Materiały konferencyjne SEP 2020

Metody analizy oraz zbierania i pozyskiwania danych zmieniają się na przestrzeni lat. W prze- szłości analizy łańcucha dostaw były ograniczone do prostych statystyk i wymiernych wskaź- ników wydajności, które umożliwiały jedynie planowanie i prognozowanie zapotrzebowania. Dane były przechowywane w arkuszach kalkulacyjnych lub fizycznych dokumentach. Nie po- zwalało to na wykonanie bardziej zaawansowanych analiz. Później, w latach 90. przedsiębiorstwa zaczęły wprowadzać systemy takie jak EDI (systemy elektronicznej wymiany danych) oraz ERP (systemy zarządzania zasobami przedsiębiorstwa). Dało to wiele nowych możliwości jeśli chodzi o analizę łańcuchów dostaw. Dzięki tym syste- mom pojawiła się możliwość budowania sieci połączeń umożliwiających wymianę in-formacji pomiędzy wszystkimi uczestnikami łańcucha dostaw, co wpłynęło na usprawnienie prognozo- wania i planowania [10][11]. W pierwszej dekadzie XXI zaczęły się pojawiać oprogramowania do inteligentnej analizy da- nych i analiz predykcyjnych. Przyczyniło się to do lepszego rozumienia i wykorzystania da- nych, a co za tym idzie wpłynęło to na poprawę w optymalizacji i lepsze podejmowanie decy- zji przez przedsiębiorstwa. Dzisiaj stoimy przed wyzwaniem wykorzystania bardzo dużej ilości danych generowanych przez kolejne ogniwa łańcuchów dostaw. Ilość uzyskiwanych danych w ostatnich latach zwięk- szyła się diametralnie, w roku 2017 typowy łańcuch dostaw uzyskiwał dostęp do 50 razy więk- szego zbioru danych niż miało to miejsce 5 lat wcześniej. W dobie dostępnych rozwiązań technologicznych oraz ilości zbieranych i gromadzonych danych, rozwój analityki dla SCM powinien uwzględniać m.in . narzędzia uczenia maszynowego, BIG DATA, Business Intelligence, czy rozwiązania chmury obliczeniowej. Uczenie maszynowe umożliwia wykrywanie wzorców w danych łańcucha dostaw, opierając się na algorytmach, które szybko określają najbardziej istotne czynniki sukcesu sieci dostaw, jednocześnie stale ucząc się w tym procesie [7][8].  Algorytmy uczenia maszynowego odnajdują nowe wzorce w danych łańcucha dostaw codziennie, bez potrzeby ręcznej interwencji.  Algorytmy iteracyjnie przetwarzają dane, a wiele z nich wykorzystuje modelowanie oparte na ograniczeniach, aby znaleźć podstawowy zestaw czynników o największej dokładności predykcyjnej. Jednym z najtrudniejszych aspektów zarządzania łańcuchem dostaw jest przewidywanie przyszłych zapotrzebowań na produkcję. W praktyce w tym celu wykorzystuje się różnego typu podejścia: od podstawowych technik analizy statystycznej, w tym średnich ruchomych, do zaawansowanego modelowania symulacyjnego. Uczenie maszynowe okazuje się bardzo skuteczne w uwzględnianiu czynników istniejących metod, które nie mają możliwości śledzenia lub kwantyfikacji w czasie. 3. MODEL ANALITYCZNEJ PLATFORMY DANYCH DLA POTRZEB ZINTEGROWANEGO ŁAŃCUCHA DOSTAW 3.1. Wprowadzenie Szczególnie w dużych firmach takich jak KGHM, tzn. posiadających wiele oddziałów, spółek z grupy kapitałowej oraz podmioty zagraniczne, z czasem pojawia się potrzeba gromadzenia i przetwarzania, w sposób skonsolidowany, dużych ilości danych z różnych obszarów przedsię- biorstwa. W większości przypadków analityka zaczyna się od systemu ERP, w którym znajdują się pod- stawowe dane najczęściej z obszaru produkcji, finansów, kadr i płac oraz gospodarki magazy-