Unilever – Optymalizacja Łańcucha Dostaw

01Problem

  1. Złożoność zarządzania zapasami w globalnym łańcuchu dostaw
  2. Trudność w prognozowaniu popytu uwzględniającymi sezonowość
  3. Opóźnienia i brak synchronizacji między etapami
  4. Zmienność warunków rynkowych, pogody, zmian preferencji konsumentów

02Rozwiązanie

  1. Integracja AI w 20 wieżach kontroli łańcucha dostaw na świecie
  2. Kombinacja real-time data i machine learning
  3. Prognozowanie popytu na podstawie danych historycznych, sezonowości, czynników zewnętrznych
  4. Algorytm optymalizuje poziomy zapasów dla każdej lokalizacji
  5. Lepsza koordynacja logistyki i zaopatrzenia

03Korzyści opisywane w źródle

  1. Redukcja przypadków braku towaru w sklepach (stockoutów)
  2. Zmniejszenie przeinwestowania w zapasy
  3. Poprawa responsywności na zmieniający się popyt
  4. Lepsza współpraca między działami logistyki i zaopatrzenia
  5. Optymalizacja całego łańcucha dostaw
Wszystkie case studies