قابلیت‌های کلیدی هوش مصنوعی در پیش‌بینی ریسک‌های زنجیره تأمین «قسمت دوم»

 

سپیده باهران، فعال در امور تجارت بین الملل

 

کاربردهای مشخص هوش مصنوعی در زنجیره تامین

1. پیش‌بینی تقاضا ¹

هوش مصنوعی با استفاده از الگوریتم‌های یادگیری ماشین، داده‌های گذشته، روندهای بازار، فصول سال، شرایط آب‌وهوایی و متغیرهای دیگر را تحلیل کرده و الگوهای تقاضا را شناسایی می‌کند. این پیش‌بینی‌ها موجب کاهش کمبود یا مازاد موجودی می‌شود و برنامه‌ریزی تولید را بهبود می‌بخشد (Choi, Wallace, & Wang, 2018).

2. بهینه‌سازی حمل‌ونقل و لجستیک ²

AI می‌تواند با تحلیل شرایط ترافیکی، وضعیت آب‌وهوا، مسیرها و محدودیت‌های ظرفیت وسایل نقلیه، بهترین مسیرهای حمل‌ونقل را در زمان واقعی تعیین کند. این قابلیت موجب کاهش هزینه‌های حمل‌ونقل و افزایش دقت در تحویل کالا می‌شود (Zhang, Qian, & Zhai, 2020).

3. شناسایی و مدیریت ریسک ³

هوش مصنوعی با تحلیل داده‌های زنجیره تأمین، اخبار، شبکه‌های اجتماعی و سوابق تأمین‌کنندگان، ریسک‌های احتمالی را شناسایی و هشدارهای پیشگیرانه صادر می‌کند. این امر موجب بهبود تاب‌آوری زنجیره تأمین در برابر وقایع غیرمنتظره می‌شود (Ivanov & Dolgui, 2020).

4. نظارت بلادرنگ ⁴

ترکیب AI با اینترنت اشیاء (IoT) امکان پایش بلادرنگ زنجیره تأمین را فراهم می‌کند. این فناوری‌ها می‌توانند وضعیت کالاها را در زمان واقعی دنبال کرده و در صورت بروز تاخیر یا انحراف از مسیر برنامه‌ریزی‌شده، هشدار دهند (Kamble, Gunasekaran, & Gawankar, 2020).

5. بهینه‌سازی موجودی ⁵

AI می‌تواند به کمک الگوریتم‌های هوشمند، سطوح بهینه موجودی را با توجه به تقاضا، زمان تحویل، و هزینه نگهداری تعیین کند. این امر منجر به کاهش هزینه‌های انبارداری و جلوگیری از کمبود یا انباشت محصولات می‌شود (Waller & Fawcett, 2013).

6. انتخاب تأمین‌کنندگان و مدیریت ارتباطات ⁶

هوش مصنوعی می‌تواند عملکرد تأمین‌کنندگان را بر اساس معیارهایی چون زمان تحویل، کیفیت محصول، قیمت و ریسک ارزیابی کند. این تحلیل‌ها موجب تصمیم‌گیری بهینه در انتخاب و همکاری با تأمین‌کنندگان می‌شود (Ghadge, Dani, & Kalawsky, 2012).

7. استفاده از شبیه‌سازی دیجیتال ⁷

AI با ایجاد مدل دیجیتالی از زنجیره تأمین و شبیه‌سازی سناریوهای مختلف، می‌تواند عملکرد کل زنجیره را تحت شرایط مختلف پیش‌بینی کند. این مدل‌ها به بهینه‌سازی تصمیمات استراتژیک کمک می‌کنند (Tao et al., 2019).

