大規模製造企業におけるインテリジェントな意思決定シナリオの分析

1. 製造業の発展の現状

まず、製造業企業の発展状況について紹介します。

1. 企業経営は直線的な発展から複雑な能力ネットワークへと変化している

現在、製造業に限らず多くの企業が、従来の線形管理手法から複雑な能力ネットワークの管理へと移行しています。 DSN (デジタル サプライ ネットワーク) の変革により、意思決定インテリジェンスのための強固なアプリケーション基盤がある程度確立されました。リアルタイム データを通じて、意思決定情報をより良く、より透明に、より迅速に提供できるため、業務とサプライ チェーンの主なユーザー (意思決定の最終的な実行者) が、サプライ ネットワーク全体の相乗効果を高め、リニア サプライ チェーンにおける応答の遅延を削減するのに役立ちます。

従来の情報伝達方法では、情報はフロントエンドの需要から中間供給に伝達され、中間供給が後続の生産と製造を推進し、物流によって完了します。線形プロセス全体の各リンクには、特定の応答時間があります。従来の管理スタイルは、どちらかというと「画一的な」戦略であり、各部門がそれぞれの責任範囲内で独自の領域に重点を置きすぎることになります。この戦略では、今日の複雑なサプライ チェーンに求められる俊敏性を維持することが困難になるだけでなく、コストに明確に焦点を当ててサービス品質を向上させることも困難になります。

2. 複雑な機能ネットワークは運用コストの上昇と管理の困難をもたらす

企業が小規模な場合、サプライチェーンコストの割合と意思決定の難易度は比較的低くなります。意思決定インテリジェンスを研究し、適用する主な理由は、複雑なサプライチェーンと大企業のニーズを満たすことであり、特に大企業の複雑なサプライチェーンでは、コスト削減を望みながら、より高いサービス効率とサービスレベルを追求しています。生産、販売、調達の多様化した供給ネットワークでは、特に需要、生産、供給の不確実性に直面した場合、供給コストは通常​​、全体の 15% ～ 35% を占めます。管理コストやその他の隠れたコストも加わると、サプライチェーン管理の重要性はかつてないほど高まります。

製造会社のサプライチェーンにはどのような独自の特性や特徴があるのでしょうか?同社が追求する開発とサービスは、実際には、パーソナライズされた多品種少量注文の分析、評価、および納品コミットメントに特に重点が置かれています。これは、多くの製造企業が当初の大規模生産モデルを変更していることも示しています。

複数の納品モードが混在するということは、多くの企業が在庫生産、受注生産、組立生産、設計生産などのモードを選択して切り替える必要があることを意味し、企業はこれに対処するためにさまざまな柔軟な戦略を採用する必要があります。同時に、企業は生産の安定性と経済性、ならびに購買量と価格の適切性を確保する必要があります。したがって、企業はより迅速かつ将来を見据えた意思決定を実現するために、意思決定能力を向上させる必要があります。

要約すると、データ駆動型、意思決定指向、最善の発見、迅速な先見という 4 つのキーワードにまとめることができます。

3. 企業経営の向上にはデジタル化が不可欠

新時代の高品質発展の要求により、製造業は「量の増加と生産能力の拡大」から徐々に「削減と調整」の段階に入り、多品種、小ロット、パーソナライゼーションとカスタマイズは避けられない傾向となり、品質管理を強化し、コストを削減して効率を高め、エネルギーを節約して排出量を削減することが必要になっています。これらの重要な問題はすべて、生産と販売のより良いバランスを実現するためにサプライチェーンの連携を強化することを示しています。

企業は、より効率的な運用上の意思決定、よりリアルタイムのコスト管理を実施し、変化に迅速に対応する必要があります。競争に直面している企業は、より効率的に資源を配分し、より強力な競争力を形成する必要があります。そのためには、限られた生産要素をより敏感かつ正確に使用して、より多くの価値を生み出す必要があります。これこそが、サプライチェーンと意思決定インテリジェンスの核となる価値です。

4. 企業のデジタル変革に関する全体的な考え方

意思決定のインテリジェンスはデータのサポートに依存します。

ここで、企業管理は L1 から L5 までの 5 つのレベルに分かれており、そのうち L1 は基本的な自動化層、L2 はプロセス制御層、L3 は製造実行層、L4 と L5 はそれぞれ運用管理層と意思決定管理層です。

