Maskinlæring i lageroptimering

Vi kan ikke ignorere det. Kompleksiteten i forsyningskæderne er steget eksponentielt i de senere år. Engang var en god forretningsstrategi nok til at konkurrere, men dette er ikke tilfældet længere.

Kraften ved maskinlæring

For over 50 år siden steg vores forståelse af lagerstyring markant. Da virksomhederne indså det enorme afkast på investeringer, der kunne opnås gennem effektiv lagerstyring, resulterede dette til en offentliggørelse af masser af højkvalitetslitteratur omkring emnet.

Der var dog ingen computere dengang, og løsningerne var kun baseret på sund fornuft, understøttet af den nødvendige matematiske analyse. Fordelen med dette er, at løsningerne var gennemsigtige, ikke krævede meget indsats, leverede stor indsigt og hovedsageligt var fokuseret på såkaldte 'hurtige gevinster'. Som manager spørger du sandsynligvis dig selv: hvorfor så gør noget anderledes nu?

Der var mange problemer dengang, og flere og flere opstår fortsat i dag. Kort sagt, så erløsninger, der er baseret på sund fornuft og matematisk analyse alene, ikke længere tilstrækkelige.

Måske har du hørt eller læst ordene: 'DBC-system', 'maskinlæring', 'IBM' og året '1997' i samme sætning.

IBMs Deep Blue Chess (DBC) -system fortæller en historie, der fandt sted i 1997. Gennem maskinlæring lykkedes det at slå verdensmesteren i skat. En imponerende bedrift, selv efter dagens standarder. De interne medarbejdere hos IBM praler af, at systemet forstod alle mulige træk, der var tilgængelige på ethvert givet tidspunkt for at bestemme det bedste resultat. Dette hælder naturligvis mere mod en bruteforce-tilgang, der gør det specielt imponerende, når man overvejer den begrænsede computerkraft, der var tilgængelig på det tidspunkt.

Alligevel er der nogle tilføjelsertil denne historie. Garry Kasparov, skakmesteren (eller var IBM nu mesteren?) Krævede en ny kamp. Imidlertid nægtede IBM, og maskinen blev demonteret næsten øjeblikkeligt. Dette rejste til gengæld mistanke om, at Garry Kasparov blev snydt af IBMs Deep Blue Chess (DBC) -system.

I 2016 blev kraften i maskinlæring igen udstillet. I et strategisk spil "Go" blev en maskine sat til at spille mod en anden verdensmester. Igen endte det med, at maskinen trak sig tilbage som sejrsherre!

"Go" adskiller sig imidlertid fra skak, da der er et langt større antal mulige kombinationer. Kort sagt, så har 'Go' 10 ^ 174 mulige kortkonfigurationer. For at give dig en idé om, hvordan dette adskiller sig fra skak, svarer det til 1 million, billioner, billioner, billioner flere potentielle kombinationer.

Men hvad er maskinlæring? Og hvad gør det anderledes fra den brute-force tilgang eller mere traditionelle matematik? Og hvorfor og hvornår skal vi bruge det? Og hvad har vi brug for, til at få det til at fungere? Dette er ting, som ledelsen skal drøfte.

Først og fremmest er det læringskomponenten i maskinlæring, der adskiller den fra brute force-metoden og traditionel matematik. Med dette mener vi, at maskinen har evnen til at opdage relationer og mønstre i en datastruktur uden eksplicit at navngive den. Det lærer faktisk problemets 'regler'. Dette betyder, at løsninger også kan arbejde i nye, uforudsete situationer og kan tackle problemer med høj, underliggende kompleksitet og en høj grad af usikkerhed. Og det er præcis, hvor dette koncept passer ind i lagerstyring.

At maskinlæring adskiller sig fra andre løsningsmetoder skaber nye, værdifulde muligheder. Maskinindlæring gør det muligt at forbedre aktuelle teknikker, i for eksempel prognoser, men også at tackle en masse andre problemer, som ikke engang blev overvejet for et par år siden. F.eks. Identificering af de faktiske omkostninger. Altså hvis vi ikke er i stand til at levere en vare, eller bestemme, hvornår en vare er i fare for forældelse, før den endda når slutningen af ​​produktets livscyklus.

