Hệ thống quản lý chuỗi cung ứng rời rạc sẽ khiến doanh nghiệp khó khăn trong việc đưa ra quyết định nhanh chóng và kịp thời. Nền tảng quản lý chuỗi cung ứng và doanh thu thông minh của Accenture tích hợp insights từ mô hình khoa học máy tính (ML), trí thông minh nhân tạo (AI) vào hệ sinh thái kỹ thuật và kinh doanh của doanh nghiệp.
IRAS là giải pháp nội bộ được phát triển bởi Accenture thuộc hệ thống dịch vụ Amazon web service (AWS). Nó cho phép doanh nghiệp chủ động tối ưu và tự động hóa quy trình vận hành phức tạp của doanh nghiệp. Ví dụ, họ có thể dự toán số lượng đơn vị hàng hóa tồn kho (SKUs) cần được đặt hàng thường xuyên để dự trữ những mặt hàng chính.
Những phi vụ triệu đô nhằm cải thiện chuỗi cung ứng của các doanh nghiệp đều thất bại khi dựa trên hàm heuristics từ hệ thống, công cụ và các quy trình mà không có khả năng mở rộng. Các doanh nghiệp thường tối ưu hóa các chuỗi bằng những nguồn dự trữ rời rạc, hầu như không đem lại kết quả gì cho việc cải thiện chuỗi cung ứng. Một vài giải pháp này thậm chí hủy hoại hoàn toàn chuỗi cung ứng.
Khi việc chia sẻ dữ liệu qua những “silo” bị cắt đứt, những nhà quản lý doanh nghiệp sẽ thiếu đi tầm nhìn toàn diện. Họ không thể chủ động khắc phục sự cố tại thượng nguồn hay. hạ nguồn của quá trình. Do đó, “đầu ra” của công ty thường tốn kém chi phí và thời gian, họ không thể tiêu chuẩn hoặc tự động hóa những lệnh lặp lại, và các quy trình trì trệ của doanh nghiệp cũng không được cải thiện hay đổi mới.
Mặc dù được đầu tư với quy mô lớn, các doanh nghiệp không thể vận hành hiệu quả cũng như đáp ứng được những kỳ vọng ngày càng cao của khách hàng.
Bài viết dưới đây sẽ giải thích cách mà các giải pháp IRAS của Accenture được thiết kế, và tương thích với các thuật toán ML hoặc các phần mềm phân tích thống kê, cũng như cách bạn có thể sử dụng các insight nó cung cấp theo cách tối ưu nhất.
Accenture là thành viên của mạng lưới AWS (APN), đơn vị tư vấn hàng đầu với năng lực AWS về Phần mềm công nghiệp và Máy học (Machine Learning), cùng với các đơn vị khác. Accenture cũng là một nhà cung cấp dịch vụ quản lý AWS.
Mục lục
IRAS trong tích hợp quản lý chuỗi cung ứng
Hiện tại, các hoạt động về chuỗi cung ứng được quản lý bởi chu kỳ kế hoạch về doanh số bán hàng và vận hành một cách rất thủ công. Bằng cách phát triển Doanh số thông minh và Chuỗi cung ứng (IRAS), những người vận hành chuỗi cung ứng có thể tiếp cận hoạt động bán hàng một cách đa chiều, cũng như điểm dữ liệu (data point) về chuỗi cung ứng cung cấp bởi Amazon SageMaker Ground Truth.
Các mô hình dự đoán hoạt động dựa trên các data point này cho phép các nhà vận hành có thể xác định rõ ràng về vị trí của bản thân, và đảm nhận các nhiệm vụ giúp rèn luyện kỹ năng chuyên môn trong ngành của họ. Những nhà vận hành này có thể chia sẻ những hiểu biết định tính được hỗ trợ bởi dữ liệu thời gian thực được định lượng từ hệ thống chuỗi cung ứng. Họ có thể giảm tải cho các ứng dụng AI, đánh giá hoạt động kinh doanh hạ nguồn như điều chỉnh đơn đặt hàng mua sắm hoặc giới hạn các chiến dịch bán hàng.
Khi họ nắm rõ được những vấn đề trong các thuộc tính ảnh hưởng đến chuỗi cung ứng, các mô hình AI có thể đề xuất kịp thời các giải pháp tùy chọn cho các bên liên quan để giảm thiểu sự thiếu liền mạch trong công tác hậu cần. Sử dụng hệ thống IRAS, việc bán hàng và lên kế hoạch vận hành có thể chuyển đổi từ mô hình vận hành tuyến tính sang mô hình vận hành tích hợp mạng lưới.
