en-USsv-SE

AI-stöd för att förutse leveranser

AI-stöd för att förutse leveranser

Artificiell intelligens (AI) är ett hett ämne och möjligheterna är många. Fortfarande har vi många manuella beslut och interaktionspunkter i försörjningskedjan. MA-system tillsammans med systerbolaget PipeChain Group genomförde nyligen ett examensarbete med civilingenjörsstudenterna Emma Ekström och Sofia Danielsson från Lunds Tekniska Högskola (LTH). Målet var att identifiera vanliga problem i orderprocessen och ta fram en praktisk AI-modell som kan vara till hjälp i verksamheten.

Genom att fokusera på placering av order i studien fanns möjligheter att med data från PipeChain göra en modell för att förutse när en leverans verkligen kommer. Problematiken känns igen från alla som jobbat med inköp. Olika leverantörer är olika pålitliga och förseningar, så väl som för tidiga leveranser, ställer till det i verksamheten. Det leder till bland annat omplaneringar, produktionsstopp och stress. Med en modell som hjälper till att identifiera och varna om leveranser inte kommer i tid kan man jobba mer proaktivt.

Att bygga AI-modellen

För att bygga en AI-modell så krävs det datorkraft för uträkning av kombinationer och scenarion, en algoritm som väljer vad som tas med i beräkningen samt data att träna modellen på. Genom att använda en modell som byggde på sannolikhetslogik (Bayesianska nätverk) så kunde olika sannolikheter räknas ut för olika scenarion. Verktyget Weka som utvecklats på ett universitet i Nya Zealand för maskininlärning användes i projektet. Det fanns flera typer av data tillgänglig, bl.a.:

  • tiden när ordern lades, kan vara olika lätt att leverera i tid beroende på säsong exempelvis
  • tid mellan order och önskat leveransdatum, svårt att vara i tid om varorna ska levereras dagen efter ordern lades
  • kvantiteten (högre kvantitet kan vara svårare att leverera i tid)
  • pris, högre pris kan vara en indikation på en komplex vara

Över 70% i prognosriktighet

Totalt hade man över 200 000 datapunkter och 381 leverantörer att testa på. Olika prototyper togs fram och testades med varierande framgång. Den slutgiltiga modellen testades så att den fungerade bra på två leverantörer och sedan alla leverantörer. Man uppnådde en säkerhet i prognosen på 86,48% på leverantör 1 och drygt 70 % på leverantör 2 och resten av leverantörerna. ZeroR är ett slags grundtest för att visa att modellen fungerar, är modellen sämre än ZeroR är det bättre att alltid gissa på den vanligaste leveranstidpunkten.

Användaren ser sannolikheten för leveransen med olika tidsintervall. Ett visuellt gränssnitt gör det enkelt att se var risken finns.

För att modellen skulle fungera var det viktigt med mönster i leverantörens data. Denna typ av hjälpmedel där modellen bygger på historiska data kan inte användas exempelvis när en ny leverantör anlitas, då finns alltid en osäkerhet. Modellen måste först tränas för att ge god tillförlitlighet.

Många möjligheter för AI i försörjningskedjor

Slutligen kan vi säga att det finns goda möjligheter att använda AI-modeller som hjälp vid beslut och för att ge bättre information till en inköpare. Kombinationen människa och teknik där tekniken ger beslutsstöd är i de flesta fall den starkaste.

Sett ur ett bredare perspektiv inom SCM finns det många möjligheter att använda AI som exempelvis inom planering, klassificering av leverantörer och leveransövervakning med mera. Ultimat blir AI en möjlighet att släppa repetitiva arbetsuppgifter som orderhantering och planering för att kunna fokusera på innovation och utveckling.

Vi önskar Emma Ekström och Sofie Danielsson ett stort lycka till framöver och tackar för deras insats med detta examensarbete.