DE112019004261T5

DE112019004261T5 - Analyse und Korrektur der Lieferketten-Gestaltung durch maschinelles lernen

Info

Publication number: DE112019004261T5
Application number: DE112019004261.0T
Authority: DE
Inventors: Marcio Oliveira Almeida; Zhen Lin; Behrouz Haji Soleimani; Chantal Bisson-Krol; Seyednaser Nourashrafeddin
Original assignee: Kinaxis Inc
Current assignee: Kinaxis Inc
Priority date: 2018-08-31
Filing date: 2019-08-30
Publication date: 2021-06-24
Also published as: US20210089989A1; US11188856B2; US20200074370A1; GB2590856A; GB202102941D0; US10832196B2; US20230325743A1; US20230103269A2; US20220101234A1; US11748678B2; WO2020041901A1

Abstract

Ein dynamisches Lieferketten-Planungssystem zur Analyse historischer Vorlaufzeit-Daten, das Machine-Learning-Algorithmen verwendet, um zukünftige Vorlaufzeiten basierend auf historischen Vorlaufzeit-Daten vorherzusagen und um historische Vorlaufzeit-Daten in Cluster zu unterteilen, die auf Saisonalität und Linearität basieren. Die Ergebnisse des Machine Learnings werden weiterhin verarbeitet, um zukünftige geplante Vorlaufzeiten anzupassen und Quellen in der Lieferkette zu identifizieren, die zu großen Abweichungen zwischen historischen geplanten Vorlaufzeiten und tatsächlichen Vorlaufzeiten beitragen.

Description

TECHNISCHER BEREICH
Die vorliegende Offenlegung bezieht sich im Allgemeinen auf das Lieferketten-Management und insbesondere auf die Anpassung der Lieferkettenplanung basierend der Analyse der historischen Lieferketten-Management-Leistung.
HINTERGRUND
Trotz des technischen Fortschritts besteht immer noch eine große Kluft zwischen der Gestaltung einer Lieferkette und ihrem tatsächlichen Betrieb. Eine Lieferkette ist ein komplexes System, da sie viele voneinander abhängige Komponenten beinhaltet. Ein Problem mit einer einzelnen Komponente (z. B. ein chronisch verspäteter Lieferant) - oder mehreren - kann sich auf die gesamte Lieferkette auswirken und zu Effizienz- und Umsatzverlusten führen. Daher ist es von Vorteil, die tatsächlichen Leistungsfähigkeiten einer Lieferkette genau zu messen, sie mit der ursprünglichen Gestaltung zu vergleichen und gegebenenfalls systematische Korrekturen vorzunehmen. Darüber hinaus wäre es hilfreich, eine tiefgreifende Analyse der Abweichungen von der ursprünglichen Gestaltung durchzuführen, um die Ursachen für diese Diskrepanzen zu identifizieren und dadurch eine langfristige Lösung zu finden und so die Geschäftsmetriken zu verbessern (z. B. Umsatz, Kundenzufriedenheit, Gesamtbestand, etc.).
Eine Reihe von Veröffentlichungen diskutieren die prädiktive Analyse von Geschäftsmetriken basierend auf der Analyse historischer Daten (einschließlich Machine-Learning).
Die U.S. Pub. Nr. 2008/0065436 A1 offenbart Verfahren, Systeme und Computerprogrammprodukte zur Unterstützung der Lieferketteneinrichtung- Leistungsanalyse. Das Verfahren umfasst die Identifizierung von Variablen, die mit der Leistung von Lieferketteneinrichtungen in Zusammenhang stehen, und eine Analyse der Leistung davon unter Verwendung von Standarddateneinhüll-Analyse, statistischer Analyse und Sensitivitätsanalyse. Leistungsrankings der Lieferketteneinrichtungen werden berechnet, während ein Vorschlag zur Leistungsverbesserung bereitgestellt wird.
Die U. S. Pub. Nr. 2010/138264 A1 offenbart ein System zur dynamischen Geschäftserweiterung, das einem Unternehmen Zugriff auf seine historischen, aktuellen und zukünftigen Betriebszustände bietet. Eine dynamische Daten-Engine wird verwendet, um historische Transaktionen, aktuelle Lagerbestände und prognostizierte Bedarfsdaten in Echtzeit zu erstellen und anzuzeigen. Attribute der ursprünglichen Transaktionsdaten werden dynamisch konfiguriert und modifiziert - das Ergebnis sind verwaltete Bedarfsprognosen, Budget- und Einkaufsinformationen. Jede Änderung in den Rohdaten aufgrund eines Geschäftsvorfalls wird sofort in der Bedarfsprognose berücksichtigt.
Das U.S. Patent. Nr. 2018/0101814 A1 offenbart dynamische Lieferketten-Management-Systeme und Verfahren, die historische Auftragsdaten kompilieren und zerlegen können, um Kausalitätsfaktoren zu identifizieren, die Variabilität in historischen Vorlaufzeiten oder Füllraten von Aufträgen erzeugt haben. Diese Faktoren werden auf aktuelle Bestellungen angewandt, um aktuelle Vorlaufzeiten und Füllraten von Bestellungen zu bestimmen.
Das U.S. Patent Nr. 9600779 B2 offenbart einen Klassifizierer für maschinelles Lernen, der ein Subsystem zur Verarbeitung von Datensätzen enthält, um einen Trainingssatz und einen Validierungssatz aus mehreren Datenquellen zu erzeugen. Das System umfasst weiterhin eine Klassifizierer-Hardware, einen mit der Klassifizierer-Hardware verbundenen Puffer und ein mit der Klassifizierer-Hardware verbundenes Register. Die Klassifizierer-Hardware induziert einen Klassifizierer gemäß dem Trainingssatz und testet den Klassifizierer gemäß dem Validierungssatz.
Das U. S. Patent Nr. 6611726 B1 offenbart ein Verfahren zur Bestimmung optimaler Zeitreihenvorhersageparameter. Das Verfahren umfasst die Auswahl einer abhängigen Variablen, für die ein Wert prognostiziert werden soll, das Sammeln historischer Daten über Werte der abhängigen Variablen und zugehöriger Variablen in historischen Zeiträumen und die Bestimmung einer Vorhersagegleichung auf der Grundlage der historischen Daten. Das Verfahren berechnet weiter einen Vorhersagewert der abhängigen Variable für einen zukünftigen Zeitrahmen. Es berechnet auch einen Fehlerwert, indem es den prognostizierten Wert mit den historischen Daten vergleicht. Der Fehlerwert wird dann verwendet, um die Vorhersagegleichung zu modifizieren, um den Fehlerwert zu reduzieren. Ein Beispiel: Die abhängige Variable kann die Produktnachfrage sein.
Berlec, T. et al. stellen in ihrer Arbeit „Predicting Order Lead Time“ (J. of Mech. Eng., 54 (2008)5, 308-321) ein Verfahren vor, bei dem die zu erwartenden Vorlaufzeiten der geplanten Aufträge eines Unternehmens auf Basis der tatsächlichen Vorlaufzeiten der in der Vergangenheit bearbeiteten Aufträge vorhergesagt werden. Das Verfahren liefert eine empirische Verteilung der möglichen Vorlaufzeiten für den neuen Auftrag, die dann zur Vorhersage der wahrscheinlichsten Vorlaufzeit eines neuen Auftrags verwendet wird.
Lingitz, L. et al. offenbaren in ihrem Artikel „Lead time prediction using machine learning algorithms: a case study by a semiconductor manufacturer“ (Science Direct, Procedia CIRP 72 (2018), 1051-1056), eine Untersuchung von Verfahren zur Vorlaufzeit-Vorhersage für die Halbleiterfertigung. Es werden überwachte maschinelle Lernansätze für die Vorlaufzeit-Vorhersage verwendet, die auf historischen Produktionsdaten basieren, die aus Fertigungsausführungssystemen gewonnen wurden. Regressionsalgorithmen werden auf ihre Wirkung zur Erhöhung der Genauigkeit der Vorlaufzeit-Vorhersage untersucht.
Die Vorlaufzeit ist eine wichtige Kennzahl in der Lieferkette, die einen erheblichen Einfluss auf die Bestandskosten und den verspäteten Umsatz in Lieferketten hat. Ungenaue Planungsparameter für die Vorlaufzeit können zu erheblicher Ineffizienz in der Lieferkette und zu Kostenüberschreitungen führen. Aufgrund der großen Menge und Variabilität von Daten in Bezug auf Vorlaufzeiten ist es eine Herausforderung, Abweichungen in den Vorlaufzeiten, die in den Lieferplanungsdaten verwendet werden, durch konventionelle Liefermanagement-Tools zu erkennen und zu korrigieren. Nichtsdestotrotz ist eine solche Analyse wichtig, um die Leistung und Effizienz des Lieferkettenmanagements zu verbessern.
SUMMARY
In Übereinstimmung mit einer Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:

eine Datenbank, die historische Vorlaufzeit-Daten, die sich auf eine Lieferkette beziehen; einen Machine-Learning-Server umfassend einen Machine-Learning-Dienst, wobei der Machine-Learning-Server in Kommunikation mit einer Datenbank steht; das Datenvorbereitungsmodul in Kommunikation mit der Datenbank steht, um die historischen Vorlaufzeit-Daten zu erhalten; das Datenvorbereitungsmodul die historischen Vorlaufzeit-Daten in einen verarbeiteten historischen Vorlaufzeit-Datensatz zur Verwendung durch den Machine-Learning-Dienst verarbeitet; der Machine-Learning-Dienst mindestens eines von einem Vorhersagemodul und einem Clustermodul umfasst; das Vorhersagemodul konfiguriert ist, um zukünftige Vorlaufzeiten der Versorgungskette basierend auf dem verarbeiteten historischen Vorlaufzeit-Datensatz vorherzusagen; das Clustermodul konfiguriert ist, um eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen bereitzustellen; und
der Machine Learning Server die zukünftigen Vorlaufzeiten und die Vielzahl von Clustern in die Datenbank hochlädt.

