Một nghiên cứu điển hình trong thế giới thực về việc giải phóng tiềm năng của AI: AI trong chuỗi cung ứng

Khi các doanh nghiệp vật lộn với sự phức tạp của dịch vụ hậu cần toàn cầu, việc triển khai AI trong chuỗi cung ứng đã trở thành mấu chốt cho những ai muốn đi trước đối thủ. Trong bài viết này, chúng tôi sẽ nhấn mạnh tầm quan trọng của AI trong chuỗi cung ứng và đưa ra những hiểu biết sâu sắc về câu chuyện thành công minh họa một cách sinh động những lợi ích hữu hình của AI trong việc tối ưu hóa quản lý chuỗi cung ứng.

Chuỗi cung ứng là toàn bộ mạng lưới các cá nhân và tổ chức sản xuất và phân phối sản phẩm hoặc dịch vụ tới người tiêu dùng cuối cùng. Nó bao gồm mọi bước, từ tìm nguồn nguyên liệu thô, sản xuất, lắp ráp sản phẩm đến vận chuyển, lưu kho và cuối cùng là đến tay khách hàng.

49% người được hỏi từ lĩnh vực chuỗi cung ứng bày tỏ rằng sự gián đoạn dẫn đến khó khăn trong việc lập kế hoạch.

44% chỉ ra những thách thức do dấu ấn của chuỗi cung ứng, đòi hỏi họ phải thực hiện những thay đổi trong năm.

McKinsey

Ngày nay, mạng lưới nhiều mặt này phải đối mặt với nhiều gián đoạn, chẳng hạn như căng thẳng địa chính trị, biến động kinh tế, biến đổi khí hậu và các quy định đang phát triển. Đồng thời, các mục tiêu chung vượt qua các ngành, bao gồm sự hài lòng của khách hàng, khả năng phục hồi tối ưu hóa chi phí và khả năng thích ứng. Cả thách thức và mục tiêu đều đòi hỏi các giải pháp đổi mới, trong đó việc tối ưu hóa chuỗi cung ứng đang nổi lên như một yếu tố quan trọng để đảm bảo hiệu quả.

Tổng quan ngắn gọn về tối ưu hóa chuỗi cung ứng

Tối ưu hóa chuỗi cung ứng (SCO) là một lĩnh vực phức tạp dành riêng cho việc quản lý dòng hàng hóa và dịch vụ từ nguyên liệu thô đến khách hàng cuối theo cách hiệu quả và tiết kiệm chi phí nhất có thể. SCO là sự điều chỉnh các hoạt động của chuỗi cung ứng nhằm đảm bảo chuỗi cung ứng đạt hiệu quả cao nhất có thể.

Năm thách thức hàng đầu của việc tối ưu hóa chuỗi cung ứng:

1. Dự báo nhu cầu: Dự đoán chính xác nhu cầu của khách hàng là rất quan trọng để tối ưu hóa mức tồn kho, khả năng vận chuyển và lịch trình sản xuất.

   
   

2. Quản lý hàng tồn kho: Cân bằng giữa chi phí lưu giữ hàng tồn kho với nguy cơ hết hàng.

   
   

3. Tối ưu hóa vận tải: Lựa chọn các tuyến đường vận chuyển hàng hóa hiệu quả và tiết kiệm chi phí nhất, đặc biệt với các yếu tố như ùn tắc giao thông và giá nhiên liệu.

   
   

4. Lựa chọn và quản lý nhà cung cấp: Tìm kiếm những nhà cung cấp đáng tin cậy, có giá cả và chất lượng cạnh tranh.

   
   

5. Hợp tác và giao tiếp: Hợp tác hiệu quả giữa tất cả những người tham gia trong chuỗi cung ứng.

Để giải quyết những thách thức này, SCO sử dụng phân tích dữ liệu, mô hình toán học, thuật toán tối ưu hóa, trí tuệ nhân tạo (AI) và học máy (ML). Những công cụ này giúp các doanh nghiệp cùng nhau điều hướng bối cảnh năng động của chuỗi cung ứng toàn cầu một cách chính xác.

Đặc biệt, AI và ML nổi lên như những đồng minh mạnh mẽ trong việc theo đuổi hiệu quả của chuỗi cung ứng.

