировать и обеспечить соответствующие меры реагирования.
• Анализ сценариев: он основан на аналитических способностях разрабатывать и анализировать различные сценарии для устранения аномалий.
• Прогнозная аналитика. Башня управления цепочкой поставок не только обеспечивает видимость того, что произошло и происходит, но также помогает прогнозировать, что может произойти дальше, благодаря своим возможностям прогнозной аналитики.
• Механизмы реагирования на сотрудничество/сотрудничество. Цифровизация требует автоматизации и сотрудничества/сотрудничества.