Atrasos nas entregas de fornecedores ou disruptões na cadeia de suprimentos podem causar problemas de produção e levar a perdas financeiras. Se os líderes da cadeia de suprimentos puderem prever essas disruptões em vez de reagir a elas (combate reativo), isso ajudará a evitar perdas. 88% das organizações estão enfrentando esses atrasos, e 60% delas têm perdas de receita significativas (>15%) como resultado. Os sistemas ERP tradicionais fornecem dados históricos que podem suportar relatórios retrospectivos, mas isso pode não ser útil o suficiente para prever atrasos na cadeia de suprimentos. Este artigo propõe um modelo preditivo proativo impulsionado por IA/ML que pode analisar dados históricos de Pedidos de Compra (PO) para identificar pedidos de alto risco antes que sejam atrasados. Este aviso antecipado de atrasos na cadeia de suprimentos ajuda a reduzir faltas de estoque, melhora as taxas de entrega pontual e fornece suporte à decisão orientado por dados para equipes de aquisição. Neste artigo, técnicas de IA, como aprendizado de máquina e análise preditiva, são usadas para analisar dados históricos de PO, treinar e ajustar modelos preditivos e facilitar a implantação. Ele retrata uma nova arquitetura que incorpora capacidades de IA dentro de estruturas ERP existentes, com ênfase específica na adaptabilidade modular e escalabilidade. Esta pesquisa conclui com uma discussão sobre desafios e limitações, e direções adicionais para a adoção suave de IA em ambientes empresariais.
Sampath Kumar Mucherla (Mon,) estudou esta questão.