Tarneahela, nõudluse ja varude analüüs

Kasu:

• Oskab selgitada autotööstuse tarneahela kihilist struktuuri (OEM, Tier-1, Tier-2) ja nõudluse prognoosimise rolli tootmise planeerimisel
• Võimalus luua tehisintellekti töövoogu nõudluse prognoosimisel, tarnija riskide hindamisel ja varude optimeerimisel
• Võimalus kontrollida prognooside ja soovituste väljundit äripiirangute, ühe allika riski- ja stsenaariumianalüüsiga

Autot toodetakse umbes 30 000 detaili kombineerimisel sadadelt tarnijatelt erinevatest riikidest. Kui kasvõi üks neist osadest õigel ajal kohale ei jõua, võib miljoneid dollareid väärt tootmisliin seiskuda. Kiibikriis aastatel 2020–2021 näitas seda valusalt: väikese pooljuhtide puuduse tõttu ei suudetud maailmas toota miljoneid sõidukeid. Seetõttu on tarneahela juhtimine autotööstuse keskmes ja tehisintellekt muudab täna valdkonda, alates nõudluse prognoosimisest kuni tarnijate riskijuhtimiseni. Selles üksuses näeme autotööstuse tarneahela struktuuri, tehisintellekti rolli ja seda, miks on vaja soovitusi tasakaalustada äripiirangutega.

Autode tarneahela astmeline struktuur

Autotööstuse tarneahel on nagu püramiid:

• OEM (Original Equipment Manufacturer): peamine tootja (bränd), kes projekteerib ja paneb kokku sõiduki.
• 1. tase (esimese tasandi tarnija): ettevõte, mis müüb terviklikke süsteeme otse originaalseadmete valmistajale (nt täielik pidurisüsteem, iste, armatuurlaud).
• 2. tase ja alla selle: need, kes müüvad 1. tasemele kuuluvaid komponente/tooraineid (nt piduriklotside materjal, mikrokiibid, poldid).

See kihiline struktuur tähendab, et väike probleem madalamal tasemel võib kasvada ülespoole ja peatada tootmise. Seetõttu on nähtavus – st teadmine, mis on ahelas sügaval – kriitiline, kuid raske.

AI peamised kasutusalad autode tarneahelas

1. Nõudluse prognoosimine: ennustab, kui palju millist mudelit, millist riistvara ja millises piirkonnas müüakse. Sellest lähtub tootmisplaan.
2. Varude optimeerimine: kui palju varusid hoida. Palju laoseisu = seotud kapital ja laokulu; madal laoseis = liini seiskumise oht. Automotive kasutab traditsiooniliselt JIT-i (Just-In-Time): osad jõuavad liinile täpselt siis, kui neid vajatakse, laoseis on minimaalne. See on tõhus, kuid habras.
3. Tarnija riskiskoor: tarnija hilinemise, kvaliteediprobleemi või pankrotiriski prognoosimine (finantsandmed, varasemad tulemused, geopoliitilised signaalid).
4. Logistika ja marsruudi optimeerimine: Saatmine, toll, transpordikulu.
5. Hinna- ja kuluanalüüs: Tooraine hinna liikumiste jälgimine ja prognoosimine.

Nõuanne: nõudluse prognoosi ei tohiks kunagi esitada ühe punktina ("4200 ühikut järgmisel kuul"), vaid vahemiku ja stsenaariumidega ("baas 4200; halb juhtum 3600; hea juhtum 4800"). Tootmis- ja laoseisuotsused tehakse määramatuse põhjal.

Nõudluse prognoosimise töövoog

1. Ajaloolised andmed: müük, tellimused, hooajalisus, kampaania mõju.
2. Välised muutujad: Majandus, kütuse/energia hind, stiimulid, konkurentide liikumised.
3. Mudel: aegridade mudelid (hooajalisus + trend) või masinõpe.
4. Hindamine: prognoosivea mõõtmine selliste mõõdikutega nagu MAPE (Mean Absolute Percentage Error). Näiteks MAPE 8% ütleb, et ennustused kalduvad tegelikkusest kõrvale keskmiselt 8%.
5. Stsenaarium ja äritõlgendus: numbri kombineerimine tootmis-/tarnepiirangutega.

