Menyelesaikan Gangguan Rantai Pasokan Turun ke Matematika

Kekacauan logistik bukanlah fenomena baru di dunia rantai pasokan, tetapi skala pergolakan yang disebabkan oleh COVID-19 adalah sesuatu yang belum pernah dilihat oleh para pemangku kepentingan:94% dari perusahaan Fortune 1000 mengalami gangguan akibat pandemi, menurut Accenture.

Untungnya, bisnis saat ini memiliki serangkaian teknologi kecerdasan buatan seperti pengoptimalan matematis yang tersedia, untuk membantu memerangi dan mengatasi gangguan rantai pasokan.

Optimalisasi matematis telah lama ditetapkan sebagai teknologi masuk untuk perencanaan dan operasi rantai pasokan. Sejak 1980-an, perusahaan di seluruh dunia bisnis telah menggunakan beragam aplikasi perencanaan siap pakai dan dipesan lebih dahulu, tidak hanya untuk mendorong efisiensi dan profitabilitas yang lebih besar, tetapi juga untuk mengelola dan mengurangi gangguan. Teknologi tersebut telah menjadi alat penting selama bertahun-tahun untuk mendorong kelincahan dan ketahanan rantai pasokan.

Optimalisasi matematika memfasilitasi dua jenis pengambilan keputusan untuk perencana dan pemangku kepentingan utama lainnya:

• Reaktif. Mereka dapat merasakan gangguan secara real time dan meresponsnya dengan cepat dan efektif dengan mengidentifikasi akar penyebab dan mengalokasikan kembali sumber daya secara dinamis, sehingga mengurangi waktu pemulihan.
• Proaktif. Mereka dapat menganalisis risiko rantai pasokan dan mengantisipasi potensi gangguan.

Berikut cara pengoptimalan matematis dapat mendorong pengambilan keputusan reaktif dan proaktif yang optimal, serta mengatasi gangguan rantai pasokan.

Model Tiga Bagian

Setiap aplikasi optimasi matematika pada dasarnya terdiri dari dua elemen:solver (mesin pemecahan masalah berbasis algoritma) dan model (representasi atau kembaran digital dari lingkungan operasi dunia nyata, dengan segala kerumitan dan tantangannya).

Model tersebut dapat merangkum elemen tertentu dari rantai pasokan (seperti pemasok, produksi, logistik, dan operasi gudang), atau dapat mencakup seluruh jaringan ujung ke ujung.

Setiap model terdiri dari tiga bagian:

• Variabel keputusan. Keputusan yang dibuat di berbagai titik di seluruh rantai pasokan;
• Kendala. Aturan bisnis yang harus diikuti;
• Tujuan bisnis. Banyak tujuan bisnis (dan seringkali bertentangan), seperti meminimalkan biaya dan tingkat inventaris, atau memaksimalkan pemanfaatan sumber daya, kinerja pengiriman tepat waktu, dan kepuasan pelanggan.

Saat gangguan terjadi, aplikasi pengoptimalan matematis, karena dibuat berdasarkan model yang memahami dan mewujudkan perilaku rantai pasokan yang sebenarnya, memungkinkan pengguna untuk mencapai:

• Visibilitas. Identifikasi sumber gangguan secara instan, seperti kemacetan kapasitas dan fluktuasi mendadak dalam penawaran dan permintaan;
• Fleksibilitas. Ubah model dengan membuat penyesuaian dan bahkan menambahkan batasan baru, variabel keputusan, dan tujuan bisnis untuk mencerminkan kondisi operasi saat ini di seluruh rantai pasokan;
• Kelincahan. Optimalkan ulang rencana dan jadwal secara dinamis dan otomatis, serta tentukan tindakan terbaik untuk mengatasi gangguan secepat dan seefektif mungkin.

Dengan aplikasi pengoptimalan matematis, perusahaan dapat mempertahankan visibilitas dan kontrol real-time atas jaringan ujung-ke-ujung, sehingga ketika gangguan melanda, mereka dapat dengan mudah menemukan akar masalahnya dan dengan cepat mengambil langkah-langkah yang diperlukan untuk memperbaikinya dan mempertahankan kelangsungan bisnis. .

'Kecerdasan Berkelanjutan'

Pembelajaran mesin, mungkin aspek AI yang paling terkenal, bergantung pada data historis. Sebaliknya, pengoptimalan matematis memanfaatkan data terbaru yang tersedia untuk memberikan analisis preskriptif real-time, atau, sebagaimana Gartner menyebutnya, “kecerdasan berkelanjutan” di seluruh jaringan rantai pasokan.

Saat gangguan rantai pasokan yang parah terjadi, seperti yang terjadi selama pandemi COVID-19, perusahaan tidak dapat bergantung pada data dari masa lalu untuk membantu mengatasi tantangan keuangan dan operasional yang belum pernah terjadi sebelumnya.

Karena mereka menggunakan data dan model terbaru yang tersedia yang menangkap kondisi saat ini di seluruh jaringan operasional, aplikasi pengoptimalan matematis mampu secara otomatis menghasilkan solusi terbaik untuk masalah rantai pasokan saat ini, dan memungkinkan kecerdasan berkelanjutan dan pengambilan keputusan yang optimal.

Menjelajahi Risiko

Bagian penting dari penanganan gangguan rantai pasokan adalah menilai risiko dan merencanakan serta mempersiapkan masa depan. Dengan kemampuan analisis skenario pengoptimalan matematis, perusahaan dapat:

• Jelajahi berbagai penawaran, permintaan, inventaris, kapasitas, makroekonomi, geopolitik, dan skenario bagaimana-jika lainnya, serta mengevaluasi potensi pengaruhnya terhadap bisnis.
• Mengungkap risiko tersembunyi dan mengukur eksposur risiko dan waktu pemulihan jika terjadi gangguan seperti bencana alam, atau gangguan produksi atau transportasi.
• Buka kunci peluang untuk mengurangi risiko dan mendorong peningkatan ketahanan rantai pasokan, dengan mengalokasikan kembali sumber daya atau mengonfigurasi ulang rantai pasokan.

Fungsionalitas analisis skenario optimasi matematika memungkinkan perusahaan untuk melindungi rantai pasokan mereka dari dampak gangguan di masa depan, dengan mengaktifkan keputusan strategis yang proaktif di berbagai bidang, termasuk investasi modal, pemilihan pemasok, perencanaan kapasitas dan inventaris, serta lokasi fasilitas produksi dan gudang.

Selama pandemi COVID-19, kita telah mengalami gelombang gangguan rantai pasokan yang belum pernah terjadi sebelumnya, yang telah menyebabkan kekacauan yang signifikan dan bertahan lama dalam ekonomi global dan menimbulkan tantangan besar bagi para profesional rantai pasokan. Optimalisasi matematis telah membuktikan dirinya sebagai senjata ampuh untuk memerangi gangguan seperti itu, sambil meningkatkan efisiensi dan profitabilitas rantai pasokan. A.I. teknologi akan terus menjadi alat penting bagi para pemimpin rantai pasokan saat mereka menavigasi lanskap bisnis yang terus berubah.

Ed Rothberg adalah salah satu pendiri dan CEO Gurobi.