Yếu tố ML của hệ thống IRAS giúp vận hành các mô hình tự học, dự đoán và đưa ra gợi ý về các bước vận hành tiếp theo.
Với vai trò là hệ thống đầu nguồn, các thuật toán AI có thể gợi ý về những yếu tố mang tính dự đoán cho quản lý quan hệ khách hàng và hệ thống quản lý chuỗi cung ứng. Chúng cũng có thể phát hiện những sự bất thường cũng như xu hướng, và dự đoán những yếu tố bằng cách tiếp cận hạ nguồn nhằm sử dụng dữ liệu từ những hệ thống doanh nghiệp. Điều này cho phép các chuỗi cung ứng xử lý được quy trình phức tạp hơn, khiến chúng linh hoạt, thích ứng nhanh và hiệu quả hơn.
Kiến trúc quản lý chuỗi cung ứng tham khảo của IRAS
Tại Accenture, những thành phần trong hệ thống IRAS được chọn lựa một cách phù hợp nhất để thực hiện ba mục tiêu sau:
- Thu thập và chuẩn hóa dữ liệu.
- Đưa ra dự đoán.
- Kết hợp dự đoán vào quá trình kinh doanh.
Hình 1 đưa ra các thành phần và vai trò tương ứng của chúng.
IRAS sử dụng Amazon Simple Storage Service (Amazon S3) với vai trò là nguồn dự trữ dữ liệu. Những dữ liệu chưa xử lý được thu thập từ nhiều nguồn và được phân vùng, định dạng trong Apache Parquet, và cuối cùng được đính kèm các dự báo insight.
Chúng ta sử dụng AWS Database Migration Service (AWS DMS) để thực hiện sao chép ban đầu và liên tục từ các nguồn cơ sở dữ liệu quản lý hàng tồn kho. Sử dụng Amazon AppFlow để thu thập dữ liệu quản lý quan hệ khách hàng (CRM) từ các hệ thống như HubSpot.
Dữ liệu từ các nguồn phương tiện truyền thông xã hội được thu thập thông qua AWS Lambda, và sau đó được Amazon Kinesis Data Firehose chuyển đến Amazon S3.
Chúng ta thu thập dữ liệu từ các nguồn Secure File Transfer Protocol (SFTP) qua AWS Transfer Family đối với SFTP.
Sử dụng AWS Glue để chạy các trích xuất Python hoặc dựa trên PySpark, truyền hoặc tải các đường ống để chuẩn bị dữ liệu cho Amazon Forecast. Chúng ta cũng xây dựng những tính năng cho các mô hình dự đoán ML của Amazon SageMaker. Accenture cũng sẽ đào tạo và triển khai những mô hình này.
Dù đây là những nguồn dữ liệu IRAS phổ biến, doanh nghiệp cũng có thể mở rộng các giải pháp IRAS để thu thập dữ liệu từ các nguồn khác.
Quy trình hệ thống quản lý chuỗi cung ứng của IRAS
Một khi dữ liệu được thu thập từ các nguồn, các chức năng của AWS Lambda và các công năng của AWS Glue điều phối bởi AWS Step Function giúp nén và sắp xếp dữ liệu thành các phân vùng. Họ cũng chuyển đổi các bộ dữ liệu được chọn thành định dạng Parquet để các ứng dụng hạ nguồn truy vấn và xử lý một cách hiệu quả.
Tùy thuộc vào phương thức triển khai, chuỗi các chức năng Lambda điều phối bởi AWS Step Function có thể nhập dữ liệu vào Amazon Forecast. Chúng cũng có thể xuất dữ liệu sang S3 để sử dụng hàng loạt.
Doanh nghiệp có thể truy vấn những dự đoán bằng cách sử dụng Amazon Athena và có thể tích hợp chúng vào các ứng dụng doanh nghiệp khác thông qua Amazon API Gateway. Hoặc, ta có thể xuất chúng ra một tệp và đưa chúng tới SFTP sử dụng AWS Transfer Family.
Triển khai hệ thống IRAS
Bạn có thể triển khai hệ thống IRAS trong các môi trường thiết lập trực tiếp hoặc bổ sung bất cứ mô hình dự đoán sẵn có nào. Hình 2 cho thấy thiết kế triển khai hệ thống IRAS khi đã có sẵn một mô hình dự đoán ML.
Hai quy trình AWS Step Function là yếu tố quyết định của giải pháp này. Ở phần đầu, công việc của AWS Glue và các chức năng của AWS Lambda được tích hợp để chuyển đổi dữ liệu từ “vùng” chưa xử lý thành một định dạng phù hợp đối với Amazon Forecast. Chúng cũng sử dụng Amazon Forecast API để nhập dữ liệu và tạo ra các biến độc lập.