上位レベルでは意思決定と情報のクローズドループの使用に重点が置かれ、下位レベルでは情報の品質と迅速な収集に重点が置かれます。両者は相互に補完し、ビジネスをキャリアとし、データを価値創造のガイドとするプラットフォームを構築し、データから意思決定までのアプリケーションのクローズドループを形成します。これは、意思決定とデータの間に相互に強化し合う関係があることを示しています。

多くの企業は、自社のデータが意思決定インテリジェンスを適用するのに適切な段階に達しているかどうか疑問に思っています。重要なのは、どのレベルでデータが適用され、どのような意思決定が行われるかを確認することです。調達、マーケティング、製造、物流、エネルギーのいずれの分野においても、データの価値は、効果的に活用されて初めて発揮され、スパイラルアッププロセスを形成し、最終的にはデータと価値要素の完全な価値実現につながります。

5. AI意思決定技術の背後にあるもの

AI 意思決定テクノロジーの背後にある主な目標は、限られた生産要素を合理的に最適化することであり、これはサプライチェーンと意思決定インテリジェンスにおける運用最適化の役割と密接に関連しています。生産や販売などの要素を制約と最適化の目標と組み合わせ、各リンクのメリットとコストを考慮し、さらにエネルギー消費や炭素排出量などの目標を全体の運用とサプライチェーンの最適化の目標に組み込んで、調整された検討を実現する必要があります。

2. 製造サプライチェーンの需要

前章では、製造業の発展状況と需要について紹介しました。次に、現在の複雑なサプライチェーン管理が直面している要求を分析します。

1. 製造企業は複雑なサプライチェーンを管理する能力を持つ必要がある

実は業務内容に大きな変化はなく、誰もがよく知る消費財の製造であれ、日常生活から遠い原材料や工業製品の製造であれ、同社のサプライチェーン管理能力は、顧客認識、物流配送、配送補充、生産供給、資材調整の5大リンクに反映されています。企業によって、これらのリンクにおける優れた機能や注力する機能は異なりますが、これは企業自身が定義し、実行する差別化された競争戦略によって決まります。

本日議論した製造企業にとって、左下隅に示されている生産エンドにおける変化、つまり工場内の製造能力の管理と、サプライヤーや原材料供給者との補完能力の形成方法に関心が集まっています。全体的な変更は、生産の変更と場所の変更という 2 つのカテゴリに抽象化できます。これらは考慮する必要がある 2 つのコア機能であり、もちろん、これらを補完する他の機能もいくつかあります。

2. 製造業のサプライチェーンが形成する「複雑なネットワーク」

このような複雑なネットワークには、供給の不確実性、生産の不確実性、需要の不確実性という 3 つの大きな不確実性が存在します。

全体として、サプライ チェーンの最適化と意思決定インテリジェンスの適用は、不確実性に直面した複雑な意思決定の問題を解決するために、供給側から製造センター、倉庫ネットワーク、そして顧客と下流企業に至るまでのプロセス全体をカバーします。

不確実性がどのように現れ、構築されるかを理解するために、いくつかの例を見てみましょう。

3. 製造業のサプライチェーンの「複雑なネットワーク」 - 生産の不確実性

一般的に言えば、製造企業がサプライチェーンで直面する不確実性は、主に生産面に反映されます。

生産の不確実性は、業界外の人にとっては理解しにくいかもしれません。プロセス製造では特に、配合、成分、比率の面で顕著です。これは、プロセス レベルで反映される反応メカニズム、プロセス パラメータ、プロセス制約によって発生します。出力量の不確実性だけでなく、出力在庫の管理や出力のタイミングの不確実性も生じます。

鉄鋼業界を例にとると、鉄鋼業界の前処理段階には、焼結、ペレット化などのプロセスと、塊鉱石と燃料の投入が含まれます。天然物質は、焼結や造粒などの簡単なプロセスを経て、その後の製鉄・製鋼高炉や転炉での反応を良くすることができますが、それでも天然物であることは避けられません。精製されていない天然物の場合、特に純度が高いことを保証するのは困難です。このため、生産プロセスと配合比では、主製品の目標製品を目標とし、その後の高炉や転炉プロセスでの副産物の目標出力を可能な限り確保する必要があります。