In einigen Ausführungsformen teilt das Vorhersagemodul die verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten auf, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht und der zweite Teil aus weniger als 50% der Datenpunkte besteht; trainiert jeden einer Vielzahl von Machine Learning-Vorhersage-Algorithmen auf dem ersten Teil, und testet anschließend jeden der Vielzahl von Machine Learning-Vorhersage-Algorithmen auf dem zweiten Teil; wählt denjenigen Machine Learning-Vorhersage-Algorithmus aus, der eine größte Genauigkeit beim Testen des zweiten Teils aufweist; und trainiert den ausgewählten Machine Learning-Vorhersage-Algorithmus erneut auf den verarbeiteten historischen Vorlaufzeit-Daten.
In einigen Ausführungsformen besteht der erste Teil aus 51%-80% der Datenpunkte und der zweite Teil aus 20%-49% der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100% der Datenpunkte ausmachen.
In einigen Ausführungsformen umfasst die Vielzahl der Machine-Learning-Algorithmen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.
In einigen Ausführungsformen erstrecken sich die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren.
In einigen Ausführungsformen liefert das Vorhersagemodul monatliche Daten zur zukünftigen Vorlaufzeit, die auf einem monatlichen Durchschnitt der täglichen zukünftigen Vorlaufzeit-Daten basieren
In einigen Ausführungsformen trennt das Clustermodul die verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und einer Linearität der historischen Vorlaufzeiten; führt eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durch, wobei die vordefinierten Merkmale aus der Saisonalität und der Linearität ausgewählt werden; bereinigt jedes Cluster; und beschneidet jedes Cluster in eine Vielzahl von Subclustern.
In einigen Ausführungsformen umfasst das System weiter: ein Analysemodul, das mit der Datenbank kommuniziert; und eine Benutzerschnittstelle, die mit dem Analysemodul kommuniziert; wobei das Analysemodul konfiguriert ist, um: von einem Benutzer über die Benutzerschnittstelle Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten zu empfangen; und
die historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen zu trennen. In Bezug auf das Vorhersagemodul ist das Analysemodul konfiguriert, um: zukünftige Vorlaufzeiten, die durch das Vorhersagemodul vorhergesagt wurden, aus der Datenbank zu erhalten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten, die durch das Vorhersagemodul vorhergesagt wurden, in Übereinstimmung mit einem Aktionskriterium, das durch den Benutzer für jede Toleranzzone definiert wurde, zu ersetzen. Darüber hinaus ist das Analysemodul in Bezug auf das Clustermodul konfiguriert, um: die Vielzahl von Clustern aus der Datenbank zu erhalten; die Vielzahl von Clustern gemäß der Toleranzzone jeder Gruppe zu trennen; weiterhin die Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifikatoren zu trennen; und innerhalb der getrennten Cluster die Cluster zu identifizieren, die die größten mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.
In einigen Ausführungsformen ist das Analysemodul Teil eines Rapid-Response-Planungssystems, das vor jeder aktuellen Änderung der historischen Vorlaufzeit-Daten: die Toleranzzonen verarbeitet;
zukünftige geplante Vorlaufzeiten durch die vom Vorhersagemodul in Übereinstimmung mit dem Aktionskriterium vorhergesagten zukünftigen Vorlaufzeiten ersetzt; und die Cluster identifiziert, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.
In Übereinstimmung mit einer anderen Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
einen Prozessor, der betreibbar ist, um Befehle auszuführen, die in einem Speicher gespeichert sind; und wobei der Speicher spezifische Befehle zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf historischen Vorlaufzeit-Daten enthält; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst: die historischen Vorlaufzeit-Daten von einer Datenbank zu empfangen; die historischen Vorlaufzeit-Daten durch Entfernen von Ausreißer-Daten zu verarbeiten; die verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten zu teilen, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht und der zweite Teil aus weniger als 50% der Datenpunkte besteht;
Trainieren jedes einer Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem ersten Teil und anschließendes Testen jedes der Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem zweiten Teil; Auswählen desjenigen Machine-Learning-Vorhersage-Algorithmus, der beim Testen des zweiten Teils die größte Genauigkeit aufweist; erneutes Trainieren des ausgewählten Machine-Learning-Vorhersage-Algorithmus auf den verarbeiteten historischen Vorlaufzeit-Daten; Verwenden des ausgewählten Machine-Learning-Vorhersage-Algorithmus zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette; und Hochladen der zukünftigen Vorlaufzeiten in die Datenbank.
In einigen Ausführungsformen des Systems besteht der erste Teil aus 51 %-80 % der Datenpunkte und der zweite Teil aus 20 %-49 % der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100 % der Datenpunkte ausmachen; und die Vielzahl der Machine-Learning-Algorithmen umfassen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.
In einigen Ausführungsformen des Systems erstrecken sich die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren; und die zukünftigen Vorlaufzeiten basieren auf einem monatlichen Durchschnitt der täglichen zukünftigen Vorlaufzeit-Daten.
In einigen Ausführungsformen des Systems ermöglichen die spezifischen Befehle weiter: die Trennung der historischen Vorlaufzeit in Gruppen; und die Verarbeitung der zukünftigen Vorlaufzeiten; wobei die Ausführung der spezifischen Befehle den Prozessor dazu veranlasst: von einem Benutzer Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; vor jeder aktuellen Änderung in den historischen Vorlaufzeit-Daten die historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen zu trennen; und vor jeder aktuellen Änderung in den historischen Vorlaufzeit-Daten zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem vom Benutzer definierten Aktionskriterium für jede Toleranzzone zu ersetzen.
In Übereinstimmung mit einer anderen Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
einen Prozessor, der betreibbar ist, um in einem Speicher gespeicherte Befehle auszuführen; und wobei der Speicher spezifische Befehle zum Gruppieren von historischen Vorlaufzeit-Daten einer Lieferkette in eine Vielzahl von Clustern beinhaltet; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst:
die historischen Vorlaufzeit-Daten von einer Datenbank zu empfangen; die historischen Vorlaufzeit-Daten durch Entfernen von Ausreißer-Daten zu verarbeiten; die verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und Linearität der historischen Vorlaufzeiten zu trennen; eine Cluster-Analyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; jeden Cluster zu bereinigen; jeden Cluster in eine Vielzahl von Subclustern zu zerschneiden; und die Cluster in die Datenbank hochzuladen.
In einigen Ausführungsformen des Systems ermöglichen die spezifischen Befehle des Weiteren: die Aufteilung der historischen Vorlaufzeit in Gruppen; und die Verarbeitung der Cluster; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst: von einem Benutzer Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu empfangen, basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten; und vor jeder aktuellen Änderung der historischen Vorlaufzeit-Daten: Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen; Erhalten der Vielzahl von Clustern aus der Datenbank; Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe; des Weiteren Trennen der Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifikatoren; und Identifizieren von Clustern innerhalb der getrennten Cluster, die die größten mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.
In Übereinstimmung mit einer anderen Ausführungsform umfasst ein Computer-implementiertes Verfahren:
empfangen von historischen Vorlaufzeit-Daten aus einer Datenbank des dynamischen Lieferketten-Planungssystems;
Verarbeiten der historischen Vorlaufzeit-Daten durch Entfernen von Ausreißerdaten; Zugreifen auf mindestens eines von einem Machine Learning Vorhersagemodul und einem Machine Learning Clustering-Modul. Das Verfahren umfasst beim Zugriff auf das Machine Learning Vorhersagemodul: Aufteilen der verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50 % der Datenpunkte besteht und der zweite Teil aus weniger als 50 % der Datenpunkte besteht; Trainieren jedes aus einer Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem ersten Teil und anschließendes Testen jedes aus der Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem zweiten Teil; Auswählen desjenigen Vorhersage Machine-Learning-Algorithmus, der beim Testen des zweiten Abschnitts die größte Genauigkeit aufweist; erneutes Trainieren des ausgewählten Vorhersage Machine-Learning-Algorithmus auf den verarbeiteten historischen Vorlaufzeit-Daten; Verwenden des ausgewählten Vorhersage Machine-Learning-Algorithmus zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette; und Hochladen der zukünftigen Vorlaufzeiten in die Datenbank. Beim Zugriff auf das Machine Learning-Clustermodul umfasst das Verfahren: Trennen der verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten; Durchführen einer Cluster-Analyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe, wobei die vordefinierten Merkmale aus der Saisonalität und der Linearität ausgewählt sind; Beschneiden jedes Clusters; Aufteilen jedes Clusters in eine Vielzahl von Subclustern; und Hochladen der Cluster in die Datenbank
In einigen Ausführungsformen des Verfahrens ist das dynamische Lieferketten-Planungssystem ein Rapid-Response-Planungssystem, und das Verfahren umfasst des Weiteren: Empfangen von Toleranzkriterien von einem Benutzer über eine Benutzerschnittstelle zum Trennen der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten; Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen vor irgendeiner aktuellen Änderung in den historischen Vorlaufzeit-Daten; und Ersetzen zukünftiger geplanter Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem Aktionskriterium, das durch den Benutzer für jede Toleranzzone definiert ist, vor irgendeiner aktuellen Änderung in den historischen Vorlaufzeit-Daten.
In einigen Ausführungsformen des Verfahrens ist das dynamische Lieferketten-Planungssystem ein Rapid-Response-Planungssystem, und das Verfahren umfasst des Weiteren: Empfangen von Toleranzkriterien von einem Benutzer über eine Benutzerschnittstelle zum Trennen der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten:
Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen; Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe; weiterhin Trennen der Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifizierern; und Identifizieren von Clustern innerhalb der getrennten Cluster, die die größten mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.
In einigen Ausführungsformen des Verfahrens besteht der erste Teil aus 51 %-80 % der Datenpunkte und der zweite Teil aus 20 %-49 % der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100 % der Datenpunkte ausmachen; und die Vielzahl der Machine-Learning-Algorithmen umfassen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.
Der Begriff „Rapid-Response“ wird weiter unten definiert.
Die vorstehenden und zusätzlichen Aspekte und Ausführungsformen der vorliegenden Offenbarung werden für den Fachmann in Anbetracht der detaillierten Beschreibung verschiedener Ausführungsformen und/oder Aspekte, die unter Bezugnahme auf die Figuren erfolgt, die im Folgenden kurz beschrieben werden, offensichtlich sein.
Figurenliste
Ausführungsformen können unter Berücksichtigung der folgenden detaillierten Beschreibung verschiedener Ausführungsformen in Verbindung mit den beiliegenden Figuren vollständiger verstanden werden, in denen:

1 die geplante Vorlaufzeit im Vergleich zur tatsächlichen Vorlaufzeit über einen Zeitraum von 2 Jahren veranschaulicht.
2A die Systemarchitektur einer Ausführungsform der Anwendung von Machine-Learning zur Analyse und Korrektur des Lieferketten-Gestaltung veranschaulicht.
2B die Systemarchitektur der in 2A gezeigten Ausführungsform, die mit einer Lieferkettenplanungsplattform integriert ist veranschaulicht,
3 ein Flussdiagramm einer Ausführungsform der Anwendung von Machine-Learning auf die Lieferketten-Daten veranschaulicht,
4 ein Flussdiagramm einer Integration der in 3 gezeigten Ausführungsform mit einer Lieferkettenplanungsplattform veranschaulicht.
5 ein Flussdiagramm eines Datenvorbereitungsmoduls aus den 3 und 4 veranschaulicht.
6 ein Flussdiagramm der Vorhersagekomponente von 3 veranschaulicht.
7 die 12-Monats-Vorhersage mit Machine-Learning, basierend auf den in 1 gezeigten Daten veranschaulicht.
8 ein Flussdiagramm der Clustering-Komponente von 3 veranschaulicht.
Die 9A-9E Beispiele für vier Merkmale für die Clustering-Analyse zeigen.
10 ein Baumdiagramm nach der Verarbeitung der Clusterergebnisse veranschaulicht.
11 die Ergebnisse der Geschäftsauswirkungen und des Umsatzrisikos unter Verwendung von Analysewerkzeugen in einer Lieferkettenplanungsplattform veranschaulicht.
12 ein Computersystem 1200, das zur Implementierung des in den 2A oder 2B gezeigten Systems verwendet werden kann veranschaulicht.

