5 minuten met Blue Yonder's Hong Mo Yang

Hong Mo Yang, SVP &GM, productiesector, Blue Yonder spreekt met Manufacturing Global over het belang van slimme toeleveringsketens in de maakindustrie

1. Wat betekent het om een ​​slimme toeleveringsketen te hebben en wat is de rol ervan in de productie?

Een slimme toeleveringsketen is er een die technologie gebruikt om de efficiëntie te verhogen, zichzelf te optimaliseren en intelligent te reageren op veranderende vraag en verstoringen. Door bijvoorbeeld kunstmatige intelligentie (AI) en machine learning (ML) te gebruiken om processen te automatiseren, kan de supply chain slimme beslissingen nemen zonder dat menselijke tussenkomst nodig is. Dit kan het bedenken van een plan B zijn om een ​​vertraagde verzending van onderdelen op tijd naar de fabrieksvloer te krijgen of van tevoren aangeven dat een personeelstekort de productie zou kunnen vertragen.

2. Welke betekenis heeft het hebben van een slimme toeleveringsketen voor fabrikanten, welke waarde levert het een organisatie op?

Door technologieën zoals AI en ML toe te passen, kunnen fabrikanten de veranderende vraag bijbenen door hen in staat te stellen problemen te voorspellen voordat ze zich voordoen en door verstoringen te navigeren. Het stelt bedrijven en fabrikanten in staat om het koopgedrag van klanten een stap voor te blijven in plaats van simpelweg te reageren op deze incidenten wanneer ze zich al hebben voorgedaan.

3. Welke rol speelt technologie bij het creëren van een slimme toeleveringsketen?

De pandemie heeft toeleveringsketens over de hele wereld ernstig verstoord, waardoor bedrijven gedwongen worden beslissingen te nemen en op korte termijn te reageren. Machines maken het mogelijk om zo snel en intelligent mogelijk te reageren, bijvoorbeeld door ML te gebruiken om te identificeren waar vertragingen of storingen kunnen optreden. ML kan op een gedetailleerd niveau werken, bijvoorbeeld door individuele ladingen te inspecteren en te voorspellen welke levering een hoog risico op mislukking heeft, waarna algoritmen leveringen kunnen omleiden als er een storing is. Het hele proces kan worden geautomatiseerd, van planning tot uitvoering.

ML kan fabrikanten ook helpen prioriteiten te stellen waar goederen het meest dringend nodig zijn, zodat aan productie- en leveringsverplichtingen kan worden voldaan. Mensen daarentegen hebben vaak dagen nodig om dergelijke beslissingen te nemen en zijn geneigd fouten te maken bij het verwerken van een grote hoeveelheid gegevens en bij strakke deadlines. Machines kunnen met dergelijke zaken emotieloos omgaan en snel de juiste beslissing nemen op basis van gegevens, wat betekent dat de traditionele sequentiële benadering van planning wel eens ten einde kan komen.

4. Wat zijn de drie belangrijkste trends in slimme toeleveringsketens?

De top drie trends zijn AI/ML, digital supply chain twin, en de groeiende vraag naar datawetenschappers om de nieuwe technologieën te ondersteunen. Zoals eerder vermeld, zijn er veel use-cases voor AI/ML in de supply chain. Van het voorspellen van de vraag en het anticiperen op verstoringen tot het optimaliseren van transportroutes, resourceplanning en klantverwerkingsstrategieën, AI/ML wordt op grote schaal geïmplementeerd om efficiëntie en automatisering te stimuleren en meer zichtbaarheid en integratie in het supply chain-netwerk mogelijk te maken.

Om supply chain-leiders te helpen de juiste beslissingen te nemen in de end-to-end supply chain, is een digitale tweeling van cruciaal belang. Door een digitale weergave van de fysieke toeleveringsketen te creëren, kunnen bedrijven de digitale tweeling gebruiken om lokale en wereldwijde beslissingen te nemen, het situationeel bewustzijn te vergroten en de impact van verschillende scenario's met vertrouwen te evalueren. Wat nog belangrijker is, organisaties kunnen anticiperen op de impact van beslissingen op strategische bedrijfsdoelstellingen zoals omzetgroei, margecontrole en klanttevredenheidsdoelstellingen.

En naarmate bedrijven blijven investeren in nieuwe technologieën voor AI/ML, IoT en robotica, in combinatie met de vereisten voor bedrijven om grotere hoeveelheden gegevens over interne en externe bronnen te verzamelen, zal de vraag naar datawetenschappers groeien. Tegenwoordig werken datawetenschappers aan het oplossen van veel uitdagingen, zoals het modelleren van gegevens en het bouwen van plannen om de toeleveringsketen duurzamer te maken, het verbeteren van responstijden en wendbaarheid met meer zichtbaarheid en controle, en het automatiseren van besluitvormingsprocessen met AI/ML en big data om bedrijven in staat stellen slimmere en meer strategische zakelijke beslissingen te nemen.