Supply Chain monitoring met Machine Learning

Inleiding

Argusi (www.argusi.org) is een onafhankelijk logistiek adviesbureau gespecialiseerd in supply chain analytics en optimalisatie. Argusi maakt daarbij gebruik van een sterk kwantitatieve en methodische aanpak.

Aanleiding

De directe aanleiding voor dit project is een onderzoek dat Argusi wederom heeft uitgevoerd onder een selectie van zijn opdrachtgevers, in navolging op het onderzoek van 2020 naar de belangrijkste technologieën waarin bedrijven zouden moeten investeren.

Kern thema's

Er kwamen drie kern thema's naar voren:

1. Digitalisering van de supply chain
2. Visibility, Real-time information & Demand Sensing
3. Advanced Analytics & Machine Learning

Dit laatste onderwerp is het onderwerp van dit haalbaarheidsonderzoek, middels een concept dat we monitoring met Machine Learning in de supply chain noemen.

Doelstelling

De doelstelling van dit project is de haalbaarheid vaststellen van een nieuwe Machine Learning techniek die de huidige hiërarchische, sequentiële manier van modelleren loslaat en met een nieuwe aanpak, op continue basis supply chain vraagstukken evalueert.

Haalbaarheidsproject

We zullen een haalbaarheidsproject uitvoeren voor een vijf-tal supply chain vraagstukken, op basis van data van een selectie van bedrijven die we bij het project betrekken in een periode van ongeveer 5 maanden. Dit behoeft wat achtergrond van de huidige manier van modelleren in de supply chain.

Huidige manier van modelleren

Vraagstukken in de supply chain worden gekenmerkt door een duidelijke hiërarchie. Zo zijn er:

• Structurele vraagstukken (locatie keuze, netwerk structuur, capaciteit)
• Alignment vraagstukken (voorraadposities, klantallocaties, routering)
• Scheduling (gedetailleerde routering, timing, planning)

Deze vraagstukken worden tot op de dag van vandaag sequentieel opgelost.

Complexiteit van vraagstukken

De moeilijkheid is dat deze vraagstukken elkaar onderling beïnvloeden en het aantal vrijheidsgraden hoog is. De huidige algoritmes en IT-oplossingen beschouwen de vraagstukken in afzondering en er wordt forecasting gebruikt om met de onzekerheid in de toekomst om te gaan.

Deze aanpak is tijdrovend en mist vaak de onderlinge samenhang, waardoor de huidige aanpak veelal niet meer voldoet.

Nieuwe techniek

In dit project willen we een nieuwe techniek ontwikkelen die de huidige hiërarchische, sequentiële manier van oplossen loslaat en met een nieuwe aanpak, op basis van Machine Learning, continu de oplossingsruimte aftast en de gebruiker adviseert om beslissingen te nemen.

Technische vernieuwing

De technische vernieuwing zit met name in het nieuwe ML-based algoritme. De barrière die weggenomen zal moeten worden, is dat deze complexiteit (qua vrijheidsgraden en data) opgelost zal moeten worden binnen een korte tijdspanne en op een dusdanige wijze worden terugvertaald aan de gebruiker, zodat deze de uitkomsten ook daadwerkelijk accepteert.

Doorbraak in optimalisatie

Het kunnen gebruiken van ML zal een doorbraak zijn in de wijze waarop er met optimalisatie en analytics omgegaan wordt in ons vakgebied.

De gebruiker investeert eenmalig in het opbouwen van een beschrijving van de supply chain, waarna het systeem vervolgens op zoek gaat naar mogelijke verbeteringen waarbij duizenden scenario’s worden afgetast.

En, belangrijk om te vermelden, het systeem leert. Dus het zal steeds sneller in de juiste richting zoeken. Dit zal een doorbraak geven in de wijze waarop dit soort modellen ingezet gaan worden.

Althans in theorie, de haalbaarheidsonderzoeken zullen dit moeten gaan uitwijzen.