Аналитический обзор цифровых технологий, преобразующих цепи поставок сетевой розницы

Сергеев И.В.1
1 Национальный исследовательский университет «Высшая школа экономики»

Статья в журнале

Вопросы инновационной экономики
Том 10, Номер 1 (Январь-Март 2020)

Цитировать:
Сергеев И.В. Аналитический обзор цифровых технологий, преобразующих цепи поставок сетевой розницы // Вопросы инновационной экономики. – 2020. – Том 10. – № 1. – С. 467-482. – doi: 10.18334/vinec.10.1.100645.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=42676117

Аннотация:
Рассмотрен спектр современных цифровых технологий, применяющихся сегодня в мировой практике деятельности сетевых розничных операторов, как в мире, так и в нашей стране. Среди этих технологий лидирующими являются такие, как Облачные технологии и облачные коммерческие сети, Интернет вещей, Искусственный интеллект и Машинное обучение Продвинутая и прогностическая аналитика на основе обработки больших объемов информации (Big Data). На конкретных примерах показано, как цифровизация влияет на цепи поставок предприятий сетевой розничной торговли, и какие экономические выгоды могут при этом получить как клиенты, так и сами сетевые операторы

Ключевые слова: цифровая технология, цифровой двойник, блокчейн, интернет вещей, розничная сеть, предиктивная аналитика, машинное обучение, искусственный интеллект, дрон

JEL-классификация: O31, O32, O33, L86



Введение

Как показывает практика, цифровизация оказывает существенное влияние на управление цепями поставок (УЦП), однако уровень использования цифровых технологий по различным отраслям существенно отличается. Среди лидирующих в плане цифровизации находится сетевая розничная торговля [10].

Перечень таких технологий весьма широк, но при обследовании крупных сетевых ритейлеров, функционирующих на мировом рынке, были идентифицированы представленные ниже технологии в порядке убывания степени их использования:

  • Cloud technology and cloud-based commerce networks (облачные технологии и облачные коммерческие сети);
  • Internet of Things (Интернет вещей);
  • Artificial Intelligence & Machine Learning (искусственный интеллект и машинное обучение);
  • Advanced and predictive analytics (продвинутая и прогностическая аналитика);
  • Digital supply chain twins (цифровые двойники цепи поставок);
  • Weighing, packing and shipping technologies (технологии автоматического взвешивания, упаковывания и грузопереработки);
  • Robotics, driverless vehicles and drones (робототехника, беспилотные транспортные средства и дроны);
  • 3D printing (3D-печать);
  • Blockchain (блокчейн).
  • Рассмотрим краткую характеристику указанных цифровых технологий.

    Облачные технологии

    Самым большим преимуществом облачных технологий и облачных коммерческих сетей является то, что они позволяют сетевым ритейлерам использовать большие пулы IT-ресурсов без необходимости создавать и поддерживать собственную инфраструктуру центров обработки данных. В облаке компании могут развертывать ресурсы по мере необходимости, вместо того чтобы вкладывать средства в дополнительные серверы и емкость хранилища, которые им могут понадобиться только на короткое время.

    Облачные технологии позволяют компаниям объединить всю информацию о логистических бизнес-процессах в цепях поставок и в единое центральное решение. Централизованная информация устраняет дублирование данных и улучшает обмен информацией посредством связи в реальном времени (вместо передачи данных «точка-точка»). Все контрагенты цепи поставок, такие как поставщики, посредники (в том числе логистические) и конечные потребители, могут получить доступ к актуальной и точной информации [5, 6] (Sergeev, 2017; Sergeev, Dutikov, 2017).

    Интернет вещей

    Интернет вещей (IoT), состоящий из физических устройств, оборудованных удаленными датчиками, которые собирают и передают большие объемы данных, уже оказывает большое влияние УЦП. IoT поддерживает операционную эффективность в таких областях, как отслеживание активов, управление запасами и прогнозирование, повышение производительности технических устройств и персонала и оптимизация процессов принятия решений во всей цепи поставок.