Ettevaatust: Madal MAPE ei ole alati "hea". Kui mudel sobib minevikuga liiga palju või sellel on andmete lekkimine, võib see minevikus olla suurepärane, kuid tulevikus halb. Lisaks ei saa mudel ennustada haruldasi, kuid laastavaid sündmusi (pandeemia, kiibikriis), kuna need puuduvad ajaloolistes andmetes; Stsenaariumi planeerimine lõpetab selle.

Kõige kriitilisem risk: ühest allikast

Kulude optimeerimine ütleb sageli, et "osta kõige odavamalt tarnijalt". Kuid see tekitab ainsa allika riski: kui selle tarnija juures on tulekahju, streik, pankrot või geopoliitiline kriis, pole teil alternatiivi ja tootmine peatub. AI võib soovitada kulumudelis ühte allikat; kuid kogenud planeerija tasakaalustab selle järgmiste tööriistadega:

• Teine allikas (kahekordne hankimine): võimalus osta sama osa kahelt tarnijalt.
• Varupuhver (ohutusvaru): ekstra turvavaru kriitilistel osadel.
• Stsenaariumi analüüs: "Mis juhtub, kui see tarnija läheb 3 nädalaks välja?"

strateegia

Eelis

Puudus

üks allikas

madalaim kulu

Katkestuse ajal tootmine peatub

kahekordne allikas

vastupidavus

Kõrgem hind, kooskõlastamine

Kõrge ohutusvaru

Katkesta puhver

Seotud kapital, laokulu

JIT (madal laoseis)

Tõhus, madal kapital

Habras, vastuvõtlik häiretele

Õige vastus ei ole "kõigile ühesugune": ohutuskriitilised ja ühest allikast pärinevad osad väärivad kõrgeimat kaitset, odavad ja rikkalikud osad väärivad väikseimat varu.

Minijuhtumiuuringud

Juhtum 1 – ühe allika lõks. Tehisintellekti kulumudel näitab, et anduri ostmine ühelt Kaug-Ida tarnijalt säästab aastas 1,2 miljonit eurot. Planeerimismeeskond viib läbi riskianalüüsi: see andur on ohutuse seisukohalt kriitiline ja ühest allikast, 2-nädalane viivitus sadamas võib peatada kogu koosteliini (päevase seisaku maksumus ca 400 000 EUR). Lisatakse teine ​​allikas ja 3 nädala puhvervaru; puhassääst väheneb, kuid järjepidevus on tagatud. Järeldus: odavaim pole kõige vastupidavam.

2. juhtum – nõudlusstsenaarium. Kui piirkonnas kuulutatakse välja uus vanametalli stiimul, ennustab AI-mudel nõudluse kasvu 6%. Planeerimismeeskond ei võta seda ühe numbrina; See loob hea/halva stsenaariumi vahemiku (3%-11%) ja kehtestab paindliku tootmisplaani. Tegelik kasv on 9%; Tänu paindlikule plaanile ei toimu varude plahvatuslikku kasvu ega müügi kadu. Järeldus: stsenaariumivahemik on ühe prognoosi jaoks robustne.

3. juhtum – tarnija varajane hoiatus. Riskiskoori mudel kajastab teise taseme tarnija maksete viivituste ja tarnehälbete suurenemist ning suurendab tema riskiskoori. Ostjate meeskond kasutab alternatiivset allikat eelnevalt; Kui tarnija tegelikult kaks kuud hiljem tootmist aeglustab, ei mõjuta see liini. Tulemus: AI andis varakult signaali, inimene tegi ennetava otsuse.

viipade mallid

Mall 1 – nõudluse prognoosi tõlgendus:

Roll: olete tarneahela planeerimise analüütik. Ülesanne: Tõlgi järgmine nõudluse prognoosi väljund äriotsuseks. Kontekst: baasprognoos 4200 ühikut/kuus, MAPE 8%, uus stiimuli ebakindlus on olemas (anonüümne tsoon). Piirang: ära anna paaritut arvu; Väljastatakse hea/põhi/halb stsenaariumi vahemik ja tootmis-/laosoovitus igaühe jaoks. Väljund: Stsenaarium | taotlus | soovitatud tegevustabel.

Mall 2 – ühe allika riskianalüüs:

Roll: olete tarneriski ekspert. Ülesanne: Hinnake ühe allika ettepanekut riski kohta. Kontekst: ohutuskriitiline andur, üks tarnija, aastane kokkuhoid suur; Igapäevased seisakukulud on suured. Piirang: ärge määrake kulusid ainsaks kriteeriumiks; teine ​​allikas, puhvervaru ja hinnata stsenaariumianalüüsi. Väljund: risk | võimalik mõju | vähendamise soovitus | jääkrisk.

