Loading

Module 1: Introduzione a Modelling e Analytics in Supply Networks

Note di Apprendimento
Study Reminders
Support
Text Version

Introduzione a Analytics in Supply Chain

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Buon pomeriggio, vi diamo il benvenuto al nostro modulo quattro, che si occupa dell'introduzione all'analytics nella supply chain del nostro corso “ Modelling and Analytics for Supply Chain Management ". Oggi copriremo i seguenti ampi concetti che coprono quello che è l'analytics? Categoria di tecniche di analytics, supply chain analytics in ogni categoria; poi faremo qualcosa con quali sono i big data? Discuteremo delle caratteristiche dei big data. E poi, passeremo un po' di tempo su come i big data possono essere sfruttati nella gestione della supply chain. Ora arrivando a questo argomento su cosa è l'analytics? Vorrei dire che analytics è la scoperta e la comunicazione di pattern significativi nei dati. Soprattutto l'analytics è prezioso nelle aree in cui ci sono dati registrati e informazioni e per analizzare queste informazioni per analizzare questi dati, potremmo richiedere un'estesa quantità di calcolo. Analytics si basa fondamentalmente sull'applicazione simultanea di statistiche, programmazione informatica, strumenti di analisi e la matematica delle operazioni di ricerca per quantificare e valutare le prestazioni. Ora, perché questo background di analytics è necessario? Perché la supply chain analytics si basa principalmente sull'analisi dei dati di cui avevamo discusso, che vengono raccolti in diverse fasi della supply chain? E scopriremo certe verità nascoste con un tale tipo di analisi. Allora, la supply chain analytics quando parliamo di dobbiamo sapere prima cosa è l'analytics? Quali sono i diversi tipi di analytics in uso e come può essere sfruttato per migliorare le prestazioni della supply chain? Analytics non è solo crunching dei numeri. Include anche la capacità di presentazione delle informazioni perché una foto è ciò che più di parole, decision maker, fondamentalmente vogliono grafica, dashboard, schede di calcolo e visualizzazione dei dati da utilizzare per comunicare eventuali approfondimenti ottenuti dall'analisi di questi dati. Le aziende, sostanzialmente applicano analytics ai dati aziendali per descrivere, prevedere e migliorare le prestazioni. Analytics utilizza modelli descrittivi, predittivi e prescrittivi per acquisire preziose conoscenze dai dati. Mentre allo stesso tempo utilizza questa intuizione per consigliare azione o per orientare il processo decisionale aziendale. Ora, potreste chiedere, “ Qual è la differenza tra modelli descrittivi, predittivi e prescrittivi? ” di cui discuteremo subito dopo qualche volta. Analytics spesso richiede un esteso calcolo dei big data e applica diversi algoritmi e software per l'ottimizzazione. Analytics non è solo uno strumento focalizzato su singoli passi di analisi o di analisi. Analytics è tutto sulla metodologia complessiva con un focus sulle decisioni aziendali come obiettivo finale e questo definisce sostanzialmente il successo in qualsiasi azienda intraprende. Quindi ora, avendo capito - „ cosa è l'analytics? "; c'è bisogno di capire prima il significato del termine supply chain analytics perché c'è molta confusione su questa particolare filiera della supply chain analytics. La gente davvero non capisce qual è il ruolo degli analytics nella supply chain? E lo confondono con la comprensione generale di Supply Chain Management, mentre è davvero necessario capire, qual è la gestione della supply chain per applicare analytics per una migliore presa decisionale? Ma la supply chain analytics è qualcosa di diverso da soggetto tipico come la gestione della supply chain. Supply Chain analytics si concentra fondamentalmente sull'utilizzo delle tecniche analitiche e della tecnologia dell'informazione per prendere decisioni migliori legate al flusso di materiale, denaro e informazioni nella supply chain. Supply Chain Management abbiamo sostanzialmente discusso che si tratta di gestione di flussi, flussi, flussi bidirezionali di denaro materiale e informazioni per esaudire una richiesta del cliente al minor costo possibile. Ma per partecipare a quel particolare obiettivo di bilanciare l'offerta e la domanda e gestire questo flusso