    Например, компании могут отслеживать продукты на протяжении всего жизненного цикла с помощью датчиков RFID и GPS. Производители и предприятия сетевой розницы могут собирать ценные детальные данные, такие как время хранения товара, при какой температуре, сколько времени потребовалось от доставки со склада в магазин и продажи, промежуток времени между закупкой и реализацией товара, и сколько времени он провел в транспортном средстве. Датчики IoT обеспечивают в режиме реального времени видимость уровней запасов, позволяя определять тренды продаж и делать более точные прогнозы для планирования будущего производства или пополнения запасов. Данные, полученные с датчиков и сенсоров, могут быть использованы для более точного определения ключевых показателей, которые оценивают надежность и эффективность цепи поставок [19, 25, 27] (Ben-Daya, 2019).

    В случае задержек в цепи поставок контрагенты могут легче определить источник узких мест и принять меры для улучшения процессов. Благодаря возможности отслеживать местонахождение товаров в режиме реального времени во время доставки, компании могут обеспечить превосходное обслуживание клиентов, предоставляя клиентам точные оценки доставки и информацию о местонахождении в реальном времени.

    Искусственный интеллект и машинное обучение

    Различные технические/технологические и IT-устройства, такие как роботы и современные системы управления складом (WMS), используют искусственный интеллект (AI) и машинное обучение (ML) для принятия решений на основе обработки большого объема данных [12, 21, 23] (Andriole, 2018; Dubey, Gunasekaran, Childe, Bryde, Giannakis, Foropon, Roubaud, Hazen, 2019). По данным PricewaterhouseCoopers, потенциальный вклад AI в мировую экономику к 2030 году составит 15,7 триллиона долларов [1]. Благодаря искусственному интеллекту компании могут автоматизировать такие функции, как прогнозирование спроса/продаж, планирование мощностей и производства, а также послепродажное обслуживание.

    Например, технологии, основанные на искусственном интеллекте, могут анализировать погоду, данные о продажах в реальном времени и другие факторы, чтобы генерировать точные прогнозы спроса и облегчать планирование логистической деятельности. Компания DHL разработала инструмент, основанный на машинном обучении, который анализирует 58 параметров технических данных для прогнозирования задержек в воздушном транзите до недели. Этот инструмент также определяет основные факторы, влияющие на задержки при отправке, такие как день вылета и своевременность работы авиакомпании.

    Модуль «Resilience360 Supply Watch» компании DHL, входящий в состав облачного решения для управления рисками «Resilience360», использует расширенное машинное обучение и обработку естественного языка (NLP) для анализа содержания и контекста 8 миллионов сообщений в интернете и социальных сетях из более чем 300 000 источников [2]. Анализируя настроения на основе неструктурированных данных этих онлайн-разговоров, система выявляет факторы риска, позволяя SC-менеджерам предпринимать активные корректирующие действия, чтобы избежать сбоев в цепи поставок.

    Робототехника с помощью AI и ML увеличивает производительность персонала на складах и в распределительных центрах. Например, «Chuck by 6 River Systems» [3] – это робот для совместной работы, который использует технологии искусственного интеллекта и машинного обучения для определения приоритетов выполнения логистических операций и оптимизации маршрутов подъемно-транспортного оборудования в режиме реального времени. Совместные роботы, такие как Chuck, запрограммированы на помощь пользователям в выполнении логистических задач, а также имеют встроенные средства контроля качества, такие как устройства считывания штрих-кода, которые помогают снизить количество ошибок персонала и повысить точность. Chuck также интегрируется с системами управления складом (WMS), поэтому его можно использовать для различных операций на складе, таких как сбор, складирование, учет, пополнение и сортировка. Mobile Sort [4], еще одно решение от 6 River Systems, использует ML, чтобы помочь персоналу склада интеллектуально выбирать и сортировать партии по отдельным заказам. С помощью изображений, источников света и датчиков Mobile Sort диспетчирует работу сотрудников и проверяет задачи для повышения эффективности и точности.

