Wykorzystanie technologii Big Data do predykcji ryzyka opóźnień w łańcuchu dostaw

W ostatnich latach coraz większą uwagę poświęca się zastosowaniu technologii Big Data, uczenia maszynowego oraz sztucznej inteligencji (artificial intelligence — AI). Przedsiębiorstwa dążą do przewagi konkurencyjnej poprzez odpowiednie zastosowanie analityki danych. Technologia Big Data może być wykorzystywana w wielu różnych branżach, np. w branży transportowej czy medycznej, a potencjalnie we wszystkich. Olbrzymim problem w łańcuchu logistycznym jest ryzyko opóźnień, na które może wpływać wiele czynników, m.in. nieczytelna etykieta na przesyłce, brak pracowników magazynowych czy kongestia w miastach. Artykuł koncentruje się na zastosowaniu technologii Big Data do wykrywania ryzyka opóźnień w łańcuchach dostaw produktów leczniczych. Jego celem jest przedstawienie koncepcji dużych zbiorów danych, architektury Big Data dla łańcucha dostaw produktów leczniczych oraz zaprezentowanie wyników badań związanych z predykcją ryzyka opóźnień dzięki implementacji tej architektury w rzeczywistym przedsiębiorstwie. Postawiony cel zdeterminował wybór następujących metod badawczych: analizy literatury oraz modelowania, które pozwoliło zaprojektować i wdrożyć architekturę dla łańcucha dostaw w badanym przedsiębiorstwie. W ostatniej części artykułu zaprezentowano model regresji logistycznej do przewidywania opóźnień w łańcuchu dostaw produktów leczniczych. W ramach badań ustalono, że model ma wysoką zdolność predykcyjną.

Bibliografia/References

Biswas, S., & Sen, J. (2016). A proposed framework of next generation Supply Chain Management using Big Data analytics. Paper presentation. Proceedings of National Conference on Emerging Trends in Business and Management: Issues and Challenges. 17–18.03.2016. Kolkata, Indie. https://doi.org/10.13140/RG.2.01.2183.4487

Brzeziński, J. (2016). Zarządzanie informacjami jako źródło przewagi konkurencyjnej łańcucha dostaw w kontekście koncepcji Big Data. W: B. Ocicka, & M. Zięba (Red.), Innowacja w łańcuchach dostaw źródłem przewagi konkurencyjnej w XXI wieku (21–30). Wydawnictwo Uniwersytetu Łódzkiego. https://doi.org/10.18778/8088-496-0

Cox, M., & Ellsworth, D. (1997). Managing Big Data for scientific visualization. ACM Siggraph. https://www.researchgate.net/publication/238704525_Managing_big_data_for_scientific_visualization  (pobrano 11.06.2022).

Forbes.com. (2011). Google’s „infringenovation” secrets. https://www.forbes.com/sites/scottcleland/2011/10/03/googles-infringenovation-secrets/?sh=10ce156230a6 (pobrano 11.06.2022).

Ghotkar, M., & Rokde, P. (2016). Big Data: How it is generated and its importance. IOSR Journal of Computer Engineering, 1–5. https://www.iosrjournals.org/iosr-jce/papers/conf.15013/Volume%202/1.%2001-05.pdf?id=7556

Gupta, I., & Kamath, M. (2021). Adding Value to Manufacturing, Retail, Supply Chain, and Logistics Operations with Big Data Analytics. MHI Solutions Community. http://www.warehouseautomation.org/2021/07/10/big-data-analytics-and-its-value-across-supplychain-operations/ (pobrano 11.06.2022).

Harańczyk, G. (2010). Krzywe ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia. StatSoft Polska Sp. z o.o. https://media.statsoft.pl/_old_dnn/downloads/krzywe_roc_czyli_ocena_jakosci.pdf (pobrano 28.06.2022).

Marciniak, M., & Szymczak, M. (2015). Big Data w zarządzaniu łańcuchem dostaw, Gospodarka Materiałowa i Logistyka, (7), 8–15.

Maślankowski, J. (2015). Analiza jakości danych pozyskiwanych ze stron internetowych z wykorzystaniem rozwiązań Big Data. W: A. Sobczak, & A. Kobyliński (Red.), Technologie informatyczne w administracji publicznej i służbie zdrowia (167–177). Wydawnictwo Szkoły Głównej Handlowej w Warszawie.

Pełka, M. (2015). Regresja logistyczna dla danych symbolicznych interwałowych. Ekonometria, 2(48), 44–52. https://doi.org/10.15611/ekt.2015.2.04

Racka, K. (2016). Big Data — znaczenie, zastosowania i rozwiązania technologiczne. Zeszyty Naukowe PWSZ w Płocku. Nauki Ekonomiczne, 1(23), 311–323.

Reinsel, D., & Gantz, J. (2011). Extracting value from chaos. IDC. https://scholar.google.pl/scholar_url?url=http://www.kushima.org/wpcontent/uploads/2013/05/DigitalUniverse2011.pdf&hl=pl&sa=X&ei=3u2AYvPG42Sy9YPmZGByA4&scisig=AAGBfm3-Wt70jz-_D6FxkQcU1xu-9DBY2Q&oi=scholarr (pobrano 11.06.2022).

Reinsel, D., Gantz, J., & Rydning, J. (2018). The Digitization of the World From Edge to Core. IDC. https://resources.moredirect.com/white-papers/idc-report-the-digitization-of-the-world-from-edge-to-core (pobrano 11.06.2022).

Schoenherr, T., & Speier-Pero, C. (2015). Data science, predictive analytics, and Big Data in supply chain management: Current state and future potential. Journal of Business Logistics, 36(1), 120–132. https://doi.org/10.1111/jbl.12082

Wyrembek, M. (2022). Wpływ technologii Big data na zarządzanie łańcuchem dostaw [Niepublikowana praca magisterska]. Wyższa Szkoła Logistyki w Poznaniu.

Zdrenka, W. (2017). The use and the future of Big Data analytics in supply chain management. Research in Production and Logistics, 7(2), 91–102. https://doi.org/10.21008/j.2083-4950.2017.7.2.3