Yapay Zekanın Potansiyelini Ortaya Çıkarmaya Yönelik Gerçek Dünyadan Bir Örnek Olay İncelemesi: Tedarik Zincirinde Yapay Zeka

İşletmeler küresel lojistiğin karmaşıklığıyla boğuşurken, tedarik zincirinde yapay zekanın kullanılması rekabette önde kalmak isteyenler için temel taş haline geldi. Bu makalede yapay zekanın tedarik zincirindeki öneminin altını çizeceğiz ve yapay zekanın tedarik zinciri yönetimini optimize etmedeki somut faydalarını canlı bir şekilde gösteren bir başarı öyküsüne ilişkin bilgiler sunacağız.

Tedarik zinciri, bir ürün veya hizmeti üreten ve son tüketiciye ulaştıran kişi ve kuruluşların oluşturduğu ağdır. Hammadde tedarikinden, ürünün imalatına ve montajına, nakliyeye, depolamaya ve son olarak müşterinin eline ulaşmasına kadar her adımı içerir.

Tedarik zinciri sektöründen katılımcıların %49'u aksaklıkların planlama zorluklarına yol açtığını ifade etti.

%44'ü, yıl içinde değişiklik yapmalarını gerektiren tedarik zinciri ayak izi nedeniyle zorluk yaşadıklarını belirtti.

McKinsey

Günümüzde bu çok yönlü ağ, jeopolitik gerilimler, ekonomik dalgalanmalar, iklim değişikliği, değişen düzenlemeler gibi pek çok aksaklıkla karşı karşıyadır. Eş zamanlı olarak ortak hedefler; müşteri memnuniyeti, maliyet optimizasyonu esnekliği ve adaptasyon dahil olmak üzere sektörlerin ötesine geçer. Hem zorluklar hem de hedefler yenilikçi çözümler gerektirir; tedarik zinciri optimizasyonu verimliliğin sağlanmasında çok önemli bir faktör olarak ortaya çıkmaktadır.

Tedarik Zinciri Optimizasyonuna Kısa Genel Bakış

Tedarik zinciri optimizasyonu (SCO), ham maddelerden son müşteriye kadar mal ve hizmetlerin akışını mümkün olan en verimli ve uygun maliyetli şekilde yönetmeye adanmış karmaşık bir alandır. SCO, bir tedarik zincirinin olası verimliliğin zirvesinde olmasını sağlayacak şekilde operasyonlarının ayarlanmasıdır.

Tedarik zinciri optimizasyonunun en önemli beş zorluğu:

1. Talep tahmini: Müşteri talebini doğru bir şekilde tahmin etmek, envanter seviyelerini, nakliye olanaklarını ve üretim programlarını optimize etmek için çok önemlidir.

   
   

2. Envanter yönetimi: Envanter tutma maliyetini stokta kalma riskiyle dengelemek.

   
   

3. Ulaşım optimizasyonu: Özellikle trafik sıkışıklığı ve yakıt fiyatları gibi faktörler göz önüne alındığında, malların taşınması için en verimli ve uygun maliyetli rotaların seçilmesi.

   
   

4. Tedarikçi seçimi ve yönetimi: Rekabetçi fiyat ve kalite sunan güvenilir tedarikçilerin bulunması.

   
   

5. İşbirliği ve iletişim: Tedarik zincirindeki tüm oyuncular arasında verimli işbirliği.

SCO, bu zorlukların üstesinden gelmek için veri analitiğini, matematiksel modellemeyi, optimizasyon algoritmalarını, yapay zekayı (AI) ve makine öğrenimini (ML) kullanıyor. Bu araçlar toplu olarak işletmelerin küresel tedarik zincirlerinin dinamik ortamında hassas bir şekilde gezinmelerini sağlar.

Özellikle AI ve ML, tedarik zinciri verimliliği arayışında güçlü müttefikler olarak ortaya çıkıyor.

Yapay zeka geliştirme ve makine öğrenimi hizmetlerinden yararlanmak, görevlerin otomatikleştirilmesine, tahmin doğruluğunun artırılmasına ve gerçek zamanlı karar almanın sağlanmasına yardımcı olarak işletmelerin gelişen koşullar karşısında çevik ve duyarlı kalmasını sağlar.