業界によっては、副産物と主製品の関係は、主製品が採取され、副産物は廃棄されるというものですが、他の業界では、主製品と副産物の両方が会社の収益にとって重要です。たとえば、化学業界では主製品と副製品の生産量が企業の利益均衡点を決定するため、主製品と副製品の在庫と対応する生産量比率に基づいて、現在のバッチの生産プロセスと対応する生産量選択を決定する必要があります。鉄鋼業や化学工業は、このような特徴を持つ典型的な産業です。それだけでなく、他のいくつかのディスクリート製造業も実際に同様の状況にありますが、原材料供給の選択にそれがより反映され、供給の不確実性が高まります。

4. 製造業のサプライチェーンの「複雑なネットワーク」 - 供給の不確実性

ディスクリート産業、特に電子機器製造業では、代替は非常に重要なビジネス上の選択です。代替の概念を簡単に説明しましょう。上図の BOM ツリーによると、一方向代替とは、C は D を置き換えることができますが、D は C を置き換えることができないことを意味します。この状況は通常、会社が技術バージョンに対する要件を持っている場合に発生します。双方向代替とは、サプライヤーの供給能力に大きな差がない場合に、会社がサプライヤーを自由に選択できることを意味します。

より複雑なローカルまたはグローバルな置換も発生する可能性があります。

代替の理由は、一方では、特定製品に対するサプライヤーの供給能力が、最終製造レベルで同じ製造属性とアプリケーション属性を反映しているためであり、他方では、企業がサプライヤーのさまざまな選択のニーズとバランスを取る必要があるためでもあります。この場合、サプライヤーの下流企業における特定製品の供給能力は、下流の顧客、つまり中間製造センターがこれらの供給製品を適用する際の選択に直接影響します。供給時間や供給量に関するこれらの選択により、企業は材料管理、生産プロセス管理などを通じて、供給の不確実性によって生じる差異を可能な限り埋め、削減する必要があります。

生産プロセスの意思決定において、上記のようなローカル代替またはグローバル代替が発生すると、それが示す複雑さは増大します。

調達段階でサプライヤーの選択とさまざまなサプライヤーから報告された納期に基づいてメインサプライヤーを選択しただけの場合、この決定は調達部門に限定されます。ただし、特定の注文を生産する際に特定のタイプの顧客によってこの代替が指定されている場合は、2 次サブコンポーネントまたは 3 次サブコンポーネントを特定のブランドで生産する必要があります。私たちが家電製品や特定のカテゴリーの商品を購入するときと同じように、特定のメモリや CPU が一定期間内に一括生産されているかどうかを尋ねます。その方が品質が良いからです。ある程度、これは実際にはパーソナライゼーションとエンドユーザーの効率性を追求している消費者によって提示された追加要件です。この不確実性が需要側から生産、そして供給側に直接伝わると、それはもはや単純なローカルな問題ではなく、需要と生産を考慮したグローバルな決定になります。上図の左側を例にとると、少なくとも 16 の生産計画が提示されます。企業の生産計画が数万件にまで拡大した場合、企業が複雑な生産を管理するためには、専門的なアルゴリズムに支えられた迅速な意思決定とインテリジェントな意思決定が緊急に必要になります。

5. 製造業のサプライチェーンが形成する「複雑なネットワーク」

この図に戻ると、供給の不確実性、生産の不確実性、需要の不確実性があることがわかります。

これらの不確実性がそれぞれの下位部門から分離されると、元の線形伝達からすべての線形レベルに直接浸透する複雑な管理に変わり、企業は不確実性に応じて複雑な意思決定の問題を解決する能力を持つことが求められます。

この複雑なネットワークは、販売側から製造センター、工場、外注工場、およびそのサプライヤーまでの関係を表します。以下に各分野における問題点をいくつか挙げます。

生産計画システムが答える必要のある中心的な質問は、何を生産するか、どの生産ラインを使用するか、いつ生産するか、ということです。マスタープランニングシステムは、需要と供給のバランスに非常にうまく対応します。フロントエンドの販売および完成品の出荷ネットワークは、完成品のサプライチェーンの末端に集中しており、サービス レベルとそれに対応するフルフィルメント戦略およびサービス戦略に重点を置いています。フロントエンドでは、需要をより適切に管理し、需要が何であるかをより正確に把握し、どの製品をどの価格で販売する必要があるかを把握する必要があります。

