La science et la technologie de la Supply Chain
RETOUR À LOKAD TV ›
La peur du changement dans la Supply Chain
Une bonne pratique de gestion de la Supply Chain (SCM) inclut une dose de conservatisme, car le coût de l'échec tend à être élevé. Cependant, rejeter tout changement n'est pas une option dans un monde où l'innovation pousse les entreprises à la traîne hors du marché.
Frankensteinisation logicielle en Supply Chain
La gestion et l'optimisation des chaînes d'approvisionnement sont particulièrement difficiles d'un point de vue logiciel. La 'Frankensteinisation logicielle' fait référence à la dégradation technologique qui affecte les logiciels d'entreprise lorsqu'ils sont confrontés à leur propre évolution sur plusieurs décennies.
Prévisions probabilistes pour les Supply Chains
L'optimisation des supply chains repose sur la capacité à anticiper l'avenir. Les prévisions classiques ignorent totalement l'incertitude et supposent que la prévision est parfaitement connue. En revanche, les prévisions probabilistes intègrent l'incertitude et reflètent que l'optimisation de la supply chain doit rester robuste face à des événements inattendus.
Internet des objets pour les chaînes d’approvisionnement
Pour qu'une pratique de gestion de la chaîne d'approvisionnement soit performante, les gestionnaires doivent avoir accès à la position de chaque actif. Contrairement à la gestion électronique classique des stocks, l'Internet des objets (IoT) offre la possibilité d'obtenir une visibilité en temps réel sur tous les actifs, y compris les véhicules.
Préparation des données en Supply Chain
La préparation adéquate des données est une condition préalable à la réussite de toute initiative axée sur les données. Lorsqu'il s'agit de défis liés à 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.
Intelligence Artificielle et Supply Chains
Dans cet épisode, nous parlons de ce buzzword majeur et de son application aux supply chains.
Prévision des promotions
La prévision de la demande promotionnelle est nécessaire pour allouer la quantité correcte de stock. Cependant, les modèles de prévision des séries temporelles ne conviennent généralement pas pour prendre en compte les schémas de demande liés aux prix. Des modèles de prévision plus complexes basés sur l'apprentissage automatique sont nécessaires pour tenir compte correctement des promotions passées et refléter l'impact à venir de celles qui sont prévues.
Le paradoxe de l’expérience utilisateur
Les systèmes de gestion de la chaîne d'approvisionnement (SCM) présentent des interfaces utilisateur complexes. Parmi elles, les sous-systèmes de prévision de la demande sont non seulement complexes mais aussi compliqués. De meilleures interfaces utilisateur sont nécessaires pour faire face à cette complexité.
Silos et décisions en Supply Chain
Les chaînes d'approvisionnement modernes sont complexes, et la réponse la plus directe à cette complexité est une 'spécialisation du travail'. Malheureusement, cette approche entraîne des 'silos' qui échouent à prendre des décisions qui maximisent les retours pour l'entreprise.
Le Data Scientist en Supply Chain
Les défis de la supply chain sont souvent quantitatifs et axés sur les données. Cela en fait un domaine propice à la pratique de la science des données. Cependant, la compréhension du métier est souvent négligée dans la pratique de la science des données en supply chain.
Blockchain et Bitcoins
Les blockchains et le Bitcoin ont des applications pour les chaînes d'approvisionnement, mais pas celles mises en avant par les fournisseurs de logiciels.
Intelligence artificielle pour la supply chain
L'intelligence artificielle (IA) est un terme générique qui englobe de nombreuses méthodes statistiques à haute dimensionnalité telles que le deep learning ou la programmation différentiable. Ces méthodes peuvent être utilisées de différentes manières pour améliorer les performances opérationnelles des supply chains. Cependant, les problèmes et les solutions diffèrent considérablement des problèmes d'IA courants tels que le traitement du langage naturel (NLP).