Việc tận dụng các dịch vụ phát triển AI và học máy giúp tự động hóa các nhiệm vụ, nâng cao độ chính xác của dự báo và cho phép ra quyết định theo thời gian thực, đảm bảo doanh nghiệp có thể luôn linh hoạt và phản ứng nhanh khi đối mặt với các tình huống phát triển.

Tối ưu hóa quản lý chuỗi cung ứng thông qua tích hợp AI

AI đóng một vai trò quan trọng trong việc nâng cao hiệu quả của chuỗi cung ứng. Nó có thể được sử dụng trong các lĩnh vực khác nhau của quản lý chuỗi cung ứng.

Tăng cường khả năng hiển thị và minh bạch:

• Thu thập và phân tích dữ liệu theo thời gian thực - Cung cấp thông tin chi tiết theo thời gian thực về mức tồn kho, địa điểm giao hàng và khả năng gián đoạn.

• Phân tích dự đoán - AI có thể phân tích dữ liệu lịch sử và các yếu tố bên ngoài như dự báo thời tiết hoặc xu hướng kinh tế, sự gián đoạn tiềm ẩn và nhu cầu bảo trì.

Tối ưu hóa hoạt động và ra quyết định:

• Quản lý hàng tồn kho - AI có thể tối ưu hóa mức tồn kho bằng cách dự báo nhu cầu, xem xét thời gian giao hàng và mô hình thời vụ, đồng thời giảm thiểu chi phí liên quan đến tình trạng tồn kho quá mức hoặc thiếu hàng.

• Tối ưu hóa tuyến đường - Thuật toán AI có thể xác định các tuyến đường vận chuyển hiệu quả và tiết kiệm chi phí nhất, xem xét các yếu tố như điều kiện giao thông, mức tiêu thụ nhiên liệu và lịch trình để tìm ra sự cân bằng giữa chi phí vận chuyển và tồn kho.

• Tự động hóa kho hàng - Robot được hỗ trợ bởi AI có thể tự động hóa các tác vụ như lấy hàng, đóng gói và phân loại, cải thiện tốc độ, độ chính xác và hiệu quả trong kho.

Khả năng phục hồi và quản lý rủi ro:

• Xác định rủi ro - AI có thể phân tích dữ liệu để xác định sự gián đoạn tiềm ẩn hoặc lỗ hổng trong chuỗi cung ứng, cho phép các công ty thực hiện các biện pháp phòng ngừa để giảm thiểu tác động của chúng.

• Lập kế hoạch kịch bản - AI có thể mô phỏng các kịch bản khác nhau như thiên tai hoặc suy thoái kinh tế, giúp các công ty phát triển các kế hoạch dự phòng để đảm bảo hoạt động kinh doanh liên tục.

• Phát hiện và ngăn chặn gian lận - AI có thể phát hiện những điểm bất thường trong dữ liệu đơn đặt hàng và giao dịch tài chính, xác định các nỗ lực gian lận tiềm ẩn và bảo vệ các công ty khỏi tổn thất tài chính.

Tính bền vững và trải nghiệm của khách hàng:

• Nâng cao tính bền vững - AI có thể tối ưu hóa các quy trình để giảm chất thải, giảm thiểu tiêu thụ năng lượng và tối ưu hóa việc sử dụng nhiên liệu, góp phần tạo nên chuỗi cung ứng bền vững hơn.

• Cá nhân hóa và tùy chỉnh - AI có thể cá nhân hóa trải nghiệm của khách hàng bằng cách điều chỉnh các đề xuất và dịch vụ sản phẩm dựa trên sở thích cá nhân và lịch sử mua hàng.

Hãy cùng khám phá xem AI đặc biệt đóng vai trò biến đổi như thế nào trong việc định hình lại chuỗi cung ứng trong ngành bán lẻ, được minh họa bằng trường hợp sử dụng trong thế giới thực.

Phát triển hệ thống tối ưu hóa cung ứng thông minh

Khách hàng của chúng tôi, một nhà sản xuất dụng cụ và thiết bị sửa ống nước có điểm phân phối trên khắp Hoa Kỳ, cần trợ giúp để tối ưu hóa quy trình cung ứng của họ.

Cuộc đấu tranh chính xuất phát từ kinh nghiệm nâng cao liên quan đến việc vận chuyển hàng hóa từ các nhà máy ở Trung Quốc đến các trung tâm phân phối ở Mỹ. Khách hàng duy trì nhiều nhà kho và điểm bán hàng ở hầu hết các tiểu bang. Vì vậy, việc xác định tuyến đường tối ưu đặt ra một nhiệm vụ không hề đơn giản.