bidirezionale, occorre utilizzare tecniche analitiche. Dobbiamo analizzare i dati raccolti in ogni fase. Quindi, la supply chain analytics è un insieme di approcci che consiste in tutte queste statistiche, ricerche di operazioni, metodologie per prendere decisioni che meglio corrispondono all'offerta con la domanda e la supply chain analytics contribuiscono direttamente alla linea di fondo abbassando, sourcing, trasporto, stoccaggio, stock out e smaltimento. Questo è tutto sulla supply chain analytics. E questo tema è diventato più popolare con l'avvento dei sistemi di pianificazione delle risorse aziendali ERP nell'anno 1990. E più recentemente, con l'avvento dei big data e delle applicazioni correlate, la supply chain è diventata ampiamente popolare ed è ampiamente utilizzata in varie multinazionali e anche nelle organizzazioni domestiche per migliorare la loro linea di fondo e altri indicatori di performance delle persone. Quindi, quando si parla della categoria delle tecniche di analytics, abbiamo già accennato che l'analytics si occupa fondamentalmente di tre classi di tecniche. Uno è analitico descrittivo, numero due analytics predittivi e numero tre analytics prescrittivi. Ora, potreste chiedermelo, quindi quali sono le differenze tra tutte queste tre tecniche? Quindi, iniziamo con l'analisi descrittiva. L'analisi descrittiva è una scienza che descrive i dati passati e scopri cosa è accaduto. Questo significa che stiamo cercando di scoprire modelli nascosti nella ricchezza dei dati che si accumulano nella nostra banca dati aziendale o aziendale, ok. Enorme quantità di dati a causa delle operazioni di elaborazione delle transazioni, molti dati sono stati accumulati nel corso degli anni e per lo più organizzazioni, si sono utilizzati per prendere decisioni basate su determinati report e tipo MIS di applicazioni tipiche del sistema informativo di gestione. Ma quando si parla di analytics, siamo sostanzialmente interessati a scoprire modelli o tendenze di quei dati. Quindi, coinvolge la sintesi dei dati, la visualizzazione dei dati e l'analisi basata su query per approfondimenti actionable perché vedere non c'è il punto di sintetizzare i dati, produrre moltissime relazioni e guardare a quei report fino a quando e a meno che come manager, siamo in grado di intraprendere azioni in base alle intuizioni che otteniamo dai dati. Questo tipo di applicazione di tecniche non ha significato. Quindi, l'analisi descrittiva si occupa di creazione di report e dashboard di business per le decisioni aziendali efficaci e i dashboard di business vi diranno dove le prestazioni sono in ritardo, cosa bisogna fare? Quindi, in base a ciò, le azioni possono essere prese dai manager. Descrittivi descrittivi quando si parla di allora si parla fondamentalmente anche di analizzare informazioni in tempo reale. Un'informazione in tempo reale sulla posizione e sulle quantità di merci nella catena di fornitura fornisce ai gestori strumenti per effettuare l'adeguamento alle pianificazioni di consegna, immettere ordini di rifornimento, inserire ordini di emergenza e cambiare modalità di trasporto, e così via. Si tratta di applicazioni tipiche di analytics descrittivi. Ora, ogni volta che parliamo di analytics analytics, dobbiamo anche sapere da dove ricaviamo questi dati. Quindi, le fonti di dati tradizionali includono Global Positioning Systems come dicono i dati GPS, che ora sono questi sistemi GPS sono ora integrati all'interno dei camion. Così, i dati GPS si possono trovare sulla posizione di camion e navi che contengono scorte di materiali. Dati identificativi di radiofrequenza provenienti dai tag passivi incorporati in pallet anche a livello di prodotto. E anche analytics analytics parla o si occupa di analizzare i dati delle transazioni che coinvolgono i codici a barre. Così, nell'analitica descrittiva, le informazioni derivano dal vasto numero di dati raccolti dalle fonti che abbiamo appena citato e questa analisi viene fatta attraverso la visualizzazione dei dati, spesso con l'ausilio di sistemi di mappatura geospaziale. RFID è un miglioramento significativo rispetto ai codici a barre perché non richiede linea diretta di vista. E attraverso RFID i nostri record di inventario sono molto più accurati rispetto a quello che era negli anni di yester. I record di