Optimasi Matematis: Kunci Rantai Pasokan yang Tangguh

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

Beruntungnya, bisnis saat ini memiliki berbagai macam teknologi buatan kecerdasan seperti optimasi matematis di tangan mereka, untuk membantu melawan dan mengatasi gangguan rantai pasokan.

Optimasi matematis lama dipertandatangani sebagai teknologi utama perencanaan dan operasi rantai pasokan. Sejak tahun 1980-an, perusahaan di seluruh dunia bisnis telah menggunakan berbagai macam aplikasi perencanaan off-the-shelf dan kustom, tidak hanya untuk menghasilkan efisiensi dan keuntungan yang lebih besar, tetapi juga untuk mengelola dan mengurangi gangguan. Teknologi semacam ini telah menjadi alat yang penting selama bertahun-tahun untuk mendorong kelincahan dan ketangguhan rantai pasokan.

Optimasi matematis memfasilitasi dua jenis pengambilan keputusan perencana dan pemangku kepentingan kunci lainnya:

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

Inilah cara optimasi matematis dapat mendorong pengambilan keputusan reaktif dan proaktif yang optimal, dan mengatasi gangguan rantai pasokan.

Model Tiga Bagian

Setiap aplikasi optimasi matematis pada dasarnya terdiri dari dua elemen: solver (mesin pemecahan masalah berbasis algoritma) dan model (representasi atau twin digital dari lingkungan operasi dunia nyata, dengan semua kompleksitas dan tantangannya).

Model dapat mencakup elemen spesifik 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 (dan sering bertentangan) tujuan bisnis, seperti meminimalkan biaya dan tingkat inventori, atau memaksimalkan pemanfaatan sumber daya, kinerja pengiriman tepat waktu dan kepuasan pelanggan.

Saat gangguan terjadi, aplikasi optimasi matematis, karena dibangun pada model yang memahami dan mengedocari bagaimana rantai pasokan sebenarnya berperilaku, memungkinkan pengguna untuk mencapai:

• Visibilitas. Segera mengidentifikasi sumber gangguan, seperti bottleneck kapasitas dan fluktuasi tiba-tiba dalam pasokan dan permintaan;
• Fleksibilitas. Memodifikasi model dengan menyesuaikan dan bahkan menambahkan kendala baru, variabel keputusan dan tujuan bisnis untuk mencerminkan kondisi operasi saat ini di seluruh rantai pasokan;
• Kelincahan. Secara dinamis dan otomatis mengoptimalkan ulang rencana dan jadwal, dan menentukan langkah terbaik untuk menyelesaikan gangguan secepat dan setefat mungkin.

Dengan aplikasi optimasi matematis, perusahaan dapat mempertahankan visibilitas dan kontrol real-time atas jaringan ujung ke ujung, sehingga saat gangguan datang, mereka dapat dengan mudah menentukan akar penyebab dan dengan cepat mengambil langkah yang diperlukan untuk mengoreksinya dan mempertahankan kontinuitas bisnis.

'Kecerdasan Berkelanjutan'

Machine learning, aspek terbaik yang diketahui dari A.I., bergantung pada data historis. Sebaliknya, optimasi matematis menarik dari data terbaru yang tersedia untuk memberikan analitik preskriptif real-time, atau, seperti yang disebut Gartner, "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 menavigasi tantangan keuangan dan operasional yang tak terduga.

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

Menjelajahi Risiko

Bagian penting dalam menangani gangguan rantai pasokan adalah menilai risiko dan merencanakan serta menyiapkan diri untuk masa depan. Dengan kemampuan analisis skenario optimasi matematis, perusahaan dapat:

• Menjelajahi berbagai skenario pasokan, permintaan, inventori, kapasitas, makroekonomi, geopolitik dan skenario what-if lainnya, dan mengevaluasi efek potensialnya terhadap bisnis.
• Mengungkap risiko tersembunyi dan mengukur paparan risiko dan waktu pemulihan dalam hal gangguan seperti bencana alam, atau kerusakan produksi atau transportasi.
• Membuka peluang untuk mengurangi risiko dan mendorong ketangguhan rantai pasokan yang ditingkatkan, dengan mengalokasikan ulang sumber daya atau merakit ulang rantai pasokan.

Fungsionalitas analisis skenario optimasi matematis memungkinkan perusahaan untuk mengisolir rantai pasokan mereka dari dampak gangguan di masa depan, dengan memungkinkan keputusan strategis proaktif di banyak area, termasuk investasi modal, seleksi pemasok, perencanaan kapasitas dan inventori, dan lokasi fasilitas produksi dan gudang.

Selama pandemi COVID-19, kami telah mengalami gelombang gangguan rantai pasokan yang tak terduga, yang telah menyebabkan kekacauan yang signifikan dan berkelanjutan di ekonomi global dan menimbulkan tantangan besar bagi profesional rantai pasokan. Optimasi matematis telah membuktikan diri sebagai senjata yang ampuh untuk melawan gangguan semacam itu, sambil meningkatkan efisiensi dan keuntungan rantai pasokan. Teknologi A.I. ini akan terus menjadi alat yang penting bagi pemimpin rantai pasokan saat mereka menavigasi lanskap bisnis yang selalu berubah.

Ed Rothberg adalah co-founder dan chief executive officer of Gurobi.