콘텐츠
- 공급망 작동 방식
- 공급망 관리 문제는 무엇입니까?
- 머신 러닝이 어떻게 도울 수 있는가
- 버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
- 개선이 필요한 영역은 무엇입니까?
- 실용 사례
- 결론
출처 : Trueffelpix / Dreamstime.com
테이크 아웃 :
비즈니스가 성공하기 위해서는 적절하게 관리되는 공급망이 있어야합니다. 기계 학습은 공급망 관리의 정확성과 효율성을 향상시키는 데 도움이됩니다.
오늘날의 휘발성과 복잡한 비즈니스 세계에서는 공급망에 대한 신뢰할 수있는 수요 예측 모델을 만드는 것이 매우 어렵습니다. 대부분의 예측 기술은 실망스러운 결과를 낳습니다. 이러한 오류의 근본 원인은 종종 이전 모델에서 사용되는 기술에있는 것으로 밝혀졌습니다. 이러한 모델은 데이터에서 지속적으로 학습하고 의사 결정을 수행하도록 설계되지 않았습니다. 따라서 새로운 데이터가 들어오고 예측이 수행 될 때 더 이상 사용되지 않습니다. 이 문제에 대한 답은 머신 러닝으로 공급망이 효율적으로 예측하고 올바르게 관리하는 데 도움이됩니다. (기계와 지능에 대한 자세한 내용은 Thinking Machines : 인공 지능 토론을 참조하십시오.)
공급망 작동 방식
회사의 공급망은 공급망 관리 시스템에 의해 관리됩니다. 공급망은 비즈니스에서 다양한 종류의 상품 이동을 제어합니다. 또한 재고에 재료를 저장하는 작업도 포함됩니다. 따라서 공급망 관리는 비즈니스의 모든 노드에서 상품 낭비를 줄이면서 비즈니스 품질과 고객 만족도를 향상시키기위한 일일 공급망 활동의 계획, 제어 및 실행입니다.
공급망 관리 문제는 무엇입니까?
수요 예측은 공급망 관리에서 가장 어려운 부분 중 하나입니다. 현재 예측 기술은 종종 사용자에게 부정확 한 결과를 제공하여 심각한 경제적 실수를 야기합니다. 변화하는 시장 패턴과 시장 변동을 제대로 이해할 수 없으므로 시장 동향을 올바르게 계산하고 그에 따라 결과를 제공 할 수 없습니다.
종종 수요 예측의 한계로 인해 계획 팀은 낙담하는 경향이 있습니다. 그들은 계획 과정을 개선하는 데 관심이 없다는 지도자들을 비난합니다. 이러한 요구는 고객 요구로부터 수집 된 데이터가 점점 더 복잡해지고 있기 때문에 발생합니다. 이전에는 매우 쉽게 해석 할 수있었습니다. 그러나 최신 데이터 생성 기술이 등장함에 따라 기존 기술로는 데이터를 관리하는 것이 매우 복잡하고 거의 불가능 해졌습니다.
이전에는 간단한 과거 수요 패턴을 사용하여 수요를 쉽게 계산할 수있었습니다. 그러나 지금은 수요가 매우 짧은 통지로 변동하는 것으로 알려져 있으므로 과거 데이터는 쓸모가 없습니다.
머신 러닝이 어떻게 도울 수 있는가
이러한 문제는 변동으로 인해 기존 알고리즘으로는 해결할 수 없습니다. 그러나 머신 러닝을 통해 기업은이를 쉽게 해결할 수 있습니다. 머신 러닝은 컴퓨터 시스템이 주어진 데이터로부터 많은 유용한 것을 배울 수있는 특별한 유형의 기술입니다. 머신 러닝을 통해 기업은 시장 흐름에 따라 강력한 알고리즘을 모델링 할 수 있습니다. 기존 알고리즘과 달리 머신 러닝은 시장 시나리오를 통해 배우고 역동적 인 모델을 만들 수 있습니다.
버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
아무도 소프트웨어 품질에 신경 쓰지 않으면 프로그래밍 기술을 향상시킬 수 없습니다.
컴퓨터 학습을 통해 컴퓨터 시스템은 실제로 인간의 상호 작용없이 모델을 세분화 할 수 있습니다. 이는 머신 러닝 시스템의 저수지에 더 많은 데이터가 들어감에 따라 더욱 지능화되고 데이터를보다 관리하기 쉽고 해석하기 쉬워진다는 의미입니다.
머신 러닝은 소셜 미디어, 디지털 시장 및 기타 인터넷 기반 사이트와 같은 빅 데이터 소스와 통합 될 수도 있습니다. 현재 계획 시스템으로는 불가능합니다. 간단히 말해, 회사는 소비자가 생성 한 다른 사이트의 데이터 신호를 사용할 수 있습니다. 이 데이터에는 소셜 네트워킹 사이트 및 온라인 마켓 플레이스의 데이터가 포함됩니다. 이 데이터를 통해 회사는 광고 및 미디어 사용과 같은 최신 기술이 어떻게 영업을 향상시킬 수 있는지 알 수 있습니다.