過去6、7年にわたり、Sunshuはこのようなまとめを通じて対応する計画システムと計画アプリケーションプラットフォームを形成し、複数の製造企業と消費財企業に適用してきました。

6. 複雑な意思決定問題に対するモデル構築

複雑な意思決定問題のモデル構築は、典型的なネットワークフロー表現として構築されます。配送量、在庫量、生産量と合わせて期間を考慮すると、問題は非常に複雑になり、企業はより優れた解決策を必要とします。

7. ビジネス上の困難の例: 原材料の優先

製造企業が原材料の優先順位の選択に直面する場合、根本的な問題は、異なる処理対象に対して異なるサプライヤーからの原材料を選択することです。原材料の選択は、目的関数上の異なる在庫に対応するペナルティ係数を制御するという単純な方法で要約できます。ただし、実際のアプリケーションでは、係数の調整とそれらの相互重みは非常に複雑な関係であり、アプリケーションプラットフォームとアルゴリズムモデルライブラリの構築を通じて、問題をより良く、より速く解決するための体系的なシステムが必要です。

3. 典型的なケーススタディ

Shanshu は過去 6 ～ 7 年間に多くの事例を蓄積しており、市場洞察の問題、自社のサプライ チェーンにおける相互連携の問題、動的在庫割り当てのサポートの必要性など、いくつかの一般的な問題を要約できます。次に、代表的な4つの事例を紹介します。

1. 六国化学：生産、供給、マーケティングの統合を強化

六果化学と山樹は今日まで協力関係を維持しており、これは意思決定インテリジェンスの典型的な応用であり、企業がフロントからバックまでのすべてのリンクを含むエンドツーエンドのサプライチェーンとオペレーションチェーンを改善するのに役立ちます。

肥料の生産には季節や地域による特徴があり、世界市場の需要を捉えることが重要です。近年の経営レベルの改革と変化により、

• 一方、六果化学は独自の貿易子会社を設立し、販売代理店と完成品の在庫をより適切に管理できるようになりました。 Shanshu が構築した供給ネットワークを通じて、製品の同質化と同質競争を回避します。
• 一方、六果化工は確立した生産・販売連携プラットフォームを通じて、OTDチェーン全体の時間をすでに短縮しており、在庫確保戦略を通じて、閑散期の生産能力を十分に活用し、ピーク時の生産能力不足を補うスペースを確保している。
• 同時に、コラボレーション全体のさらなる最適化を頼りに、同社は自社のリソースをよりよく考え、より適切な準備を整えました。

六果化学の統合生産、供給、マーケティングのアップグレードによるプロジェクトの利点は、次の 4 つの側面に要約できます。

• 設備重視：設備レベルでのリソース保証により生産効率が向上しました。
• 生産指向: 生産および製造プロセス全体で、生産利用率と総合的なエネルギー有効利用が向上しました。
• 業務面では、在庫コストが毎年約1,000万人民元削減され、ターミナル市場では販売子会社が顧客満足度の大幅な向上を達成しました。
• 産業チェーン向け：複数企業の構造的運営の変更により、計画調達の透明性が向上し、サプライチェーン全体の安定性が強化されました。

インテリジェンスを通じて、業務レベルで生じる新たな要求にさらに応え、より優れた高品質の開発を通じて市場の顧客満足度を向上させ、会社の生産および販売業務能力を向上させ、洗練された生産管理を実現し、会社のコアビジネスデータをボトムアップで相互接続します。

2. 家電大手が協力して複数の工場をアップグレード

家電業界には、複数の工場間での共同生産に携わる大企業が数多くあります。過去数年間、Sunsu はさまざまな段階やシナリオで多くの顧客にサービスを提供してきました。このケースの顧客は、生産・製造プロセス全体から工場の数、期待するサイクルに至るまで、いずれも比較的規模が大きく、その結果、在庫やサプライチェーンの圧力も特に顕著です。

これは、前述のフロントエンドの販売需要から生産供給端への直接浸透を反映しているだけでなく、端末サプライヤーの選択も反映しています。また、当社が実際の生産材料の選択で遭遇した生産能力と供給の不足も反映しています。そのため、28日+10週間の時間粒度内で、200を超える工場と15万コードを合理的に選択して配置する必要があります。