DETAILLIERTE BESCHREIBUNG
Eine Lieferkette kann als eine Abfolge von Prozessen und/oder Ereignissen bei der Herstellung und Verteilung eines Produkts definiert werden. Eine Lieferkette kann Informationen über Geräte, Rohmaterialien, Teile, Komponenten, Organisationen, Personen, Standorte, Transportmittel und Ressourcen enthalten, die zur Herstellung eines Produkts und zum Transport des Produkts von einem Hersteller oder Lieferanten zu einem Kunden verwendet werden. Viele Faktoren können die Lieferkette an verschiedenen Stellen der Kette beeinflussen, und diese Faktoren sind oft unvorhersehbar.
Eine Metrik, die Einblick in das Verhalten einer Lieferkette gibt, ist die Vorlaufzeit. Andere Metriken in der Lieferkette können ebenfalls Aufschluss geben. Eine Definition der Vorlaufzeit ist die Zeit zwischen dem Beginn und dem Abschluss eines Produktionsprozesses. Wenn es z. B. fünf Tage dauert, ein Fahrrad von Montreal nach Vancouver zu versenden, nachdem eine Bestellung eingegangen ist, beträgt die Vorlaufzeit der Fahrradsendung von Montreal nach Vancouver 5 Tage.
Eine Lieferkette kann Hunderttausende - wenn nicht Millionen - von Datenpunkten zur Vorlaufzeit über einen bestimmten Zeitraum aufweisen. Im Lieferketten-Management werden die Vorlaufzeiten oft entworfen (oder geplant). Die tatsächlichen Vorlaufzeitdaten unterscheiden sich oft von den geplanten Vorlaufzeiten, wie in 1 gezeigt, in der die geplanten und tatsächlichen Vorlaufzeiten (in Einheiten von Tagen) für einen Zeitraum von 2 Jahren (von Juli 2015 bis Juli 2017) dargestellt sind. Die durchgezogene Linie zeigt an, dass die geplante Vorlaufzeit bei der Auslegung der Lieferkette 5 Tage betrug. Die tatsächlichen Vorlaufzeitdaten (angezeigt durch die Datenpunkte) stimmten jedoch selten mit der geplanten Vorlaufzeit überein. Die durchschnittliche Abweichung (zwischen der geplanten und der tatsächlichen Vorlaufzeit) wird ebenfalls angezeigt und variiert zwischen 15 Tagen (Minimum) und 50 Tagen (Maximum), wobei der Durchschnitt bei etwa 30 Tagen liegt.
Diese Analyse zeigt die deutliche Diskrepanz zwischen der Art und Weise, wie die Lieferkette funktionieren sollte (zwischen Juli 2015 und Juli 2017) und wie sie in dieser Zeit tatsächlich funktionierte. Zwischen solch großen Diskrepanzen können schwerwiegende Folgen entstehen. Wenn z. B. eine Vorlaufzeit von 5 Tagen für die Schätzung des Zeitpunkts für den Kauf oder die Herstellung neuer Lieferungen verwendet wird - wenn in Wirklichkeit die Vorlaufzeit 30 Tage beträgt - dann kommt es zu einem chronischen Materialmangel in der Kette. Die Lieferengpässe führen unweigerlich zu zusätzlichen Kosten für die Beschleunigung der Lieferungen und auch zu späteren Lieferungen an die Kunden, wodurch die Kosten steigen und der Umsatz sinkt.
In einer Ausführungsform werden die historischen Vorlaufzeit-Daten mit Hilfe von Machine-Learning-Algorithmen analysiert, die Vorlaufzeiten vorhersagen können und eine Cluster-Analyse der historischen Vorlaufzeit-Daten liefern, um Faktoren zu ermitteln, die zu Abweichungen beitragen.
In der vorliegenden Offenbarung werden Ausführungsformen bereitgestellt, um die Variabilität in historischen Vorlaufzeiten zu identifizieren, zu kategorisieren und zu visualisieren. Darüber hinaus können Machine-Learning-Algorithmen verwendet werden, um Vorlaufzeiten vorherzusagen und ggf. geplante Vorlaufzeiten anzupassen. Außerdem können Teile mit ähnlichen Mustern der Vorlaufzeit-Abweichung mit Hilfe von Machine-Learning-Algorithmen in eine Gruppe geclustert werden. Das Clustering kann einem Planer helfen, ähnliche Probleme bei den Vorlaufzeiten von Bestellungen visuell zu erkennen. So können die Abweichungen der Vorlaufzeiten für zukünftige Bestellungen automatisch oder basierend auf einer manuellen Überprüfung angepasst werden. Außerdem können Geschäftsmetriken vor und nach der Anpassung der Vorlaufzeiten projiziert werden, um die Auswirkungen der Annahme der vom Machine-Learning-Algorithmus bereitgestellten Vorlaufzeitempfehlungen zu vergleichen.
2A zeigt die Systemarchitektur (10) einer Ausführungsform der Anwendung von Machine Learning zur Analyse und Korrektur der Lieferkettenplanung. Ein Machine-Learning-Server (12) steht in Kommunikation mit einer Datenbank (14), die Daten bezüglich der Lieferkettenplanung enthält, einschließlich historischer Vorlaufzeiten. Der Machine-Learning-Server umfasst einen Machine-Learning-Dienst (16), der ein Datenvorbereitungsmodul (18), ein Vorhersagemodul (20) und ein Clustering-Modul (22) umfasst, die jeweils in Kommunikation mit der Datenbank (14) stehen. Der Machine-Learning-Dienst (16) initiiert zunächst die Vorbereitung des Datensatzes vor der Analyse durch das Vorhersagemodul und das Clustering-Modul (20,22). Als solches bezieht das Datenvorbereitungsmodul (18) Daten aus der Datenbank (14) und führt dann eine Datenvorbereitung (wie unten beschrieben) an dem Datensatz durch. Der Status des Datensatzes wird an den Machine-Learning-Dienst (16) übermittelt.
Sobald der Datensatz-Status vollständig ist, initiiert der Machine-Learning-Dienst (16) eine Vorhersageanalyse (basierend auf dem vorbereiteten Datensatz) über das Vorhersagemodul (20), das dann den Vorhersagestatus an den Machine-Learning-Dienst (16) übermittelt. Sobald der Vorhersagestatus abgeschlossen ist, lädt das Vorhersagemodul (20) die Vorhersageergebnisse in die Datenbank (14) hoch.
Sobald der Datensatz-Status vollständig ist, initiiert der Machine-Learning-Dienst (16) auch eine Cluster-Analyse (basierend auf dem vorbereiteten Datensatz) über das Clustering-Modul (22), das dann den Cluster-Status an den Machine-Learning-Dienst (16) übermittelt. Sobald der Cluster-Status abgeschlossen ist, lädt das Clustering-Modul (22) die Cluster-Ergebnisse in die Datenbank (14) hoch.
Die Vorhersageanalyse und die Clustering-Analyse können parallel durchgeführt werden. Sie können auch sequentiell durchgeführt werden, wobei entweder die Clustering- oder die Vorhersageanalyse zuerst durchgeführt wird.
Die Vorhersage-Ergebnisse und Clustering-Ergebnisse können, nachdem sie in die Datenbank (14) hochgeladen wurden, für die weitere Analyse und Planung durch eine Lieferketten-Planungsplattform verwendet werden
Die Datenbank (14) kann in einen separaten Lieferketten-Planungsplattform-Server integriert sein; oder sie kann eigenständig in einem separaten Server sein; oder sie kann in den Machine-Learning-Server (12) integriert sein.
2B zeigt eine Systemarchitektur 25 einer Ausführungsform, die als Software (z. B. maschinenausführbare Befehle) implementiert werden kann, die auf einem nichttransitorischen Computer-lesbaren Medium gespeichert ist und von einem oder mehreren Prozessoren ausgeführt wird. Die Architektur 25 kann eine Software-Architektur darstellen, die auf Computer-Hardware implementiert ist. Als Beispiel zeigt 2B die Systemarchitektur der in 2A gezeigten Ausführungsform, integriert mit einer Lieferketten-Planungsplattform. Die numerischen Referenzen für Komponenten, die zwischen den 2A und 2B gemeinsam sind, sind identisch.
Ein Machine-Learning-Server (12) ist in eine Lieferketten-Planungsplattform integriert, die eine Lieferketten-Planungsanwendung und Datenserver (30) umfasst. Der Machine-Learning-Dienst (16) kann über eine Benutzerschnittstelle (32) ausgelöst werden, die Teil der Lieferketten-Planungsplattform ist. Einmal ausgelöst, arbeitet der Machine-Learning-Dienst mit dem Datenvorbereitungsmodul (18), dem Vorhersagemodul (20) und dem Clustering-Modul (22), wie oben beschrieben (mit Bezug auf 2A). Die Vorhersage- und Clustering-Ergebnisse werden in die Datenbank (14) hochgeladen und dann an ein Analysemodul (34) übermittelt, das die analysierten Ergebnisse über die Benutzeroberfläche (32) an einen Benutzer weitergibt.
Die Architektur 25 verfügt über eine Anwendungsdienst-Integrations- und Kommunikationsschicht 15, die die Datenerfassung von den Datenquellen 17 und optional anderen Systemen und Anwendungen (nicht dargestellt) unterstützt. Die Schicht 15 kann auch einen sicheren Zugang mit einer Benutzerschnittstelle 32 bereitstellen, die es Benutzern ermöglicht, sich bei der Lieferketten-Planungsplattform 30 anzumelden, um Daten einzusehen oder andere Operationen durchzuführen. Die Schicht 15 kann eine voll ausgestattete Webservice-Bibliothek verwenden, um eine Verbindung für die Benutzeroberfläche 15 zur Plattform 30 bereitzustellen. Im Allgemeinen bietet die Schicht 15 einen Mechanismus zur Verbindung mit den verschiedenen Systemen und Webschnittstellen. Die Schicht 15 kann APIs enthalten, um mit den Datenquellen 17 und anderen Systemen und Anwendungen (nicht dargestellt) zu kommunizieren. Die Schicht 15 empfängt zum Beispiel Daten von den Datenquellen 17.
Ein Beispiel für eine Lieferketten-Planungsplattform, die mit dem Machine-Learning-Server (12) integriert werden kann, ist eine, die eine schnelle Verarbeitung von Geschäftsmetriken und Szenariosimulationen ermöglicht. Das heißt, die Verarbeitung der historischen Vorlaufzeit-Daten und die Verarbeitung der Machine Learning-Ergebnisse (d. h. Vorhersage zukünftiger Vorlaufzeiten, Clustering historischer Vorlaufzeiten) erfolgt so, dass die Machine Learning-Ergebnisse aktuell sind (d. h. es gibt keine weiteren Änderungen der historischen Vorlaufzeit-Daten, während Ergebnisse mit Hunderttausenden oder sogar Millionen von Datenpunkten verarbeitet werden). Ein Beispiel für eine Lieferketten-Planungsplattform, die eine schnelle Verarbeitung von Geschäftsmetriken und Szenariosimulationen ermöglicht, ist in den US-Patenten Nr. 7,610,212 B2 ; 8,015,044 B2 ; 9,292,573 B2 ; und U.S. Pub. Nr. 20130080200A1 - die hier alle durch Bezugnahme einbezogen sind. Eine solche „schnelle“ Plattform wird hier als „Rapid Response“-Lieferketten-Planungsplattform bezeichnet.
Das System 25 und/oder seine Komponenten oder Subsysteme können Rechengeräte, Mikroprozessoren, Module und andere Computer oder Rechengeräte beinhalten, die jedes programmierbare Gerät sein können, das digitale Daten als Eingabe akzeptiert, so konfiguriert ist, dass es die Eingabe gemäß Befehlen oder Algorithmen verarbeitet und Ergebnisse als Ausgaben liefert. In einer Ausführungsform können Computer und andere solche hierin besprochenen Geräte eine Zentralrecheneinheit (CPU) sein, umfassen, enthalten oder mit ihr verbunden sein, die so konfiguriert ist, dass sie die Befehle eines Computerprogramms ausführt. Computer und andere hier besprochene Geräte sind daher so konfiguriert, dass sie grundlegende arithmetische, logische und Eingabe/Ausgabe-Operationen durchführen können.
Rechen- und andere hier besprochene Geräte können Speicher enthalten. Der Speicher kann flüchtigen oder nicht flüchtigen Speicher umfassen, je nachdem, was das gekoppelte Rechengerät oder der Prozessor benötigt, um nicht nur Platz für die Ausführung der Befehle oder Algorithmen, sondern auch für die Speicherung der Befehle selbst bereitzustellen. In Ausführungsformen kann flüchtiger Speicher z. B. Direktzugriffsspeicher (RAM), dynamischer Direktzugriffsspeicher (DRAM) oder statischer Direktzugriffsspeicher (SRAM) umfassen. In Ausführungsformen kann nichtflüchtiger Speicher z. B. Festwertspeicher, Flash-Speicher, ferroelektrischer RAM, Festplatte, Diskette, Magnetband oder optischer Plattenspeicher sein. Die vorstehenden Aufzählungen schränken die Art des Speichers, der verwendet werden kann, in keiner Weise ein, da diese Ausführungsformen nur beispielhaft aufgeführt sind und den Umfang der Offenbarung nicht einschränken sollen. In Ausführungsformen kann das System oder seine Komponenten verschiedene Module umfassen oder einschließen, von denen jedes so konstruiert, programmiert, konfiguriert oder anderweitig angepasst ist, dass es eine Funktion oder einen Satz von Funktionen autonom ausführt.
3 zeigt ein Flussdiagramm einer Ausführungsform der Anwendung von Machine Learning auf Lieferketten-Planungsdaten. Eine Lieferketten-Planungsdatenbank (40) kann historische Daten für ein Lieferketten-Managementsystem eines Kunden über einen bestimmten Zeitraum enthalten. Dies kann Lieferketten-Planungsdaten beinhalten, die sich auf historische tatsächliche Bestellungen beziehen, die zu einem bestimmten Datum bei Lieferanten aufgegeben wurden (wie z. B. Informationen über Vorlaufzeiten, Bestelldaten, Mengen, Stückpreise, die Quelle, die das Teil geliefert hat, usw.), Informationen über ein eindeutiges Teil und einen Standort (wie z. B. den Teilenamen, die Beschreibung, Preis- und Kostendaten, usw.) und Informationen, die sich auf Kontaktpersonen bei Lieferanten beziehen (wie z. B. Informationen über die Kontaktperson für die Quelle, die Lieferanten-ID, die Quellen-ID, die Transportart, usw.).
Die Rohdaten werden dann über ein Datenvorbereitungsmodul (45) für Machine Learning (47) vorbereitet. Bevor der vorbereitete Datensatz zur Verwendung durch Machine-Learning-Algorithmen gesendet wird, kann der vorbereitete Datensatz eine abschließende Prüfung (50) durchlaufen, um sicherzustellen, dass es sich um einen gültigen Datensatz für die Machine-Learning-Anwendung handelt. Bei der Vorbereitung des Datensatzes für Machine Learning kann es z. B. sein, dass der vorbereitete Datensatz nicht genügend Punkte für die Analyse enthält - an diesem Punkt endet der Prozess (52). Wenn der vorbereitete Datensatz gültig ist, können zwei Machine-Learning-Algorithmen parallel angewandt werden, um wichtige Attribute der Lieferkette, wie z. B. Vorlaufzeiten, vorherzusagen (54) und eine Cluster-Analyse (56) auf den historischen Daten durchzuführen, um ähnliche Muster/Charakteristika zu bestimmen. Die beiden Anwendungen des Machine Learnings können parallel oder sequentiell durchgeführt werden. Außerdem werden zwar zwei Arten von Machine Learning-Anwendungen (d.h. Vorhersage und Clustering) dargestellt, es können aber auch weniger (d.h. eine) oder mehr Machine Learning-Anwendungen durchgeführt werden.
Der in 3 gezeigte Prozess kann eine Komponente einer größeren Lieferketten-Planungsplattform bilden, wie in 4 gezeigt, die ein Flussdiagramm einer Integration der in 3 gezeigten Ausführungsform mit einer Lieferketten-Planungsplattform (60) darstellt. Hier kann eine Lieferketten-Planungsplattform (60) Daten (62) enthalten, die sich auf die Gestaltung der Lieferkette eines Kunden beziehen, sowie Mittel/Zeitpläne zur Aktualisierung der Daten. Zum Beispiel kann ein Kunde die Analyse und Aktualisierung eines bestehenden Designs über Machine Learning auf monatlicher oder vierteljährlicher Basis (oder einer anderen regelmäßigen Periode) anfordern. Die Zeitplanung kann den Machine Learning-Prozess auslösen (64), der den Machine-Learning-Dienst vor der Authentifizierung der Kundeninformationen initiiert. Sobald die Kundeninformationen authentifiziert sind (66), tritt der in 3 dargestellte Prozess in Kraft, wobei die Machine-Learning-Ergebnisse (68) an die Lieferketten-Planungsplattform (60) zur weiteren Anwendung und Analyse zurückgegeben werden.
Vorbereitung von Daten für Machine-Learning
5 veranschaulicht ein Flussdiagramm eines Datenvorbereitungsmoduls aus den 3 und 4. Wenn die historischen Daten aus der Datenbank heruntergeladen werden (70), werden sie zunächst geprüft (72), um sicherzustellen, dass es sich um gültige Daten handelt. Sie können dann vorverarbeitet werden (74) (z. B. bereinigt, wie unten beschrieben) und dann noch einmal überprüft werden (76), um sicherzustellen, dass ein gültiger Datensatz für Machine Learning vorliegt. Wenn der verarbeitete Datensatz gültig ist, kann er dann in ein für die Vorhersage bzw. das Clustering geeignetes Format formatiert werden (78, 80).
In einigen Ausführungsformen werden die Vorlaufzeit-Daten aus den historischen Liefer-Ist-Daten in der/den Unternehmensdatenquelle(n) des Kunden gewonnen. Bei den historischen Vorlaufzeit-Daten kann es sich um Daten über einen bestimmten Zeitraum handeln. Um die Genauigkeit der Vorhersage und der Cluster-Ergebnisse zu verbessern, können historische Daten aus mindestens 2 Jahren (24 Monaten) verwendet werden. Als Beispiel (wie in 1 gezeigt) kann ein Zeitraum von 2 Jahren verwendet werden - obwohl auch andere Zeiträume verwendet werden können (z. B. 1 Jahr, 15 Monate, 18 Monate, 21 Monate, 27 Monate, 30 Monate, 33 Monate, 36 Monate oder länger).
Vor der Analyse durch Machine Learning können die Daten „bereinigt“ werden, um Datenfehler und Ausreißer zu entfernen. Beispiele für Datenfehler können Datensätze mit Nullwerten, doppelte Datensätze, negative Vorlaufzeiten usw. sein.
Was Ausreißer betrifft, so ist ein Ausreißer ein Datenpunkt mit einer Vorlaufzeit, die außerhalb eines Gesamtmusters einer Zeitreihe liegen kann. Als Beispiel für die Identifizierung von Ausreißern kann der Interquartilsbereich (IQR) verwendet werden (es können auch andere statistische Verfahren zur Berechnung von Ausreißern verwendet werden). Im IQR-Verfahren ist ein Datenpunkt ein Ausreißer, wenn er z. B. mehr als das 1,5-fache des IQR über dem dritten Quartil (Q3) liegt; oder wenn er z. B. weniger als das 1,5-fache des IQR im ersten Quartil (Q1) liegt. Dies kann mathematisch ausgedrückt werden: Ein Datenpunkt (DP) ist ein Ausreißer, wenn: $DP < Q 1 - 1.5 * IQR or DP > Q 3 + 1.5 * Q 3$
Das IQR-Verfahren, wie oben definiert, beinhaltet die folgenden Schritte:

