Science et tech de Supply Chain
RETOUR À LOKAD TV ›
Prévision de la demande pour de nouveaux produits
Les nouveaux produits n'ont pas d'historique de ventes pouvant être représenté sous forme de séries temporelles. Par conséquent, les modèles de prévision des séries temporelles ne fonctionnent pas pour les nouveaux produits. La prévision de la demande pour de nouveaux produits nécessite des modèles de prévision alternatifs capables de tirer parti de données, telles que les attributs des produits, qui ne se présentent pas sous forme de séries temporelles.
La peur du changement en supply chain
Une bonne pratique de gestion de la supply chain (SCM) inclut une dose saine de conservatisme puisque le coût de l'échec tend à être élevé. Pourtant, rejeter tout changement n'est pas une option dans un monde où l'innovation met hors jeu les entreprises à la traîne.
Frankensteinisation logicielle dans supply chain
Gérer les supply chain et les optimiser est particulièrement difficile d'un point de vue logiciel. La 'Frankensteinisation logicielle' se réfère à la dégradation technologique qui affecte les logiciels d'entreprise lorsqu'ils sont confrontés à leur propre évolution sur plusieurs décennies.
Prévisions probabilistes pour supply chain
L'optimisation de la supply chain repose sur une connaissance anticipée de l'avenir. Les prévisions classiques nient totalement l'incertitude et supposent que la prévision est parfaitement connue. À l'inverse, les prévisions probabilistes intègrent l'incertitude et reflètent que l'optimisation de la supply chain doit rester robuste face aux événements inattendus.
Internet des Objets pour Supply Chains
Pour qu'une pratique de gestion de la supply chain soit performante, les gestionnaires doivent avoir accès à la position de chaque actif. Contrairement à la gestion électronique des stocks classique, l'Internet of Things (IoT) offre la possibilité d'obtenir une visibilité en temps réel sur tous les actifs, y compris les véhicules.
Préparation des données dans la supply chain
La bonne préparation des données est une condition sine qua non pour réussir toute initiative basée sur les données. Lorsqu'on considère les défis de la supply chain, la préparation des données est difficile car elle implique des systèmes d'entreprise complexes qui n'ont pas été conçus en tenant compte de la science des données.
L’intelligence artificielle et supply chains
Dans cet épisode, nous parlons de ce mot à la mode majeur et de son application à la supply chain.
Prévision des promotions
La prévision de la demande promotionnelle est nécessaire afin d'allouer la bonne quantité de stocks. Cependant, les modèles de prévision des séries temporelles ne conviennent généralement pas pour aborder les schémas de demande liés à la tarification. Des modèles de prévision par machine learning plus complexes sont nécessaires pour prendre correctement en compte les promotions passées, et pour refléter l'impact à venir de celles qui sont planifiées.
Le paradoxe de l’expérience utilisateur
Les systèmes de gestion de la supply chain (SCM) présentent des interfaces utilisateurs complexes. Parmi eux, les sous-systèmes de prévision de la demande ne sont pas seulement complexes, mais également compliqués. De meilleures interfaces utilisateurs sont nécessaires pour gérer cette complexité.
Silos et décisions en Supply Chain
Les supply chains modernes sont complexes, et la réponse la plus directe à cette complexité est une 'spécialisation du travail'. Malheureusement, cette approche se traduit par des 'silos' qui ne parviennent pas à fournir des décisions maximisant les rendements pour l'entreprise.