À medida que as empresas enfrentam as complexidades da logística global, a implementação da IA na cadeia de abastecimento tornou-se um elemento fundamental para aqueles que pretendem manter-se à frente da concorrência. Neste artigo, sublinharemos a importância da IA na cadeia de abastecimento e ofereceremos insights sobre uma história de sucesso que ilustra vividamente os benefícios tangíveis da IA na otimização da gestão da cadeia de abastecimento.  Uma cadeia de suprimentos é toda a rede de indivíduos e organizações que produzem e entregam um produto ou serviço ao consumidor final. Inclui todas as etapas, desde a obtenção da matéria-prima, fabricação e montagem do produto, até o transporte, armazenamento e, por fim, chegar às mãos do cliente.  49% dos entrevistados do setor da cadeia de abastecimento expressaram que as interrupções levaram a dificuldades de planeamento.  44% indicaram desafios devido à pegada na cadeia de abastecimento, o que exigiu que fizessem mudanças durante o ano.  McKinsey  Hoje, esta rede multifacetada enfrenta muitas perturbações, tais como tensões geopolíticas, flutuações económicas, alterações climáticas e regulamentações em evolução. Simultaneamente, os objetivos comuns transcendem os setores, incluindo a satisfação do cliente, a resiliência na otimização de custos e a adaptação. Tanto os desafios como os objetivos exigem soluções inovadoras, com a otimização da cadeia de abastecimento a emergir como um fator crucial para garantir a eficiência.  Breve Visão Geral da Otimização da Cadeia de Suprimentos  A otimização da cadeia de suprimentos (SCO) é um campo complexo dedicado ao gerenciamento do fluxo de bens e serviços desde as matérias-primas até o cliente final da maneira mais eficiente e econômica possível. SCO é o ajuste das operações de uma cadeia de abastecimento que garante que ela esteja no auge da eficiência possível.   Os cinco principais desafios da otimização da cadeia de suprimentos:    prever com precisão a demanda do cliente é crucial para otimizar os níveis de estoque, as possibilidades de transporte e os cronogramas de produção. Previsão de demanda:    Equilibrar o custo de manutenção de estoque com o risco de ruptura de estoque. Gestão de estoque:    Selecionar as rotas mais eficientes e econômicas para o transporte de mercadorias, especialmente com fatores como congestionamento de tráfego e preços de combustível. Otimização de transporte:    Encontrar fornecedores confiáveis que ofereçam preços competitivos e qualidade. Seleção e gestão de fornecedores:    Cooperação eficiente entre todos os intervenientes na cadeia de abastecimento. Colaboração e comunicação:  Para enfrentar esses desafios, a SCO emprega análise de dados, modelagem matemática, algoritmos de otimização, inteligência artificial (IA) e aprendizado de máquina (ML). Essas ferramentas capacitam coletivamente as empresas a navegar com precisão no cenário dinâmico das cadeias de abastecimento globais.  A IA e o ML, em particular, surgem como aliados poderosos na busca pela eficiência da cadeia de abastecimento.  Aproveitar   e os serviços de aprendizado de máquina ajuda a automatizar tarefas, aumentar a precisão das previsões e permitir a tomada de decisões em tempo real, garantindo que as empresas possam permanecer ágeis e responsivas diante das circunstâncias em evolução. o desenvolvimento de IA  Otimizando o gerenciamento da cadeia de suprimentos por meio da integração de IA  A IA desempenha um papel significativo na melhoria da eficiência da cadeia de abastecimento. Pode ser usado em diferentes áreas da gestão da cadeia de suprimentos.   Melhorar a visibilidade e a transparência:  Coleta e análise de dados em tempo real – Fornecendo insights em tempo real sobre níveis de estoque, locais de remessa e possíveis interrupções.  Análise preditiva – a IA pode analisar dados históricos e fatores externos, como previsões meteorológicas ou tendências econômicas, possíveis interrupções e necessidades de manutenção.   Otimizando operações e tomada de decisões:  Gestão de estoques - A IA pode otimizar os níveis de estoque prevendo a demanda, considerando prazos de entrega e padrões de sazonalidade, e minimizando os custos associados ao excesso ou falta de estoques.  Otimização de rotas – algoritmos de IA podem determinar as rotas mais eficientes e econômicas para transporte, considerando fatores como condições de tráfego, consumo de combustível e horários, de forma a encontrar um equilíbrio entre custos de transporte e estoque.  