Regio Zuid | Supply Chain monitoring met Machine Learning

Argusi (www.argusi.org) is een onafhankelijk Vervoer en logistiek adviesbureau gespecialiseerd in supply chain analytics en optimalisatie. Argusi maakt daarbij gebruik van een sterk kwantitatieve en methodische aanpak. De directe aanleiding voor dit project is een onderzoek dat Argusi wederom heeft uitgevoerd onder een selectie van zijn opdrachtgevers in navolging op het onderzoek van 2020 naar de belangrijkste technologieën waarin bedrijven zouden moeten investeren. Er kwamen drie kern themas naar voren: 1) Digitalisering van de supply chain; 2) Visibility, Real-time information & Demand Sensing; en 3) Advanced Analytics & Machine Learning..Dit laatste onderwerp is onderwerp van dit haalbaarheidsonderzoek middels een concept dat we monitoring met Machine Learning in de supply chain noemen. De doelstelling van dit project is de haalbaarheid vaststellen van een nieuwe Machine Learning techniek die de huidige hiërarchische, sequentiële manier van modelering loslaat en met een nieuwe aanpak, op continue basis supply chain vraagstukken evalueert. We zullen een haalbaarheidsproject uitvoeren voor een 5-tal supply chain vraagstukken, op basis van data van selectie van bedrijven die we bij het project betrekken in een periode van ongeveer 5 maanden..Dit behoeft wat achtergrond van de huidige manier van modelleren in de supply chain. Vraagstukken in de supply chain worden gekenmerkt door een duidelijke hiërarchie. Zo zijn er structurele vraagstukken (locatie keuze, netwerk structuur, capaciteit), alignment vraagstukken (voorraadposities, klant allocaties, routering) en scheduling (gedetailleerde routering, timing, planning) die tot op de dag van vandaag sequentieel worden opgelost. De moeilijkheid is dat deze vraagstukken elkaar onderling beïnvloeden en het aantal vrijheidsgraden hoog is. De huidige algoritmes en IT-oplossingen beschouwen de vraagstukken in afzondering en er wordt forecasting gebruikt om met de onzekerheid in de toekomst om te gaan. Deze aanpak is tijdrovend en mist vaak de onderlinge samenhang waardoor de huidige aanpak veelal niet meer voldoet doordat. In dit project willen we een nieuwe techniek ontwikkelen die de huidige hiërarchische, sequentiële manier van oplossen loslaat en met een nieuwe aanpak, op basis van Machine Learning continu de oplossingsruimte aftast en de gebruiker adviseert om beslissingen te nemen. De technische vernieuwing zit met name in het nieuwe ML-based algoritme..De barrière die weggenomen zal moeten worden is dat deze complexiteit (qua vrijheidsgraden en data) opgelost zal moeten worden binnen een korte tijdspanne en op een dusdanige wijze worden terugvertaald aan de gebruiker zodanig dat deze de uitkomsten ook daadwerkelijk accepteert. Het kunnen gebruiken van ML zal een doorbraak zijn in de wijze waarop er met optimalisatie en analytics om gegaan wordt in ons vakgebied. De gebruiker investeert eenmalig in het opbouwen van een beschrijving van de supply chain waarna het systeem vervolgens op zoek gaat naar mogelijke verbeteringen waarbij duizenden scenario’s worden afgetast. En, belangrijk om te vermelden, het system leert. Dus het zal steeds sneller in de juiste richting zoeken. Wat een doorbraak gaat geven in de wijze waarop dit soort modellen ingezet gaat worden. Althans in theorie, de haalbaarheidsonderzoeken zullen dit moeten gaan uitwijzen..