Att hantera kundernas efterfrågan och optimera sitt lager för perfekt lagersaldo- och omsättningshastighet är en process som involverar många både enkla och mer oförutsägbara steg. Det finns flera parametrar att ta hänsyn till vilket gör det svårt att få en översikt, vilket i sin tur resulterar i missade mål och dålig lageromsättning.
Allt detta gör det till ett mycket lämpligt område för tillämpad AI, inte minst för att en algoritm alltid är objektiv, till skillnad från människor som tenderar att underskatta eller överskatta siffror.
Syfte
GKN, en världsledande flyg- och rymdkomponentsleverantör, hade stora resurser bundna i lager och ville bland annat förbättra sina lagerprognoser.
Datakällor
I det här projektet har vi använt historiska data om lagernivåer, program- och produktionsdata samt kvalitetsdata och kundprognoser.
Teknologier
Hierarkiska neurala nätverk, bayesianska neurala nätverk och boostade träd.
Resultat
Tenfiftys algoritm visade väsentligt förbättrade prognoser jämfört med tidigare använda modeller. Resultatet och algoritmerna användes av kunden som prestationsresultat för prognoser över olika tidshorisonter och fungerade som bas för ett nytt och utökat projekt.
Hur bör ett företag resonera innan de väljer ut lämpliga AI-projekt?
Lyssna på vår podd tillsammans med Amanda Dalstam (Analytics & Digital Innovation) och Alexander Grima (Analytics & Digital Innovation) från GKN Aerospace Sweden där du får inblick i ett verkligt och pågående AI-projekt med uppgiften att optimera en internationell industrikoncerns lagernivåer och tillhörande finansplanering.
Vi pratar om hur ett företag bör resonera när man väljer ut lämpliga AI-projekt och de utmaningar som man ofta stöter på när man ska samla in data i en internationell industrikoncern, och hur viktigt det är att våga ändra och optimera redan fungerande processer för att även i framtiden vara en världsledande industrikoncern:
