Ontmoet ons op de E-commerce Berlin Expo, 22 februari 2024.

Laat uw contactgegevens achter, dan sturen we u onze whitepaper per e-mail toe.
Ik geef toestemming voor het verwerken van mijn persoonlijke gegevens om gepersonaliseerd marketingmateriaal te sturen in overeenstemming met de Privacybeleid. Door de inzending te bevestigen, gaat u akkoord met het ontvangen van marketingmateriaal
Bedankt.

Het formulier is succesvol verzonden.
Meer informatie vindt u in uw mailbox.

Innowise is een internationaal full-cycle softwareontwikkelingsbedrijf bedrijf opgericht in 2007. Wij zijn een team van 1600+ IT professionals die software ontwikkelen voor andere professionals wereldwijd.
Over ons
Innowise is een internationaal full-cycle softwareontwikkelingsbedrijf bedrijf opgericht in 2007. Wij zijn een team van 1600+ IT professionals die software ontwikkelen voor andere professionals wereldwijd.

AI/ML in de toeleveringsketen: 45% minder verstoorde leveringen

Innowise heeft de bestaande supply chain-mogelijkheden van de klant uitgebreid met DSaaS om de verzendingstermijnen van materialen te voorspellen en het aantal klanten te verminderen.

Klant

Industrie
Elektronica, Productie
Regio
EU
Klant sinds
2022

Onze klant is een fabrikant van elektronische apparaten en onderdelen daarvoor, waaronder mobiele telefoons, tv-afstandsbedieningen, dvd- en cd-spelers, digitale camera's en andere.

Gedetailleerde informatie over de klant kan niet openbaar worden gemaakt krachtens de bepalingen van de NDA.

Uitdaging: Te maken krijgen met gemiste leveringstermijnen en fouten in de strategische resourceplanning

Een goed functionerend netwerk van leveranciers is van cruciaal belang om tijdige leveringen te garanderen. Onze klant heeft de prestaties van de toeleveringsketen al geoptimaliseerd om de winstgevendheid te maximaliseren door de risico's van fluctuerende vraag, inefficiënte activiteiten en volatiele materiaalprijzen te beperken. Bovendien hebben ze een rigoureuze planning, uitgebreide voorraadcontrolesystemen en continue bewaking voor kwaliteitsborging geïmplementeerd.

Desondanks had onze klant nog steeds te maken met gemiste leveringstermijnen en fouten in de strategische resourceplanning. Om de nauwkeurigheid en voorspelbaarheid van de operationele prestaties te verbeteren, wilden ze een geavanceerde DS & ML-gebaseerde oplossing om grote hoeveelheden gegevens te verzamelen en te analyseren en realistische voorspellingen te doen over leveringstermijnen.

Webextensie om voorraden te voorspellen

Oplossing: DS en MLOps webextensie om voorraden te voorspellen en vertragingen in leveringen te voorkomen

Aangezien onze klant complexe digitale apparaten maakt die uit vele onderdelen bestaan (weerstanden, inductoren, condensatoren, transistors, diodes, enz.), hebben ze stabiele, beheersbare toeleveringsketens nodig waarin bepaalde risico's zijn ingecalculeerd. Ze wilden een breed overzicht van alle eerdere interacties met partners, ondersteund door ML-mogelijkheden om toekomstige zendingen te verwerken en te voorspellen en vertragingen of onderbrekingen in leveringen te voorkomen.

Op basis daarvan stelde Innowise voor om een smart contract analyseplatform te bouwen dat DS en MLOps omvat om ruwe gegevens om te zetten in bruikbare inzichten. Ons projectteam maakte optimaal gebruik van deze technologieën en implementeerde AI/ML in de toeleveringsketen om inkoopprocessen af te schermen en nadelige effecten te verminderen.

Datapipelining

Zodra managers alle informatie over bepaalde partners hebben ingevuld (materiaalbehoefte, levertijden, magazijnvoorraden, enz.), produceert ons platform voorspellingen op basis van datapijplijnen. Zo hebben we een diepgaande gegevensanalyse geïmplementeerd om gegevensverschuivingen en afdelingsafwijkingen op te sporen. In wezen creëert elke stap in de cyclus een output die de basis vormt voor volgende transformaties, wat resulteert in een continue stroom totdat elke stap is voltooid. Waar nodig worden meerdere processen parallel uitgevoerd om de efficiëntie te maximaliseren.

Lagen modelleren

We ontwikkelden een machine learning platform dat cruciale factoren inschat die van invloed zijn op de efficiëntie van inkoopprocessen. Ons team creëerde een logische laag die gegevens clustert in vergelijkbare cohorten en modellen traint voor elke groep. Daarnaast hebben we een verklaringslaag toegevoegd om een eindgebruiker te helpen het gedrag van het model te valideren en de schatting beter te begrijpen.