inventario accurati sono critici nelle catene di approvvigionamento in quanto attivano ordini periodici di rifornimento e ordini di emergenza quando i livelli di inventario sono troppo bassi. Ora, facciamo conoscere un po' quello che è l'analitica descrittiva? Proviamo a scoprire cosa c'è nell'analitica predittiva? Predictive Analytics si occupa principalmente di prevedere la probabilità o la possibilità di ricorrenza di un evento futuro. Quindi, mentre l'analitica descrittiva si occupa di cosa è accaduto? Gli analytics predittivi si occuperanno di quello che accadrà o cosa accadrà? L'analitica predittiva nelle catene di fornitura deriva una previsione della domanda dai dati passati. E risposte domande come quello che accadrà in futuro? Quindi, c'è la differenza. L'analitica descrittiva si occupa di quello che è già accaduto e analytics predittivo vi dirà cosa accadrà in futuro. Quindi, gli analytics predittivi possono rivelare relazioni che non erano note in precedenza ok. L'analitica prescrittiva trova soluzioni ottimali ai problemi. Quindi, fondamentalmente, l'analitica prescrittiva nella supply chain deriva raccomandazioni di decisione basate su modelli di analytics descrittivi e predittivi e come tecniche di ottimizzazione matematica. Quindi, ci si trova alquanto a differenza tra analytics descrittivi e predittivi con analytics prescrittivi. L'analitica prescrittiva è un'area in cui c'è un'estesa applicazione di modelli di ricerca di statistica e di operazioni per trovare soluzioni ottimali e la base di analytics prescrittivi dipende fondamentalmente da queste tecniche da applicare dopo che visualizziamo i dati e filtriamo i dati attraverso l'analitica descrittiva, ottenendo anche qualche intuizione dall'analitica predittiva. Quindi, l'analitica prescrittiva è alquanto a livello superiore, sostanzialmente trattando con tecniche di ottimizzazione. Risponde alla domanda di quello che dovrebbe accadere. Così l'analitica descrittiva parla praticamente di quello che è accaduto. L'analytics predittivo vi spiegherà in sostanza cosa succederà e gli analytics prescrittivi vi diranno in sostanza cosa dovrebbe accadere. Probabilmente la mole di ricerca accademica in software o in qualsiasi altra pratica, in particolare nella supply chain analytics, si concentra su analytics prescrittivi. Molti lavori sono attualmente in corso di attività nell'ambito di analytics prescrittivi nel contesto delle reti di fornitura. Ora, vorremmo affrontare qualche cosa, poco su quali sono i big data? Ora, come per Thomas Devonport quando si parla di big data, contiene le seguenti caratteristiche. È composto da tre V' s – Volume, varietà e velocità. Volume, perché i dati sono enormi in dimensioni e molto difficili da adattare in un unico server ed è un dato continuo, flussi di dati che scorrono. Quindi i dati crescono in modo esponenziale nelle dimensioni. Perlopiù i dati sono non strutturati o a midst dati semi strutturati e difficili da adattare in un database regolare. Quindi, si tratta di volume e velocità. Si sa costantemente, stiamo raccogliendo dati e varietà arrivano in termini di diversa struttura. Quindi, in ambiente di big data, i dati scorrono continuamente per inserirti in un database statico o dire data mart o data warehouse qualunque cosa si possa dire. E l'aspetto più importante rispetto ai big data è la mancanza di struttura e non le dimensioni. Il punto è che dobbiamo analizzare questi dati e convertire questi dati in approfondimenti, innovazione e valore aziendale. C'è la sfida dei big data nel contesto della supply chain analytics. Ora, potremmo chiedere a – “ quali sono le fonti di questo big data nelle catene di fornitura ”. Se analizziamo i dati che vengono generati tramite dispositivi, come dire, i dati generati al punto vendita, punto vendita dati, RFID, dati GPS e tutti questi dati sono dati non strutturati, fonti di dati non strutturate, ad esempio i clickstream digitali, le calzature di fotocamera e di sorveglianza, l'immaginario, i post sui social media, il blog e le voci wiki così come le discussioni del forum. Altre fonti di big data nelle catene di fornitura in sostanza, possiamo citare i dati in tempo reale generati attraverso tecnologie di networking avanzate, come sensori, tag e tracce e altri dispositivi smart. Tutti questi