공급망 및 기계 학습

MRO 조직에서 부품 재고를 운영할 때 가장 큰 문제는 선반에 올바른 예비 부품과 자재를 보관하는 것입니다. . 반대로, 느리게 움직이거나 움직이지 않는 재고에 너무 많은 돈이 묶여 있을 위험이 있습니다. 공급망에서 이러한 종류의 문제에 대해 머신 러닝이 솔루션을 제공합니다.

머신 러닝은 대규모 데이터 세트를 전문적으로 처리하고 복잡한 문제를 해결하는 방법을 찾는 인공 지능의 한 형태입니다. 예비 부품 관리와 같은 공급망 애플리케이션에서 기계 학습은 비용을 절감하고 공간을 절약하는 동시에 부품 가용성을 개선하고 평균 수리 시간을 줄이는 방법을 제공합니다.

기계 학습 기초

컴퓨터는 데이터를 매우 빠르게 처리할 수 있지만 수행할 작업을 알려주는 프로그램이 필요합니다. 인공 지능(AI)은 컴퓨터 프로그래밍에 대한 대안적인 접근 방식이며 패턴 인식 및 교육에 더 많이 의존합니다. 머신 러닝은 매우 큰 데이터 세트에서 패턴을 찾는 AI의 하위 집합입니다.

대부분의 기계 학습 시스템은 이미 레이블이 지정된 데이터를 제공하여 학습됩니다. 이것은 공급자 성능에 대한 데이터 또는 구성 요소 수명에 대한 정보일 수 있습니다. 다른 유형의 시스템은 큰 데이터세트에서 패턴을 찾기 위해 감독되지 않은 상태로 남아 있습니다. 이 접근 방식은 공급망 관리에 덜 가치가 있습니다.

또 다른 훈련 방법은 시행착오를 통한 것입니다. 이는 바둑과 같은 복잡한 게임을 컴퓨터에 가르치는 데 효과적이지만 인벤토리 관리, 구매 또는 물류를 개선하는 데는 가치가 제한적입니다.

공급망에서의 기계 학습

공급망 관리의 머신러닝은 예측할 수 없는 수요의 문제와 관련이 있으며, 그보다는 덜하지만 매우 가변적인 공급 또는 가용성 문제와 관련이 있습니다. MRO 관리자가 직면한 문제 중 하나는 사용 빈도가 낮은 값과 사용 빈도가 낮은 높은 가치의 항목이 혼합되어 있다는 것입니다.

이는 두 가지 경우로 설명할 수 있습니다. 일반적인 유지 관리 작업에서 윤활유 및 필터의 소비량은 1년 내내 합리적으로 예측할 수 있으며 생산량 및 제품 혼합과 상관 관계가 있을 수 있습니다. 그러나 대형 펌프, 모터 및 기어박스는 매우 드물게 필요할 수 있지만 필요할 경우 생산 중단을 최소화하기 위해 즉시 사용할 수 있어야 합니다.

두 예에서 기계 학습은 숨겨져 있을 수 있는 패턴을 찾는 데 도움이 될 수 있습니다. 윤활유 및 필터 수요의 경우 향후 일정 변동을 이해하고 예측하는 것이 중요합니다. 이 지식은 재고 정책 및 구매를 안내할 수 있습니다.

마찬가지로 펌프, 모터 또는 기어박스의 고장도 예측할 수 있습니다. 기계 학습은 고장률과 제품 조합, 수요 및 지역 기상 조건의 조합 간에 상관 관계가 있다는 결론을 내릴 수 있으며, 이는 전기 공급 품질에 영향을 미칠 수 있습니다.

공급망 관리에서 머신 러닝의 이점은 무엇입니까?

예측 유지 관리를 활용하는 산업 장비 및 유지 관리 요구 사항이 있는 모든 제조업체는 기계 학습의 이점을 누릴 수 있습니다. 이 기술은 예측 정확도를 기하급수적으로 개선하고 시간이 지남에 따라 더 효과적으로 성장하여 주요 ROI 이점을 제공할 수 있습니다.

일반적인 산업은 다음과 같습니다.

<울>

항공우주

자동차

제품 제작

소비자 포장 상품

중장비

종이 및 펄프

배전

타이어 및 고무

공급망에서 머신 러닝 적용의 이점

공급망의 머신 러닝 애플리케이션에는 다음이 포함됩니다.

<울>

인벤토리 최적화: 재고 최적화의 목표는 재고가 있는 품목의 수를 최소화하는 동시에 필요할 때 100% 가용성을 보장하는 것입니다. 이는 공급업체 위치, 재고 정책 및 운영 시간과도 관련이 있을 수 있습니다.
기계 학습은 사용 및 공급 패턴을 찾아 여기에 기여합니다. 예를 들어, 일부 부품은 공급업체가 가장 잘 보관하고 다른 부품은 현장에 보관해야 한다고 결론을 내릴 수 있습니다. 또한 일부 공급업체는 다른 공급업체보다 더 신뢰할 수 있으며 과거 데이터 분석을 기반으로 적절한 보충 수준과 가격을 제안할 수도 있습니다.

구매 비용 관리: 구매 비용은 항목 또는 항목에 대해 지불한 가격 이상을 포함합니다. 기계 학습은 주문을 통합하여 수량 할인을 받을 기회를 식별하는 데 도움이 될 수 있습니다. 다양한 결제 조건의 이점을 평가하고 우선 배송 비용을 절감하는 등의 운송 비용을 절감할 수 있습니다.

자산 수명 연장: 유지 보수 조직 사이에서 빈번한 논쟁은 저렴하고 수명이 짧은 구성 요소보다 더 비싸지만 오래 지속되는 부품의 장점과 관련이 있습니다. 머신 러닝은 서로 다른 소스의 데이터를 선별하여 결론에 도달하고 고가치 자산의 수명을 연장할 수 있습니다.

교통 관리: 기계 학습은 또한 공급업체를 식별 및 선택하고 배송 일정을 최적화함으로써 운송 관리에 도움이 됩니다. 예를 들어 해상 운송과 항공 운송, 가용성 및 비용에 대한 상대적 영향을 비교하는 배송 물류를 고려할 수도 있습니다.

고객의 자산 수명 및 성능 극대화 지원

공급망 관리의 문제점과 이점을 이해하면 효과적인 전략의 이점을 누릴 준비가 된 것입니다. ATS는 조달 지원 및 기타 MRO 자산 관리 서비스를 위한 원스톱 상점을 제공합니다. 우리는 귀하의 요구 사항을 이해하고 솔루션을 제공할 준비가 되어 있습니다. 자세한 내용은 여기에서 문의하세요.