Wykorzystanie nowych narzędzi analitycznych w zarządzaniu łańcuchami dostaw – studium przedsiębiorstwa LOKAD

• Authors: Arkadiusz Brandt

Title variants

EN

The use of new analytical tools in supply chain management – a case study of the company LOKAD

Abstracts

EN

Supply chain management in the modern era requires the use of advanced tools and methodologies to meet dynamic market challenges. The article presents two key reference models in supply chain management: SCOR (Supply Chain Operations Reference) and GSCF (Global Supply Chain Forum) and focuses on how the use of big data and data science tools can strengthen these models, enabling better monitoring, process optimization, and response to market changes. The article discusses the applications of big data and data science in supply chain management. Real-time data analysis allows for precise demand forecasting, inventory optimization, and risk identification. At the operational and tactical levels, big data can be used for optimizing vehicle routes, fleet management, improving customer service, and product recommendations. At the strategic level, big data supports product design, network planning, and business strategy. Furthermore, the article presents data science tools developed by LOKAD for supply chain management. LOKAD utilizes advanced forecasting methods, including quantile and probabilistic forecasts, to account for extreme values, and the latest approach based on differential programming enabling simultaneous optimization of multiple supply chain scenarios, ensuring excellent numerical results at minimal costs.

PL

Zarządzanie łańcuchami dostaw w erze współczesnej wymaga stosowania zaawansowanych narzędzi i metodologii, aby sprostać dynamicznym wyzwaniom rynkowym. Celem artykułu jest przedstawienie dwóch modeli referencyjnych w zarządzaniu łańcuchami dostaw: SCOR (Supply Chain Operations Reference) oraz GSCF (Global Supply Chain Forum). Artykuł skupia się na tym, jak wykorzystanie narzędzi big data i data science może wzmocnić te modele, umożliwiając lepsze monitorowanie, optymalizację procesów i reakcję na zmiany rynkowe. Zastosowanie tych metod w rzeczywistych środowiskach biznesowych zostało przedstawione na przykładzie implementacji technologii analizy danych w firmie LOKAD. Wyniki rozważań pokazują, że analiza danych w czasie rzeczywistym pozwala na precyzyjne prognozowanie popytu, optymalizację zapasów i identyfikację ryzyka. Na poziomie operacyjnym i taktycznym narzędzie big data może być wykorzystywane do optymalizacji tras pojazdów, zarządzania flotą, poprawy obsługi klienta i rekomendacji produktów. Na poziomie strategicznym big data wspiera projektowanie produktów, planowanie sieci i strategię biznesową.

Keywords

PL

big data; data science; zarządzanie łańcuchami dostaw; SCOR; GSCF; Supply Chain Scientist

EN

big data; data science; supply chain management; SCOR; GSCF; Supply Chain Scientist

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Academic Review of Business and Economics
• Year: 2023
• Volume: 5(2)
• Pages: 65-79