개선이 필요한 영역은 무엇입니까?
기계 학습을 사용하여 개선 할 수있는 곳이 많이 있습니다. 그러나 기존 계획 절차에서 문제가 발생하는 세 가지 주요 위치가 있습니다. 머신 러닝을 통한 이러한 문제와 이러한 측면의 개선은 아래에 설명되어 있습니다.
계획 팀의 문제
계획 팀은 종종 모든 데이터를 수동으로 평가하는 오래된 예측 기술을 사용합니다. 이 프로세스는 시간이 많이 걸리고 결과가 정확하지 않은 경우가 많습니다. 이러한 상황은 직원의 사기를 감소시킬뿐만 아니라 회사의 성장을 방해합니다. 그러나 머신 러닝을 사용하면 시스템은 데이터를 기반으로 우선 순위에 따라 많은 변수를 사용하여 매우 정확한 모델을 만들 수 있습니다. 이 모델은 플래너가 훨씬 더 효과적인 계획을 위해 사용할 수 있으며 시간도 많이 걸리지 않습니다. 플래너는 또한 경험을 통해 모델을 더욱 향상시킬 수 있습니다. 데이터를 사용하여 미리 계획하는 방법에 대한 자세한 내용은 Conual Integration이 예측 분석을 강화하는 방법을 참조하십시오.
안전 재고 수준
전통적인 계획 방법으로 회사는 항상 안전 재고 수준을 항상 높게 유지해야합니다. 그러나 머신 러닝은 최적의 보안 재고 레벨을 설정하기 위해 더 많은 변수를 평가하여 도움을 줄 수 있습니다.
영업 및 운영 계획
영업 및 운영 계획 (S & OP) 팀의 예측이 불만족스럽고 부정확하거나 시장 행동에 따라 적응하기에 충분히 융통성이 없다면 시스템을 업그레이드 할 때가되었을 것입니다. 머신 러닝은 다양한 종류의 데이터를 통해 현재 시장 동향을 학습함으로써 예측의 품질을 향상시킬 수 있으므로 여기서는 완벽한 사용을 찾습니다. 따라서 기계 학습을 통해 S & OP 작업이 훨씬 쉬워집니다.
이러한 모든 영역에는 개선의 여지가 있으며 이러한 차이는 기계 학습 기술로 채워질 수 있습니다. 기계 학습은 회사의 공급망 관리 아키텍처를 완전히 점검 할 수 있습니다. 많은 회사들이 이미이를 사용하기 시작했으며 계획 부서가 훨씬 개선되었다는 것을 알게되었습니다.
실용 사례
수요 예측에서 머신 러닝의 많은 장점으로 인해 다양한 분야에서 사용되고 있습니다. 그러나 이러한 조직은 시스템을 학습 시스템으로 완전히 변경하지 않았습니다. 기존 시스템과 함께 기계 학습 시스템을 사용하고 있습니다. 기계 학습 시스템은 레거시 시스템의 격차를 극복하고 성능을 향상시킵니다. 이러한 사용 사례의 일부 예는 다음과 같습니다.
그라나 롤로
이 회사는 기계 학습을 사용하여 예측 정확도를 5 % 향상시킨 이탈리아 유제품 회사입니다. 배송 시간도 원래 시간의 약 절반으로 단축되어 고객 만족도도 향상되었습니다.
Groupe Danone
이 회사는 프랑스에 본사를두고 있으며 다양한 유형의 제품을 판매합니다. 이전에는 회사의 판촉 제안에 대한 예측이 70 % 정도 부정확하여 큰 손실을 초래했습니다. 그러나 계획 아키텍처에서 머신 러닝을 구현하면 영업 및 예측 모두에서 많은 개선이있었습니다.
레녹스 인터내셔널
Lennox는 냉난방 장치를 제조하는 미국 회사입니다. 북미 전역으로 확장되었습니다. 따라서 Lennox는 확장 프로세스에 대처하면서 완벽한 고객 만족을 제공하기 위해 머신 러닝과 예측 아키텍처를 통합했습니다. Lennox는 기계 학습을 통해 고객의 요구를 정확하게 예측할 수 있었으며,이를 통해 회사는 일반적인 고객 요구를 더 잘 이해할 수있었습니다. 기계 학습은 또한 회사가 계획 절차를 완전히 자동화하는 데 크게 도움이되었습니다.
결론
기계 학습은 적시에 적절한시기에 구현된다면 회사의 공급망에 매우 유익한 것으로 판명 될 수 있습니다. 이를 통해 수요 예측을위한 정확한 모델을 만들 수 있으며 계획 부서의 작업을보다 쉽게 수행 할 수 있습니다. 현재 전체 시스템을 완전히 변경할 필요는 없지만 머지 않아 모든 공급망은 머신 러닝 시스템을 통해 정기적으로 업데이트되는 동적 모델을 생성하여 예측 능력을 향상시키기 위해 머신 러닝을 사용하게 될 것입니다. 따라서이 새로운 기술은 비즈니스에 없어서는 안될 도구가 될 것입니다.