Automação de armazéns - Robôs alimentados por IA podem automatizar tarefas como separação, embalagem e classificação, melhorando a velocidade, a precisão e a eficiência nos armazéns.   Resiliência e gestão de riscos:  Identificação de riscos - A IA pode analisar dados para identificar potenciais perturbações ou vulnerabilidades na cadeia de abastecimento, permitindo que as empresas tomem medidas preventivas para minimizar o seu impacto.  Planeamento de cenários – A IA pode simular vários cenários, como desastres naturais ou crises económicas, ajudando as empresas a desenvolver planos de contingência para garantir a continuidade dos negócios.  Detecção e prevenção de fraudes – A IA pode detectar anomalias em dados de pedidos e transações financeiras, identificando possíveis tentativas de fraude e protegendo as empresas contra perdas financeiras.   Sustentabilidade e experiência do cliente:  Sustentabilidade aprimorada – a IA pode otimizar processos para reduzir resíduos, minimizar o consumo de energia e otimizar o uso de combustível, contribuindo para uma cadeia de abastecimento mais sustentável.  Personalização e customização – A IA pode personalizar a experiência do cliente adaptando recomendações e ofertas de produtos com base nas preferências individuais e no histórico de compras.  Vamos explorar como a IA, em particular, desempenha um papel transformador na remodelação da cadeia de abastecimento no setor retalhista, ilustrada por um caso de utilização real.  Desenvolvendo um Sistema Inteligente de Otimização de Fornecimento  Nosso cliente, fabricante de ferramentas e equipamentos para encanamento com pontos de distribuição em todos os Estados Unidos, precisava de ajuda para otimizar seu processo de fornecimento.  A principal luta resultou das elevadas experiências associadas ao transporte de mercadorias das fábricas na China para os centros de distribuição nos EUA. O cliente mantinha vários armazéns e pontos de vendas em quase todos os estados. Assim, determinar o roteamento ideal representou uma tarefa não trivial.  Além disso, era crucial considerar a cadeia de transporte preferida. Cada produto começa a sua viagem num contentor de transporte a partir de um porto chinês e atravessa o Oceano Pacífico até chegar a um porto nos Estados Unidos, de onde continua a sua viagem num camião até ao armazém designado. Depois disso, o produto aguarda a entrega final no ponto de distribuição pretendido.  O cliente queria ter a seguinte funcionalidade:  especifique os armazéns disponíveis;  identificar pontos de distribuição, alguns derivados automaticamente de dados históricos e outros selecionados manualmente pelo usuário;  crie uma lista de itens junto com suas respectivas quantidades;  tem uma lista de portos marítimos.  Finalmente, o cliente expressou o desejo de poder comparar vários métodos de embalagem de mercadorias em contêineres de transporte, com ou sem paletes. O resultado do problema de otimização deve produzir o cronograma de transporte ideal e as estatísticas de despesas associadas.  Mas antes de nos aprofundarmos nos detalhes do caso de uso, descreveremos rapidamente um conceito matemático fundamental que é usado na solução inteligente.  Programação inteira para eficiência da cadeia de suprimentos  Programação Inteira (Linear) (IP) é uma técnica de otimização matemática usada para encontrar a melhor solução para um problema com relações lineares, considerando que algumas ou todas as variáveis devem assumir valores inteiros (números inteiros). A forma geral de um problema IP é maximizar (ou minimizar) uma função objetivo linear sujeita a um conjunto de restrições lineares, onde algumas ou todas as variáveis de decisão devem ser inteiras.  A função objetivo é uma combinação linear de variáveis de decisão, e as restrições são desigualdades ou igualdades lineares que as variáveis devem satisfazer. A formulação matemática de um problema IP pode ser expressa da seguinte forma:   Os valores x₁, x₂, ..., xₙ são as variáveis de decisão, c₁, c₂, ..., cₙ são coeficientes na função objetivo, aᵢⱼ são coeficientes nas equações de restrição e bᵢ são constantes.  