服务热线：010-62964229
格瑞纳根植于教育行业，让仿真软件从理论教学到应用实践
格瑞纳根植于教育行业，让仿真软件从理论教学到应用实践
埃森哲的应用智能HSA 团队，为受 COVID-19 相关供应链中断影响的美国健身器材品牌提供了一个订单交付 (OTD) 预测系统。该预测系统基于供应链的数字孪生，将订单交付预测准确性提高了 57%，并将成本降低了 20%。
供应链数字孪生案例分析详细介绍了订单交付预测系统、结果、以及其他改进和开发计划。该项目由团队负责人 Pablo Rodriguez Varela、经理 Patricio Ivan Pipp 和他们在 Accenture Argentina 的 应用智能 HSA团队执行。该团队专门从事供应链和运营分析。
应用智能方法是在一个大胆的战略愿景下将人工智能与数据、分析和自动化相结合，以大规模地转变每个职能和每个流程的业务。
客户希望预测其在美国的健身车供应链的供应链行为并实现智能执行。
在 COVID-19 大流行期间，对健身车的需求显著增长，导致订单交付 (OTD) 时间从 5 天增加到 60 天。 挑战在于减少订单交付时间并改进规划。
有五个需要解决的问题，它们被分为两类:
应用智能团队采用了非常规的方法来创建供应链数字孪生。采用这种方法产生了额外的挑战，这意味着需要与客户密切合作以确保方案被接受。
供应链解决方案专注于预测订单交付时间，并为智能库存分配解决方案提供基础，以改进计划。通过创建数字孪生作为解决方案，可以了解某些事件发生的原因并提出假设问题。数字孪生是基于真实世界数据的动态模型系统，可以在运行中进行检查和观察——可以观察到结果和行为的原因并进行解释。
该团队选择使用 AnyLogic 仿真建模软件来构建数字孪生，因其灵活性以及支持集成机器学习，他们计划稍后使用。在 AnyLogic 中，该团队使用离散事件建模了从供应商到配送中心 (DC) 到最后一英里站点的整个供应链。
供应商每周从亚洲将 40,000 件产品带入美国，而位于美国的工厂每周生产 4,000 件。该网络有 150 个完成客户订单的最后一英里站点。
模型的主要元素是订单、节点和卡车，每个都包含相关的数据：
供应链数字孪生的预测范围为一天到一年。在数字孪生模型上运行蒙特卡罗仿真提供了订单交付时间的预测范围。对于每组仿真运行，模型需要关键数据输入并提供关键数据输出：
关键数据输入：位置主数据、入站/出站位置容量、库存位置和积压、目标供应天数、节点之间的供货期、需求预测、生产预测
主要数据输出：预测订单交付、最后一英里订单积压、网络节点的库存位置、资源利用率（卡车）
要使解决方案成为数字孪生而不仅仅是仿真模型，就需要与实时数据连接。在这种情况下，数据来自所有通过 Amazon S3 连接的各种 Amazon 服务和电子表格。此外，还连接了 Tableau 以对模型数据输出进行业务分析。 该系统的示意图可以在信息流程图中看到。
数字双孪生配置了供应链的当前状态并进行了验证。它显示了预期的行为并确定了可以改进的地方。
在对供应链的原始状态进行测试和分析后，该团队利用供应链模型对供应链运营进行启发式优化。所需库存和安全库存等变量不再由网络范围的规则固定。此外，可以根据最后一英里站点的需求，重新分配上级给配送中心补货。
对于订单交付预测和智能库存分配的重点领域，供应链数字孪生计划的预期收益是显著的。订单交付预测的准确性提高了 57%，库存分配物流的成本降低了 20%。
此外，潜在客户预计到达时间的预期准确性从 40% 提高到 76%。
这些结果来自一个 30 分钟的仿真模拟，每周只需要运行一次。
该项目并非没有挑战。客户团队拒绝使用数字孪生。为了克服这种阻力，有必要与有关各方密切合作。对供应链运营动态行为的可见性以及数字孪生带来的额外可能性有助于获得使用该方法的决策支持。
与缺失数据和未定义逻辑相关的其他挑战。由于决定使用数字孪生方法，因此可以通过假设来克服这些挑战。
现在，数字孪生将成为供应链的核心，从而使决策能够更加全面和更加明智。下一步包括整合强化学习，以进一步帮助优化和规划黑天鹅事件。 而且，随着数字孪生的建立，预计其功能将适用于所有组织级别：战略、战术和执行。
该案例由埃森哲应用智能HSA 的 Patricio Ivan Pipp 和 Pablo Rodriguez Varela 在 AnyLogic 2021 年度会议上进行展示。