問題全体を 4 つの部分に分けます。

• 需要計画：機械学習などの予測アルゴリズムを使用して製品需要をインテリジェントに予測し、製品特性に基づいて差別化された予測方法を採用し、将来のSKUレベルの需要をインテリジェントに予測し、BOM構造と組み合わせて半製品/原材料の需要を分析する必要があります。
• 在庫計画: 需要計画に基づいて、サプライチェーン内の原材料、半製品、主要部品などの在庫問題をモデル化および分析することにより、在庫場所、在庫戦略、および対応する安全在庫レベルを最適化します。
• 生産計画: 複数の工場の差別化された属性、材料制約、容量制約、生産比率、その他のビジネス要件を考慮して、複雑なビジネス優先順位を満たす最適な生産計画と材料割り当て計画をより迅速に出力できます。
• 物流計画: 効率的なスケジューリング アルゴリズムにより、工場、倉庫、ディーラー間の輸送/配送の効率的な輸送実行が実現され、輸送と配送が効率的で調整され、透明化されます。

3. 設備製造大手の統合的・協調的アップグレード

以下は、比較的長い履行期間のケースであり、これも典型的な装置製造のケースです。

上記の顧客と比較すると、設備製造会社は、設計から受注までの生産モデル、または組み立てから受注までの生産モデルを好みます。つまり、企業がプロジェクトベースで生産する場合、設計段階と最終部品が完全に同一であることを保証することはできません。また、製造会社では複数の BOM システムを循環させる必要があります。これはよく言われることです。製造会社では、最終的に生産に使用される EBOM、PBOM、製造 BOM があります。これらの BOM を異なるバージョン間で切り替えることで、サプライ チェーン全体の各リンクが実際にリンクされます。

従来のシステムでは、企業はサービスレベルやサービス時間に対してそれほど大きなプレッシャーを受けることはなく、段階的に小規模な試作を行うことができ、研究開発部門では材料の配合も適切に行うことができました。しかし、納期サイクル全体の短縮は、サービス レベルに大きなプレッシャーをもたらしています。顧客も、より小さなバッチとより多くの種類を求めています。R&D および反復サイクル全体の短縮により、より多くの生産および製造企業が、市場競争力を高めるために、生産および R&D サイクルを統合する必要が生じています。これにより、サプライ チェーンと生産製造センターは、生産材料が完全に決定できない場合に、事前に材料調達の準備をする必要があります。

生産全体の安定性と、さまざまなプロジェクトやモデル間の大量生産のニーズの両方を考慮する必要がある場合、そのような状況下で生産全体の最適性をどのように検討すればよいのでしょうか。

分岐機械製造を例にとると、その統合生産調整では、プロジェクト、製品、主要部品、集荷場所、生産スケジュールなどのさまざまな部分を参照して、複数の目的と制約を持つ複雑な最適化モデルを考慮する必要があります。フロントエンドでは、需要、運賃、ブレードの供給能力、さまざまな時間段階での対応するBOM情報、主要部品の供給などの制約を追加します。次に、さまざまな部品とサプライヤーの指定と対応する制約の制限、および各コンポーネントの供給能力を考慮して、需要満足度の向上、生産能力の利用率の向上、在庫の削減、および完成セットの数の最大化を最適化目標とします。機器製造企業の最終完成品の完全性は、会社の収益の確認に不可欠です。

4. 鉄鋼企業におけるインテリジェント製造

最後に紹介する事例は、生産の不確実性がある典型的な業界である鉄鋼業界のものです。鉄鋼企業におけるインテリジェント製造の改善は、主に材料統合と生産エネルギー統合に反映されています。

材料の統合には、生産決定の連携が必要です。鉱石の価格に基づいて、焼結、ペレット化、製鉄、製鋼などのプロセスのコスト分析が行われ、最終的に材料の割合が決定されます。

このような生産決定は、在庫の使用や、さまざまな生産プロセス段階でのさまざまな材料の対応する安定性要件など、材料システム全体に反映されます。

当初は、購買側が最も安い材料を選択するだけでしたが、現在は出力の追求だけでなく、全体的な生産品質も追求し、生産と材料選択の連携がより密接になりました。企業は生産能力の増強が必要な場合、生産と利益のバランスをとるために、より高品質の原材料を求めます。コストと需要が圧迫されている場合、企業はより経済的な原材料を選択します。