    Продвинутая и прогностическая аналитика

    Продвинутая и предиктивная (прогностическая) аналитика разворачивается в цепях поставок в реальном или почти реальном времени. Варианты использования этой цифровой технологии включают динамическое ценообразование, тестирование качества продукции, динамическое пополнение запасов, а также кадровые и ресурсные решения в цепях поставок сетевой розницы. Передовые аналитические и прогнозные решения экстраполируют данные из Интернета вещей, погодных условий и динамических данных о продажах, чтобы помочь менеджерам цепи поставок понять будущие сценарии и принять оптимальные решения.

    Предиктивная аналитика может показаться похожей на машинное обучение, но на самом деле это приложение к ML. ML – это подход на основе искусственного интеллекта, состоящий из сложных алгоритмов и моделей, которые можно использовать для прогнозирования. В машинном обучении алгоритмы обрабатывают представленные данные без заранее определенного набора правил и положений. Эти системы становятся эффективнее с опытом, после обработки больших объемов данных, без необходимости явного программирования [17, 18].

    Прогнозирующее моделирование, или прогнозная аналитика, с другой стороны, является формой аналитики, которая оценивает набор исторических и текущих данных, чтобы идентифицировать модели и поведение, прогнозировать наиболее вероятные результаты и оценивать вероятность различных результатов на основе данных.

    Согласно данным Supply Chain Dive, основанным на анализе годового отраслевого отчета MHI за 2019 год, 30 % опрошенных специалистов по УЦП говорят, что в настоящее время они используют прогнозную аналитику в своей компании. Девять из 10 респондентов считают, что прогнозная аналитика повлияет на УЦП в следующем десятилетии. Более половины (57 %) из тех, кто в настоящее время не использует прогнозную аналитику, заявляют, что планируют сделать это в течение следующих пяти лет [5].

    Прогнозная аналитика имеет много вариантов использования в УЦП сетевых розничных операторов. Вот несколько примеров [7, 8, 13, 20, 22] (Sergeev, Kolchugin, 2015; Sergeev, 2014; Boone, Ganeshan, Jain, Sanders, 2019; Hazen, Skipper, Ezell, Boone, 2016):

    Оптимизация маршрута. Логисты и менеджеры по УЦП используют прогнозирующую аналитику для определения кратчайшего и самого быстрого маршрута к пункту назначения (распределительному центру или магазину) с учетом таких факторов, как погодные условия, задержки движения и данные о транспортных средствах, например, пробег. Используя прогнозные модели для определения наилучшего маршрута с наименьшим риском, логистические подразделения торговой компании помогают обеспечить своевременную доставку.

    Прогнозирование спроса. Прогнозная аналитика может помочь сетевым операторам оптимизировать запасы на складе или распределительном центре, обеспечивая наличие достаточного запаса для удовлетворения ожидаемого спроса. Компании могут легче подготовиться к сезонным колебаниям, чтобы избежать дефицита и возможностей потери продаж. Выявив модели поведения, которые указывают на изменение привычек покупателей, компании могут даже прогнозировать будущие тенденции и готовиться к неожиданным изменениям спроса.

    Оптимизация уровней товарных запасов. В сочетании с прогнозированием спроса прогностическая аналитика позволяет торговым компаниям оптимизировать уровни запасов в сети распределения. Прогнозная аналитика помогает определить количество сезонных запасов и уровни страхового запаса, необходимые для удовлетворения спроса, без дополнительных затрат на длительное хранение излишних запасов.• Закупки. Партнерство с экономически эффективными и надежными поставщиками жизненно важно для обеспечения бесперебойной работы сетевого ритейла. Используя прогнозную аналитику для оценки поставщиков по таким факторам, как надежность, стоимость и качество, компании могут принимать решения о закупках на основе данных и реализовывать планы на случай непредвиденных обстоятельств (таких как резервные поставщики) для снижения рисков.

    Цифровые двойники цепи поставок

    Цифровой двойник цепи поставок является цифровой моделью реального объекта или системы. Он представляет все отношения между всеми контрагентами в реальной цепи поставок от начала до конца, включая клиентов, логистические мощности, производителей, поставщиков логистических услуг, рынки, погодные условия и многое другое. Комбинируя идеи IoT, аналитику больших данных (Big Data) и моделирования, он использует датчики для сбора данных, которые являются основой цифровой модели цепи поставок [14–16] (Garman).