Yapay Zeka Entegrasyonu Yoluyla Tedarik Zinciri Yönetimini Optimize Etme

Yapay zeka, tedarik zinciri verimliliğini artırmada önemli bir rol oynuyor. Tedarik zinciri yönetiminin farklı alanlarında kullanılabilir.

Görünürlük ve şeffaflığın arttırılması:

• Gerçek zamanlı veri toplama ve analiz - Envanter seviyeleri, sevkiyat konumları ve olası aksaklıklar hakkında gerçek zamanlı bilgiler sağlar.

• Tahmine dayalı analiz - Yapay zeka, geçmiş verileri ve hava durumu tahminleri veya ekonomik eğilimler, potansiyel kesintiler ve bakım ihtiyaçları gibi dış faktörleri analiz edebilir.

Operasyonları ve karar almayı optimize etmek:

• Envanter yönetimi - Yapay zeka, talebi tahmin ederek, teslimat sürelerini ve sezonsal kalıpları dikkate alarak ve aşırı veya eksik stoklamayla ilişkili maliyetleri en aza indirerek envanter seviyelerini optimize edebilir.

• Rota optimizasyonu - Yapay zeka algoritmaları, ulaşım ve envanter maliyetleri arasında bir denge kuracak şekilde trafik koşulları, yakıt tüketimi ve programlar gibi faktörleri göz önünde bulundurarak ulaşım için en verimli ve uygun maliyetli rotaları belirleyebilir.

• Depo otomasyonu - Yapay zeka destekli robotlar, toplama, paketleme ve sıralama gibi görevleri otomatikleştirerek depolarda hızı, doğruluğu ve verimliliği artırabilir.

Dayanıklılık ve risk yönetimi:

• Risk tanımlama - Yapay zeka, potansiyel kesintileri veya tedarik zinciri açıklarını belirlemek için verileri analiz edebilir ve şirketlerin bunların etkilerini en aza indirmek için önleyici tedbirler almasına olanak tanır.

• Senaryo planlama - Yapay zeka, doğal afetler veya ekonomik krizler gibi çeşitli senaryoları simüle ederek şirketlerin iş sürekliliğini sağlamak için acil durum planları geliştirmesine yardımcı olabilir.

• Dolandırıcılık tespiti ve önlenmesi - Yapay zeka, sipariş verilerindeki ve finansal işlemlerdeki anormallikleri tespit edebilir, potansiyel dolandırıcılık girişimlerini tespit edebilir ve şirketleri mali kayıplardan koruyabilir.

Sürdürülebilirlik ve müşteri deneyimi:

• Gelişmiş sürdürülebilirlik - Yapay zeka, israfı azaltmak, enerji tüketimini en aza indirmek ve yakıt kullanımını optimize etmek için süreçleri optimize ederek daha sürdürülebilir bir tedarik zincirine katkıda bulunabilir.

• Kişiselleştirme ve özelleştirme - Yapay zeka, ürün önerilerini ve tekliflerini bireysel tercihlere ve satın alma geçmişine göre özelleştirerek müşteri deneyimini kişiselleştirebilir.

Yapay zekanın perakende sektöründe tedarik zincirinin yeniden şekillendirilmesinde özellikle nasıl dönüştürücü bir rol oynadığını gerçek dünyadaki bir kullanım örneğiyle örnekleyerek keşfedelim.

Akıllı Tedarik Optimizasyon Sisteminin Geliştirilmesi

Amerika Birleşik Devletleri'nin her yerinde dağıtım noktaları bulunan bir sıhhi tesisat alet ve ekipmanı üreticisi olan müşterimizin, tedarik süreçlerini optimize etmek için yardıma ihtiyacı vardı.

Asıl mücadele, malların Çin'deki fabrikalardan ABD'deki dağıtım merkezlerine taşınmasıyla ilgili artan deneyimlerden kaynaklandı. Müşteri neredeyse her eyalette çok sayıda depo ve satış noktasına sahipti. Bu nedenle, en uygun yönlendirmeyi belirlemek önemsiz olmayan bir görevdi.