1. Berechnet den Median, die Quartile und den IQR.
2. Berechnet 1,5 * IQR unterhalb des ersten Quartils, um auf niedrige Ausreißer zu prüfen.
3. Berechnet 1,5 * IQR oberhalb des dritten Quartils, um auf hohe Ausreißer zu prüfen.

Die Berechnungen ergeben eine obere und untere Grenze. Alle Datensätze mit Vorlaufzeiten, die unterhalb der unteren Grenze und oberhalb der oberen Grenze liegen, werden vor der Eingabe in die Machine-Learning-Algorithmen aus dem Datensatz entfernt..
Beispiel für die Berechnung von Ausreißern
Nehmen Sie zum Beispiel die folgenden historischen tatsächlichen Vorlaufzeiten in den Daten an:

Jan Feb Mar Apr May Jun Jul

5 11 12 12 12 13 25

1. Berechnen des Medians, der Quartile und des IQR:
- a. Der Median ist 12
- b. Die Quartile werden berechnet, indem der geordnete Datensatz in zwei Hälften geteilt wird. Für eine ungerade Anzahl von Datenpunkten im vollständigen Datensatz ist der Median in beiden Hälften enthalten. Der untere Quartilswert ist der Median der unteren Hälfte der Daten. Der untere Quartilswert ist der Median der unteren Hälfte der Daten. Der obere Quartilswert ist der Median der oberen Hälfte der Daten.
- c. Erstes Quartil (auch bekannt als das 25. Perzentil oder Q1) = 11.5 (dies erhält man durch Berechnung des Medians der Zahlen 5, 11, 12, 12).
- d. Zweites Quartil (auch bekannt als das 50. Perzentil oder Q2) = 12= Median
- e. Drittes Quartil (auch bekannt als das 75. Perzentil oder Q3) = 12.5 (dies erhält man durch Berechnung des Medians der Zahlen 12, 12, 13, 25).
- f. $IQR = Q 3 - Q 1 = 12.5 - 11.5 = 1$
2. Berechnen 1.5 * IQR unterhalb des ersten Quartils, um auf niedrige Ausreißer zu prüfen: $Q 1 - 1.5 \times IQR = 11.5 - (1.5) (1) = 1$
Ein Datenpunkt wird also als niedriger Ausreißer betrachtet, wenn er kleiner als 10 ist. In diesem Fall wird 5 als ein niedriger Ausreißer betrachtet.
3. Berechnen 1.5 * IQR oberhalb des dritten Quartils, um auf hohe Ausreißer zu prüfen: $Q 3 + 1.5 \times I Q R = 12.5 + (1.5) (1) = 14$
Ein Datenpunkt wird also als hoher Ausreißer betrachtet, wenn er größer als 14 ist. In diesem Fall wird 25 als ein hoher Ausreißer betrachtet.