    «Хотя цифровые двойники сильно различаются по своим целям и объему данных, которые они хранят, все они следуют одному и тому же принципу, – объясняет Gartner, – существует ровно один близнец на одну вещь/сущность. Близнец постоянно обновляется, чтобы отразить текущее состояние физического состояния». Согласно отчету Gartner о результатах опроса, проведенного в июле и августе 2018 года, 13 % компаний, реализующих проекты IoT, в настоящее время используют цифровых близнецов, а 62 % собираются использовать цифровых близнецов или сообщают, что планируют сделать это в течение 12 ближайших месяцев [6].

    Цифровые близнецы служат прототипами для своих реальных субъектов. Программирование двойника для инкапсуляции данных позволяет аналитикам и SC-менеджерам вносить изменения в двойника, не влияя на какие-либо подключенные приложения, а также изменения в подключенных приложениях, не влияя на двойника. Лидеры УЦП могут применять предписывающую аналитику и AI к цифровым двойникам, чтобы повысить ситуационную осведомленность и поддерживать более быстрое принятие решений – либо за счет расширения процесса принятия решений человеком, либо за счет полной автоматизации процесса принятия решений. Лидеры УЦП используют цифровых двойников для [15] (Garman):

    ü анализа потенциальных колебаний спроса;

    ü определения узких мест в цепи поставок;

    ü тестирования рекламных акций на разных рынках или в регионах;

    ü определения рисков и оптимизации решений, например, выбор резервных поставщиков;

    ü применения профилактического ТО и ремонта транспортных средств, чтобы свести к минимуму сбои в поставках;

    ü апробации наиболее рациональных маршрутов для обеспечения своевременной доставки.

    Unilever, компания по производству потребительских товаров, создала пилотный цифровой двойник фабрики в Бразилии в 2018 году и теперь планирует внедрить цифровых двойников на 170 заводах ее глобальной сети поставок к концу 2020 года. По данным Wall Street Journal, «эта технология позволяет компании Unilever вносить изменения в производственные процессы в режиме реального времени, чтобы оптимизировать производительность, более точно использовать материалы и ограничивать отходы продукции, которая не соответствует стандартам качества» [7].

    Вместо того чтобы приостанавливать производство для проверки качества, операторы отслеживают, соответствует ли производственный процесс заданным параметрам, и проверяют качество в автономном режиме с использованием цифрового двойника. Если производство не соответствует этим параметрам, операторы приостанавливают производство для внесения изменений. Компания Unilever сэкономила примерно 2,8 миллиона долларов на пилотном проекте, сократив потребление энергии и повысив производительность на 3 %.

    Технологии автоматического взвешивания, упаковывания и грузопереработки

    Поскольку спрос на доставку в течение двух дней или на следующий день продолжает расти, производители и логистические провайдеры ощущают необходимость в ускорении доставки продукции сетевым операторам. Мобильные технологии взвешивания – это одно из решений, которое позволяет удобно взвешивать в пункте погрузки и разгрузки. Эти технологии предлагают альтернативу традиционным стационарным весам, расположенным в различных зонах объекта (например, морского порта). При использовании традиционных весов операторам приходилось перевозить продукты из зон погрузки и разгрузки на весы с использованием такого оборудования, как вилочные погрузчики и гидравлические тележки для поддонов. Операторы записывали информацию вручную, а затем транспортировали продукт обратно в зону погрузки или разгрузки склада.

    Хотя стационарные весы по-прежнему применяются на современном складе, они создают несколько проблем. Во-первых, необходимость перемещать продукт туда и обратно между весами и зонами погрузки и разгрузки означает больше времени и энергии, затрачиваемых на процесс взвешивания. Гидравлические тележки и вилочные погрузчики для поддонов, используемые для транспортировки продукции между зонами склада или пунктами рампы, способствуют заторам и повышают риски. По данным OSHA, в результате работ на вилочных погрузчиках 100 человек ежегодно получают 95 000 травм во всех отраслях [8]. Кроме того, OSHA рекомендует максимальную скорость в пять миль в час для вилочных погрузчиков, что может быть сложной задачей, когда время имеет существенное значение. Мобильные технологии взвешивания снижают эти риски, уменьшая необходимость транспортировки продукта на стационарные весы.