Ayrıca tercih edilen ulaşım zincirinin dikkate alınması da çok önemliydi. Her ürün yolculuğuna bir Çin limanından bir nakliye konteynırıyla başlıyor ve Pasifik Okyanusu'nu geçerek Amerika Birleşik Devletleri'ndeki bir limana ulaşıyor ve buradan bir kamyonla belirlenen depoya kadar yolculuğuna devam ediyor. Daha sonra ürün, hedeflenen dağıtım noktasına son kilometre teslimatını bekler.

Müşteri aşağıdaki işlevlere sahip olmak istiyordu:

• mevcut depoları belirtin;
• Bazıları otomatik olarak geçmiş verilerden türetilen ve diğerleri kullanıcı tarafından manuel olarak seçilen dağıtım noktalarını tanımlayın;
• ilgili miktarlarıyla birlikte öğelerin bir listesini oluşturun;
• limanların bir listesi var.

Son olarak müşteri, nakliye konteynırlarında malların paletli veya paletsiz paketlenmesine yönelik çeşitli yöntemleri karşılaştırabilme arzusunu dile getirdi. Optimizasyon probleminin sonucu, optimal taşıma programını ve ilgili gider istatistiklerini vermelidir.

Ancak kullanım senaryosu ayrıntılarına dalmadan önce, akıllı çözümde kullanılan temel bir matematik kavramının ana hatlarını hızlı bir şekilde açıklayacağız.

Tedarik Zinciri Verimliliği için Tam Sayılı Programlama

Tamsayılı (Doğrusal) Programlama (IP), değişkenlerin bir kısmının veya tamamının tam sayı (tam sayı) değerleri alması gerektiğini göz önünde bulundurarak, doğrusal ilişkiler içeren bir soruna en iyi çözümü bulmak için kullanılan bir matematiksel optimizasyon tekniğidir. Bir IP probleminin genel biçimi, karar değişkenlerinin bir kısmının veya tamamının tam sayı olması gereken bir dizi doğrusal kısıtlamaya tabi olan doğrusal bir amaç fonksiyonunu maksimuma çıkarmak (veya minimuma indirmek) şeklindedir.

Amaç fonksiyonu, karar değişkenlerinin doğrusal bir birleşimidir ve kısıtlamalar, değişkenlerin karşılaması gereken doğrusal eşitsizlikler veya eşitliklerdir. Bir fikri mülkiyet sorununun matematiksel formülasyonu şu şekilde ifade edilebilir:

x₁, x₂, ..., xₙ değerleri karar değişkenleridir, c₁, c₂, ..., cₙ amaç fonksiyonundaki katsayılardır, aᵢⱼ kısıt denklemlerindeki katsayılardır ve bᵢ sabitlerdir.

Bir IP problemini çözmek, doğrusal kısıtlamaları ve değişkenlerin tamsayı olması gerektiği yönündeki ek gereksinimi karşılarken amaç fonksiyonunu optimize eden karar değişkenlerinin değerlerini bulmayı içerir. Fikri mülkiyet problemleri, karar değişkenlerinin genellikle tam sayı olması gereken miktarları temsil ettiği yöneylem araştırması, lojistik, imalat, finans ve telekomünikasyon dahil olmak üzere çeşitli alanlarda yaygın olarak kullanılmaktadır.

Tamsayılı Programlama, ayrık (tamsayı) değişkenleri içeren karmaşık karar verme süreçlerini modelleme yeteneğinden dolayı tedarik zinciri optimizasyon problemlerinin çözümünde değerli bir araçtır.

IP'nin tedarik zinciri optimizasyonu bağlamında uygulanabileceği yollar:

• Envanter yönetimi: IP, depolama kapasitesi, talep değişkenliği ve sipariş miktarları gibi kısıtlamaları dikkate alarak, tedarik zincirinin çeşitli aşamalarında farklı ürünler için en uygun envanter seviyelerinin belirlenmesine yardımcı olabilir; IP modelleri, elde tutma maliyetleri ile stok yokluğu arasındaki en iyi dengeyi bulabilir.

