Problemen in de toeleveringsketen blijven organisaties over de hele wereld en in vrijwel alle sectoren teisteren. Voor sommigen blijkt het gebruik van data- en analysetools een effectieve manier om de uitdagingen aan te gaan.
De verstoringen van de wereldwijde toeleveringsketens als gevolg van de COVID-19-pandemie zijn aanzienlijk geweest. Zoals adviesbureau Deloitte opmerkt, is het vrije verkeer en de werking van mensen, grondstoffen, afgewerkte goederen en fabrieksactiviteiten belemmerd. “Directe toeleveringsketens hebben te maken gehad met uitdagingen, en dat geldt ook voor uitgebreide toeleveringsketenpartners zoals externe en externe leveranciers – de leveranciers van leveranciers”, zegt het bedrijf.
Ondernemingen worden geconfronteerd met meerdere risico’s in hun toeleveringsketens, zegt Deloitte, waaronder kortere productlevenscycli en snel veranderende consumentenvoorkeuren; toenemende volatiliteit en beschikbaarheid van middelen; verhoogde regelgevende handhaving en boetes voor niet-naleving; en veranderende economische landschappen met aanzienlijke consolidatie van leveranciers.
Technologie kan niet elk supply chain-probleem oplossen. Goederen moeten worden geproduceerd en van punt naar punt worden verplaatst. Maar de nieuwste analysetools, aangedreven door machine learning-algoritmen, kunnen bedrijven helpen de vraag effectiever te voorspellen, waardoor ze productie- en verzendactiviteiten kunnen aanpassen.
Hier leest u hoe drie organisaties erin slagen data-analyse te gebruiken om de supply chain-activiteiten te verbeteren.
Verbetering van de activiteiten en relaties met leveranciers
Optimas Solutions, een fabrikant en distributeur van bevestigingsmiddelen, gebruikt data-analyse op drie cruciale gebieden om de activiteiten en relaties met zijn leveranciers en klanten te verbeteren, zegt Mark Korba, vice-president van supply chain en business intelligence bij het bedrijf.
Ten eerste gebruikt Optimas intern data-analyse voor een aantal functies, waaronder materiaalverwerving voor productie; prognoses van productie en klantvraag; het verbeteren van de efficiëntie en nauwkeurigheid bij het bestellen bij leveranciers; en het beheren van de inventaris.
Dit alles heeft Optimas geholpen de totale kosten te beheren en te verlagen door slimmere beslissingen te nemen, “onze toeleveringsketens efficiënter te maken en het algehele cashbeheer te verbeteren”, zegt Korba.
Ten tweede gebruikt Optimas data-analyse om beter samen te werken met zijn zakelijke klanten om de kosten te verlagen en hun voorraden beter te beheren. Analytics helpt het bedrijf ook om vraag en verbruik beter te voorspellen. “Door dit soort analyses uit te kunnen voeren, helpt het consequent om de kosten te verlagen”, zegt Korba.
Tot slot gebruikt Optimas analytics om beter samen te werken met leveranciers. “Door de vraag te begrijpen en te beheren, met name de vraag van individuele klanten, bieden we leveranciers nauwkeurigere prognosegegevens en kunnen we onze bestellingen beter beheren, zodat ze efficiënter voor ons kunnen werken”, zegt Korba.
Het bedrijf gebruikt een platform genaamd Service Optimizer 99+ van ToolsGroup voor vraagplanning, voorraadoptimalisatie en aanvullingsplanning. Het platform integreert goed met Optimas’ NetSuite enterprise resource planning (ERP) suite om supply chain-gegevens te benutten, zegt Korba.
“Vaak beschouwen mensen de toeleveringsketen als één ding en dat is het niet”, zegt Korba. “We beschouwen de toeleveringsketen als de som van verschillende onderdelen van de hele bedrijfsvoering – van het begrijpen van de vraag van de klant tot materiaalbeheer en productie of sourcing en inkoop, tot logistiek en transport, tot voorraadbeheer en geautomatiseerde aanvullingsorders bij Optimas en bij onze locaties van klanten.”