    Технологии взвешивания также помогают грузовой промышленности:

    Мостовые весы для автомобилей: расположены в местах, легко доступных для грузовых автомобилей, и грузовые автомобили въезжают на весы для взвешивания. Эти весы могут обрабатывать много грузовиков за короткое время, и они работают для многих типов грузовых автомобилей.

    Бортовые весы для грузовых автомобилей. В настоящее время все больше грузовых автомобилей оснащены бортовыми весами для грузовых автомобилей, беспроводными системами взвешивания, которые передают данные с использованием технологии тензодатчика и показаний давления в пневматической подвеске для определения веса грузового автомобиля и нагрузки.

    Портативные автомобильные весы: Портативные автомобильные весы обеспечивают точные результаты взвешивания и помогают гарантировать, что грузовые автомобили загружены до оптимальной грузоподъемности и в допустимых пределах. Портативные автомобильные весы легко перемещаются и обеспечивают возможность взвешивания в движении.

    В упаковывании решения по геометрии картонной упаковки рассчитываются автоматически, исходя из идеального размера упаковки для заказов, чтобы уменьшить количество отходов и устранить неопределенность при выборе правильных контейнеров для упаковки и доставки. Если сотрудники выбирают слишком маленькую или слишком большую коробку, они часто заканчивают обратным отслеживанием, чтобы повторять упаковку (выбирая другой размер коробки и переупаковывая заказ). В некоторых случаях сотрудники, которые выбирают слишком большую коробку, в любом случае используют ее, чтобы избежать повторения задач, что приводит к расточительству упаковочного материала и потенциально более высоким затратам на доставку.

    Самые передовые программные решения по упаковыванию учитывают вес как четвертое измерение. Эти решения выходят за рамки расчета того, поместятся ли элементы заказа в коробку, чтобы определить наиболее экономически эффективный способ упаковки заказа с учетом таких факторов, как размерный ряд продукции, грузоподъемность/грузовместимость транспортного средства и трудозатраты на комплектование заказа.

    Робототехника, беспилотные транспортные средства и дроны

    Робототехника, беспилотные транспортные средства и дроны приносят пользу в сетевом ритейле несколькими способами. Например, совместные мобильные роботы повышают точность и эффективность работы склада, задавая темпы для персонала склада, проводя их через рабочие зоны, сводя к минимуму ходьбу и оставляя их на своих местах. С помощью AI и ML совместные роботы, такие как Chuck by 6 River Systems [9], оптимизируют маршруты подбора в реальном времени и расставляют приоритеты для задач в зависимости от текущих условий склада.

    Совместные роботы функционируют с существующей инфраструктурой склада, устраняя дорогостоящие обновления инфраструктуры и длительное время ожидания, чтобы достичь окупаемости инвестиций, обычной для традиционных решений автоматизации склада. Оснащенному самыми современными датчиками – по той же технологии, что и в автономных транспортных средствах – роботу Chuck не нужны провода, наклейки или кабели для навигации по складу. Chuck полностью осознает свое окружение и легко перемещается вокруг препятствий, таких как ящики и стойки. Chuck также замедляется, когда он обнаруживает людей или оборудование в этой зоне.