Resolver um problema IP envolve encontrar os valores das variáveis de decisão que otimizam a função objetivo enquanto satisfazem as restrições lineares e o requisito adicional de que as variáveis devem ser inteiras. Problemas de IP são comumente usados em vários campos, incluindo pesquisa operacional, logística, manufatura, finanças e telecomunicações, onde as variáveis de decisão geralmente representam quantidades que devem ser números inteiros.  A Programação Inteira é uma ferramenta valiosa na solução de problemas de otimização da cadeia de suprimentos devido à sua capacidade de modelar processos complexos de tomada de decisão envolvendo variáveis discretas (inteiras).   As formas como a PI pode ser aplicada no contexto da otimização da cadeia de abastecimento:    a IP pode ajudar a determinar os níveis ideais de inventário para diferentes produtos em vários estágios da cadeia de abastecimento, considerando restrições como capacidade de armazenamento, variabilidade da demanda e quantidades de pedidos. Os modelos de IP podem encontrar o melhor equilíbrio entre custos de manutenção e rupturas de estoque. Gestão de inventário:    a IP pode otimizar os cronogramas de produção considerando fatores como capacidades de produção, disponibilidade de matéria-prima e previsões de demanda. O modelo pode ajudar a determinar as quantidades ideais a serem produzidas para cada produto para atender à demanda e, ao mesmo tempo, minimizar os custos. Planejamento de produção:    modelos IP podem ser aplicados para otimizar a estrutura geral da rede da cadeia de suprimentos. Roteamento e agendamento:    modelos IP podem ser aplicados para otimizar a estrutura geral da rede da cadeia de abastecimento. Otimização da rede da cadeia de abastecimento:    os modelos IP podem incorporar dados de previsão da procura para otimizar as decisões de produção e distribuição, ao mesmo tempo que alinham as operações da cadeia de abastecimento à procura prevista do cliente, reduzindo o risco de excesso de stock ou ruptura de stock. Planeamento da procura:  Aprimorando a Logística da Cadeia de Suprimentos – Visão Geral da Solução ELEKS  Para atender às necessidades de nossos clientes, criamos um sistema que aproveita os benefícios da técnica de Programação Inteira, que otimiza cronogramas de fornecimento, rotas e níveis de estoque para cinco tipos de itens: pias de cerâmica, vasos sanitários, bidês, válvulas de gás e misturadores de banheira ( os códigos HS correspondentes são 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080). O sistema compreende três partes (ou páginas) principais: configuração, simulação e análise. Cada um deles será explicado nos parágrafos seguintes.   Para garantir a confidencialidade dos dados e detalhes da aplicação, anonimizámos nomes e localizações reais, criando um protótipo para uma aplicação de demonstração simples que ilustra a eficácia da IA na abordagem aos desafios de otimização.  Página de configuração  O usuário pode selecionar armazéns disponíveis, pontos de distribuição e portos marítimos desejáveis para participar da rota final otimizada. Além disso, o cliente pode especificar as mercadorias desejadas e a respectiva quantidade a ser transportada aos seus clientes. A última coisa é o selecionador de data, caso a entrega seja planejada.  O sistema calculará o estoque restante na data de entrega com base na demanda prevista e alocará as remessas planejadas alinhadas com os resíduos do armazém. Clicar no botão 'otimizar' faz toda a mágica! Define tarefas de otimização e lança sua solução. Após alguns segundos, os resultados podem ser observados nas duas páginas restantes.   Página Simulação (Mapa)  Esta página oferece ao cliente a oportunidade de visualizar uma simulação precisa da solução do modelo proposto. Em discussões anteriores, deliberamos sobre os INCOTERMS adequados para o nosso cliente e chegamos a um consenso sobre o CFR. O cliente pode especificar o número de horas para cada etapa e pressionar o botão correspondente para ver o estado da cadeia de abastecimento neste período de tempo.  Em primeiro lugar, existem cinco tipos de pontos: dois para veículos de transporte (navio e caminhão) e três para portos marítimos (laranja), armazéns (roxo) e pontos de distribuição (verde). O mapa é interativo, ou seja, o usuário pode passar o mouse sobre qualquer ponto ou conexão e ver as informações relacionadas a esse objeto.  