Der er ingen tvivl om, at maskinlæring kan være meget kraftfuld. Men med enorm magt kommer der også et enormt ansvar. Men mange ledere har simpelthen ikke de nødvendige forudsætninger for, at kunne få det mest optimale ud af maskinlæring.

Betingelserne for maskinlæring

Maskinindlæring er i det væsentlige ikke mere end anvendt matematik med vægt på at integrere den nuværende computerkraft, der er tilgængelig i dag. I betragtning af det stigende antal potentielle datakilder, kombineret med den hurtige udviklingshastighed inden for computerkraft, kan maskinlæring være et enormt kraftfuldt værktøj til lagerstyring.

Maskinindlæring er statistik på steroider. Alligevel er det i det væsentlige stadig ”bare et andet værktøj i kassen.” Og selvfølgelig er der ulemper ved maskinlæring.

Maskinindlæring er ikke en hellig gral: den finder sin styrke i situationer, hvor der er rigeligt af data, men graden af ​​kompleksitet er så høj, at traditionel matematik kommer til kort. Men nøjagtigt hvor meget data taler vi om?

Hvis vi har en situation med 5 variabler, som hver kan tage på 10 forskellige værdier, har vi allerede 100.000 mulige kombinationer, som maskinen kan lære. I lagerstyring er der ofte mange flere variabler, der kan antage flere værdier.

Hvis dataene er tilgængelige, har maskinlæring enorm kraft. I praksis er dette dog den største svaghed ved maskinlæring. Ledere skal derfor overveje, hvordan data kan indsamles på en struktureret, effektiv og 'ren' måde.

Maskinlæring kræver også meget computerkraft. Nogle maskinlæringsalgoritmer er baseret på en enorm mængde numeriske beregninger, og dette kan med tiden være et problem i lagerstyring.

Derudover er det vigtigt at huske, at løsninger i lagerstyring ikke kun er afhængige af kvantitative resultater. I sidste ende er det folk, der skal forstå og arbejde med løsningen. Ledelsen er derfor nødt til at overvåge dette nøje. Som et resultat er det vigtigt at lette viden om maskinlæring og teoretisk lagerstyring i hele virksomheden.

Specifikke tilfælde

Der er allerede nogle tilfælde, hvor maskinlæring har bevist, at det kan tilbyde en overlegen løsning. For eksempel:

  • Optimering af kampagnepolitikker
  • Opnå den optimale sourcing-strategi baseret på en række sourcing-muligheder
  • Giver mere robust prognoser og indsigt over uregelmæssige og nye poster

Der er også projekter, der er i pipeline på Slimstock. For eksempel:

  • Minimering af svind gennem parameteroptimering, analyse af rodårsager og proaktive signaler
  • Mere effektiv styring af købsadfærd gennem automatisk undtagelsesstyring
  • Optimering af serviceniveauet ved at bestemme de faktiske omkostninger ved out-of-stock
  • Opnå en holistisk tilgang til optimering af flere lager
  • Minimering af forældet lager gennem rodårsagsanalyse og proaktive signaler

Hop ind på vores hjemmeside HER og udfyld formularen nederst, så får du en maskinlærings-PDF, som kan være meget brugbar læsning. 

Mere fra...

21.03.2024Slimstock Nordic

Sponseret

Frisk tilføjelse til Supply Chain Club-programmet!

15.03.2024Slimstock Nordic

Sponseret

Supply Chain Club - d. 8. maj 2024 - Munkebjerg Hotel, Vejle

13.02.2024Slimstock Nordic

Sponseret

Ilva case - Slimstock Nordic

20.11.2023Slimstock Nordic

Sponseret

Slimstock Nordic vil gerne byde TEFCOLD velkommen i SLIMSTOCK familien.

31.05.2023Slimstock Nordic

Sponseret

Supply Chain Club d. 14. juni 2023 – FULDT BOOKET

26.12.2022Slimstock Nordic

Sponseret

KVIK gennemfører SLIM4-træning