• Üretim planlama: IP, üretim kapasiteleri, hammadde kullanılabilirliği ve talep tahminleri gibi faktörleri dikkate alarak üretim programlarını optimize edebilir. Model, maliyetleri en aza indirirken talebi karşılamak için her ürün için üretilecek en uygun miktarların belirlenmesine yardımcı olabilir.

• Yönlendirme ve planlama: Tedarik zinciri ağının genel yapısını optimize etmek için IP modelleri uygulanabilir.

• Tedarik zinciri ağı optimizasyonu: Tedarik zinciri ağının genel yapısını optimize etmek için IP modelleri uygulanabilir.

• Talep planlaması: IP modelleri, tedarik zinciri operasyonlarını beklenen müşteri talebine göre hizalarken üretim ve dağıtım kararlarını optimize etmek için talep tahmin verilerini birleştirebilir, stok fazlası veya stokta kalma riskini azaltabilir.

Tedarik Zinciri Lojistiğini Geliştirme – ELEKS'in Çözümüne Genel Bakış

Müşterilerimizin gereksinimlerini karşılamak için, beş tür öğe için tedarik programlarını, rotaları ve envanter seviyelerini optimize eden Tam Sayılı Programlama tekniğinin faydalarından yararlanan bir sistem oluşturduk: seramik lavabolar, tuvaletler, bideler, gaz vanaları ve küvet bataryaları ( karşılık gelen HS kodları 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080'dir). Sistem üç ana bölümden (veya sayfadan) oluşur: konfigürasyon, simülasyon ve analitik. Her biri aşağıdaki paragraflarda açıklanacaktır.

Verilerin ve uygulama ayrıntılarının gizliliğini sağlamak için adları ve gerçek konumları anonimleştirerek, yapay zekanın optimizasyon zorluklarını çözmedeki etkinliğini gösteren basit bir demo uygulaması için bir prototip oluşturduk.

Yapılandırma Sayfası

Kullanıcı, nihai optimize edilmiş yönlendirmede yer almak için mevcut depoları, dağıtım noktalarını ve arzu edilen limanları seçebilir. Ayrıca müşteri, istediği malları ve bunların kendi müşterilerine nakledilecek miktarlarını belirtebilir. Teslimatın planlanması durumunda son şey tarih seçicidir.

Sistem, tahmini talebe göre teslimat tarihindeki kalan envanteri hesaplayacak ve planlanan sevkiyatları depo artıklarıyla uyumlu şekilde tahsis edecektir. 'Optimize et' düğmesine tıklamak tüm sihri gerçekleştirir! Optimizasyon görevlerini belirler ve çözümünü başlatır. Birkaç saniye sonra kalan iki sayfada sonuçlar görülebilir.

Simülasyon (Harita) Sayfası

Bu sayfa müşteriye önerilen modelin çözümünün doğru bir simülasyonunu görüntüleme fırsatı sunar. Önceki görüşmelerde müşterimiz için uygun INCOTERMS üzerinde tartıştık ve CFR konusunda fikir birliğine vardık. Müşteri, her adım için saat sayısını belirleyebilir ve ilgili düğmeye basarak tedarik zincirinin bu süre içindeki durumunu görebilir.

Öncelikle beş tür nokta vardır: ikisi nakliye araçları (gemi ve kamyon) ve üçü limanlar (turuncu), depolar (mor) ve dağıtım noktaları (yeşil) için. Harita etkileşimlidir, yani kullanıcı herhangi bir noktanın veya bağlantının üzerine gelip o nesneyle ilgili bilgileri görebilir.

Örneğin, depoları ve dağıtım noktalarını birbirine bağlayan mavi çizgiler, son kilometre teslimat planını gösterir ve her bir ürünün günlük ne kadar teslim edildiğine ilişkin bilgileri içerir. Kullanıcı geminin üzerine geldiğinde geminin kapasitesi, konteyner tipleri, her bir malın yüklü miktarı ve güzergahına ilişkin bilgiler görüntülenir.

