AI/ML i leveranskedjan: 45 % minskning av antalet leveransstörningar

Innowise har utökat kundens befintliga leveranskedja-kapacitet med DSaaS för att prognostisera leveransvillkor för material och minska kundens churn-hastighet.

Kund

Industri

Elektronik, tillverkning

Region

Kund sedan

2022

Vår kund är en tillverkare av elektroniska enheter och komponenter för dem, inklusive mobiltelefoner, TV-fjärrkontroller, DVD- och CD-spelare, digitalkameror och andra.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning: inför missade leveransfrister och fel i strategisk resursplanering

Att säkerställa ett väl fungerande nätverk av leverantörer är avgörande för att garantera snabba orderleveranser. Vår kund har redan optimerat leveranskedjans prestanda för att maximera lönsamheten genom att minska riskerna för fluktuerande efterfrågan, ineffektiv verksamhet och volatila materialpriser. Dessutom genomförde de rigorös planering och schemaläggning, omfattande lagerstyrningssystem och kontinuerlig övervakning för kvalitetssäkring.

Ändå stod vår kund fortfarande inför missade leveransfrister och fel i strategisk resursplanering. För förbättrad noggrannhet och förutsägbarhet i operativ prestanda ville de ha en avancerad DS & ML-baserad lösning för att samla in och analysera stora datamängder och göra realistiska förutsägelser om leveransvillkor.

Lösning: DS och MLOps webbutvidgning för att förutsäga leveranser och förhindra leveransförseningar

Eftersom vår kund tillverkar komplexa digitala enheter som består av många delar (motstånd, induktorer, kondensatorer, transistorer, dioder, osv), kräver de stabila, hanterbara försörjningskedjor med vissa beräknade risker. De ville ha en bred översikt över alla tidigare interaktioner med partners, bemyndigade av ML-kapacitet att smälta och förutsäga framtida leveranser och förhindra förseningar eller avbrott i leveranser.

Baserat på det föreslog Innowise att bygga en smart kontraktsanalysplattform som inkluderar DS och MLOps för att förvandla rådata till handlingsbara insikter. Vårt projektteam utnyttjade dessa tekniker fullt ut och implementerade AI/ML i leveranskedjan för att skydda upphandlingsprocesser och lindra negativa effekter.

Datapipelining

När cheferna fyller i all information om vissa partners (behov av material, leveranstider, lagerlager osv), producerar vår plattform förutsägelser baserade på datapipelines. Således implementerade vi djup dataanalys för att fånga datadrift och avdelningsdivergens. I huvudsak skapar varje steg i cykeln en utgång som utgör grunden för efterföljande transformationer, vilket resulterar i ett kontinuerligt flöde tills varje steg är slutfört. Vid behov genomförs flera processer parallellt för att maximera effektiviteten.

Modelleringslager

Vi utvecklade en maskininlärningsplattform som uppskattar avgörande faktorer som påverkar upphandlingsprocessens effektivitet. Vårt team skapade ett logiskt lager som samlar data i liknande kohorter och tränar modeller för varje grupp. Dessutom införlivade vi ett förklaringslager för att hjälpa en slutanvändare att validera modellbeteende och bättre förstå uppskattning.

Enkelt uttryckt kan lösningens flöde beskrivas på följande sätt. Användare matar in alla uppgifter om specifika leverantörer som kontrakts ID, nödvändiga material, beställnings-/leveransdatum, nuvarande framsteg och eventuell hjälpinformation. Sedan, baserat på ML i leverantörskedjealgoritmer, analyserar plattformen indikerade data och förutsäger upphandlingsdatum, med tanke på historien om tidigare interaktioner, leverantörens tillförlitlighet och externa risker. Prediktiv analys kan till exempel indikera när leverantörens lagernivåer är låga eller när försenade leveranser sannolikt kommer att orsaka betydande problem i framtiden.

Teknik

Back-end

TypeScript, Node.js, Nest, TypeORM

Front-end

TypeScript, React, Next.JS, MobX, MUI

Maskininlärning

Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow

Datavetenskap

Pandas, Matplotlib, Plotly, Numpy

Databaser

PostgreSQL

AQA, handbok

Process

I det första steget klargjorde och omdefinierade våra specialister kundens mål eftersom det ursprungliga förslaget hade många problem när det gäller genomförbarhet och slutanvändning. Under hela utvecklingsprocessen tillämpade våra specialister ytterligare AutoML-metoder för att öka modellleveransfrekvensen. Eftersom vår modell fick fler prover som liknar de senaste, implementerade vi en anpassad resamplingsteknik som minskade datadrifteffekten.

Vårt projektteam arbetade med Scrum-metoden med sprint varje vecka och vardagliga möten. Projektledaren höll kontakten med kunden och tog hänsyn till förändringar i omfattningen. Alla uppgifter spårades i Jira, med PM tilldela jobb och övervaka övergripande prestanda.

För närvarande är projektet aktivt, med vårt team som arbetar med att förbättra output prediction och integrera ML leveranskedja-moduler.

Team

Projektledare

Affärsanalytiker

Front-end-utvecklare

Back-end utvecklare

ML Ingenjörer

UI/UX-designer

QA-ingenjör

Resultat: förutsägbara ML leveranskedja-moduler med 630% lägre risk för produktionsstopp

Innowise berikade kundens ML-kapacitet i leveranskedjan med en dsaas-förlängning för att förutsäga Leveransvillkor. Tack vare ML- och DS-algoritmer som tar hänsyn till de många variablerna i ett komplext leveranskedjesystem kan kunden nu kontinuerligt övervaka potentiella upphandlingsproblem och planera leveranser mer noggrant, vilket förhindrar informationssilor. Tack vare den nya lösningen hanterar kunden tryggt leveranskedjeprocesser utan att oroa sig för oförutsedda komplikationer eller driftsförseningar. Dessutom, tack vare maskininlärning i leveranskedjan, kan vår kund nu fatta välgrundade beslut som bidrar till operativ excellens och ökade intäkter över digitala försäljningsställen.

Projektets löptid

Oktober 2022 - Pågående

45%

minskning av störda leveranser

630%

lägre risk för produktionsstopp

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.