    Используя гибкое, масштабируемое решение для автоматизации современного склада, операторы склада могут арендовать дополнительных роботов для совместной работы, чтобы удовлетворить спрос в пиковые периоды и вернуть дополнительные устройства, когда спрос вернется к норме. Операторы также могут легко переносить роботов между объектами по мере необходимости.Совместные роботы перевозят паллеты или коробки, заполненные товарами, по всему складу, что означает, что сотрудники испытывают меньшую физическую нагрузку и усталость, что характерно для ручной транспортировки материалов. Склады, в которых используются совместные роботы, могут увеличить производительность в 2–3 раза.Используемые для упрощения инвентаризации дроны могут сканировать штрих-коды на поддонах и записывать местоположение каждой SKU в WMS склада, автоматизируя утомительный и подверженный ошибкам процесс ручного подсчета запасов. Дроны являются более безопасной альтернативой ручным процессам инвентаризации, устраняя необходимость в ричтраках, вилочных погрузчиках или кранах-штабелерах для доступа к труднодоступным местам хранения во время подсчета запасов.Несколько крупных предприятий исследовали использование дронов для целей доставки [1], например, Amazon Prime, проект, целью которого является доставка посылок клиентам в течение 30 минут или меньше. UPS Flight Forward, дочерняя компания UPS, получила федеральное разрешение на расширение своих операций по доставке дронами в США в 2019 году [10]. Хотя доставка дронами еще не является полностью реализованной технологией, IEEE Spectrum прогнозирует, что коммерческая доставка дронами в США будет поддержана требуемым законодательством и нормативными документами уже в 2021 году. Как и беспилотные летательные аппараты, в ближайшем будущем некоторые компании планируют сделать беспилотные автомобили реальностью. Эти транспортные средства могут контролироваться водителем дистанционно, который может взять под контроль транспортное средство в любое время, если условия требуют вмешательства человека [11] (Figovskiy, Gumarov, 2018). При такой настройке один оператор может контролировать несколько транспортных средств одновременно. Хотя концепция автомобилей без водителя находится в зачаточном состоянии, она активно развивается такими компаниями, как Waymo и Uber. В конечном счете возможность использования беспилотных грузовиков в логистике не за горами. По данным McKinsey & Company, 65 % потребительских товаров в США перевозятся автомобильным транспортом. Полностью автономные грузовые автомобили могут снизить эксплуатационные расходы примерно на 45 %, что приведет к экономии от 85 до 125 миллиардов долларов в автомобильной промышленности [11].

    3D-печать

    3D-печать влияет на цепь поставок, поддерживая производство на заказ, что приводит к экономии затрат на запасы. Поскольку 3D-печать опирается на цифровые файлы или чертежи продукта, разработчики и компании могут внедрять новые итерации за меньшее время и с меньшими затратами. 3D-печать позволяет получать несколько деталей из одного источника, снижая риск ненадежности поставщика и повышая скорость жизненного цикла продукта.

    Индустрия 3D Printing сообщает, что, согласно исследованию PricewaterhouseCoopers, 71,1 % компаний-производителей в США уже используют 3D-печать в той или иной форме [12]. Почти треть (31,4 %) используют его для быстрого прототипирования. В настоящее время 6,6 % производителей используют 3D-печать для производства конечной продукции, а 42 % производителей заявляют, что планируют внедрить 3D-печать для массового производства в течение следующих трех-пяти лет. Более того, более чем каждый пятый производитель (22 %) считает, что реструктуризация цепей поставок станет наиболее значительным изменением в результате широкого распространения 3D-печати.

    Блокчейн

    Согласно многочисленным исследованиям, блокчейн может разрешить большую часть трений, присутствующих в цепи поставок сегодня [2, 4, 9] (Gumenyuk, Gumenyuk, 2019; Sergeev, Kokurin, 2018; Svon, 2017). Эти трения возникают из‑за наличия:

    1. Нескольких контрагентов, функционирующих в цепи поставок, и необходимости свободного (но надежного и достоверного) обмена информацией с этими субъектами.

    2. Сложного контрактного процесса, требующего банковских и юридических услуг.

    3. Сложности отслеживания возврата компонентов и изделий обратно поставщикам.

    4. Длительного времени обработки (иногда несколько дней) для перевода платежей между контрагентами.