Basierend auf den obigen IQR-Berechnungen gibt es zwei Ausreißer (5 und 25) in dem Beispieldatensatz.
Daher werden diese beiden Datenpunkte vor der Eingabe in den Machine-Learning-Algorithmus entfernt.
Schließlich wird der verarbeitete Datensatz in einem Format aufbereitet, das von den Algorithmen Forecasting und Cluster verwendet werden kann.
Vorhersage
Sobald die Daten verarbeitet sind, können sie von einem Machine-Learning-Algorithmus verwendet werden, um zukünftige Vorlaufzeiten basierend auf den aktuellen historischen Vorlaufzeit-Daten vorherzusagen.
6 zeigt ein Flussdiagramm der Vorhersagekomponente von 3. Sobald die Daten durch das Datenvorbereitungsmodul verarbeitet wurden, sind sie bereit für den Prozess des Vorhersage-Machine Learning-Prozess. Zunächst können die Daten nach Schlüsselfeldern (82) gruppiert werden (z.B. eine Kunden-ID, eine Teile-ID, usw.). Die Daten werden auch in einen ersten Teil (genannt Trainingsteil) und einen zweiten Teil (genannt Testteil) gruppiert. Dann wird eine Vielzahl von Machine-Learning-Algorithmen für die Vorhersage jeweils auf dem Trainingsteil trainiert; die Vorhersage eines jeden wird auf dem Testteil getestet. In 6 werden vier Algorithmen (84a, 84b, 84c, 84d) trainiert und getestet. Es können jedoch auch weniger oder mehr Algorithmen für Training und Test verwendet werden. Das genaueste Modell (86) wird dann ausgewählt und erneut mit dem gesamten historischen Datensatz trainiert. Es wird dann zur Vorhersage (oder Prognose) (88) von Vorlaufzeiten für einen zukünftigen Zeitraum (z. B. 3-6 Monate; 6-12 Monate; 1-2 Jahre, usw.) verwendet. Der Prozess kann dann beendet werden (90). Alternativ, wenn der Machine Learning-Prozess Teil einer Lieferketten-Planungsplattform ist (wie in 4), werden die Ergebnisse zur weiteren Analyse/Nutzung auf die Plattform hochgeladen (92).
Aspekte von 6 werden im Folgenden detaillierter beschrieben.
Der Vorhersage-Machine-Learning-Algorithmus kann die Vorlaufzeit von gekauften Gegenständen (oder Teilen) von verschiedenen Lieferanten zu verschiedenen Zeiten des Jahres vorhersagen. Jeder Gegenstand kann ein unterschiedliches Verhalten in Bezug auf die Vorlaufzeit aufweisen, was auf viele Faktoren zurückzuführen ist, wie z. B.: seine schwankende Nachfrage im Laufe des Jahres, die geografische Lage der Lieferanten, die den Gegenstand produzieren, der Preis und die Verfügbarkeit des Gegenstands, die Menge der Bestellungen, usw. Dies führt zu vielen wissenschaftlichen Unsicherheiten, da jeder Vorhersagealgorithmus in einigen Situationen gut funktionieren kann. Daher funktioniert kein einzelner Vorhersagealgorithmus am besten für alle Daten - die Wahl des Algorithmus ist datenabhängig. Es können mehrere Vorhersage-Maschinen-Algorithmen an den Daten getestet werden, um zu sehen, welche angemessen gut funktionieren.
Konventionelle Ansätze trainieren Vorhersage-Maschinen-Algorithmen offline und setzen ein festes Vorhersagemodell ein. Ein solcher Ansatz passt jedoch möglicherweise nicht gut zu der sich entwickelnden Natur der historischen Vorlaufzeit-Daten oder den Speicheranforderungen, die erforderlich sind, wenn der Machine-Learning-Algorithmus in eine Lieferketten-Planungsplattform integriert wird, in der die Daten ständig aktualisiert werden. Es kann eine transiente Modell-Methodik verwendet werden, bei der ein Modell mit „Live“-Daten trainiert und zur Vorhersage von Vorlaufzeiten für einen Zeitraum (z. B. drei Monate, sechs Monate, zwölf Monate usw.) in die Zukunft verwendet werden kann, während das Modell nach der Laufzeit vergessen wird (d. h. das Modell wird erneut trainiert). Da außerdem die Verarbeitungszeit angemessen sein muss (z. B. nicht mehr als 1-2 Wochen), können verschiedene Vorhersage-Maschinen-Algorithmen auf ihre Leistung in Bezug auf die Rechenkomplexität/Vorhersagequalität für verschiedene Datensätze bewertet werden.
Da Überanpassung eine der kritischen Herausforderungen beim Machine-Learning ist, kann ein trainiertes Modell die historischen Daten nicht auf vorhergesagte Daten verallgemeinern. Daher können die historischen Daten in einen Satz zum Trainieren eines Machine-Learning-Algorithmus für Vorhersagen und einen Testsatz zur Validierung des Algorithmus aufgeteilt werden. Unter der Annahme, dass die zukünftigen Daten einer ähnlichen Verteilung wie die historischen Daten folgen, wird ein Modell auf dem Testsatz validiert, um zu entscheiden, welcher Algorithmus und welche Parameter für die Vorhersage der zukünftigen Daten verwendet werden sollen. Dies hilft, das Risiko einer Überanpassung an die historischen Daten zu reduzieren.
Der Vorhersage-Machine-Learning-Algorithmus kann bevor er für die Vorhersage verwendet wird trainiert werden. Wie oben beschrieben, kann aufgrund der Variabilität der historischen Vorlaufzeit-Daten eine Vielzahl von Machine-Learning-Algorithmen unabhängig voneinander auf einem Teil der Daten trainiert werden. Wenn z.B. 2 Jahre an Daten vorliegen, kann jeder Machine Learning-Algorithmus für die Vorhersage auf 70% der Daten (d.h. ungefähr die ersten 17 Monate) trainiert werden. Beispiele für Vorhersage-Machine-Learning-Algorithmen sind Adaboost Regressor, FBProphet, lineare Regression, Mittelwert und Median.
In einigen Szenarien kann die Leistung eines Algorithmus unzureichend sein. Als solche können die Konfigurationsparameter des Algorithmus an die Daten angepasst werden. Da zum Beispiel spärliche Daten die Funktion „Saisonalität“ des FBProphet-Algorithmus negativ beeinflussen, wurde ein Mechanismus entwickelt, um zu entscheiden, wann diese Funktion aktiviert werden sollte. Außerdem wurde eine Reihe von Experimenten mit verschiedenen Zeitgruppierungs-Strategien versucht - was zu der Schlussfolgerung führte, dass die Gruppierung der Ergebnisse nach der Vorhersage, anstatt vor der Vorhersage, die besten Ergebnisse liefern. Trotz der parallelen Ausführung von fünf Modellen entsprach die rechnerische Komplexität der Gestaltung zur Laufzeit den Anforderungen an den Zeitabschluss.
Nach dem Training kann jeder Vorhersage-Machine-Learning-Algorithmus an den verbleibenden 30% der historischen Daten getestet werden. Die Vorlaufzeiten, die von jedem Vorhersage-Machine-Learning-Algorithmus vorhergesagt wurden, werden dann mit den historischen Vorlaufzeiten für die verbleibenden 30 % des Zeitraums verglichen. Der Vorhersage-Machine-Learning-Algorithmus, der sich bei der Vorhersage der verbleibenden 30% der Daten als am genauesten erweist, wird als der Vorhersage-Machine-Learning-Algorithmus ausgewählt, der für die Vorhersage zukünftiger Vorlaufzeiten verwendet werden soll.
Während der Trainings- und Testteil in 70%-30%-Teile aufgeteilt werden kann, sind auch andere Teile möglich. Zum Beispiel kann der Trainingsteil 50% betragen, während der Testteil die verbleibenden 50% sein kann; oder der Trainingsteil kann 60% betragen, während der Testteil 40% sein kann; der Trainingsteil kann 75% betragen, während der Testteil 25% sein kann. Jede Kombination ist möglich, solange der Trainingsanteil 50% oder mehr der historischen Daten beträgt und der Testanteil 50% oder weniger der historischen Daten.
Als Beispiel wurde für jeden der fünf getesteten Vorhersage-Maschinen-Algorithmen die Hypothese aufgestellt, dass die meisten der aufgeführten Parameter (jedes Algorithmus) einen vernachlässigbaren Einfluss auf die Qualität der endgültigen Vorhersage haben sollten. Es wurden Experimente durchgeführt, um die Bedeutung der einzelnen Parameter für die Modellqualität zu bestimmen. Schließlich wurden einige wenige Parameter für jeden der Algorithmen ausgewählt und eine Rastersuche für diese Parameter auf den historischen Daten durchgeführt.
Zusätzlich wurden Experimente durchgeführt, um die Auswirkung der Saisonalität auf die Vorhersagequalität zu verstehen. Es wurde herausgefunden, dass die Modellierung der Saisonalität basierend auf wenigen Beobachtungen und unvollständigen Daten die Qualität der Vorhersage verschlechtern kann. Daher wurden Vorsichtsmaßnahmen hinzugefügt, um zu prüfen, ob die historischen Vorlaufzeit-Daten für ein bestimmtes Lieferteil für die Saisonalitätsanalyse geeignet sind.
Der ausgewählte Vorhersage-Machine-Learning-Algorithmus wird zunächst erneut auf den gesamten Datensatz (d. h. die gesamten 2 Jahre) trainiert und dann zur Vorhersage der Vorlaufzeiten für einen zukünftigen Zeitraum verwendet. Der zukünftige Zeitraum kann z.B. 0-24 Monate, oder 3-15 Monate, oder 12 Monate sein. Die zukünftigen Vorlaufzeiten können z. B. für 3 Monate, 6 Monate, 9 Monate, 12 Monate usw. ab dem Datum der Ausführung des Vorhersage-Machine-Algorithmus bereitgestellt werden.
Hinsichtlich der Granularität der Vorhersagen wurden Experimente entworfen, um die Ergebnisse einer monatlichen Vorhersage mit einer täglichen Vorhersage zu vergleichen. Während sowohl monatliche als auch tägliche Vorhersagen nützliche Informationen liefern, kann die Vorhersage auf täglicher Basis und die Aggregation aller Vorhersagen eines Monats bessere Ergebnisse liefern als die Vorhersage eines einzelnen Punktes in einem Monat (z. B. Anfang, Mitte oder Ende).
Zusammenfassend wurde eine Vorhersage-Methodik entwickelt, die erfolgreich auf beliebige Zeitreihen (von Vorlaufzeiten) angewendet werden kann, die von einem Kunden bereitgestellt werden, einschließlich spärlicher Datensätze. Die Methodik kann eine Vielzahl von Machine-Learning-Algorithmen verwenden (z. B. Adaboost Regressor, FBProphet, lineare Regression, Mittelwert, Median), um die Leistung auf historischen Daten zu bewerten und die beste Lösung auf zukünftigen Daten zu liefern. Des Weiteren können bestimmte Parameter des Algorithmus (z.B. Saisonalität) dynamisch an jeden Datensatz angepasst werden. Die Stärke des Algorithmus ist, dass die Bewertung der Leistung der einzelnen Algorithmen und deren Konfiguration zur Laufzeit erfolgt, was die Flexibilität bietet, sich an jeden Datensatz anzupassen. Zusätzlich wurde festgestellt, dass das Gruppieren von Zeitperioden nach der Vorhersage verbesserte Ergebnisse liefern kann.
Als Beispiel wurden die in 1 gezeigten historischen Vorlaufzeit-Daten verwendet, um einen Machine-Learning-Algorithmus zu trainieren, der dann für die Vorhersage zukünftiger Vorlaufzeiten verwendet wurde. Die resultierende Vorhersage zukünftiger Vorlaufzeiten ist in 7 dargestellt - für den 12-Monats-Zeitraum von Juli 2017 bis Juli 2018. Die vorhergesagten Vorlaufzeiten variieren von einem Tiefstand von ca. 35 Tagen bis zu einem Höchststand von ca. 50 Tagen - deutlich über der geplanten Vorlaufzeit von 5 Tagen. Diese Informationen können verwendet werden, um die geplante Vorlaufzeit neu zu gestalten, damit sie die tatsächliche Leistung besser widerspiegelt. Oder sie kann dazu verwendet werden, die Quelle (oder Quellen) der durchschnittlichen Abweichung von der geplanten Abweichung im historischen Datensatz weiter zu untersuchen und Korrekturen anzuwenden, um die tatsächlichen Vorlaufzeiten näher an die geplanten Vorlaufzeiten heranzuführen.
Verwendung der Vorhersageergebnisse
Die vorhergesagten Vorlaufzeiten können verwendet werden, um die Gestaltung der Lieferkette zu ändern. Wenn die Lieferketten-Planungsplattform eine schnelle Verarbeitung von Hunderttausenden von Zeitreihen ermöglicht (d. h. die oben definierte „Rapid Response“-Plattform), kann ein Lieferketten-Planer Schwellenwerte für die mittlere absolute Abweichung zwischen geplanten und historischen Vorlaufzeiten für jede Zeitreihe festlegen, was zu „Toleranz“-Zonen für jede Zeitreihe führt. Der Planer kann dann die Machine-Learning Vorhersage-Ergebnisse der Vorlaufzeiten (die auf die Plattform hochgeladen werden) in einem schnellen Vorhersage-Szenario der „Rapid Response“-Plattform verwenden, um zu sehen, ob die geplanten Vorlaufzeiten ignoriert oder akzeptiert werden sollten.
