Résoudre les perturbations de la chaîne d'approvisionnement se résume aux mathématiques

Le chaos logistique n'est pas un phénomène nouveau dans le monde de la chaîne d'approvisionnement, mais l'ampleur des bouleversements causés par COVID-19 est quelque chose que les parties prenantes n'ont jamais vu auparavant :selon Accenture, 94 % des entreprises Fortune 1000 ont subi des perturbations dues à la pandémie.

Heureusement, les entreprises disposent aujourd'hui d'un éventail de technologies d'intelligence artificielle, telles que l'optimisation mathématique, pour aider à combattre et à surmonter les perturbations de la chaîne d'approvisionnement.

L'optimisation mathématique est depuis longtemps établie comme la technologie de référence pour la planification et les opérations de la chaîne d'approvisionnement. Depuis les années 1980, les entreprises du monde des affaires se sont appuyées sur un large éventail d'applications de planification prêtes à l'emploi et sur mesure, non seulement pour accroître leur efficacité et leur rentabilité, mais aussi pour gérer et atténuer les perturbations. Ces technologies ont été un outil essentiel au fil des ans pour favoriser l'agilité et la résilience de la chaîne d'approvisionnement.

L'optimisation mathématique facilite deux types de prise de décision pour les planificateurs et autres parties prenantes clés :

• Réactif. Ils peuvent détecter les perturbations en temps réel et y répondre rapidement et efficacement en identifiant les causes profondes et en réaffectant dynamiquement les ressources, réduisant ainsi le délai de récupération.
• Proactif. Ils peuvent analyser les risques liés à la chaîne d'approvisionnement et anticiper les perturbations potentielles.

Voici comment l'optimisation mathématique peut conduire à une prise de décision réactive et proactive optimale, et résoudre les perturbations de la chaîne d'approvisionnement.

Un modèle en trois parties

Chaque application d'optimisation mathématique est essentiellement composée de deux éléments :un solveur (un moteur de résolution de problèmes basé sur un algorithme) et un modèle (une représentation ou un jumeau numérique de l'environnement d'exploitation réel, avec toute sa complexité et ses défis).

Le modèle peut encapsuler des éléments spécifiques de la chaîne d'approvisionnement (tels que les fournisseurs, la production, la logistique et les opérations d'entrepôt), ou il peut englober l'ensemble du réseau de bout en bout.

Chaque modèle se compose de trois parties :

• Variables de décision. Des décisions prises à divers points de la chaîne d'approvisionnement ;
• Contraintes. Règles commerciales à suivre ;
• Objectifs commerciaux. Objectifs commerciaux nombreux (et souvent contradictoires), tels que la réduction des coûts et des niveaux de stock, ou l'optimisation de l'utilisation des ressources, des livraisons à temps et de la satisfaction client.

Lorsqu'une interruption se produit, les applications d'optimisation mathématique, parce qu'elles sont construites sur des modèles qui comprennent et incarnent le comportement d'une chaîne d'approvisionnement réelle, permettent aux utilisateurs d'atteindre :

• Visibilité. Identifiez instantanément les sources de perturbation, telles que les goulots d'étranglement de capacité et les fluctuations soudaines de l'offre et de la demande ;
• Flexibilité. Modifier le modèle en procédant à des ajustements et même en ajoutant de nouvelles contraintes, variables de décision et objectifs commerciaux pour refléter les conditions d'exploitation actuelles tout au long de la chaîne d'approvisionnement ;
• Agilité. Réoptimisez dynamiquement et automatiquement les plans et les calendriers, et déterminez la meilleure ligne de conduite pour résoudre la perturbation aussi rapidement et efficacement que possible.

Grâce à une application d'optimisation mathématique, les entreprises peuvent conserver une visibilité et un contrôle en temps réel sur le réseau de bout en bout, de sorte qu'en cas de perturbations, elles puissent facilement identifier les causes profondes et prendre rapidement les mesures nécessaires pour y remédier et préserver la continuité de l'activité. .

'Intelligence continue'

L'apprentissage automatique, probablement l'aspect le plus connu de l'IA, repose sur des données historiques. En revanche, l'optimisation mathématique s'appuie sur les dernières données disponibles pour fournir des analyses prescriptives en temps réel ou, comme l'appelle Gartner, une « intelligence continue » à travers le réseau de la chaîne d'approvisionnement.

Lorsqu'une grave perturbation de la chaîne d'approvisionnement survient, comme cela a été le cas pendant la pandémie de COVID-19, les entreprises ne peuvent pas se fier aux données du passé pour les aider à surmonter les défis financiers et opérationnels sans précédent.

Parce qu'elles utilisent les dernières données et modèles disponibles qui capturent les conditions actuelles sur un réseau opérationnel, les applications d'optimisation mathématique sont capables de générer automatiquement les meilleures solutions aux problèmes actuels de la chaîne d'approvisionnement, et de permettre une intelligence continue et une prise de décision optimale.

Exploration des risques

Une partie importante de la gestion des perturbations de la chaîne d'approvisionnement consiste à évaluer les risques, à planifier et à préparer l'avenir. Grâce à la capacité d'analyse de scénarios de l'optimisation mathématique, les entreprises peuvent :

• Explorer divers scénarios d'offre, de demande, d'inventaire, de capacité, macroéconomiques, géopolitiques et autres, et évaluer leur effet potentiel sur l'entreprise.
• Découvrir les risques cachés et évaluer l'exposition aux risques et le temps nécessaire pour récupérer en cas de perturbation telle qu'une catastrophe naturelle, ou une panne de production ou de transport.
• Débloquer opportunités d'atténuer les risques et d'améliorer la résilience de la chaîne d'approvisionnement, en réaffectant les ressources ou en reconfigurant la chaîne d'approvisionnement.

La fonctionnalité d'analyse de scénarios de l'optimisation mathématique permet aux entreprises d'isoler leurs chaînes d'approvisionnement contre l'impact des perturbations futures, en permettant des décisions stratégiques proactives dans plusieurs domaines, y compris l'investissement en capital, la sélection des fournisseurs, la planification de la capacité et des stocks, et l'emplacement des installations de production et d'entrepôt.

Pendant la pandémie de COVID-19, nous avons connu une vague sans précédent de perturbations de la chaîne d'approvisionnement, qui a provoqué un chaos important et durable dans l'économie mondiale et posé d'énormes défis aux professionnels de la chaîne d'approvisionnement. L'optimisation mathématique s'est avérée une arme puissante pour lutter contre de telles perturbations, tout en augmentant l'efficacité et la rentabilité de la chaîne d'approvisionnement. Cette A.I. la technologie continuera d'être un outil essentiel pour les dirigeants de la chaîne d'approvisionnement alors qu'ils naviguent dans un paysage commercial en constante évolution.

Ed Rothberg est co-fondateur et PDG de Gurobi.