Een sleutel tot succes is het vermogen van alle supply chain-tools die het bedrijf gebruikt om naadloos samen te werken, om klanten te helpen de juiste voorraden te behouden en om kosten, vraag, voorraad, productie en leveranciers beter te beheren. De informatie die door middel van analyses wordt verstrekt, moet financiële problemen zoals cashflow en prijsstelling aan de vraag- en aanbodzijde aanpakken.
“Over het algemeen verbeteren de supply chain-problemen die alle tools hebben – of ze nu samenwerken of afzonderlijk – de efficiëntie, de nauwkeurigheid van het voorraadbeheer van de klant, de relaties met leveranciers, kostenbesparingen en de mogelijkheid om nauwkeuriger en sneller te voorspellen, verbeteren”, zegt Korba. “Gegevensanalyse heeft ons geholpen zichtbaarheid te krijgen in de hele organisatie, zelfs op plaatsen die we ons nooit hadden kunnen voorstellen, zoals een betere nauwkeurigheid met onze cashconversiecyclus, het rangschikken van leveranciersreacties, het analyseren van de tijd tot taak of het evalueren van de capaciteit van zowel onze klanten als Optimas.”
Supply chain-gegevens hoeven zich niet per se op één locatie te bevinden, zegt Korba. “Het is belangrijk om te begrijpen welke systemen of externe services je kunnen helpen bij het verzamelen en analyseren van de gegevens die je nodig hebt, zodat het bruikbare informatie voor het nemen van beslissingen kan worden”, zegt hij.
Het gebruik van prijsindexen voor materialen zoals staal en verpakking of arbeids- en transportkosten is bijvoorbeeld handig om te bepalen wanneer prijsverhogingen nodig zijn. “Betere toegang tot informatie, binnen of buiten de organisatie, zorgt voor betere besluitvorming voor Optimas en onze klanten en leveranciers”, zegt Korba.
Aangezien Optimas ijveriger is geworden in data-analyse, “profiteren onze klanten en leveranciers van duidelijke verbeteringen op een aantal gebieden, waaronder een beter inzicht in de gehele toeleveringsketen”, zegt Korba.
Effectiever de productvraag en voorraadbehoeften voorspellen
CarParts.com, dat auto-onderdelen online verkoopt, gebruikt geavanceerde tools voor gegevensanalyse en machine learning-algoritmen om de productvraag en voorraadbehoeften beter te voorspellen.
“Nieuwe data-analysemogelijkheden stellen ons in staat om nauwkeuriger te zijn bij het voorspellen van de vraag voor elke stad [and] regio van het land”, zegt Stanislav Tatarzuk, vice-president voorraadplanning en -prognose.
Het bedrijf gebruikt modellen die zijn afgeleid van machine learning om erachter te komen waar de voorraad in zijn distributiecentrumnetwerk moet worden geplaatst, waardoor het producten dichter bij de klanten kan krijgen die ze willen en onderdelen sneller kan leveren en tegelijkertijd kan besparen op verzendkosten.
CarParts heeft een platform van Databricks ingezet waarmee het alle gegevens met betrekking tot productorders en inventaris kan centraliseren en analyses op de gegevens kan toepassen. Het maakt ook gebruik van open source-bibliotheken zoals XGBoost en Prophet; een verscheidenheid aan analysetools; en Apache Airflow, een open-source workflowbeheerplatform, voor data-engineering en rapportautomatisering.
Een van de voordelen van het gebruik van analyses om de toeleveringsketen beter te beheren, is verzendoptimalisatie. “De vragen van waar te verzenden en hoe te consolideren in één doos zijn complex”, zegt Tatarzuk. “Door live gegevens van onze verzendpartners en onze magazijnen te gebruiken, kunnen we zo efficiënt mogelijk zijn en tegelijkertijd geavanceerde analyses gebruiken om de verzending van bestellingen van meerdere artikelen te optimaliseren.”