Wenn ein Planer z.B. die Vorlaufzeiten für eine Automobilsendung abstimmt, kann er eine „innere“ Toleranzschwelle von 0-2 Tagen definieren (d.h. Vorlaufzeiten in dieser Zone müssen nicht geändert werden); eine „nahe“ Toleranzschwelle von 2-6 Tagen (d. h. Vorlaufzeiten in dieser Zone können automatisch aktualisiert werden oder erfordern eine weitere Überprüfung durch den Planer); und eine „äußere“ Toleranzschwelle von 6 Tagen oder mehr (d. h. Vorlaufzeiten in dieser Zone müssen eventuell geändert werden, erfordern aber eine Überprüfung durch einen Planer). Die Schwellenwerte der Vorlaufzeit-Zonen und ihre Aktionen können je nach Produkt geändert werden und können, basierend auf Tagen oder Prozenten, eingestellt werden. Zum Beispiel können die folgenden Toleranzschwellenwerte für ein anderes Produkt wie ein Fahrrad festgelegt werden:
Wenn die mittlere absolute Abweichung weniger als 5 Tage beträgt, wird die Toleranzzone als „Innerhalb der Toleranz“ definiert. Wenn die mittlere absolute Abweichung zwischen 5-9 Tagen liegt, wird die Toleranzzone als „Nahe der Toleranz“ definiert. Wo die mittlere absolute Abweichung mehr als 10 Tage beträgt, wird die Toleranzzone als „Außerhalb der Toleranz“ definiert.
Die folgenden drei Beispiele (Tabellen 1-3) zeigen jeweils eine Zeitreihe, in der die geplante Vorlaufzeit mit der tatsächlichen Vorlaufzeit (für eine Anzahl von Zeiträumen) verglichen wird; die mittlere absolute Abweichung wird jeweils berechnet und dann in eine der drei Toleranzzonen eingeordnet.
Hier ist die mittlere absolute Abweichung (4 Tage × 5)/5 = 4 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen wird die absolute mittlere Abweichung der Vorlaufzeit für diese Zeitreihe als „innerhalb der Toleranz“ kategorisiert. Als solches können die Machine-Learning-Vorhersageergebnisse für diese Zeitreihe ignoriert werden, da die Abweichung innerhalb einer akzeptablen Toleranzschwelle liegt.
Hier beträgt die mittlere absolute Abweichung (6+6+8+6+6) Tage/5 = 6,4 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen liegt die mittlere absolute Vorlaufzeit-Abweichung für diese Zeitreihe zwischen 5 und 9 Tagen und wird somit als „nahe der Toleranz“ kategorisiert. Als solches können die Machine-Learning-Vorhersageergebnisse für diese Zeitreihe anstelle der geplanten Vorlaufzeit verwendet werden. Wenn die Lieferketten-Planungsplattform z. B. automatisiert hat, dass alle Abweichungen, die als „nahe der Toleranz“ kategorisiert sind, die vorhergesagten Vorlaufzeiten für die weitere Planung verwenden sollen, dann werden die vorhergesagten Ergebnisse für die weitere Analyse und Vorhersage der zukünftigen Geschäftskennzahlen verwendet. Wenn die Lieferketten-Planungsplattform hingegen angegeben hat, dass „nahe der Toleranz“-Abweichungen jeweils einzeln geprüft werden sollen, dann vergleicht der Planer Szenarien mit geplanten Vorlaufzeiten gegenüber Vorlaufzeiten, die durch Machine-Learning vorhergesagt wurden, und entscheidet, wie er weiter vorgeht. Wie bereits erwähnt, werden diese Analysen am besten auf einer Rapid-Response-Plattform durchgeführt.
Hier beträgt die mittlere absolute Abweichung (11 × 4) Tage/4 = 11 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen liegt die mittlere absolute Abweichung der Vorlaufzeit für diese Zeitreihe über 10 Tagen und wird somit als „außerhalb der Toleranz“ kategorisiert. Als solches können die Machine Learning-Vorhersageergebnisse für diese Zeitreihe anstelle der geplanten Vorlaufzeit verwendet werden. Wie bei dem Fall „nahe der Toleranz“ hängt das weitere Vorgehen davon ab, welche Art von Aktion festgelegt wurde. Wenn die Lieferketten-Planungsplattform z. B. automatisiert hat, dass alle Abweichungen, die als „nahe der Toleranz“ kategorisiert sind, die vorhergesagten Vorlaufzeiten für die weitere Planung verwenden sollen, dann werden die vorhergesagten Ergebnisse für die weitere Analyse und Vorhersage der zukünftigen Geschäftskennzahlen verwendet. Wenn die Lieferketten-Planungsplattform hingegen angegeben hat, dass „nahe der Toleranz“-Abweichungen jeweils einzeln geprüft werden sollen, dann vergleicht der Planer Szenarien mit geplanten Vorlaufzeiten gegenüber Vorlaufzeiten, die durch Machine-Learning vorhergesagt wurden, und entscheidet, wie er weiter vorgeht. Wie bereits erwähnt, werden diese Analysen am besten auf einer Rapid-Response-Plattform durchgeführt.
Clustering
Clustering (via Machine-Learning) kann verwendet werden, um Probleme in einer Lieferkette zu identifizieren. Eine Technik, die verwendet werden kann, ist die Klassifizierung von Vorlaufzeit-Clustern basierend auf deren Form und Muster in Bezug auf die Vorlaufzeit. Beispielsweise können Vorlaufzeiten innerhalb eines bestimmten Clusters helfen, eine Problemquelle (z. B. einen bestimmten Lieferanten) zu identifizieren. Aufgrund der großen Größe von Datensätzen, die im Lieferketten-Management verwendet werden, kann jedoch der Dynamic Time Warp (DTW)-Algorithmus, der üblicherweise für das Clustering verwendet wird, aufgrund seiner quadratischen Zeitkomplexität nicht verwendet werden, was seine Verwendung rechnerisch unerschwinglich macht. Alternative konventionelle Clustering-Algorithmen (z. B. dichtebasiert, hierarchisch, iterativ usw.) sind möglicherweise nicht in der Lage, den großen Datensatz zu verarbeiten und führen zu einer schlechten Clustering-Leistung. Der Schlüssel liegt darin, eine robuste, leistungsstarke Clustering-Technik zu finden, die in der Lage ist, große Datensätze (aus Lieferketten-Daten) zu verarbeiten. Ein Datensatz kann z. B. Hunderttausende bis ein paar hundert Millionen Datenpunkte enthalten.
Es wurde die Hypothese aufgestellt, dass die Leistung verbessert werden kann, indem die Rohdaten mit Merkmalen (z. B. Statistiken höherer Ordnung und verfügbaren Metadaten) angereichert werden. Nach iterativem Experimentieren mit verschiedenen Merkmalen und Algorithmen wurden zwei Merkmale identifiziert, die die Leistung der Clustering-Algorithmen signifikant verbesserten: Linearität (erhalten durch lineare Regressionen) und Saisonalität (erhalten durch Fourier-Transformation). Die Qualität eines Clusters wurde durch die Verwendung interner Validierungsmaße quantifiziert, die auf Basis von Ähnlichkeiten von Datenpunkten innerhalb eines Clusters und deren Unähnlichkeiten zu Datenpunkten in anderen Clustern berechnet wurden.
Die Validierung zeigte jedoch, dass in einigen Szenarien das Clustering im vollen Merkmalsraum (z. B. wenn Daten und jedes Merkmal orthogonale Dimensionen sind) nicht wie erwartet funktionierte, da die Datenpunkte zu verrauscht oder äquidistant zueinander waren, was ein zuverlässiges Clustering erschwerte. Es wurde festgestellt, dass durch die Projektion des Datensatzes mit höherer Dimensionalität in den 2-dimensionalen Raum das Rauschen reduziert und die Clustering-Leistung in einigen Szenarien verbessert wurde, und der Ansatz wurde übernommen.
Daher wurde eine recheneffiziente Clustering-Technik entwickelt, mit der potenzielle Probleme mit den Versorgungsleitungen eines Kunden identifiziert werden konnten. Angesichts der großen Datenmengen wurde festgestellt, dass herkömmliche Clustering-Algorithmen nicht standardmäßig eingesetzt werden können. Es wurde eine Clustering-Strategie entwickelt, die abgeleitete Statistiken wie Trends und Saisonalität verwendet, um die Leistung der Clustering-Algorithmen zu verbessern. Zusätzlich wurde eine Technik entwickelt, um das Rauschen der Ergebnisse durch Projektion auf den zweidimensionalen Raum zu reduzieren.
8 stellt ein Flussdiagramm für eine Ausführungsform zur Clusteranalyse dar. Der Clustering-Algorithmus ruft verarbeitete Daten (94) ab und prüft, ob der verarbeitete Datensatz für die Clustering-Analyse gültig (95) ist (d. h. er ist nicht leer). Anschließend werden Merkmale (96) für jede Zeitreihe im Datensatz erzeugt.
Zum Beispiel können die folgenden vier Merkmale identifiziert werden: Saisonalität; aufwärts gerichtete Linearität; flache Linearität und abwärts gerichtete Linearität. Beispiele für jedes der möglichen vier Merkmale sind in 9A-9D dargestellt. In 9A-9C kann jedes Streudiagramm durch eine Anpassungsgerade y = mx + b angenähert werden, wobei „m“ die Steigung und „b“ der y-Achsenabschnitt ist. In 9A ist m > 0 (Aufwärtstrend); in 9B ist m < 0 (Abwärtstrend) und in 9C ist m ungefähr 0 (flacher Trend). In 9D zeigt das Streudiagramm die Saisonalität. 9E zeigt ein Streudiagramm, das sowohl Saisonalität als auch einen Aufwärtstrend (m > 0) aufweist. Obwohl vier Merkmale identifiziert wurden, ist es möglich, dass mehr oder weniger Merkmale für eine Clustering-Analyse identifiziert werden können.
Die Daten können dann vor der Clustering-Analyse in drei Gruppen geteilt (97) werden: ob die Daten in jeder Zeitreihe spärlich, flach oder reichhaltig sind. Wenn zum Beispiel jede Zeitreihe die Vorlaufzeit eines bestimmten Gegenstands von einem bestimmten Ursprung zu einem bestimmten Ziel über einen Zeitraum von zwei Jahren widerspiegelt, kann die Zeitreihe 24 Datenpunkte haben (d.h. einen Datenpunkt pro Monat). Eine Zeitreihe, die als „spärlich“ kategorisiert ist, kann weniger als einen Schwellenwert an Datenpunkten haben (z.B. 12), während ein „reichhaltiger“ Datensatz mehr als einen Schwellenwert an Datenpunkten haben kann. Eine als „flach“ kategorisierte Zeitreihe hat die gleiche Vorlaufzeit über den 24-Monats-Zeitraum.
Das Clustering kann für jede der drei Gruppen (d. h. „spärlich“, „flach“ und „reichhaltig“) durchgeführt werden, indem eine optimale Anzahl von Clustern (98) gefunden wird. Die optimale Anzahl kann zwischen 2 und 100 Clustern liegen. Sobald die Anzahl der Cluster festgelegt ist (für jede Gruppe), wird ein erstes Clustering durchgeführt. Innerhalb jeder Gruppe gibt es einen optionalen Schritt der Teilung von großen Clustern (99) des Weiteren in kleinere Sub-Cluster. Schließlich kann jeder der Cluster (innerhalb jeder Gruppe) beschnitten werden (100), indem Ausreißerdaten entfernt werden, die z.B. durch eine Quartilsanalyse identifiziert werden können. Die endgültigen Cluster-Ergebnisse für jede der drei Gruppen können dann auf eine Lieferketten-Planungsplattform zur weiteren Analyse hochgeladen werden (101).
Verwendung der Clustering-Ergebnisse
Die Machine-Learning-Clustering-Analyse kann verwendet werden, um Problempunkte in der Lieferkette zu identifizieren. Wenn eine Lieferketten-Planungsplattform eine schnelle Verarbeitung von Hunderttausenden von Zeitreihen vorsieht - d.h. eine Rapid-Response-Plattform (wie oben definiert), kann ein Lieferketten-Planer Schwellenwerte in der mittleren absoluten Abweichung zwischen geplanten und historischen Vorlaufzeiten für jede Zeitreihe festlegen, was zu „Toleranz“-Zonen für jede Zeitreihe führt, und zwar in ähnlicher Weise wie oben beschrieben.
Die Cluster-Ergebnisse, die in die Lieferketten-Planungsplattform hochgeladen werden, können dann zunächst nach Toleranzzonen gefiltert werden und dann innerhalb jeder Toleranzzone nach spezifischen Lieferketten-Kennungen, wie z.B. Teile-Standort, Lieferanten-Identifikation, Bestimmungsort des Teils, Region des Lieferanten-Standorts, Transportmodus für das Teil, Trend (ob die Vorlaufzeiten nach oben, unten oder flach tendieren); und Saisonalität (ob die Vorlaufzeiten saisonal sind oder nicht).
10 zeigt eine Baum-Karte (110), die Cluster von Teilen darstellt, die außerhalb einer Toleranzzone liegen, die in diesem Beispiel gemäß der Abweichungsskala für Vorlaufzeiten (115) mit 32 Tagen definiert ist. Alle Teile (in jedem Sub-Cluster) sind verspätet, da die tatsächlichen Vorlaufzeiten eine absolute mittlere Abweichung von mehr als 32 Tagen aufweisen.