さらに一歩進んで、生産とエネルギーを一緒に考慮する必要があります。鉄鋼生産プロセスにおいて、エネルギーは非常に重要な部分です。高炉の生産には原料炭とコークスが必要です。原料炭とコークスを使用する過程で、石炭ガスが発生します。石炭ガスの生産とその後の生産プロセスでの使用には、石炭ガス生成の予測、石炭ガス生成のリアルタイム監視と調整を含む閉ループエネルギー使用が含まれ、これにより、生産プロセス全体でエネルギーの使用を合理的に分散できます。ガスキャッシング設備を通じて、ガスタンクの吸収と放出をより科学的に割り当てることができ、発電機、エネルギー貯蔵システムなどの独自の周辺エネルギーシステムの一部をリンクして、パイプラインネットワーク全体の放出圧力を確保し、生産を確保しながら最適なエネルギー選択を行うことができます。

4. シナリオ拡張の共有

前の章では、典型的な 4 つのアプリケーション シナリオ ケースを紹介しました。製造業では、同様のケースが無数にあります。

1. これらの問題に炭素排出についての考えをどのように取り入れることができるでしょうか?

複雑なサプライ チェーンは、企業のサプライ チェーンとインテリジェントな意思決定の必要性を反映しています。ますます多くの製造企業のサプライチェーンに対する要求は、単にサプライヤーに焦点を当てることから企業全体の運営に焦点を当てることへと変化し、エネルギーは単なる供給およびサービス部門からサプライチェーン全体の意思決定に関与する主体へと変化しました。生産プロセスにおいては、生産プロセスにおける炭素排出量、購入したエネルギーに伴う炭素排出量、上流および下流のサプライチェーンにおける炭素排出量など、エネルギーと炭素排出量も意思決定に含める必要があります。

2. エンドツーエンドのビジネスフローに基づいて、企業の炭素排出量の炭素フローを追跡する

エンドツーエンドのビジネスフローを前提に、販売、調達、物流など各リンクにおける企業の炭素排出量のカーボンフローを徹底的に記録し、追跡する必要があります。

3. 企業の炭素排出による「炭素フロー」が形成する「炭素ネットワーク」

企業が注力すべき資源である炭素は、流れとして特徴づけられるため、その方向、規模、タイミングをより適切に制御することができます。

将来的には、さまざまな生産要素がインテリジェントな意思決定テクノロジーに依存して、より良い構成を実現することが必要になると考えています。

5. 質疑応答

Q1: 人間が最終決定を下す場合、アルゴリズムによって生成された在庫計画の合理性をどのように測定するのでしょうか?アルゴリズムの結果をビジネスにうまく受け入れてもらうにはどうすればよいでしょうか?

A1: 一般的に言えば、2つの方法があります。

1 つ目は、より多くのビジネス関係者にアルゴリズムがどのようなものかを理解してもらうことです。一般的に人々がそれを使用することに消極的な理由は、結果を生み出す方法論を直感的に理解できないからです。これには、システムとアルゴリズムのアプリケーションが可能な限りホワイトボックスであることも必要です。

第二に、サンドボックスなどのシミュレーション ツールを使用して、サービス レベル、在庫コスト、さまざまな期間の対応する指標などの一般的な在庫指標をより直感的に使用し、ビジネス担当者がよりよく理解できるようにする必要があります。

Q2: 自動車業界での応用はありますか?

A2: はい、2022年のDatafun SummitでSunshuの関連共有を確認できます。この共有は、製造業におけるより多くのアプリケーションを誰もが理解できるようにするためのものです。

現在、Sunshu Technology 独自の COPT ソルバーは一般に公開されており、Sunshu Technology の公式 Web サイトから誰でも試すことができます。プロの研究者やデータユーザーを対象としているだけでなく、初心者向けにも豊富なアプリケーション例を提供します。 Sunsu が独自に開発した教育プラットフォームには、サプライ チェーン コースが多数用意されています。初心者でも、すでに特定のプログラミング スキルを習得している場合でも、そのまま使用できます。当社の顧客のビジネス担当者の多くが、当社の教育サービスを通じてこのスキルを習得しています。