    Цифровая децентрализованная бухгалтерская книга – блокчейн, записывает транзакции в виде серии блоков. Несколько копий блокчейна распределяются по нескольким компьютерам, известным как узлы, и каждый узел получает обновленную копию для каждой новой транзакции. Распределенная природа блокчейна затрудняет несанкционированное вмешательство, поскольку хакерам или злоумышленникам потребуется обновить все копии блокчейна в один и тот же момент. Аналитики отмечают несколько преимуществ блокчейна для УЦП в секторе сетевой розничной торговли, в том числе [2, 24, 26] (Gumenyuk, Gumenyuk, 2019; Venkatesh, Kang, Wang, Zhong, Zhang, 2020; Wanga, Singgiha, Wanga, Rit, 2019):

    ü Надежность и целостность: все компании согласны с тем, что блокчейн является наиболее достоверной записью транзакций.

    ü Прослеживаемость: блокчейн позволяет легко отслеживать товары от места их производства до места их продажи.

    ü Безопасность: невозможно удалить транзакции из блокчейна. Аналогично, невозможно подделать учетные записи, платежные транзакции, сроки доставки или условия поставки в регистре блокчейнов.

    Экосистема блокчейна еще не полностью сформировалась. Все контрагенты цепи поставок должны будут внедрить блокчейн, чтобы полностью реализовать потенциал этой технологии. Отслеживая продукты от точки происхождения до конечного потребления, блокчейн обещает использовать их в отраслях, требующих отличного прослеживания, таких как продукты питания и напитки, а также фармацевтические препараты.

    Цепи поставок являются сложными, и любые воздействия на одну точку в цепи поставок, как правило, имеют эффект домино. Например, задержки при транспортировке могут привести к нехватке сырья, что замедляет или останавливает производственные процессы, основанные на этих материалах.

    Заключение

    Проведенные исследования показали, что достижения в цифровых технологиях УЦП поддерживают эффективный материальный и финансовый поток на каждом этапе товародвижения в цепи поставок.

    [1] https://zen.yandex.ru/media/id/5d6b7d50c7e50c00b33d66a4/pwc-k-2030-godu-ii-mojet-dobavit-v-globalnuiu-ekonomiku-157-trln-5d844aed4735a600aeafddd6

    [2] https://www.resilience360.dhl.com/news-archive/

    [3] https://6river.com/

    [4] https://6river.com/mobile-sort/

    [5] https://www.supplychaindive.com/news/predictive-analytics-operations-growth-MHI/552709/

    [6] https://nfp2b.ru/2019/02/28/kak-tehnologiya-digital-twin-stanovitsya-normoj-dlya-predpriyatij/

    [7] https://www.wsj.com/articles/unilever-uses-virtual-factories-to-tune-up-its-supply-chain-11563206402

    [8] https://skladtoyota.ru/praktika-osmotra/

    [9] https://6river.com/solution/

    [10] https://naked-science.ru/article/hi-tech/amazon-vvedet-dostavku-tovarov

    [11] https://www.mckinsey.com/ru/our-insights

    [12] https://ipc2u.ru/articles/tehnologii-i-innovacii/3d-printing/


    Источники:

    1. Беспилотный летательный аппарат БПЛА (дрон) http://www.tadviser.ru
    2. Гуменюк Н.В., Гуменюк М.М. (2019). Концептуальные механизм управлениями цепями поставок на основе технологии блокчейн. Вестник института экономических исследований, 13, 119-127.
    3. Дыбская В.В., Сергеев В.И. Мировые тренды развития управления цепями поставок // Логистика и управление цепями поставок, 2018. № 2. - C. 3-14.
    4. Сергеев В.И., Кокурин Д.И. Применение инновационной технологии «Блокчейн» в логистике и управлении цепями поставок // Креативная экономика. Том 12, № 2, 2018. С. 125-140.
    5. Сергеев В.И. Перспективы развития цифровой логистики и SCM в России и роль Школы логистики НИУ ВШЭ // Логистика и управление цепями поставок, 2017. № 6. - C. 3-14.
    6. Сергеев В. И., Дутиков И. М. Цифровое управление цепями поставок: взгляд в будущее // Логистика и управление цепями поставок. 2017, № 2. С. 87-97.
    7. Сергеев В. И., Кольчугин Д. М. Теоретические аспекты устойчивости цепей поставок // Логистика и управление цепями поставок. 2015, № 3. С. 54-66.
    8. Сергеев В.И. Управление цепями поставок. Учебник для бакалавров и магистров. – М.: Изд-во Юрайт, 2014. – 479с.
    9. Свон М. (2017) Блокчейн. Схема новой экономики, М.: Олимп-Бизнес, 1-227.
    10. Современные тенденции развития сетевого ритейла в России и за рубежом. https://cyberleninka.ru/article/n/sovremennye-tendentsii-razvitiya-setevogo-riteyla-v-rossii-i-za-rubezhom
    11. Фиговский О., Гумаров В. Беспилотные транспортные средства: развитие технологий и место в мировом сообществе // ELGA – научно-культурологический журнал, №5 [338], 2018.
    12. Andriole, S.: Gartner’s 10 TECHNOLOGY Trends for 2019: The Good, the Obvious and the Missing. Forbes.com (2018). https://www.forbes.com/sites/steveandriole/2018/10/22/gartners-10-technology-trends-for-2019-the-good-the-obvious-and-the-missing/#7b5385cb5999
    13. Aronow, S., Ennis, K., Romano, J.: Login Page. [online] Gartner.com (2018). https://www.gartner.com/document/3875506?ref=solrAll&refval=212943992&qid=
    14. Boschert, S., Rosen, R.: Digital twin—the simulation aspect. In: Mechatronic Futures, pp. 59–74. Springer, Cham. (2016).
    15. Garman, N.: Same Data, New Insight: Employing Digital Twins for Supply Chain Success. https://www.thomasnet.com/insights/same-data-new-insight-employing-digital-twins-for-supply-chain-success/.
    16. Capgemini Consulting, “Global Supply Chain Control Towers”, available at: http://www.capgemini.com/resources/global-supplychain-control-towers.
    17. H. Carvalho, A.P. Barroso , V. H. Machado, S. Azevedo, V. Cruz-Machado a “Supply chain redesign for resilience using simulation”, Computers & Industrial Engineering 62 (2012) 329–341.
    18. A.P. Barroso, V.H. Machado, H. Carvalho and V. Cruz Machado, Quantifying the Supply Chain Resilience Applications of Contemporary Management Approaches in Supply Chains, Chapter 2 (2015).
    19. Ben-Daya, M.. (2019). Internet of things and supply chain management: a literature review. International journal of production research, Vol: 57, Iss. 15-16.
    20. Boone, T., Ganeshan, R., Jain, A., Sanders, N.R. (2019). Forecasting sales in the supply chain: Consumer analytics in the big data era. International Journal of Forecasting 35: 170–180.
    21. Dubey, R., Gunasekaran, A., Childe, S.J., Bryde, D.J., Giannakis, M., Foropon, C., Roubaud, D., Hazen, B.T. (2019). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. Int. J. Production Economics: p. 1-12.
    22. Hazen, B.T., Skipper, J.B., Ezell, J.D., Boone, C.A. (2016). Big data and predictive analytics for supply chain sustainability: A theory-driven research agenda. Computers & Industrial Engineering 101: 592–598.
    23. The Digital Supply Chain: The Landscape, Trends, Types, and the Application in Supply Chain Management. – A publication of CERASIS, 2018. – 85p.
    24. Venkatesh, V.G., Kang, K., Wang, B., Zhong, R.Y., Zhang, A. (2020). System architecture for blockchain based transparency of supply chain social sustainability. Robotics and Computer Integrated Manufacturing 63:1-9.
    25. Witkowski, K. (2017). Internet of Things, Big Data, Industry 4.0 – Innovative Solutions in Logistics and Supply Chains Management. Procedia Engineering 182: 763 – 769.
    26. Wanga Y., Singgiha M., Wanga J., Rit M. (2019). Making sense of blockchain technology: How will it transform supply chains? International Journal of Production Economics, 211, 221-236.
    27. Staff, “The Future of the Digital Supply Chain: IoT, Big Data, Blockchain, Predictive Analytics, and More,” Shipchain, 25 June 2019

    Страница обновлена: 14.10.2020 в 23:32:47