Tùy vào trường hợp sử dụng, bạn có thể sử dụng nhiều một biến độc lập. Ví dụ như một mô hình tự động hồi quy tích hợp trung bình (ARIMA) có thể là một lựa chọn đối với một vào dòng sản phẩm nhất định. Một thuật toán DeepAR có thể thích hợp với một loại khác. Một khi biến độc lập đã sẵn sàng, chức năng Lambda tiếp theo sử dụng CreateForecastExportJob để xuất dự đoán cho mục đích sử dụng hàng loạt và theo thời gian thực.
Quy trình làm việc của AWS Step Functions ở phần dưới của hình vẽ minh họa bao gồm một chuỗi các công việc của AWS Glue, cũng như các bước được xác định trước để xử lý trước dữ liệu thô. Nó tuần tự hóa dữ liệu thành định dạng cần thiết cho các mô hình dự báo tùy chỉnh trên Amazon SageMaker. Sau khi dữ liệu được tuần tự hóa, AWS Step Functions thực hiện các lệnh khởi tạo API để train mô hình và biến đổi Batch để xuất dự báo sang Amazon S3.
Bạn có thể triển khai hệ thống IRAS tương tự như khi bạn có phần mềm phân tích thống kê sẵn có, chẳng hạn như Dịch vụ Fulfillment của Accergy (AFS) hoặc giải pháp dựa trên SAS. Phần tiếp theo sẽ mô tả cách doanh nghiệp có thể sử dụng IRAS để tích hợp các dự báo tạo bởi các giải pháp này vào quy trình kinh doanh.
Sử dụng dự đoán từ hệ thống IRAS
Trong các use case khi bạn có mô hình ML dự báo tùy chỉnh sẵn có, điều quan trọng là sử dụng giải pháp dự báo đúng cho từng loại danh mục phù hợp. Hình 3 minh họa cách tiếp cận mà hệ thống IRAS áp dụng để kết hợp các dự báo từ nhiều hệ thống vào một quy trình kinh doanh.
Điểm cuối “mặt tiền” (facade) trên Amazon SageMaker xem xét các hệ thống dự báo cho đến bảng phân loại mặt hàng trên Amazon DynamoDB để quyết định loại hệ thống nào cần thiết đối với mỗi loại nhu cầu dự báo.
Ở dạng đơn giản nhất, bảng dữ liệu này bao gồm 3 loại entries:
- Phân loại mặt hàng.
- Loại dự báo hệ thống.
- Điểm cuối của hệ thống dự báo.
Đây là vài mẫu entries:
| Item-class | Forecast-system-type | Forecast-system-endpoint |
| Watches | Amazon Forecast | arn:aws:forecast:us-east-1:123456:forecast/myforecastarn |
| Shoes | Amazon SageMaker | arn:aws:sagemaker:us-east-1:123456:endpoint/mycustomforecastmodel |
Trong giai đoạn ban đầu của hệ thống IRAS, việc tra cứu được thực hiện một cách tất yếu trong Amazon DynamoDB với sự trợ giúp của bảng được đề cập trước đó. Cuối cùng, một khi có đủ thông tin chi tiết về từng hệ thống dự báo Hiệu suất và độ chính xác, một mô hình ML đồng bộ sẽ thay thế cách tiếp cận bảng.
Amazon SageMaker Ground Truth gắn nhãn hệ thống dự báo phù hợp cho từng loại danh mục phù hợp. Việc gắn nhãn được thực hiện bởi đội ngũ có kiến thức về sản phẩm, hàng tồn kho, mua sắm và kênh bán hàng của công ty. Các nhãn được hợp nhất để xây dựng một mô hình phân loại đồng bộ, tự động áp dụng hệ thống dự báo cơ bản phù hợp cho loại mặt hàng phù hợp.
Hình 4 cho thấy làm thế nào một mô hình phân loại đồng bộ có thể thay thế cách tiếp cận bảng tra cứu xác định.
Lời kết
Bài viết này đã mô tả cách Accenture xây dựng giải pháp hệ thống IRAS mà doanh nghiệp có thể tận dụng nhằm tối ưu hóa quá trình tìm kiếm nguồn cung ứng và bổ sung hàng tồn kho. Bạn có thể triển khai giải pháp này khi chưa có hệ thống dự báo, hoặc sử dụng nó để tối ưu hóa mô hình dự báo hoặc phần mềm phân tích thống kê hiện tại của mình.