Eenvoudig gezegd kan de flow van de oplossing als volgt worden beschreven. Gebruikers voeren alle gegevens in met betrekking tot specifieke leveranciers, zoals de ID's van contracten, benodigde materialen, bestel-/leverdatums, huidige voortgang en eventuele aanvullende informatie. Vervolgens analyseert het platform, op basis van de ML in supply chain algoritmes, de aangegeven data en voorspelt het inkoopdata, rekening houdend met de geschiedenis van eerdere interacties, betrouwbaarheid van leveranciers en externe risico's. Voorspellende analyses kunnen bijvoorbeeld aangeven wanneer de voorraadniveaus van leveranciers laag zijn of wanneer vertraagde leveringen in de toekomst waarschijnlijk grote problemen zullen veroorzaken.

Technologieën

Back-end
TypeScript, Node.js, Nest, TypeORM
Front-end
TypeScript, React, Next.JS, MobX, MUI
Machine learning
Tensorflow, Keras, PyTorch, Scikit-learn, MLFlow
Data science
Pandas, Matplotlib, Plotly, Numpy
Databases
PostgreSQL
QA
AQA, Handmatig Testen

Proces

In de eerste fase verduidelijkten en herdefinieerden onze specialisten de doelstellingen van de klant omdat het oorspronkelijke voorstel veel problemen had met de haalbaarheid en het eindgebruik. Tijdens het ontwikkelingsproces pasten onze specialisten extra AutoML-benaderingen toe om de leveringssnelheid van het model te verhogen. Aangezien ons model meer monsters ontving die vergelijkbaar waren met recente monsters, implementeerden we een aangepaste resamplingtechniek die het datadrifteffect verminderde.

Ons projectteam werkte volgens de Scrum-methodologie met tweewekelijkse sprints en dagelijkse meetings. De projectmanager hield contact met de klant en paste wijzigingen in de scope toe. Alle taken werden bijgehouden in Jira en de PM wees taken toe en hield toezicht op de algehele prestaties.

Op dit moment is het project actief en werkt ons team aan het verbeteren van de voorspelling van de output en de integratie van ML-modules voor de toeleveringsketen.

Team

1
Projectleider
1
Bedrijfsanalist
2
Front-End Ontwikkelaars
2
Back-End Ontwikkelaars
2
ML ingenieurs
1
UI/UX Ontwerper
1
QA Engineer

Resultaten: Voorspelbare ML supply chain modules met 630% verlagen het risico op een productiestop.

Innowise verrijkte de supply chain ML-mogelijkheden van de klant met een DSaaS-uitbreiding om leveringstermijnen te voorspellen. Dankzij ML- en DS-algoritmen die rekening houden met de vele variabelen binnen een complex supply chain-systeem, kan de klant nu continu controleren op mogelijke problemen met de inkoop en zendingen grondiger plannen, waardoor informatiesilo's worden voorkomen. Dankzij de nieuwe oplossing kan de klant de supply chain-processen met vertrouwen beheren zonder zich zorgen te hoeven maken over onvoorziene complicaties of operationele vertragingen. Bovendien kan onze klant dankzij machine learning in de toeleveringsketen nu weloverwogen beslissingen nemen die bijdragen aan operationele uitmuntendheid en hogere inkomsten uit digitale verkooppunten.

Duur van het project
  • Oktober 2022 - Doorlopend

45%

vermindering van verstoorde leveringen

630%

lager risico op stilstand van de productielijn

Neem contact met ons op!

Boek een gesprek of vul het onderstaande formulier in en we nemen contact met je op zodra we je aanvraag hebben verwerkt.

    Voeg projectgegevens alsjeblieft, duur, technische stapel, IT-professionals nodig en andere relevante informatie toe
    Neem een spraakbericht over uw
    project op om het ons beter te helpen begrijpen
    Voeg indien nodig aanvullende documenten bij
    Bestand uploaden

    Je kunt maximaal 1 bestand van 2MB bijvoegen. Geldige bestanden: pdf, jpg, jpeg, png

    Wij wijzen u erop dat wanneer u op de verzendknop klikt, Innowise uw persoonsgegevens verwerkt in overeenstemming met ons Privacybeleid om u van de juiste informatie te voorzien.

    Wat gebeurt er nu?

    1

    Na ontvangst en verwerking van uw aanvraag, nemen wij binnenkort contact met u op om uw projectbehoeften in detail te beschrijven en een NDA te ondertekenen om de vertrouwelijkheid van informatie te garanderen.

    2

    Na het bestuderen van de vereisten, stellen onze analisten en ontwikkelaars een projectvoorstel met de omvang van de werkzaamheden, teamgrootte, tijd en kosten schattingen.

    3

    Wij regelen een ontmoeting met u om het aanbod te bespreken en tot een overeenkomst.

    4

    We tekenen een contract en beginnen zo snel mogelijk aan uw project te werken mogelijk.

    Bedankt.

    Uw bericht is verzonden.
    Wij verwerken uw aanvraag en nemen zo spoedig mogelijk contact met u op.

    Bedankt.

    Uw bericht is verzonden.
    Wij verwerken uw aanvraag en nemen zo spoedig mogelijk contact met u op.

    pijl