Die Größe jedes Kästchens stellt die Anzahl der Teile im Cluster dar. Die Überschrift jedes Kästchens bezieht sich auf eine Clusterkategorie. Die Schattierung jedes Kästchens stellt die Vorlaufzeit-Abweichung dar (je dunkler die Schattierung, desto größer die Abweichung). Zum Beispiel scheint die größte Box (125) eine Vorlaufzeit-Abweichung von ca. 37 Tagen zu haben (die Überschrift „Global“ ist eine Kennzeichnung eines Fertigungsstandorts). Das nächstgrößere Feld (130), das etwa zwei Drittel der Größe von Feld (125) hat, scheint eine Vorlaufzeit-Abweichung von etwa 37 Tagen zu haben und bezieht sich auf einen bestimmten Lieferanten, der als „S008“ identifiziert wird. Das heißt, eine beträchtliche Anzahl von Teilen des Lieferanten S008 hat eine Vorlaufzeit-Abweichung von ca. 37 Tagen, was einem Planer nützliche Informationen über mögliche Probleme mit dem Lieferanten S008 liefert.
Cluster (135), etwa halb so groß wie Cluster (130), hat eine kürzere Vorlaufzeit-Abweichung von etwa 32 Tagen (wie durch die helle Schattierung festgestellt). Dies bezieht sich auf einen bestimmten Standort in der Lieferkette aller Teile, identifiziert als Standort „E3003“. Eine gleiche Anzahl von Teilen (zu denen in Cluster (130)), wie durch Kästchen (140) identifiziert, hat jedoch eine höhere Vorlaufzeit-Abweichung von etwa 36 Tagen. Dieser Cluster bezieht sich auf den Lieferanten S006 in der Lieferkette für alle Teile.
Als nächstes gibt es in der Spalte ganz rechts drei Gruppen von Clustern (120, 145, 150) mit einer relativ geringen Anzahl von Teilen (wie durch die Größe des jeweiligen Kästchens verdeutlicht).
Es gibt ein Cluster von Teilen (120), der durch den dunkelsten Farbton dargestellt wird und die größte Abweichung der Vorlaufzeit von 42 Tagen anzeigt. Der Größe nach repräsentiert dieser Cluster eine relativ kleine Anzahl von Teilen (die Anzahl der Teile in diesem Cluster ist 3, wie in der Statistikbox gezeigt). Die dunklere Schattierung bedeutet, dass dieser Cluster nicht nur erheblich außerhalb der Toleranz liegt, sondern auch einen potenziell unverhältnismäßig großen Teil des Umsatzes in Gefahr bringt. Dieser dunkle Cluster (120) ist möglicherweise ein guter Ort, um die weitere Analyse auf einen Problempunkt in der Lieferkette zu konzentrieren. Seine Überschrift verweist auf einen bestimmten Standort, der als „P2001“ identifiziert wird, was dem Planer einen sofortigen Einblick gibt, wo das akuteste Problem in der Lieferkette liegen könnte (d.h. am Standort P2001).
Die übrigen Cluster (145) und (150) sind etwas kleiner als Cluster (120) und stellen jeweils 2 Teile als außerhalb der Toleranz dar. Cluster (145) bezieht sich auf einen saisonalen Cluster, bei dem die Vorlaufzeit-Abweichung etwa 34 Tage beträgt, während Cluster (150) eine Vorlaufzeit-Abweichung von etwa 37 Tagen für 2 Teile aufweist und sich auf einen Standort bezieht, der als Standort „E3001“ identifiziert wird.
Weitere Analysen können basierend auf einer Cluster-Baum-Analyse bereitgestellt werden. Dies ist in 11 dargestellt, die die Ergebnisse der Geschäftsauswirkungen und der gefährdeten Einnahmen unter Verwendung von Analysewerkzeugen in einer Lieferketten-Planungsplattform zeigt, die eine sofortige Analyse ermöglicht (z. B. eine Rapid-Response-Plattform, wie oben definiert).
In 11 ist das Tortendiagramm mit der Bezeichnung Teileanzahl (160) in drei Segmente unterteilt: innerhalb der Toleranz (205); nahe der Toleranz (200) und außerhalb der Toleranz (210). Ungefähr 30% der Gegenstände hatten eine Vorlaufzeit, die nahe an der geplanten Vorlaufzeit lag, d.h. der absolute Mittelwert der Vorlaufzeit lag innerhalb der Toleranz (205) (d.h. innerhalb eines akzeptablen Bereichs). Weitere 30 % der Gegenstände wiesen höhere Abweichungen bei der Vorlaufzeit auf, befanden sich aber immer noch in einem Bereich nahe der Toleranz (200). Schließlich waren etwa 40 % der Gegenstände außerhalb der Toleranz (210)
Das Kreisdiagramm „Teileanzahl“ (160) bedeutet nicht notwendigerweise, dass irgendwelche Maßnahmen ergriffen werden sollten. Die Auswirkungen dieser Ergebnisse können jedoch durch die Betrachtung des möglichen Zusammenspiels zwischen dem Kreisdiagramm „Bestand“ (170) und dem Kreisdiagramm „Umsatzrisiko“ (180) bewertet werden. Solche Ergebnisse können durch Analysewerkzeuge einer Lieferketten-Planungsplattform bereitgestellt werden, z. B. durch eine Rapid-Response-Plattform wie oben definiert.
Gemäß Diagramm (170) sind etwa 80 % des Bestands mit Gegenständen verbunden, die innerhalb der Toleranz liegen (305), während 10 % mit Gegenständen in der Nähe der Toleranz verbunden sind (300). Allerdings sind nur 5% des Bestands mit Gegenständen verbunden, deren nachgewiesene Vorlaufzeit außerhalb der Toleranz liegt (310). Gemäß dieser Analyse sind zwar ca. 40% der Gegenstände außerhalb der Toleranz (basierend auf der Teilezählungstabelle (160)), dies führt jedoch dazu, dass nur ca. 5% des Bestands eine Vorlaufzeit außerhalb der Toleranz haben. Die Bestandsmenge an sich liefert jedoch keine vollständigen Informationen.
Ein Diagramm zum Umsatzrisiko (180) zeigt, dass etwa 45 % des Gesamtumsatzes gefährdet sind - wie durch den Teil (410) dargestellt. Das heißt, eine relativ kleine Anzahl von Teilen, die sich im Diagramm (170) des Lagerbestands außerhalb der Toleranzzone (310) befinden, kann einen unverhältnismäßig großen Einfluss auf den Umsatz haben. Eine solche Analyse zeigt, dass die Behebung von Problemen mit der Vorlaufzeit bei einer relativ kleinen Anzahl von Teilen eine enorme Rendite haben kann.
12 illustriert ein Computer-System 1200, das zur Implementierung des in den 2A oder 2B gezeigten Systems verwendet werden kann. Es versteht sich, dass die Darstellung des Computer-Systems 1200 eine verallgemeinerte Darstellung ist und dass das Computer-System 1200 zusätzliche Komponenten enthalten kann und dass einige der beschriebenen Komponenten entfernt und/oder modifiziert werden können. Außerdem kann das in den 2A oder 2B dargestellte System in einem verteilten Computer-System, wie z.B. einem Cloud-Computer-System, implementiert sein. Zum Beispiel kann das Computer-System 1200 einen Server darstellen, auf dem das in den 2A oder 2B dargestellte System läuft, oder das Computer-System 1200 kann einen von mehreren verteilten Servern umfassen, der Funktionen des in den 2A oder 2B dargestellten Systems ausführt.
Das Computer-System 1200 umfasst Prozessor(en) 1201, wie z. B. eine Zentralrecheneinheit, anwendungsspezifische integrierte Schaltung (ASIC) oder eine andere Art von Verarbeitungsschaltung; Eingabe-/Ausgabegeräte 1202, wie z. B. ein Display, eine Maustastatur usw.; eine Netzwerkschnittstelle 1208, wie z. B. eine oder mehrere Schnittstellen zum Anschluss an ein lokales Netzwerk (LAN), ein drahtloses 802.11x LAN, ein 7G- oder 4G-Mobil-WAN oder ein WiMax-WAN oder eine andere Art von Netzwerk; und ein Computer-lesbares Medium 1204. Jede dieser Komponenten kann operativ mit einem Bus 1209 gekoppelt sein. Das Computer-lesbares Medium 1204 kann jedes geeignete Medium sein, das an der Bereitstellung von Befehlen an den/die Prozessor(en) 1201 zur Ausführung teilnimmt. Zum Beispiel kann das Computer-lesbares Medium 1204 ein nicht flüchtiges oder nicht transitorisches Medium sein, wie eine Magnetplatte oder ein nicht flüchtiger Festkörperspeicher oder ein flüchtiges Medium wie RAM. Die auf dem computerlesbaren Medium 1204 gespeicherten Befehle können maschinenlesbare Befehle enthalten, die von dem/den Prozessor(en) 1201 ausgeführt werden, um die Verfahren und Funktionen des in den 2A oder 2B dargestellten Systems durchzuführen.
Das Computer-lesbare Medium 1204 kann ein Betriebssystem 1205, wie z. B. MAC OS, MS WINDOWS, UNIX oder LINUX, und eine oder mehrere Anwendungen speichern, die die Module für das in den 2A oder 2B gezeigte System enthalten können. Das Betriebssystem 1205 kann Multi-User, Multi-Processing, Multitasking, Multithreading, Echtzeit usw. sein.
Das Computer-System 1200 kann einen Datenspeicher 1207 enthalten, der einen nichtflüchtigen Datenspeicher enthalten kann. Der Datenspeicher 1207 speichert Daten, die von dem in den 2A oder 2B gezeigten System verwendet werden (d.h. er speichert Daten, die von den Machine-Learning-Diensten verwendet werden). Der Datenspeicher 1207 kann für eine Datenablage (nicht dargestellt) verwendet werden oder das Computer-System 1200 kann mit einem Datenbankserver (nicht dargestellt) zur Bereitstellung der Datenablage verbunden sein.
Endbenutzergeräte 1210 und andere Computer-Systeme/Server können sich auch über das LAN und die Netzwerkschnittstelle 1208 mit dem Computer-System 1200 verbinden. Außerdem kann die Netzwerkschnittstelle 1208 das Computer-System 1200 mit dem Internet verbinden. Zum Beispiel kann das Computer-System 1200 über die Netzwerkschnittstelle 1208 und das Internet eine Verbindung zur Benutzerschnittstelle 1211 und zu den Datenquellen 1212 herstellen.
Verschiedene Ausführungsformen von Systemen, Geräten und Verfahren wurden hier beschrieben. Diese Ausführungsformen sind nur als Beispiel angegeben und sollen den Umfang der Erfindung nicht einschränken. Es sollte außerdem beachtet werden, dass die verschiedenen Merkmale der beschriebenen Ausführungsformen auf verschiedene Weise kombiniert werden können, um zahlreiche zusätzliche Ausführungsformen zu erzeugen. Darüber hinaus, während verschiedene Materialien, Abmessungen, Formen, Konfigurationen und Orte, etc. wurden für die Verwendung mit offengelegten Ausführungsformen beschrieben, andere neben den offengelegten können verwendet werden, ohne den Geltungsbereich der Erfindung zu überschreiten.
Fachleute der entsprechenden Fachwelt werden erkennen, dass die Erfindung weniger Merkmale umfassen kann, als in den einzelnen oben beschriebenen Ausführungsformen dargestellt sind. Die hier beschriebenen Ausführungsformen sind nicht als erschöpfende Darstellung der Möglichkeiten gedacht, in denen die verschiedenen Merkmale der Erfindung kombiniert werden können. Dementsprechend sind die Ausführungsformen keine sich gegenseitig ausschließenden Kombinationen von Merkmalen; vielmehr kann die Erfindung eine Kombination von verschiedenen einzelnen Merkmalen umfassen, die aus verschiedenen einzelnen Ausführungsformen ausgewählt sind, wie sie von Personen mit gewöhnlichem Fachwissen in der Fachwelt verstanden werden.
Jegliche Einbeziehung von Dokumenten durch Verweis oben ist so begrenzt, dass kein Gegenstand einbezogen wird, der der ausdrücklichen Offenbarung hierin widerspricht. Jegliche Einbeziehung durch Verweis auf die oben genannten Dokumente ist des Weiteren dahingehend beschränkt, dass keine in den Dokumenten enthaltenen Ansprüche durch Verweis hierin einbezogen werden. Jegliche Einbeziehung von Dokumenten durch Verweis ist des Weiteren dahingehend eingeschränkt, dass in den Dokumenten enthaltene Definitionen nicht durch Verweis einbezogen werden, es sei denn, sie sind hier ausdrücklich enthalten.
Für die Zwecke der Auslegung der Ansprüche der vorliegenden Erfindung ist ausdrücklich beabsichtigt, dass die Bestimmungen von Abschnitt 112, sechster Absatz des 35 U.S.C. nicht herangezogen werden sollen, es sei denn, die spezifischen Begriffe „Mittel für“ oder „Schritt für“ werden in einem Anspruch rezitiert.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2010138264 A1 [0005]
US 20180101814 A1 [0006]
US 9600779 B2 [0007]
US 6611726 B1 [0008]
US 7610212 B2 [0050]
US 8015044 B2 [0050]
US 9292573 B2 [0050]