Analitik Sayfası

Bu sayfada modelin önerilen çözümüne ilişkin tüm veriler ve istatistikler yer almaktadır. Kullanıcı, her geminin ve kamyonun nerede olduğunu, tahmini varış süresini, rotasını ve dolumunu içeren teslimat planını gözlemleyebilir. Ayrıca, giderlerin tamamıyla birlikte pasta grafiğinden başlayıp, farklı limanlar, depolar ve dağıtım noktaları arasındaki teslimat maliyetlerinin ısı haritalarıyla biten bir dizi grafik de vardır.

Ek olarak müşteri, farklı dağıtım noktaları için ürün başına fiyat grafiğini gözlemleyebilir ve bu verilere dayanarak ilgili iş kararlarını verebilir.

Performans Metrikleri: ELEKS Çözümü ve Müşterinin Eski Sistemi Karşılaştırması

Bir sonraki zorluk, çözümümüzü gerçek dünya senaryolarında test etmek ve müşterinin yaklaşımıyla karşılaştırmaktı. Bunun için müvekkil 1 aylık bir süreyi değerlendirdi. Görevin ana koşulları (mevcut limanlar, konum, depo ve küme sayısı gibi) önceki paragraflarda yer alan resimlerde görülmektedir. Sonuç olarak modelimizin çözümü, işletme giderleri, ortalama son kilometre teslimat süresi ve depoların boşta kalma süresinin azaltılması açısından daha etkili oldu.

Müşteri tarafından elde edilen aylık ortalama %5,76 maliyet tasarrufu ve bazı kümeler için teslimat süresinde %50 azalma.

ELEKS Veri Bilimi ekibi

Veriler, çözümümüzün kullanımının müşteri için daha avantajlı olduğunu ve ürün başına fiyatta düşüşe yol açtığını gösteriyor. Bu sonuç çeşitli faktörlere bağlanabilir; başlıcaları şunlardır:

• Daha akıllı ürün dağıtımı
• Daha optimum dağıtım ağı
• Daha verimli yönlendirme ve depolama

Örneğin, çözümümüz, modelin farklı depolardan farklı mallar için son kilometre teslimatını önerdiği bazı kümeleri içeriyordu (bir açıklama teslimat ağının derinliklerinde yatıyor ve modelimiz bu optimizasyon olasılığını tespit etti). Malların depolar arasındaki dağılımı farklılık gösteriyordu (özellikle Washington ve New York'taki depolar arasında).

İlk bakışta farklar o kadar önemli değil, ancak sonuç kendini anlatıyor.

Sonuçlar

Yapay zekanın (AI) tedarik zinciri yönetimine entegrasyonu, küresel lojistiğin karmaşıklıklarını etkili bir şekilde yönetmeyi amaçlayan işletmeler için kritik bir bileşen olarak ortaya çıkıyor. Modern tedarik zincirlerinin çok yönlü doğası, aksamalar, jeopolitik gerilimler ve ekonomik dalgalanmalar gibi zorluklarla birleştiğinde, verimlilik ve dayanıklılık elde etmek için yenilikçi çözümler gerektirmektedir.

Sunulan çözüm, yapay zekanın tedarik zinciri yöneticilerinin sorumluluklarını kolaylaştırmadaki dönüştürücü rolünü vurguluyor ve tedarik zinciri lojistiğinde yapay zeka ve IP'nin somut faydalarını göstererek, bazı kümeler için ortalama %5,76 aylık maliyet tasarrufu ve teslimat süresinde %50 azalma sergiliyor.

Uyarlanabilirliği kesintisiz ayarlamalara olanak tanır, kullanıcılara farklı öğeler ve miktarlar içeren çeşitli senaryoları yürütebilecekleri bir simülasyon stüdyosuna erişim olanağı sunar ve farklı durumlar için en uygun stratejileri belirlemek üzere karşılaştırmalı bir analizi kolaylaştırır.

Bu dönüştürücü çözümün ilk elden bir demosunu planlamak ve yeteneklerini daha ayrıntılı olarak keşfetmek için bize ulaşın .