Supply Chain Wissenschaft und Technik
ZURÜCK ZU LOKAD TV ›
Datenjobs in Supply Chain
Supply Chain Management (SCM)-Praktiken werden zunehmend datengetrieben und quantitativ. Neue Rollen haben sich entwickelt, wie zum Beispiel der Supply Chain Scientist. Unternehmen müssen strategische Entscheidungen darüber treffen, ob diese Kompetenzen intern entwickelt oder ausgelagert werden.
Datenanforderungen für supply chain Optimierung
Die vorausschauende supply chain Optimierung basiert auf sorgfältig aufbereiteten Daten. Der Zweck dieser Daten ist zweifach: Erstens werden die historischen supply chain Daten verwendet, um die Prognosemodelle zu erstellen, zweitens werden die Daten, die den aktuellen Zustand der supply chain beschreiben, genutzt, um die Optimierung der Entscheidungen voranzutreiben.
Nachfrageprognose für neue Produkte
Neue Produkte verfügen nicht über eine Verkaufshistorie, die als Zeitreihe dargestellt werden kann. Daher funktionieren Zeitreihenprognosemodelle für neue Produkte nicht. Die Nachfrageprognose für neue Produkte erfordert alternative Prognosemodelle, die in der Lage sind, Daten – wie Produkteigenschaften – zu nutzen, die nicht als Zeitreihe vorliegen.
Angst vor Veränderungen in supply chain
Eine gute Supply Chain Management (SCM)-Praxis beinhaltet eine gesunde Portion Konservatismus, da die Kosten des Scheiterns tendenziell hoch sind. Dennoch ist es keine Option, jegliche Veränderung abzulehnen in einer Welt, in der Innovation Unternehmen, die den Anschluss verlieren, aus dem Geschäft drängt.
Software Frankensteinisierung in supply chain
Das Management von supply chains und deren Optimierung ist insbesondere aus softwaretechnischer Sicht äußerst herausfordernd. Die 'Software Frankensteinisierung' bezieht sich auf den technologischen Verfall, der die Unternehmenssoftware heimsucht, wenn sie im Laufe mehrerer Jahrzehnte ihrer eigenen Evolution gegenübersteht.
Probabilistische Vorhersage für supply chains
Die Optimierung von supply chains beruht darauf, Einblicke in die Zukunft zu gewinnen. Klassische Vorhersagen ignorieren Unsicherheiten vollständig und nehmen an, dass die Prognose perfekt bekannt ist. Im Gegensatz dazu umfassen probabilistische Vorhersagen die Unsicherheit und spiegeln wider, dass die Optimierung von supply chains robust gegenüber unerwarteten Ereignissen bleiben sollte.
Internet der Dinge für Supply Chains
Damit eine supply chain management-Praxis leistungsfähig ist, müssen Manager Zugriff auf den Standort jedes einzelnen Assets haben. Im Gegensatz zur klassischen elektronischen Lagerverwaltung bietet das Internet der Dinge (IoT) die Möglichkeit, alle Assets – Fahrzeuge eingeschlossen – in Echtzeit zu überwachen.
Datenvorbereitung in supply chain
Eine ordnungsgemäße Datenaufbereitung ist eine Voraussetzung, um Erfolg bei jeder datengetriebenen Initiative zu erzielen. Wenn man die Herausforderungen im supply chain berücksichtigt, ist die Datenaufbereitung schwierig, da sie komplexe Unternehmenssysteme umfasst, die nicht mit Blick auf Data Science entwickelt wurden.
Künstliche Intelligenz und Supply Chains
In dieser Episode sprechen wir über dieses große Schlagwort und seine Anwendung auf Supply Chains.
Promotionen vorhersagen
Die Vorhersage der promotionellen Nachfrage ist notwendig, um die korrekte Menge an Lagerbestand zuzuweisen. Allerdings eignen sich Zeitreihen-Vorhersagemodelle in der Regel nicht gut, um preisbezogene Nachfragemuster zu adressieren. Komplexere Modelle des maschinellen Lernens für Vorhersagen sind erforderlich, um vergangene Promotionen angemessen zu berücksichtigen und den bevorstehenden Einfluss geplanter Aktionen abzubilden.