Ngoài ra, điều quan trọng là phải xem xét chuỗi vận chuyển ưa thích. Mỗi sản phẩm bắt đầu hành trình trong một container vận chuyển từ cảng biển Trung Quốc và đi qua Thái Bình Dương để đến cảng ở Hoa Kỳ, từ đó nó tiếp tục hành trình trên xe tải đến nhà kho được chỉ định. Sau đó, sản phẩm sẽ chờ giao hàng chặng cuối đến điểm phân phối được nhắm mục tiêu.

Khách hàng muốn có các chức năng sau:

• chỉ định kho có sẵn;
• xác định các điểm phân phối, trong đó một số điểm được lấy tự động từ dữ liệu lịch sử và các điểm khác do người dùng chọn thủ công;
• tạo danh sách các mặt hàng cùng với số lượng tương ứng của chúng;
• có danh sách các cảng biển.

Cuối cùng, khách hàng bày tỏ mong muốn có thể so sánh các phương pháp đóng gói hàng hóa khác nhau trong container vận chuyển, có hoặc không có pallet. Kết quả của bài toán tối ưu hóa sẽ mang lại lịch trình vận chuyển tối ưu và số liệu thống kê chi phí liên quan.

Nhưng trước khi đi sâu vào chi tiết trường hợp sử dụng, chúng tôi sẽ phác thảo nhanh khái niệm toán học cơ bản được sử dụng trong giải pháp thông minh.

Lập trình số nguyên cho hiệu quả chuỗi cung ứng

Lập trình số nguyên (tuyến tính) (IP) là một kỹ thuật tối ưu hóa toán học được sử dụng để tìm giải pháp tốt nhất cho một vấn đề có mối quan hệ tuyến tính trong khi xem xét rằng một số hoặc tất cả các biến phải lấy giá trị nguyên (số nguyên). Dạng chung của bài toán IP là cực đại hóa (hoặc cực tiểu hóa) hàm mục tiêu tuyến tính tuân theo một tập hợp các ràng buộc tuyến tính, trong đó một số hoặc tất cả các biến quyết định phải là số nguyên.

Hàm mục tiêu là sự kết hợp tuyến tính của các biến quyết định và các ràng buộc là các bất đẳng thức hoặc đẳng thức tuyến tính mà các biến phải thỏa mãn. Công thức toán học của một bài toán IP có thể được biểu diễn như sau:

Các giá trị x₁, x₂, ..., xₙ là các biến quyết định, c₁, c₂, ..., cₙ là các hệ số trong hàm mục tiêu, aᵢⱼ là các hệ số trong phương trình ràng buộc và bᵢ là hằng số.

Giải bài toán IP liên quan đến việc tìm giá trị của các biến quyết định nhằm tối ưu hóa hàm mục tiêu đồng thời thỏa mãn các ràng buộc tuyến tính và yêu cầu bổ sung là các biến phải là số nguyên. Các bài toán về sở hữu trí tuệ thường được sử dụng trong nhiều lĩnh vực khác nhau, bao gồm nghiên cứu hoạt động, hậu cần, sản xuất, tài chính và viễn thông, trong đó các biến quyết định thường biểu thị số lượng phải là số nguyên.

Lập trình số nguyên là một công cụ có giá trị trong việc giải quyết các vấn đề tối ưu hóa chuỗi cung ứng nhờ khả năng mô hình hóa các quy trình ra quyết định phức tạp liên quan đến các biến (số nguyên) rời rạc.

Những cách IP có thể được áp dụng trong bối cảnh tối ưu hóa chuỗi cung ứng:

• Quản lý hàng tồn kho: IP có thể hỗ trợ xác định mức tồn kho tối ưu cho các sản phẩm khác nhau ở các giai đoạn khác nhau của chuỗi cung ứng. Bằng cách xem xét các hạn chế như khả năng lưu trữ, sự thay đổi nhu cầu và số lượng đặt hàng, mô hình IP có thể tìm ra sự cân bằng tốt nhất giữa chi phí lưu kho và lượng hàng tồn kho.

• Lập kế hoạch sản xuất: IP có thể tối ưu hóa lịch trình sản xuất bằng cách xem xét các yếu tố như năng lực sản xuất, nguồn nguyên liệu sẵn có và dự báo nhu cầu. Mô hình có thể giúp xác định số lượng tối ưu cần sản xuất cho từng sản phẩm nhằm đáp ứng nhu cầu đồng thời giảm thiểu chi phí.

• Định tuyến và lập kế hoạch: Các mô hình IP có thể được áp dụng để tối ưu hóa cấu trúc tổng thể của mạng lưới chuỗi cung ứng.

• Tối ưu hóa mạng lưới chuỗi cung ứng: Các mô hình IP có thể được áp dụng để tối ưu hóa cấu trúc tổng thể của mạng lưới chuỗi cung ứng.

• Lập kế hoạch nhu cầu: Các mô hình IP có thể kết hợp dữ liệu dự báo nhu cầu để tối ưu hóa các quyết định sản xuất và phân phối đồng thời điều chỉnh hoạt động của chuỗi cung ứng theo nhu cầu dự kiến của khách hàng, giảm nguy cơ tồn kho quá mức hoặc hết hàng.

Tăng cường Hậu cần Chuỗi Cung ứng – Tổng quan về Giải pháp của ELEKS

Để đáp ứng yêu cầu của khách hàng, chúng tôi đã tạo ra một hệ thống tận dụng các lợi ích của kỹ thuật Lập trình Số nguyên, giúp tối ưu hóa lịch trình, tuyến đường và mức tồn kho cho năm loại mặt hàng: bồn rửa bằng gốm, bồn cầu, bồn rửa vệ sinh, van gas và máy trộn bồn tắm ( mã HS tương ứng là 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080). Hệ thống bao gồm ba phần (hoặc trang) chính: cấu hình, mô phỏng và phân tích. Mỗi người trong số họ sẽ được giải thích trong các đoạn sau.

Để đảm bảo tính bảo mật của dữ liệu và chi tiết ứng dụng, chúng tôi đã ẩn danh tên và vị trí thực, tạo nguyên mẫu cho ứng dụng demo đơn giản minh họa hiệu quả của AI trong việc giải quyết các thách thức tối ưu hóa.

Trang cấu hình

Người dùng có thể chọn các kho, điểm phân phối và cảng biển mong muốn có sẵn để tham gia vào quá trình định tuyến được tối ưu hóa cuối cùng. Ngoài ra, khách hàng có thể chỉ định hàng hóa mong muốn và số lượng tương ứng sẽ được vận chuyển đến khách hàng của họ. Điều cuối cùng là công cụ chọn ngày, trong trường hợp việc giao hàng được lên kế hoạch.

Hệ thống sẽ tính toán lượng hàng tồn kho còn lại vào ngày giao hàng dựa trên nhu cầu dự báo và phân bổ các lô hàng theo kế hoạch phù hợp với lượng hàng tồn trong kho. Nhấp vào nút 'tối ưu hóa' sẽ thực hiện tất cả điều kỳ diệu! Nó đặt ra các nhiệm vụ tối ưu hóa và đưa ra giải pháp của mình. Sau vài giây, kết quả có thể được quan sát trên hai trang còn lại.

Trang mô phỏng (Bản đồ)

Trang này cung cấp cho khách hàng cơ hội xem mô phỏng chính xác về giải pháp của mô hình được đề xuất. Trong các cuộc thảo luận trước, chúng tôi đã cân nhắc về INCOTERMS phù hợp cho khách hàng của mình và đạt được sự đồng thuận về CFR. Khách hàng có thể chỉ định số giờ cho mỗi bước và nhấn nút tương ứng để xem trạng thái của chuỗi cung ứng trong khoảng thời gian này.

Trước hết, có năm loại điểm: hai điểm dành cho phương tiện vận tải (tàu và xe tải) và ba điểm dành cho cảng biển (màu cam), kho bãi (màu tím) và điểm phân phối (màu xanh lá cây). Bản đồ có tính tương tác, nghĩa là người dùng có thể di chuột qua bất kỳ điểm hoặc kết nối nào và xem thông tin liên quan đến đối tượng đó.

Ví dụ: các đường màu xanh lam nối các nhà kho và điểm phân phối hiển thị kế hoạch giao hàng chặng cuối và chứa thông tin về số lượng mỗi hàng hóa được giao hàng ngày. Nếu người dùng di chuột qua con tàu, thông tin về sức chứa, loại container, số lượng từng loại hàng hóa được chất tải và lộ trình sẽ được hiển thị.

