Наука и технологии цепочки поставок
BACK TO LOKAD TV ›
Как прогнозировать сезонность
Сезонность — один из основных циклических паттернов, который может использоваться для улучшения точности прогнозирования. Большинство процессов в цепочке поставок имеют определённую сезонность, не только из-за спроса, но и из-за сроков поставки.
ABC-анализ не работает
ABC-анализ является распространенным методом категоризации запасов, используемым во многих цепях поставок. Его цель — сосредоточить внимание руководства там, где это наиболее важно. Однако у этого метода много недостатков, и его больше нельзя считать передовым.
Модульность в цепочке поставок
While the physical infrastructure supporting most supply chains is highly modular, their software infrastructure counterpart, e.g. inventory control or demand forecasting systems, tends to be monolithic and brittle. As a result, large scale software supply chain failures are still ongoing.
Планирование продаж и операций (S&OP)
Планирование продаж и операций (S&OP) является корпоративной практикой, направленной на обеспечение превосходного исполнения цепочки поставок путем более глубокой интеграции с другими отделами, помимо цепочки поставок — в первую очередь с продажами, финансами и производством. Несмотря на заявления множества поставщиков о том, что лучшие компании используют S&OP, большинство его внедрений сталкиваются с аналогичными проблемами, которые присущи самой природе S&OP.
Работа с данными в цепочке поставок
Практики управления цепями поставок (SCM) всё больше основаны на данных и количественных методах. Появились новые роли, такие как специалист по цепям поставок. Компаниям необходимо принимать стратегические решения о том, следует ли развивать эти компетенции внутри организации или привлекать внешних специалистов.
Требования к данным для оптимизации цепочки поставок
Прогностическая оптимизация цепочек поставок опирается на тщательно подготовленные данные. Назначение этих данных двояко: во-первых, исторические данные о цепочке поставок используются для построения моделей прогнозирования, во-вторых, данные, описывающие текущее состояние цепочки поставок, применяются для оптимизации принятия решений.
Прогнозирование спроса на новые продукты
У новых продуктов нет истории продаж, которую можно представить в виде временного ряда. В результате, модели прогнозирования на основе временных рядов не работают для новых продуктов. Прогнозирование спроса на новые продукты требует использования альтернативных методов, способных использовать данные, такие как характеристики продукта, которые не представлены в виде временного ряда.
Страх перемен в цепочке поставок
A good Supply Chain Management (SCM) practice includes a healthy dose of conservatism as the cost of failure tends to be high. Yet, rejecting all change is not an option in a world where innovation drives laggard companies out of business.
Программная Франкенштейнизация в цепочке поставок
Managing supply chains and optimizing them is particularly challenging from a software perspective. The 'Software Frankensteinisation' refers to the technological decay that plagues entreprise software when faced with its own evolution over multiple decades.
Вероятностное прогнозирование для цепочек поставок
Оптимизация цепочек поставок зависит от наличия понимания будущего. Классические прогнозы полностью игнорируют неопределённость и предполагают, что прогноз известен идеально. В отличие от них, вероятностные прогнозы принимают неопределённость и отражают то, что оптимизация цепочек поставок должна оставаться устойчивой даже при неожиданных событиях.
Интернет вещей для цепочек поставок
Чтобы практика управления цепочками поставок была эффективной, менеджеры должны иметь доступ к местоположению каждого актива. В отличие от классического электронного учета запасов, Интернет вещей (IoT) предоставляет возможность получать информацию в реальном времени обо всех активах, включая автомобили.
Подготовка данных в цепочке поставок
Properly preparing the data is a requirement to achieve success for any data-driven initiative. When considering supply chain challenges, data preparation is difficult because it involves complex enterprise systems that have not been designed with data science in mind.