Dat stelt het bedrijf in staat om artikelen sneller bij klanten te krijgen, terwijl de verzendkosten worden verlaagd. Dankzij dit proces kon CarParts aanzienlijke besparingen realiseren, zegt Tatarzuk, hoewel hij geen details gaf.
Een ander voordeel is magazijnoptimalisatie. “In de huidige loonverhogende omgeving kunnen besparen op arbeidskosten en verzendtijd is een absolute must”, zegt Tatarzuk. “We creëren modellen om de voorraad op de juiste manier in onze distributiecentra te plaatsen, om pick- en opslagtijd te verminderen en tegelijkertijd clusters met hoge dichtheid te creëren die de picksnelheden verkorten.”
Gegevensanalyse heeft het bedrijf geholpen om te gaan met de verstoringen in de toeleveringsketens als gevolg van de pandemie, door veranderingen in de vraag en langere doorlooptijden in de vroege stadia van de toeleveringsketencrisis te zien en sneller te reageren dan zijn concurrenten.
Ondersteuning van een steeds complexere toeleveringsketen
Wereldwijde technologieleverancier Lenovo heeft de uitdagingen van zijn wereldwijde toeleveringsketen als gevolg van de pandemie aangepakt door gebruik te maken van geavanceerde prognosetechnologie en data-analyse, zegt Arthur Hu, senior vice president en CIO.
De supply chain van Lenovo was ooit voornamelijk gericht op logistiek, informatiestroom en bedrijfsstroom, zegt Hu. Maar de transformatie van het bedrijf naar een full-service technologieprovider “heeft ertoe geleid dat onze toeleveringsketen, ooit voornamelijk gericht op apparaten, steeds complexer is geworden, met meer gediversifieerde klanteisen, complexere producten en de behoefte aan efficiëntere en flexibelere operaties en dienst”, zegt hij.
Het afgelopen jaar heeft het supply chain-team samengewerkt met 2.000 leveranciers om meer dan 130 miljoen Lenovo-apparaten te leveren.
Gezien de verschuiving besloot het supply chain-team van het bedrijf om zijn activiteiten te vernieuwen door een “intelligente transformatie” -aanpak te volgen. “Een multifunctioneel team werkte eraan om Lenovo’s supply chain-activiteiten om te zetten in een datagestuurd, intelligent ecosysteem”, zegt Hu. “Het nieuwe systeem biedt realtime gegevens, intelligente analyses en ondersteuning bij het nemen van beslissingen, waardoor onze bedrijven hun beloften aan klanten effectiever en efficiënter dan ooit kunnen nakomen.”
Het bedrijf bouwde een Cost Forecasting Engine (CFE)-systeem om snellere en nauwkeurigere voorspellingen te kunnen doen voor inkoop-, productie- en verkoopkosten in alle supply chain-activiteiten.
Door het systeem te gebruiken in combinatie met lineaire regressie en XGBoost (eXtreme Gradient Boosting), een open-source softwarebibliotheek die fungeert als een machine learning-algoritme, kunnen de managers van Lenovo de maximum- en minimumdrempel bepalen om extremen te vermijden die de nauwkeurigheid van de kosten beïnvloeden.
De technologie kan kostenvergelijkingen maken om de impact van maandelijkse kostenschommelingen voor hardwarecomponenten te verminderen, en een basis bieden voor managers om zakelijke strategische beslissingen te nemen, zegt Hu.
De CFE ondersteunt nu inkoop- en productiekostenprognoses voor meer dan 70% van Lenovo’s gehele wereldwijde supply chain, zegt Hu, en cost-of-sale-prognoses voor meer dan 90% van de supply chain. Vergeleken met handmatig kostenbeheer is de efficiëntie van de prognose van de cycluskosten met ongeveer 12% verbeterd. De kostennauwkeurigheid blijft ongeveer 95%, zegt hij.