Por exemplo, as linhas azuis que conectam armazéns e pontos de distribuição mostram o plano de entrega da última milha e contêm informações sobre quanto cada mercadoria é entregue diariamente. Se o usuário passar o mouse sobre o navio, serão exibidas informações sobre sua capacidade, tipos de contêineres, quantidade carregada de cada mercadoria e rota.   Página de análise  Esta página apresenta todos os dados e estatísticas sobre a solução proposta do modelo. O usuário pode observar o plano de entrega, onde está cada navio e caminhão, sua estimativa de chegada, trajeto e abastecimento. Há também vários gráficos, começando pelo gráfico de pizza com despesas completas e terminando com mapas de calor de custos de entrega entre diferentes portos, armazéns e pontos de distribuição.  Adicionalmente, o cliente pode observar um gráfico de preços por bem para diferentes pontos de distribuição e, com base nesses dados, tomar as decisões de negócio correspondentes.   Métricas de desempenho: solução da ELEKS versus sistema legado do cliente  O próximo desafio foi testar nossa solução em cenários reais e compará-la com a abordagem do cliente. Para este efeito o cliente considerou um período de 1 mês. As principais condições da tarefa (como portos disponíveis, localização e número de armazéns e clusters) são observadas nas ilustrações dos parágrafos anteriores. Como resultado, a solução do nosso modelo foi mais eficaz em relação às despesas operacionais, ao tempo médio de entrega na última milha e à redução do tempo ocioso dos armazéns.  Economia média mensal de custos de 5,76% alcançada pelo cliente e redução de 50% no prazo de entrega para alguns clusters.  Equipe de ciência de dados ELEKS  Os dados indicam que a utilização da nossa solução se mostrou mais vantajosa para o cliente, resultando na redução do preço por item. Este resultado pode ser atribuído a vários fatores, sendo os principais os seguintes:  Distribuição de mercadorias mais inteligente  Rede de entrega mais ideal  Roteamento e armazenamento mais eficientes  Por exemplo, nossa solução apresentava alguns clusters para os quais o modelo sugere entrega na última milha para diferentes mercadorias de armazéns distintos (uma explicação está profundamente na rede de entrega, e nosso modelo identificou essa possibilidade de otimização). A distribuição de mercadorias entre armazéns diferia (principalmente entre armazéns em Washington e Nova York).  À primeira vista as diferenças não são tão significativas, mas o resultado fala por si.   Conclusões  A integração da inteligência artificial (IA) na gestão da cadeia de abastecimento surge como um componente crítico para as empresas que pretendem navegar eficazmente pelas complexidades da logística global. A natureza multifacetada das cadeias de abastecimento modernas, juntamente com desafios como perturbações, tensões geopolíticas e flutuações económicas, exigem soluções inovadoras para alcançar eficiência e resiliência.  A solução apresentada destaca o papel transformador da IA na racionalização das responsabilidades dos gestores da cadeia de abastecimento e demonstra os benefícios tangíveis da IA e da PI na logística da cadeia de abastecimento, apresentando uma poupança média mensal de custos de 5,76% e uma redução de 50% no tempo de entrega para alguns clusters.  Sua adaptabilidade permite ajustes contínuos, oferecendo ao usuário acesso a um estúdio de simulação, onde podem executar diversos cenários envolvendo diversos itens e quantidades, facilitando uma análise comparativa para determinar estratégias ideais para diferentes situações.  Para agendar uma demonstração desta solução transformadora em primeira mão e explorar ainda mais seus recursos,   . entre em contato conosco

2022 - HackerNoon Contributor of the Year - Deep Learning

2022 - HackerNoon Contributor of the Year - Digital Transformation

Realise your software vision with us!

Nominated for 2022 - HackerNoon Contributor of the Year - Digital Transformation

Nominated for 2022 - HackerNoon Contributor of the Year - Deep Learning

GitHub Copilot Review: Does it Really Give a 55% Speed Boost to Development?

A Real-World Case Study on Unleashing AI's Potential: AI in Supply Chain

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Download free Tech Leaders Productivity Report!

Um estudo de caso do mundo real sobre como liberar o potencial da IA: IA na cadeia de suprimentos

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps