Hlavní navigace

Technologie staví dodavatelský řetězec na nohy

16. 6. 2021

Sdílet

 Autor: Depositphotos
Firmy začaly využívat strojové učení a jiné nástroje pro zpracování dat, aby zajistily, že jejich nabídka pokryje poptávku. Spoléhat se na historické průměry a trendy pro vyvažování nabídky a poptávky již není možné.

Technologie, které mohou organizacím pomoci lépe zorganizovat distribuci produktů po světě, se těší nebývalému zájmu. Výpadky v dodávkách vstupních materiálů, součástí i finálních výrobků způsobené pandemií koronaviru přivádějí firmy ke strojovému učení (ML) a dalším technologiím pro zpracování dat jako cestě ke zmírnění problémů v dodavatelských a distribučních řetězcích.

Podniky se nakonec vyrovnaly s dopady krize vyvolané útoky 9. září 2001 i hluboké recese, která nastala o sedm let později, ale nic je nemohlo připravit na pandemii koronaviru. Ta způsobila nedostatek všeho od čisticích prostředků přes počítačové čipy po plicní ventilátory.

Téměř třetina dotázaných manažerů dodavatelských řetězců v loňském průzkumu společnosti Tata Consultancy Services (TCS) uvedla, že jejich firmám během pandemie poklesl tržní podíl, zatímco podobnému procentu vzrostl.

„To, co jsme považovali za základní zákonitosti dodavatelského řetězce, přestalo platit,“ říká Matt Lekstutis ze společnosti TCS. Firmy, které při vyvažování nabídky a poptávky spoléhaly na historické průměry a trendy, zjistily, že se jejich modely začínají rozcházet s realitou. Nyní začínají využívat k obchodním prognózám i prediktivní údržbě nové technologie jako grafové databáze a strojové učení. Díky tomu jsou jejich dodavatelské řetězce flexibilnější a dokážou rychleji reagovat.

Automobilka spoléhá na analýzu grafů

Jaguar Land Rover (JLP) je jednou z firem, které při prognózách prodeje využívají analytické nástroje ke zmírnění dopadů mimořádné situace. Obvykle pracuje s predikcemi vydávanými na rok dopředu, takže stovky jejích dodavatelů mají dostatek času na výrobu dílů. Kromě toho, že nové nástroje pomáhají JLR odhadnout poptávku, přesnější prognózy jí umožňují zavázat se k minimálním odběrům.

Ale pandemie covidu-19 donutila firmu JLR dosavadní predikce prodeje zahodit, říká její ředitel pro data a analýzu Harry Powell. Vzhledem k nejistotě, zda dodavatelé budou schopní vyrobit všech zhruba 30 000 součástí v potřebném množství, bylo nutné rychleji a flexibilněji vyvažovat nabídku a poptávku.

Aby dokázala společnost JLR pohotověji analyzovat dodavatelské řetězce, zavedla grafový databázový software za účelem korelování dat a vyhledávání vztahů mezi entitami v řadě komplexních zdrojů dat včetně prognóz a dat z dodavatelského řetězce, kusovníků a údajů o konfiguracích vyráběných vozů. Grafová analýza pomáhá datovým vědcům nalézat v datech neznámé vztahy a souvislosti, které není snadné odhalit tradičními analytickými metodami v relačních databázových systémech.

Software od startupové firmy Tiger-Graph získává data z dvanácti různých zdrojů dat včetně mainframe systémů, ERP a výrobních aplikací. Propojení všech těchto dat v grafovém ekvivalentu 23 relačních databázových tabulek umožnilo automobilce dostat informace, které dříve nemohla získat – například co přesně může v daný okamžik vyrábět s díly, jež má k dispozici. Analýza navíc zabere pouhých 45 minut, zatímco dříve trvalo propojit data pomocí relačních systémů několik týdnů. Analýza pomohla JLR vyhnout se potenciálním smluvním pokutám v řádu milionů dolarů, které by musela platit svým dodavatelům v případě nesplnění minimálního sjednaného odběru.

Strojové učení pomáhá „vymačkat“ ze strojů více

Po propuknutí pandemie lidé začali nakupovat zásoby hygienických potřeb. Společnost Colgate-Palmolive v reakci na to zavedla systém strojového učení, který jí pomáhá zajistit, že jejích zubních past bude v regálech maloobchodních prodejen dostatek. Software od společnosti Augury spolupracuje s bezdrátovými senzory a monitoruje 2 000 strojů, na nichž Colgate vyrábí tuby na zubní pasty a jiné produkty, a pomáhá předcházet výpadkům výrobních linek, jež pro firmu znamenají ztráty ve výši tisíců dolarů, říká Warren Pruitt, globální technický ředitel společnosti Colgate.

ML software například upozornil na stoupající teplotu v hnacím motoru jednoho stroje na výrobu tub. Technici odhalili závadu na jeho chladicím systému a vyřešili ji dříve, než stačilo dojít k poruše, která by zastavila celou výrobní linku. Pruitt odhaduje, že včasný zásah předešel výpadku v délce 192 hodin, což odpovídá výrobě 2,8 milionu tub zubní pasty plus nákladům na nový motor ve výši 12 000 dolarů a dalším souvisejícím nákladům ve výši 27 000 dolarů. Jindy software upozornil pracovníky na strukturální a provozní problémy převodové skříně plnicího stroje, které představovaly vysoké riziko havárie. Technici objednali náhradní převodovku a vyměnili ji.

„Na rozdíl od pravidelných kontrol zařízení dokážou digitální systémy diagnostikovat problémy v časných fázích a umožňují rychlý zásah s minimální dobou odstávek,“ říká Warren Pruitt a nabízí analogii s diabetikem, který při sobě nosí glukometr, než by čekal na kontrolu u lékaře, která by odhalila případné odchylky glykémie. Podle jeho slov by Colgate dokázal podobnou platformu vyvinout vlastními silami, ale trvalo by to řadu let.
Takto moderní technologie pomohly společnosti Colgate zvýšit objem výroby v době, kdy pandemie vyvolala prudký nárůst poptávky. Na základě tohoto úspěchu firma rozšíří platformu Augury na svůj globální dodavatelský řetězec včetně zvířecích krmiv značky Hill a svých výrobních podniků v Indii a Číně. Časem plánuje propojit software Augury s digitálními dvojčaty svých výrobních provozů s cílem optimalizovat strukturu vyráběných produktů v jednotlivých závodech.

Co z toho vyplývá

Implementace nových technologií ve společnostech JLR a Colgate ilustrují, jak se globální firmy mohou vyrovnávat s neočekávanými situacemi. Klíčem je využít ML, IoT a analýzu dat k odstranění prodlev ve zpracování informací, které omezují většinu dodavatelských řetězců, a na základě toho pružně reagovat na výkyvy poptávky.

„Čím dříve získáme určitou informaci, tím rychleji se může dodavatelský řetězec přizpůsobit,“ říká Matt Lekstutis. „To představuje obrovskou příležitost získat konkurenční výhodu.“