Dates

published

2023

Contributors

author

Arkadiusz Brandt

• Uniwersytet Ekonomiczny w Katowicach

References

• Accenture. (2014). https://newsroom.accenture.com/news/2014/companies-are-satisfied-with-business-outcomes-from-big-data-and-recognize-big-data-as-very-important-to-their-digital-transformation-accenture-study-shows (dostęp: 12.04.2024).
• Anitha, P., Patil, M. M. (2018, September). A review on data analytics for supply chain management: A case study. International Journal of Information Engineering and Electronics Business, 5, 30-39.
• Association for Supply Chain Management. (2017). APICS Supply Chain Operations Reference Model SCOR. Pobrano z: https://www.apics.org/docs/default-source/scor-training/scor-v12-0-framework-introduction.pdf?sfvrsn=2 (dostęp: 3.03.2024).
• Awwar, M., Kulkarni, P., Marathe, A. (2018, September). Big data analytics in supply chain: A literature review. W: Proceedings of the International Conference on Industrial Engineering and Operations Management. Washington DC.
• Bahga, A., Madisetti, V. (2019). Big data science & analytics. A hands-on approach. Online: Arshdeep Bahga & Vijay Madisetti.
• Bardy, H. E. (2019, May). The challenge of big data and data science. Annual Review of Political Science, 22, 297-323.
• Ben Ayed, A., Ben Halima, M., Alimi, A. W. (2015, May). Big data analytics for logistics and transportation. International Conference on Advanced Logistics and Transport (ICALT), 4, 311-316.
• Binter, R. (2012). Applied probabilistic forecasting. London: The London School of Economics and Political Science.
• Bousquet, O., Boucheron, S., Lugosi, B. (2003). Introduction to statistical learning theory. Pobrano z: http://www.econ.upf.edu/~lugosi/mlss_slt.pdf (dostęp: 3.09. 2022).
• Chen, M., Hwang, K. (2017). Big-Data analytics for cloud, IoT and cognitive learning. Padstow: Wiley.
• Cielen, D., Meysman, A. D. B., Ali, M. (2016). Introducing data science. USA: Manning.
• Corea, F. (2019). An introduction to data. Everything you need to know about AI, big data and data science. Cham: Springer Nature Switzerland AG.
• Darvazeh, S. S., Vanani, I. R., Musolu, F. M. (2020, March). Big data analytics and its applications in supply chain management. W: New trends in the use of Artificial Intelligence for the Industry 4.0 (s. 175-200). London: IntechOpen.
• Doyle, A. C. (1995). The complete Sherlock Holmes. Doubleday.
• Fayyad, U., Piatetsky-Shapiro, G., Smyth, P. (1996, Fall). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-54.
• Figurski, J., Kochański, T., Niepsuj, J. M. (2019). Ekonomika logistyki. Część 6. Ćwiczenia. Warszawa: Wojskowa Akademia Techniczna.
• Head, B. (2022). Wicked problems in public policy. Palgrave Macmillan.
• LOKAD. (2022). Pobrano z: www.lokad.com (dostęp: 22.09.2022).
• Marr, B. (2016). Big data in practice. How 45 successful companies used big data analytics to deliver extraordinary results. Padstow UK: Wiley.
• Merzlyak, A. (2015). Poль инфopмации и cтpатeгии в мoдeлях упpавлeния цeпями пocтавoк: peфepeнтныe мoдeли лучших пpактик, Мeнтцepа, GSCF, CPFR, SCOR. Poccийcкoe пpeдпpиниматeльcтвo, 16(22), 4099-4118.
• Milicevic, M., Obradovic, I. (2018). Big data in the maritime industry. Nase More, 65(1), 55-61.
• Paul, A., Iyengar, N. (2004, March). Measuring the supply chain performance. Far East Journal of Theoretical Statistics, 12(2), 227-232.
• RELEX Solutions. (2022). Pobrano z: https://www.relexsolutions.com (dostęp: 22.09.2022).
• Ross, D. F. (2015). Distribution planning and control. Managing in the era of supply chain management. New York: Springer.
• Seydan, M., Mafakheri, F. (2020, July). Predictive big data analytics for supply chain demand forecasting: methods, applications and research opportunities. Journal of Big Data, 7(53), 1-22.
• Smart Software. (2022). Pobrano z: https://smartcorp.com (dostęp: 22.09.2022).
• Snyder, L. V., Shen, Z.-J. M. (2019). Fundamentals of supply chain theory. New Jersey: John Wiley & Sons, Inc.
• Stephenson, D. (2018). Big data demystified. How to use big data, data science and AI to make better business decisions and gain competitive advantage. Harlow UK: Pearson Education Limited.
• Vandeput, N. (2021). Data science for supply chain forecasting. Berlin: De Gruyter.
• Vermorel, J. (2018). The quantitative supply chain. Paris: LOKAD.
• Witkowski, J. (2003). Zarządzanie łańcuchem dostaw. Koncepcje procedury doświadczenia. Warszawa: Polskie Wydawnictwo Ekonomiczne.

Identifiers

DOI

10.22367/arbe.2023.05.04

Biblioteka Nauki

32443883