공급망 혼란을 해결하는 것은 수학에 달려 있습니다

물류 혼란은 공급망 세계에서 새로운 현상은 아니지만 COVID-19로 인한 격변의 규모는 이해 관계자가 전에 본 적이 없는 것입니다. Accenture에 따르면 Fortune 1000대 기업의 94%가 전염병으로 인해 혼란을 경험했습니다.

다행히도 오늘날 기업은 공급망 중단을 방지하고 극복하는 데 도움이 되는 수학적 최적화와 같은 다양한 인공 지능 기술을 마음대로 사용할 수 있습니다.

수학적 최적화는 공급망 계획 및 운영을 위한 필수 기술로 오랫동안 확립되었습니다. 1980년대부터 비즈니스 세계의 기업들은 효율성과 수익성을 높일 뿐만 아니라 중단을 관리하고 완화하기 위해 다양한 기성품 및 맞춤형 계획 애플리케이션을 사용했습니다. 이러한 기술은 수년 동안 공급망의 민첩성과 회복력을 촉진하는 중추적인 도구였습니다.

수학적 최적화는 계획자와 기타 주요 이해 관계자를 위한 두 가지 유형의 의사 결정을 용이하게 합니다.

<울>

반응성 그들은 근본 원인을 식별하고 리소스를 동적으로 재할당함으로써 실시간으로 중단을 감지하고 신속하고 효과적으로 대응할 수 있으므로 복구 시간을 단축할 수 있습니다.

사전적. 공급망 위험을 분석하고 잠재적인 중단을 예측할 수 있습니다.

다음은 수학적 최적화가 최적의 사후 대응 및 사전 예방적 의사 결정을 유도하고 공급망 중단을 해결할 수 있는 방법입니다.

3부분 모델

모든 수학적 최적화 응용 프로그램은 기본적으로 두 가지 요소로 구성됩니다. 솔버(알고리즘 기반 문제 해결 엔진)와 모델(모든 복잡성과 문제가 있는 실제 운영 환경의 표현 또는 디지털 트윈)입니다.

이 모델은 공급망의 특정 요소(예:공급업체, 생산, 물류 및 창고 운영)를 캡슐화하거나 전체 종단 간 네트워크를 포괄할 수 있습니다.

각 모델은 세 부분으로 구성됩니다.

<울>

결정 변수. 공급망 전반에 걸쳐 다양한 지점에서 내리는 결정

제약조건. 따라야 하는 비즈니스 규칙,

사업 목표. 비용 및 재고 수준 최소화, 리소스 활용 극대화, 정시 배송 성과 및 고객 만족도와 같은 수많은(종종 상충되는) 비즈니스 목표

중단이 발생하면 실제 공급망이 작동하는 방식을 이해하고 구현하는 모델을 기반으로 하는 수학적 최적화 애플리케이션을 통해 사용자가 다음을 달성할 수 있습니다.

<울>

가시성. 용량 병목 현상 및 수요와 공급의 급격한 변동과 같은 중단의 원인을 즉시 식별합니다.

유연성. 공급망 전체의 현재 운영 조건을 반영하도록 조정하고 새로운 제약 조건, 의사 결정 변수 및 비즈니스 목표를 추가하여 모델을 수정합니다.

민첩성. 계획과 일정을 동적으로 자동으로 재최적화하고 가능한 한 빠르고 효과적으로 중단을 해결하기 위한 최선의 조치를 결정합니다.

수학적 최적화 애플리케이션을 통해 기업은 종단 간 네트워크에 대한 실시간 가시성을 유지하고 제어할 수 있으므로 중단이 발생했을 때 근본 원인을 쉽게 찾아내고 문제를 해결하고 비즈니스 연속성을 유지하는 데 필요한 조치를 신속하게 취할 수 있습니다. .

'지속적인 인텔리전스'

A.I.의 가장 잘 알려진 측면인 머신 러닝은 과거 데이터에 의존합니다. 이와 대조적으로 수학적 최적화는 실시간 처방 분석을 제공하기 위해 사용 가능한 최신 데이터를 활용합니다. Gartner는 이를 공급망 네트워크 전반에 걸쳐 "지속적 인텔리전스"라고 부릅니다.

COVID-19 전염병 동안과 같이 심각한 공급망 혼란이 닥치면 기업은 전례 없는 재정 및 운영 문제를 헤쳐나가기 위해 과거의 데이터에 의존할 수 없습니다.

운영 네트워크 전체에서 현재 조건을 캡처하는 최신 데이터와 모델을 활용하기 때문에 수학적 최적화 애플리케이션은 현재 공급망 문제에 대한 최상의 솔루션을 자동으로 생성하고 지속적인 인텔리전스와 최적의 의사 결정을 가능하게 합니다.

위험 탐색

공급망 중단을 처리하는 데 있어 중요한 부분은 위험을 평가하고 미래를 계획하고 준비하는 것입니다. 수학적 최적화의 시나리오 분석 기능을 통해 기업은 다음을 수행할 수 있습니다.

<울>

탐색 다양한 공급, 수요, 재고, 용량, 거시경제, 지정학적 및 기타 가상 시나리오를 살펴보고 비즈니스에 대한 잠재적 영향을 평가합니다.

발견 숨겨진 위험을 측정하고 자연 재해, 생산 또는 운송 고장과 같은 중단 발생 시 위험 노출 및 복구 시간을 측정합니다.

잠금 해제 자원을 재할당하거나 공급망을 재구성하여 위험을 완화하고 공급망 복원력을 향상시킬 수 있는 기회

수학적 최적화의 시나리오 분석 기능을 통해 기업은 자본 투자, 공급업체 선택, 용량 및 재고 계획, 생산 및 창고 시설 위치를 비롯한 여러 영역에서 사전 예방적이고 전략적인 의사결정을 가능하게 하여 미래의 혼란의 영향으로부터 공급망을 격리할 수 있습니다.

COVID-19 대유행 동안 우리는 전례 없는 공급망 혼란의 물결을 경험했으며, 이는 세계 경제에 심각하고 지속적인 혼란을 일으키고 공급망 전문가에게 큰 도전을 제기했습니다. 수학적 최적화는 공급망 효율성과 수익성을 높이는 동시에 이러한 혼란에 맞서 싸울 수 있는 강력한 무기임이 입증되었습니다. 이 A.I. 기술은 끊임없이 변화하는 비즈니스 환경을 탐색하는 공급망 리더에게 계속해서 필수적인 도구가 될 것입니다.

Ed Rothberg는 Gurobi의 공동 설립자이자 CEO입니다.