sono sostanzialmente abilitanti per la fine dell'offerta e della visibilità della domanda che porta alla riduzione dei costi e all'aumento della disponibilità di prodotto. Quindi, analizziamo le sorgenti di dati big supply chain se il tipo di dati è delle vendite della natura, dati di vendita. Ora, abbiamo detto che principalmente ci sono tre caratteristiche legate al grande volume dei dati, alla velocità e alla varietà. Ora, i big data rispetto alle vendite normalmente generano due punti vendita di vendite e altri quello che avevo citato. Ora, quando si guarda al volume dei dati, otteniamo informazioni più dettagliate relative al prezzo, alla quantità, quali sono i diversi articoli che sono stati venduti? In quale momento del giorno, e quale data, quale cliente lo ha acquistato, tutti questi dati, tutte queste informazioni vengono accumulate in un tipo di dati di vendita in big data. Ora, parlerò di velocità. In passato abbiamo usato solo dati mensili o dati settimanali di vendita. Ma oggi, con l'aiuto di questi big data, possiamo arrivare da mensile e settimanalmente a orari e orari anche su base minuto. Possiamo ottenere tutte queste informazioni relative alle vendite. E se parliamo di varietà, vendite dirette, vendite di distributore, vendite internet, vendite internazionali, vendite di concorrenti, si accumulano tutti questi diversi tipi di dati. Possono essere analizzati per ottenere intuizioni. Se parliamo di tipo di dati di consumo, otteniamo maggiori dettagli corrispondenti agli elementi sfogliati dal consumatore. Quali sono gli articoli che hanno acquistato dal consumatore? A quale frequenza il cliente sta acquistando? Qual è il valore del dollaro? A che ora? Tutte queste informazioni possiamo ottenere quando parliamo di volume. Rispetto alla velocità l'ambito viene da click attraverso l'utilizzo della scheda. E quando parliamo di varietà possiamo praticamente citare l'identificazione shopper, il rilevamento delle emozioni, i like, i tweet e le recensioni di prodotto, tutto questo. Torniamo ai dati di inventario. Analizzando il volume dei dati, possiamo avere accesso a dati di inventario perpetuo su base continua, perpetuo inventario per stile, colore, dimensione del prodotto. E qui anche dagli aggiornamenti mensili agli aggiornamenti orari. Varietà, possiamo avere accesso ai dati di magazzino dei magazzini, archiviare l'inventario, i dati dei negozi internet, gli inventari del fornitore, tutti questi per quanto riguarda la posizione e il tipo di informazione. Abbiamo i dati del sensore per rilevare la posizione, meglio il controllo dell'inventario, la velocità, gli aggiornamenti frequenti all'interno del negozio e del transito e della varietà. Non solo dove ma che cosa la sua stretta, che ha spostato i dati, attraverso la quale parte ha spostato i dati, qual è il percorso futuro? Anche tutte le prove del dispositivo mobile possono essere catturate. Opportunità di miglioramento dai big data risiedono nell'area di previsione della domanda dove i dati basati su sensori in tempo reale sono legati agli algoritmi di machine learning. Abbiamo barcode al checkout e i chip RFID Wal-Mart sono già esistiti quel tipo di facilitazione e consente una risposta in tempo reale. Abbiamo dati di magazzino e dati di posizione. Possiamo migliorare tutti questi attraverso i big data. Opportunità di miglioramento dai big data nella valutazione e selezione dei fornitori. Ed è probabilmente la funzione di supply chain più ricercata. La selezione della modalità di trasporto è anche un'altra area di applicazione dove è stato ottenuto un notevole miglioramento dai big data. I big data, nell'ambito della supply chain analytics, sono stati utilizzati diffusamente per la pianificazione di magazzino, la progettazione di layout di struttura, per il nuovo sviluppo del prodotto, per minimizzare le incertezze ambientali, il design delle rotte dei veicoli per ridurre gli effetti negativi delle emissioni di carbonio, migliorare gli sforzi di soccorso e così via. E oggi la ricerca accademica o anche la ricerca nel settore è lì in corso per l'utilizzo dei big data e delle analitiche predittive per il miglioramento della previsione della previsione sotto incertezze soprattutto in una situazione di lettura regia. Miglioramento delle prestazioni collaborative tra