اثر رویکرد و بینش موسس بر روی رشد مداوم در شرکت های کوچک و متوسط
آرشیو
چکیده
در سال های اخیر عدم قطعیت و رقابت تجاری بیش از حد ،باعث تغییراتی در مدیریت زنجیره تامین منابع و موجودی مبتنی بر داده در صنایع مختلف شده است. با این حال ، تنها شرکت های بزرگ دارای منابع لازم برای بکارگیری داده ها در راستای تصمیم گیری و برنامه ریزی خود هستند. در مقابل ، شرکتهای کوچک و متوسط (SMEها) معمولاً منابع و دانش محدودی دارند ، که بر توانایی آنها در جمع آوری و استفاده از داده ها تأثیر می گذارد. بنابراین ، استفاده از ابزارهای تصمیم گیری پیشرفته برای کاهش اثرات عدم قطعیت بازار برای این شرکت ها یک چالش مهم می باشد. این مقاله یک سیستم پشتیبانی تصمیم گیری (DSS) برای مدیریت تامین منابع و موجودی را با هدف کمک به SME ها برای جمع آوری و بهره برداری از داده ها و پشتیبانی از تصمیمات آنها تحت ابهامات تجاری پیشنهاد می کند. DSS با استفاده از رویکرد بهینه سازی شبیه سازی با ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک برای ارائه مسائل و بهینه سازی راه حل های پشتیبانی تصمیم گیری توسعه یافته است. بهره برداری از داده های شهودی و تجربی، بار جمع آوری داده های به دست آمده از منابع داده های سازماندهی نشده در عملیات SME را کاهش می دهد. علاوه بر این ، فاکتورهای عدم قطعیت مانند تقاضای مواد اولیه ، قیمت و زمان عرضه در نظر گرفته شده است.The effect of founder's approach and insight on continuous growth in small and medium enterprises
Elevated business uncertainties and competition over recent years have caused changes to the data-driven supply chain management of sourcing and inventories across industries. However, only large-sized enterprises have the resources to harness data for aiding their decision-making and planning. By contrast, small- and medium-sized enterprises (SMEs) commonly have limited resources and knowledge, which affects their ability to collect and utilize data. Thus, it is a challenge for them to implement advanced decision support tools to mitigate the effects of market uncertainties. This paper proposes a decision support system (DSS) for sourcing and inventory management, with the aims of helping SMEs compile and exploit data, and supporting their decisions under business ambiguities. The DSS was developed using a simulation-optimization approach by incorporating an artificial neural network and a genetic algorithm for problem representation and optimizing decision support solutions. The exploitation of observational and empirical data reduces the burden of data compilation obtained from unorganized data sources across SME operations. Further, uncertainty factors such as raw material demand, price, and supply lead time were considered. When implemented in a medium-sized food industry company, the DSS can provide decision support solutions that integrate the selection of recommended suppliers and optimal order quantities.
تبلیغات
