ارائه رویکردی کمی برای ارزیابی اولویت ها در زنجیره تامین هوشمند با استفاده از پیش بینی داده گرا: مطالعه موردی در دو صنعت پر کاربرد (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: تعیین اولویت های زنجیره تأمین در صنایع هوشمند با روش های تحلیل و مدل سازی داده گرا برای دست یافتن به دقت کافی و تشخیص عوامل کلیدی تأثیرگذار بر کارایی زنجیره تامین ضروری است؛ زیرا استفاده از این اطلاعات، اثربخشی مدیریت زنجیره تامین را بهبود می دهد. این مقاله به بررسی و ارائه یک رویکرد کمی برای ارزیابی اولویت های زنجیره تامین هوشمند با استفاده از روش های تحلیل داده گرا می پردازد. هدف اصلی این مقاله، ارائه یک روش سیستماتیک و کارا برای تعیین اولویت ها در زنجیره تامین است. در این رویکرد، ابتدا شاخص های کلیدی کارایی در زنجیره تامین شناسایی می شوند. سپس با استفاده از روش های تحلیل داده گرا مبتنی بر یادگیری ماشین، کارایی هر شاخص برای هر عنصر زنجیره تامین محاسبه می شود. رویکرد ارائه شده در این مقاله دارای مزایایی از جمله سیستماتیک بودن، قابلیت انعطاف پذیری، کاربردی بودن و دقت بالا است. روش پیشنهادی به شرکت ها و سازمان ها نیز کمک می کند تا با ارزیابی و تعیین اولویت های زنجیره تامین، بهبود عملکرد و بهینه سازی فرآیندها، تصمیم گیری های مدیریتی خود را بهبود بخشند. روش: ابعاد نوآوری این تحقیق شامل دو بعد اصلی است. بعد اول، تمرکز بر دو صنعت پرکابرد در شرایطی است که به تکنولوژی اینترنت اشیا مجهز شده اند. بعد دوم، ترکیب روش های سنتی تحلیل زنجیره تامین با الگوریتم های یادگیری ماشین است. در ابتدا شاخص های کلیدی کارایی در زنجیره تامین شناسایی شدند. این شاخص ها از طریق جستجوی جامع مقالات در پایگاه های علمی معتبر و با استفاده از کلمات کلیدی مرتبط با زنجیره تامین هوشمند استخراج و سپس، با استفاده از روش های تحلیل داده گرا کارایی هر شاخص برای هر عنصر زنجیره تامین محاسبه شد. در این پژوهش از ماتریس DEMATEL برای تحلیل روابط متقابل بین شاخص ها و از روش پیش بینی با ماشین های بردار پشتیبان (SVM) برای ارزیابی روابط بین معیارها استفاده شد. در نهایت، وزن نهایی هر شاخص با ترکیب نتایج DEMATEL و SVM تعیین و اولویت بندی شاخص ها در زنجیره تامین انجام شد. یافته ها: نتایج این مقاله نشان می دهد که انعطاف پذیری به دلیل توانایی زنجیره تامین در پاسخگویی به تغییرات و نوسانات تقاضا به عنوان مهم ترین معیار در زنجیره تامین مطرح است. نتایج روش پیشنهادی بر روی دو حوزه صنعتی مبتنی بر اینترنت اشیا نشان می دهد، مهم ترین معیار در زنجیره تامین متعلق به انعطاف پذیری است و کیفیت، هزینه و زمان تحویل به ترتیب در رتبه های بعدی قرار دارند. این اولویت بندی به مدیران کمک می کند تصمیمات آگاهانه تری برای بهینه سازی زنجیره تامین اتخاذ کنند. نتیجه گیری: استفاده از رویکردهای سیستماتیک و دقیق برای اولویت بندی معیارهای زنجیره تامین می تواند به عنوان یک راهنمایی کاربردی برای انتخاب و تعیین تأمین کنندگان، اجرای استراتژی های بهینه سازی زنجیره تامین و تخصیص منابع استفاده شود. این تحقیق نشان داد که ترکیب روش های سنتی تحلیل زنجیره تامین با الگوریتم های یادگیری ماشینی مانند SVM می تواند به بهبود دقت و کارایی در پیش بینی و تصمیم گیری ها کمک کند. با بهبود زنجیره تامین، سازمان ها قادر خواهند بود عملکرد خود را بهبود داده و فرآیندها را بهینه سازی کنند. همچنین، رویکردهایی مانند استراتژی Just-In-Time (JIT)، مدیریت کیفیت جامع و استفاده از فناوری های نوین نیز می توانند به بهبود زنجیره تامین کمک کنند. توسعه روابط با تأمین کنندگان و تحلیل داده ها و پیش بینی نیازها و مشکلات زنجیره تامین نیز از دیگر رویکردهای مفید است.A Quantitative Approach for Prioritizing Supply Chain Priorities in Smart Industries Using Data-Driven Prediction: Two Common Industrial Case Studies
Introduction: Determining supply chain priorities in smart industries with data-driven analysis and modeling methods is essential to achieve sufficient accuracy and identify key factors affecting supply chain efficiency. The use of this information improves the effectiveness of supply chain management. This article investigates and presents a quantitative approach for evaluating the priorities of the smart supply chain using data-driven prediction methods. The main objective of this paper is to provide a systematic and efficient method for determining priorities in the supply chain. In this approach, first, the key efficiency indicators in the supply chain are identified. Then, using data-driven prediction methods based on machine learning, the efficiency of each indicator is calculated for each element of the supply chain. The proposed approach has advantages such as systematicity, flexibility, practicality, and high accuracy. This method helps companies and organizations improve their management decisions by evaluating and determining supply chain priorities, optimizing performance, and enhancing processes.
Method: The innovation dimensions of this research include two main aspects. The first aspect focuses on two widely used industries equipped with Internet of Things (IoT) technology. The second aspect combines traditional supply chain analysis methods with machine learning algorithms. Initially, key performance indicators in the supply chain were identified. These indicators were extracted through a comprehensive search of articles in reputable scientific databases using keywords related to the smart supply chain. Then, using data-driven prediction methods, the efficiency of each indicator for each element of the supply chain was calculated. In this study, the DEMATEL matrix was used to analyze the interrelationships between indicators, and the prediction method using Support Vector Machines (SVM) was applied to assess the relationships between the criteria. Finally, the final weight of each indicator was determined by combining the results of DEMATEL and SVM, and the indicators in the supply chain were prioritized accordingly.
Findings: The results of this article show that flexibility is the most important criterion in the supply chain due to its ability to respond to changes and fluctuations in demand. The quality of the products and services provided ranks second, as higher quality increases customer satisfaction and trust in the brand. The total cost of the supply chain is third, and reducing costs improves profitability and competitiveness. Product delivery time is fourth, as fast and accurate delivery significantly impacts customer satisfaction. Finally, supply chain-related risks are ranked fifth, and effective risk management can mitigate potential issues. This prioritization helps organizations better allocate resources and improve supply chain performance.
Conclusion: Using systematic and precise approaches to prioritize supply chain criteria can serve as a practical guide for selecting and determining suppliers, implementing supply chain optimization strategies, and allocating resources. This research demonstrated that combining traditional supply chain analysis methods with machine learning algorithms such as SVM can improve the accuracy and efficiency of forecasting and decision-making. By enhancing the supply chain, organizations can improve their performance and optimize processes. Moreover, approaches such as Just-In-Time (JIT) strategy, Total Quality Management, and the use of new technologies can contribute to supply chain improvements. Building relationships with suppliers, analyzing data, and forecasting supply chain needs and challenges are also useful strategies.
تبلیغات