Claims

Ein Computer-implementiertes Verfahren, umfassend: Erhalt historischer Vorlaufzeit-Daten bezogen auf eine Lieferkette; Vorverarbeiten der historischen Vorlaufzeit-Daten zu einem verarbeiteten Datensatz; und Trainieren eines Machine-Learning-Modells auf dem verarbeiteten Datensatz, wobei Trainieren das Clustern des verarbeiteten Datensatzes in eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen umfasst.
Das Computer-implementierte Verfahren nach Anspruch 1, wobei: Trainieren umfasst: Aufteilen des verarbeiteten Datensatzes in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht, der zweite Teil aus weniger als 50% der Datenpunkte besteht; Trainieren jedes einer Vielzahl von Machine-Learning-Modellen auf dem ersten Teil; Testen jedes der Vielzahl von Machine-Learning-Modellen auf dem zweiten Teil; Auswählen eines Machine-Learning-Modells, das die größte Genauigkeit beim Testen des zweiten Teils aufweist und das ausgewählte Machine-Learning-Modell auf dem verarbeiteten Datensatz erneut trainieren.
Das Computer-implementierte Verfahren nach Anspruch 2, wobei der erste Teil aus 51%-80% der Datenpunkte besteht und der zweite Teil aus 20%-49% der Datenpunkte besteht, so dass der erste und zweite Teil insgesamt 100% der Datenpunkte ausmachen.
Das Computer-implementierte Verfahren nach Anspruch 2, wobei die Vielzahl der Machine-Learning-Modelle Adaboost-Regressor, FB-Prophet, lineare Regression, Mittelwert und Median umfasst.
Das Computer-implementierte Verfahren nach Anspruch 1, wobei die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren liegen.
Das Computer-implementierte Verfahren nach Anspruch 1, weiterhin umfassend: Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz.
Das Computer-implementierte Verfahren nach Anspruch 6, wobei Vorhersagen das Bereitstellen von monatlichen zukünftigen Vorlaufzeit-Daten basierend auf einem monatlichen Durchschnitt von täglichen zukünftigen Vorlaufzeit-Daten umfasst.
Das Verfahren nach Anspruch 1, weiterhin umfassend: Empfangen von Toleranzkriterien für die Aufteilung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten; und Trennen der historischen Vorlaufzeitdaten in die Vielzahl von Toleranzzonen.
Das Verfahren nach Anspruch 8, weiterhin umfassend: Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz; und Ersetzen der zukünftigen geplanten Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem für jede Toleranzzone definierten Aktionskriterium;
Das Verfahren nach Anspruch 8, weiterhin umfassend: Verarbeiten der Toleranzzonen; Ersetzen der zukünftigen geplanten Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit dem Aktionskriterium; und Identifizieren der Cluster, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.
Das Computer-implementierte Verfahren nach Anspruch 1, wobei das Clustering umfasst: Trennen des verarbeiteten Datensatzes in Gruppen basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten; Durchführen einer Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; Beschneiden jedes Clusters; und Aufteilen jedes Clusters in eine Vielzahl von Sub-Clustern.
Das Verfahren nach Anspruch 11, weiterhin umfassend: Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone der jeweiligen Gruppe; weiterhin Trennen der Vielzahl von Clustern gemäß der Vorlaufzeit-Kennungen; und; Identifizieren von Clustern innerhalb der getrennten Cluster, die im Median die größten absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.
Eine Rechenvorrichtung, wobei die Rechenvorrichtung umfassend: ein Prozessor; und ein Speicher, der Befehle speichert, die, wenn sie vom Prozessor ausgeführt werden, die Vorrichtung konfigurieren, um: historische Vorlaufzeit-Daten in Bezug auf eine Lieferkette zu erhalten; die historischen Vorlaufzeit-Daten zu einem verarbeiteten Datensatz vorzuverarbeiten; und ein Machine-Learning-Modell auf dem verarbeiteten Datensatz zu trainieren, wobei das Trainieren das Clustern des verarbeiteten Datensatzes in eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen umfasst.
Die Rechenvorrichtung nach Anspruch 13, wobei: Trainieren umfasst: Aufteilen des verarbeiteten Datensatzes in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht, der zweite Teil aus weniger als 50% der Datenpunkte besteht; jedes einer Vielzahl von Machine-Learning-Modellen auf dem ersten Teil zu trainieren; jedes der Vielzahl von Machine-Learning-Modelle auf dem zweiten Teil zu testen; ein Machine-Learning-Modell auszuwählen, das beim Testen des zweiten Teils die größte Genauigkeit aufweist und das ausgewählte Machine-Learning-Modell auf dem verarbeiteten Datensatz erneut zu trainieren.
Die Rechenvorrichtung nach Anspruch 14, wobei der erste Teil aus 51%-80% der Datenpunkte besteht und der zweite Teil aus 20%-49% der Datenpunkte besteht, so dass der erste und zweite Teil insgesamt 100% der Datenpunkte ausmachen.
Die Rechenvorrichtung nach Anspruch 14, wobei die Vielzahl der Machine-Learning-Modelle Adaboost-Regressor, FB-Prophet, lineare Regression, Mittelwert und Median umfasst.
Die Rechenvorrichtung nach Anspruch 13, wobei die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren liegen.
Die Rechenvorrichtung nach Anspruch 13, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen.
Die Rechenvorrichtung nach Anspruch 18, wobei die Vorhersagen das Bereitstellen von monatlichen zukünftigen Vorlaufzeit-Daten basierend auf einem monatlichen Durchschnitt von täglichen zukünftigen Vorlaufzeit-Daten umfasst.
Die Rechenvorrichtung nach Anspruch 13, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: Toleranzkriterien zur Aufteilung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; und die historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu trennen.
Die Rechenvorrichtung nach Anspruch 20, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen; und zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem für jede Toleranzzone definierten Aktionskriterium zu ersetzen;
Die Rechenvorrichtung nach Anspruch 20, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: die Toleranzzonen zu verarbeiten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit dem Aktionskriterium zu ersetzen; und die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.
Die Rechenvorrichtung nach Anspruch 13, wobei das Clustering umfasst: den verarbeiteten Datensatz basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten in Gruppen zu trennen; eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, mit den vordefinierten Merkmalen ausgewählt aus Saisonalität und Linearität; jedes Cluster zu beschneiden; und jedes Cluster in eine Vielzahl von Sub-Clustern aufzuteilen.
Die Rechenvorrichtung nach Anspruch 23, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: die Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe zu trennen; die Vielzahl von Clustern weiterhin gemäß der Vorlaufzeit-Kennungen zu trennen; und innerhalb der getrennten Cluster die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.
Ein nicht-transitorisches, Computer-lesbares Speichermedium, wobei das Computer-lesbare Speichermedium Befehle beinhaltet, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen: historische Vorlaufzeit-Daten in Bezug auf eine Lieferkette zu erhalten; die historischen Vorlaufzeit-Daten zu einem verarbeiteten Datensatz vorzuverarbeiten; und ein Machine-Learning-Modell auf dem verarbeiteten Datensatz zu trainieren, wobei das Trainieren das Clustern des verarbeiteten Datensatzes in eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen umfasst.
Das Computer-lesbare Speichermedium nach Anspruch 25, wobei: Trainieren umfasst: den verarbeiteten Datensatz in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten aufzuteilen, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht, der zweite Teil aus weniger als 50% der Datenpunkte besteht; jedes einer Vielzahl von Machine-Learning-Modellen auf dem ersten Teil zu trainieren; jedes der Vielzahl von Machine-Learning-Modellen auf dem zweiten Teil zu testen; ein Machine-Learning-Modell auszuwählen, das beim Testen des zweiten Teils die größte Genauigkeit aufweist; und das ausgewählte Machine-Learning-Modell mit dem verarbeiteten Datensatz erneut zu trainieren.
Das Computer-lesbare Speichermedium nach Anspruch 26, wobei der erste Teil aus 51%-80% der Datenpunkte besteht und der zweite Teil aus 20%-49% der Datenpunkte besteht, so dass der erste und zweite Teil insgesamt 100% der Datenpunkte ausmachen.
Das Computer-lesbare Speichermedium nach Anspruch 26, wobei die Vielzahl der Machine-Learning-Modelle Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median umfasst.
Das Computer-lesbare Speichermedium nach Anspruch 25, wobei die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren liegen.
Das Computer-lesbare Speichermedium nach Anspruch 25, wobei die Befehle den Computer weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen.
Das Computer-lesbare Speichermedium nach Anspruch 30, wobei Vorhersagen das Bereitstellen von monatlichen zukünftigen Vorlaufzeit-Daten basierend auf einem monatlichen Durchschnitt von täglichen zukünftigen Vorlaufzeit-Daten umfasst.
Das Computer-lesbare Speichermedium nach Anspruch 25, wobei die Befehle den Computer weiterhin konfigurieren, um: Toleranzkriterien zur Aufteilung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; und die historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu trennen.
Das Computer-lesbare Speichermedium nach Anspruch 32, wobei die Befehle den Computer weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen; und zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem für jede Toleranzzone definierten Aktionskriterium zu ersetzen;
Das Computer-lesbare Speichermedium nach Anspruch 32, wobei die Befehle den Computer weiterhin konfigurieren, um: die Toleranzzonen zu verarbeiten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit dem Aktionskriterium zu ersetzen; und die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.
Das Computer-lesbare Speichermedium nach Anspruch 25, wobei Clustering umfasst: den verarbeiteten Datensatz basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten in Gruppen zu trennen; eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; jedes Cluster zu beschneiden; und jedes Cluster in eine Vielzahl von Subclustern aufzuteilen.
Das Computer-lesbare Speichermedium nach Anspruch 35, wobei die Befehle den Computer weiterhin konfigurieren, um: die Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe zu trennen; die Vielzahl von Clustern weiterhin gemäß der Vorlaufzeit-Kennungen zu trennen; and innerhalb der getrennten Cluster die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.