 

منابع داده مورد استفاده در پیش‌بینی ریسک‌ها

 

در پیش‌بینی ریسک‌های زنجیره تأمین با استفاده از هوش مصنوعی، منابع داده‌ای متنوعی به‌کار می‌روند که هر یک نقشی حیاتی در شناسایی و تحلیل ریسک‌ها دارند. در ادامه به توضیح منابع اصلی داده و نقش آن‌ها در این فرایند همراه با رفرنس‌های APA درون‌متنی پرداخته می‌شود:

1. داده‌های تاریخی عملیات زنجیره تأمین ⁸

یکی از پایه‌ای‌ترین منابع داده برای پیش‌بینی ریسک، اطلاعات تاریخی عملیات نظیر زمان تحویل، نرخ خرابی، تأخیرها، موجودی، سفارشات و بازدهی تأمین‌کنندگان است. این داده‌ها به مدل‌های یادگیری ماشین کمک می‌کنند تا الگوهای اختلالات گذشته را شناسایی کرده و شرایط مشابه آینده را پیش‌بینی کنند (Ivanov & Dolgui, 2020).

 

2. داده‌های بلادرنگ از اینترنت اشیاء ⁹

سنسورها و دستگاه‌های متصل به اینترنت اشیاء (IoT) اطلاعاتی از وضعیت حمل‌ونقل، دما، رطوبت، موقعیت جغرافیایی، شرایط تجهیزات و کالاها فراهم می‌کنند. این داده‌ها امکان شناسایی سریع اختلالات، مانند تأخیر در حمل‌ونقل یا خرابی ماشین‌آلات، را می‌دهد (Kamble, Gunasekaran, & Gawankar, 2020).

 

3. داده‌های بیرونی ¹⁰

این شامل اطلاعات آب‌وهوایی، داده‌های اقتصادی، نرخ ارز، قیمت مواد اولیه، تغییرات بازار جهانی، و مقررات واردات و صادرات است. استفاده از این داده‌ها در مدل‌های AI کمک می‌کند تا اثر تغییرات کلان بر زنجیره تأمین تحلیل شود (Choi, Wallace, & Wang, 2018).

 

4. داده‌های رسانه‌ای و شبکه‌های اجتماعی¹¹

اخبار فوری، گزارش‌های رسانه‌ای، و پیام‌های شبکه‌های اجتماعی می‌توانند اطلاعات مهمی در مورد بحران‌های سیاسی، بلایای طبیعی، اعتصابات کارگری یا نارضایتی مشتریان فراهم کنند. این داده‌ها به‌ویژه برای مدل‌های پردازش زبان طبیعی¹² مفید هستند که می‌توانند نشانه‌هایی از ریسک‌های بالقوه را از زبان غیرساختاریافته استخراج کنند (Sodhi & Tang, 2019).

 

5. داده‌های تأمین‌کنندگان و شرکای تجاری¹³

داده‌های عملکردی تأمین‌کنندگان مانند نرخ بازگشت کالا، شکایات مشتریان، وضعیت مالی، و اعتبار تجاری می‌توانند به شناسایی تأمین‌کنندگان پرریسک کمک کنند. برخی از شرکت‌ها حتی از داده‌های رتبه‌بندی اعتباری و تحلیل صورت‌های مالی تأمین‌کنندگان استفاده می‌کنند (Ghadge, Dani, & Kalawsky, 2012).

 

6. داده‌های جمع‌آوری‌شده از ERP و سیستم‌های SCM

سیستم‌های مدیریت منابع سازمانی¹⁴ و سیستم‌های مدیریت زنجیره تأمین¹⁵  منابع کلیدی برای داده‌های داخلی سازمان هستند. این داده‌ها شامل برنامه‌ریزی تولید، فروش، مدیریت موجودی و عملیات مالی می‌شوند و یک نمای کلی از کارایی و نقاط آسیب‌پذیر در زنجیره تأمین ارائه می‌دهند (Waller & Fawcett, 2013).

1 Demand Forecasting

2 Logistics Optimization

3 Risk Management

4 Real-time Monitoring

5Inventory Optimization

6 Supplier Selection and Relationship Management

7 Digital Twin

8 Operational Data

9 IoT Real-time Data

10 External Data Sources

11Media and social media data

12 NLP

13Supplier and business partner data

14 Enterprise Resource Planning systems (ERP)

15 Supply Chain Management systems (SCM)