i partner nella rete di approvvigionamento, miglioramento della qualità del prodotto ed eliminare i difetti. E i big data vengono utilizzati anche in miglioramento dell'agilità della supply chain; abbiamo parlato di “ cosa è la filiera agile? ” perché l'agile supply chain guard contro l'interruzione della fornitura. Inoltre, anche quelle catene di fornitura sono rispondenti alle esigenze del cliente. Il miglioramento dell'adattabilità e dell'allineamento della catena di approvvigionamento in particolare dei big data è attualmente utilizzato nell'allineamento delle strategie delle diverse entità. Sono o addirittura strategie funzionali, sono tutte ormai diventate coerenti tra loro perché in qualsiasi filiera abbiamo accennato che l'obiettivo è sostanzialmente quello di migliorare la redditività complessiva della supply chain, per massimizzare il valore della supply chain generato o quello che viene chiamato anche surplus catena di approvvigionamento. In questo contesto, tutte le funzioni all'interno di un'organizzazione che è sostanzialmente in intra - organizzazione. E anche le diverse organizzazioni o i soggetti della filiera devono avere strategie coerenti in modo che la redditività complessiva della supply chain possa essere massimizzata, questa anche nota come supply chain fit. E questo può essere raggiunto anche analizzando Big Data, che dove qualcuno "s strategy o qualcuno" s key performance indicator non è allineato con il resto della catena. Ora, l'ultima cosa che dobbiamo sapere in questa particolare sessione è che stiamo parlando di supply chain analytics; abbiamo appena capito o ottenuto qualche esposizione di ciò che intendiamo per supply chain analytics ma perché la supply chain analytics non è esteticamente utilizzata in ogni organizzazione? Sì, si usa, ma non nella misura in cui avrebbe dovuto essere utilizzato. Quindi, ci sono certi fattori di successo per guadagnare vantaggi competitivi attraverso l'analytics. Cinque o sei di loro hanno bisogno di menzione. Prima di tutto, in qualsiasi organizzazione, se devono applicare la supply chain analytics in maniera molto riuscita, il supporto della gestione superiore in parola e depresso per creare una cultura analytics è assolutamente essenziale. Il mandato superiore è molto necessario per stabilire una cultura analitica in qualsiasi organizzazione. I professionisti Analytics devono essere in grado di sviluppare e implementare modelli semplici, in modo da spiegare le intuizioni e le tecniche in termini che chiunque nell'organizzazione possa comprendere. Non ha senso sviluppare un modello complesso, che la gente non capisce. Perché si può ottenere solo buy-in sviluppando modelli semplici, i cui risultati possono essere spiegati a chiunque nell'organizzazione in modo comprensibile da lui. A volte può essere curioso di sapere che attraverso quale tecnica o quali sono le basi per arrivare a questi risultati? I modelli semplici aiuteranno i professionisti dell'analytics a spiegare loro che come hanno ottenuto tali approfondimenti e che è molto importante per il successo della supply chain analytics. Poi, una fine completa e approfondita per terminare la comprensione dei processi di business chiave e il loro effetto sulla linea di fondo è fondamentale per il successo della supply chain analytics. E d'altronde l'organizzazione dovrebbe avere fiducia su questi numeri generati attraverso modelli e tecniche analitiche. E le organizzazioni richiedono il giusto tipo di infrastrutture e meccanismi che aiuteranno i professionisti analitici o tutti i professionisti impegnati in quest' area a sviluppare conoscenze di dominio. I professionisti di Analytics dovrebbero acquisire un'adeguata esposizione e conoscenza ad intricacie di funzioni aziendali come la gestione dell'offerta, nota anche come acquisti, distribuzione, marketing e vendite, per un'applicazione di successo della supply chain analytics e ottenendo vantaggio competitivo. Le aziende, prima di tutto, devono cercare di ridurre il tempo necessario per identificare un problema o opportunità di supply chain, eseguire l'analisi appropriata e trasformare le intuizioni in azione attraverso un tempo di approfondimento più breve che racchiude ogni aspetto di Supply Chain Management. Grazie per oggi e ci incontreremo la prossima volta.