撰写者 上午11:27 未分类 •4条评论

三种酷技术

天啊!博客文章, 苹果怎么样,在LinkedIn上引发了很多激烈的讨论。尘土飞扬。为什么?虽然我提倡重新考虑供应链计划,但对于某些顾问而言,唯一的前进途径是采用DDRMP。该建议是广泛的方法。无论我写什么按需计划,响应都是盲目部署DDMRP。注意:DDMRP代表“需求驱动的物料需求计划”,它是由需求驱动研究所(DDI)引入并推动的。

为了解决这个话题,让我离题。上周在Linkedin上有两个关于DDMRP的精彩博客文章。我鼓励读者研究这两个方面:

  • ToolsGroup的Stefan de Kok的DDMRP的优点与缺点。如果你不这样做’跟随斯特凡,你应该。他是库存计划和需求管理方面的杰出思想家。我喜欢斯蒂芬’s quote, “但是,它带来的所有价值(DDMRP)价值都与MRP的价值相比。那就是将门槛设置得非常非常低。就像吹嘘大学数学专业一样,您的数学水平优于三年级学生。与MRP相比,数十年来已经实现了与DDMRP相似甚至更大的价值。“
  • DDMRP–精益和JIT的重新包装 肖恩·斯纳普  。肖恩有勇气仔细检查SAP’的市场主张。 Shaun对在SAP中启动DDMRP进行了辩论。好消息是他有能力和经验做到这一点。 (我佩服Shaun。对SAP的大型营销工具采取逆势方法并不容易。他们讨厌逆势观点。)

我们可以改变讨论吗?

对于所有希望我支持产品和方法论的DDMRP信徒和技术销售人员,我们今天早上可以改变讨论吗?用Stefan的话,我们可以像一群认识到当今大多数情况的大学数学专业一样进行讨论吗?’供应计划的实施不理想?今天’的实现不能作为我们的基准。我知道今天’s的预测不足以推动补货,基于规则的消费将月需求转化为日需求是错误的。我喜欢使用E2open,OM合作伙伴,SAP(现在是SmartOps的IBP 汉娜 )和ToolsGroup中提供的更深入的数学将市场信号由内而外转换为更好的补货信号。 (我认为并非所有这些数学引擎都是平等的。我看到E2open(以前是Terra Technology)和ToolsGroup取得了最大的成功,但是我没有足够的客户参考来判断OM合作伙伴’我也得到DDMRP相信使用订单在操作范围内计算补货缓冲区的事实。他们根据接近基于收到订单的幼稚预测来计算缓冲区。 (以我的简单想法,我认为这是一个预测。)

作为记录,我也喜欢DDMRP计算整个企业中的缓冲区的事实。 (我称这种需求为翻译,市场对此需求的反应一直很缓慢。)认识到这种需求是给行业的一个很好的礼物。我感谢卡罗尔和乍得’在这方面的工作。我对DDMRP的问题是数学的严格性,品牌的误称以及市场承诺的过分夸大。 (我最喜欢的DDMRP技术是Orchestr8。 我喜欢BT’使用该技术来建立缓冲区。 用Brian Dooley的话来说,需要在适合的地方应用DDMRP。与广泛使用的方法相比,需要有选择地使用它。)

因此,我想就旅行中看到的一些有前途的技术进行讨论。对于那些谁’定期阅读我的博客时,关于Lora Cecere有一些事实:

  • 没有人为我的墨水付钱。我发自内心地写。
  • 我热衷于帮助企业领导者,尤其是早期采用者。
  • 我喜欢最好的创新者,尤其是那些对数学深造并且对自己的工作充满热情的创新者。

酷科技

推动供应链创新非常困难。这就是为什么我在技术创新者心中情有独钟。当我坐着喝咖啡时,我正在审查大型系统集成商对客户的反应,这是很糟糕的。特别糟糕。大型系统集成商盲目推荐他们所知道的技术,而不是所有产品。客户正在寻找创新的解决方案,顾问昨天在兜售’的方法。买家当心!

我在旅行中看到的有前途的技术是:

  • ka  在最近 供应链洞察全球峰会, Spairliners 介绍了他们使用Lokad使用概率预测技术提供更好的预测的方法。 Lokad方法假定需求数据不是正态分布。 (偏斜的需求数据是新常态。)该公司使用基于模式的读取方法来基于模式组合数据,并应用概率预测技术来获得更好的结果。在我最近与创始人的晚餐谈话中,他说, “我们的100个客户中有50%将产品用于新产品发布,而较少用于贸易促进管理。贸易促进管理预测远比新产品发布困难。”  对长尾,零星的需求模式,季节性,贸易促销和新产品推出的预测需要更深入的数学。我喜欢洛卡德’使用开源数据库技术进行机器学习(想想在经过修改的类似Apache Spark的体系结构中基于属性的机器建模。)要实现这一目标,图1中概述的变更管理问题非常激烈。

图1.概率预测的变更管理问题

我现在正在与对SAP APO失去耐心的客户一起工作。我建议客户在Retail Velocity的销售点数据存储库之上测试Lokad的使用。客户使用十年的销售点数据。我迫不及待地想看到新产品发布和促销的结果。

  • 密码 令我失望的是,我去CSCMP的旅程中遇到了PINC的Matt Yearling。我们讨论了将无人机与机器学习一起用于仓库中连续周期计数的方法。 密码 是机队和院子管理无人机技术的较早采用者,现在已经进入仓库。尽管RFID实时库存数据的前景已成为业界的理想状态,但仍不可行。业界无法克服在液体和金属上读取标签以及标签总体成本的问题。 密码 方法使用仓库中的无人机来乘架子飞行,并使用机器学习来捕获架子中物品的数量和状况。喜欢这种方法。我已要求Matt在下届数字展示会上分享他的技术方法 供应链洞察全球峰会,我也正在寻找一个案例研究来展示该技术。
  • ThinkIQ 。最近,当我拜访一家食品制造商时,我发现公司花了十天的时间才能确定要召回的批次。食品制造沿袭–跟踪批次和规格–有问题。如果这是您的问题,请考虑使用ThinkIQ。该公司使用物联网(IOT),区块链,开源数据库技术和机器学习来跟踪模式和跟踪产品。我正在写一些使用该技术的客户案例研究。作为在食品行业中扎根的女孩,这种方法颇具吸引力。

结论。

因此,如果您的老板要求您提供当今行业中的三种机器学习和开源技术用例,则将它们连接到Lokad,PINC和Think IQ。我也喜欢Aera,Entertra Solutions和Transvoyant从事认知计算的工作。这些都是非常不同的解决方案,但很有希望。我坚信供应链的未来在于外部流程,更好的数学,云计算,开源和机器学习的交集。

让我知道你的想法。我期待着您的回音!您想分享任何新的创新吗?