Trang phân tích

Trang này trình bày tất cả dữ liệu và số liệu thống kê về giải pháp được đề xuất của mô hình. Người dùng có thể quan sát kế hoạch giao hàng, vị trí của từng tàu và xe tải, thời gian đến dự kiến, tuyến đường và tình trạng lấp đầy. Ngoài ra còn có một loạt biểu đồ, bắt đầu từ biểu đồ hình tròn với tổng chi phí và kết thúc bằng bản đồ nhiệt về chi phí giao hàng giữa các cảng biển, kho hàng và điểm phân phối khác nhau.

Ngoài ra, khách hàng có thể quan sát biểu đồ giá mỗi hàng hóa cho các điểm phân phối khác nhau và dựa trên dữ liệu đó để đưa ra quyết định kinh doanh tương ứng.

Số liệu hiệu suất: Giải pháp của ELEKS so với hệ thống kế thừa của khách hàng

Thử thách tiếp theo là thử nghiệm giải pháp của chúng tôi trong các tình huống thực tế và so sánh nó với cách tiếp cận của khách hàng. Vì mục đích này, khách hàng đã cân nhắc thời hạn là 1 tháng. Các điều kiện chính của nhiệm vụ (chẳng hạn như cảng biển có sẵn, vị trí, số lượng kho và cụm) được quan sát trong các hình minh họa ở các đoạn trước. Do đó, giải pháp mô hình của chúng tôi hiệu quả hơn về chi phí vận hành, thời gian giao hàng trung bình ở chặng cuối và giảm thời gian nhàn rỗi của kho.

Khách hàng tiết kiệm được 5,76% chi phí trung bình hàng tháng và giảm 50% thời gian giao hàng đối với một số cụm.

Nhóm khoa học dữ liệu ELEKS

Dữ liệu chỉ ra rằng việc sử dụng giải pháp của chúng tôi tỏ ra có lợi hơn cho khách hàng, dẫn đến giảm giá mỗi mặt hàng. Kết quả này có thể được quy cho nhiều yếu tố khác nhau, trong đó những yếu tố chính như sau:

• Phân phối hàng hóa thông minh hơn
• Mạng lưới phân phối tối ưu hơn
• Định tuyến và lưu kho hiệu quả hơn

Ví dụ: giải pháp của chúng tôi nêu bật một số cụm mà mô hình đề xuất giao hàng chặng cuối cho các hàng hóa khác nhau từ các kho riêng biệt (lời giải thích nằm sâu trong mạng lưới phân phối và mô hình của chúng tôi đã phát hiện ra khả năng tối ưu hóa này). Sự phân bổ hàng hóa giữa các kho có sự khác nhau (chủ yếu là giữa các kho ở Washington và New York).

Thoạt nhìn, sự khác biệt không quá đáng kể, nhưng kết quả đã nói lên điều đó.

Kết luận

Việc tích hợp trí tuệ nhân tạo (AI) trong quản lý chuỗi cung ứng nổi lên như một thành phần quan trọng đối với các doanh nghiệp muốn giải quyết sự phức tạp của hậu cần toàn cầu một cách hiệu quả. Bản chất nhiều mặt của chuỗi cung ứng hiện đại, cùng với những thách thức như gián đoạn, căng thẳng địa chính trị và biến động kinh tế, đòi hỏi các giải pháp đổi mới để đạt được hiệu quả và khả năng phục hồi.

Giải pháp được trình bày nêu bật vai trò biến đổi của AI trong việc hợp lý hóa trách nhiệm của người quản lý chuỗi cung ứng và chứng minh những lợi ích hữu hình của AI và IP trong hậu cần chuỗi cung ứng, cho thấy mức tiết kiệm chi phí trung bình hàng tháng là 5,76%, giảm 50% thời gian giao hàng cho một số cụm.

Khả năng thích ứng của nó cho phép điều chỉnh liền mạch, cung cấp cho người dùng quyền truy cập vào studio mô phỏng, nơi họ có thể thực hiện nhiều tình huống khác nhau liên quan đến các mặt hàng và số lượng khác nhau, tạo điều kiện thuận lợi cho việc phân tích so sánh để xác định chiến lược tối ưu cho các tình huống khác nhau.

Để lên lịch trình demo trực tiếp giải pháp biến đổi này và khám phá thêm các khả năng của nó, hãy liên hệ với chúng tôi .