Mall 3 – laoseisu:

Roll: olete varude optimeerimise konsultant. Ülesanne: Soovitage detaili ohutusvaru taset. Kontekst: keskmine tarneaeg on 18 päeva, erinevus on suur, osa on kriitiline, kuid mitte kallis. Piirang: selgitage kompromissi JIT tõhususe ja katkestuste riski vahel; anna täpse ühe numbri asemel vahemik.Väljund: soovitusvahemik + põhjendus + järgitav signaal.

Mall 4 – tarnija riskiskoori tõlgendus:

Roll: olete osturiskide analüütik. Ülesanne: Soovitage tegevuskava tõusva riskiskooriga tarnijale. Kontekst: Tarnehälve ja makseviivitus on viimase 3 kuu jooksul suurenenud; tarnija on Tier-2 (anonüümne). Väljund: Varajane hoiatus | soovitatav tegevus | ajahorisont.

Nõrk viip / Tugev viip

Nõrk viip:

Minimeerige kulud.

Üks kriteerium (kulu) ignoreerib selliseid olulisi mõõtmeid nagu ühe ressursi risk, kvaliteet ja järjepidevus.

Võimas viip:

Roll: olete tarneahela strateeg. Ülesanne: soovitada ohutuse seisukohalt olulise osa tarnestrateegia valikuid ja võrrelda igaühe vastupidavuse ja kulude tasakaalu. Kontekst: praegu üks allikas; liinialus on väga kallis; Osa on kriitiline.Piirang: mitte ainult kulu; hinnata ühe allika riski, teist allikat, puhvervaru ja stsenaariumi vastupidavust.Väljund: strateegia | mõju kuludele | vastupidavus | soovitatav olukord.

Levinud vead

• Kulude muutmine ainsaks kriteeriumiks. Ühe allika risk võib tootmise peatada; Ka vastupidavus on väärtus.
• Mõeldes, et nõudluse prognoos on üks arv. Määramatuse vahemik ja stsenaarium on olulised.
• Pimesi usaldav madal MAPE. Ülepaigutamine/leke võib olla varjatud; haruldasi sündmusi ei saa ennustada.
• Nähtavuse eiramine. Tier-2/Tier-3 sügavuse mitteteadmine on varjatud risk.
• Tehisintellekti soovitusi ei filtreerita äriliste piirangute kaudu. Mudel ei pruugi teada piiranguid, nagu leping, suutlikkus või geopoliitika.

Kokkuvõttes

• Autotööstuse tarneahel on OEM-Tier-1-Tier-2 kihiline; Väike probleem alumises etapis võib tootmise peatada.
• AI on tugev nõudluse prognoosimise, varude optimeerimise, tarnijate riskide hindamise ja logistika vallas.
• Nõudluse prognoos tuleks esitada koos määramatuse vahemiku ja stsenaariumitega; madalast MAPE-st üksi ei piisa.
• Ühe allika risk on kõige kriitilisem probleem; Hind ei ole ainus kriteerium, oluline on ka vastupidavus.
• Insener/planeerija peab tehisintellekti soovitused filtreerima äripiirangute, lepingute ja stsenaariumianalüüsi kaudu.

Rakenduse ülesanne

Valige osade rühm (nt elektroonilise juhtseadme kiibid). (1) Võtke arvesse selle osa kihti tarneahelas ja ainsa allika riski. (2) Teisendage nõudluse prognoos stsenaariumivahemikuks malliga 1. (3) Testige ühe allika soovitust malliga 2. (4) Põhjendage oma pakutavat kompromissi kulude ja vastupidavuse vahel.

kontrollnimekiri

• [ ] Määrasin detaili tarnekihi ja kriitilisuse.
• [ ] Arutasin nõudluse prognoosi stsenaariumivahemikuga.
• [ ] Hindasin ühe allika riski teise allika/puhvriga.
• [ ] Ma ei võtnud kulusid ainsaks kriteeriumiks; Kaalusin ka vastupidavust.
• [ ] Ma seadsin kahtluse alla sellised mõõdikud nagu MAPE ülepaigutamise/lekke kohta.
• [ ] Filtreerisin tehisintellekti soovituse läbi äripiirangute.