Узнайте, как Клод может выступить в роли аналитика устойчивого развития цепочки поставок и помочь компаниям перейти к более экологичному и эффективному управлению запасами.
Делиться
Нет ничего сложнее, чем убедить человека в истине, которую он не может увидеть в своих собственных данных.
Эксперты в области науки о данных и устойчивого развития сталкиваются с одной и той же проблемой: наши концепции могут быть слишком абстрактными и теоретическими, что затрудняет их понимание лицами, принимающими решения.
Я усвоил это на собственном горьком опыте, развивая свой стартап!
Когда в 2024 году я опубликовал исследование по теме «Управление экологичными запасами» в TDS, я считал логику убедительной, но ее влияние было ограниченным.
В статье объясняется лежащая в ее основе математическая теория и приводится реальный пример, демонстрирующий преимущества устойчивого развития.
Однако это не убедило скептиков.
Клиент: «Я уверен, что с нашими операциями это не сработает!»
Почему? Потому что это не было связано с их данными и ограничениями.
Поэтому я решил изменить подход.
Я упаковал инструмент моделирования в микросервис FastAPI и предоставил своим клиентам возможность самостоятельно протестировать модель, используя сервер MCP, подключенный к Claude Desktop .
Цель состояла в том, чтобы попросить LLM запустить собственные сценарии, скорректировать параметры и посмотреть, как выбросы CO₂ сократились в ответ на различные политики инвентаризации.
В этой статье я поделюсь подходом, который я использовал для этого эксперимента, и отзывом, который я получил от потенциального клиента — директора по цепочке поставок розничной группы, базирующейся в Азиатско-Тихоокеанском регионе.
Что такое экологичное управление запасами?
В этом разделе я хочу кратко объяснить концепцию «зеленого» управления запасами, чтобы у вас был контекст для понимания добавленной стоимости инструмента.
Контекст: Управление запасами в розничной компании
Давайте поставим себя на место директора по цепочке поставок.
Его команды (группы инвентаризации, складских и транспортных операций) отвечают за пополнение запасов из центрального распределительного центра.
Когда магазинам требуются определенные товары, они автоматически отправляют заказы на пополнение запасов через свою ERP-систему в систему управления складом.
Эти автоматизированные заказы следуют правилам, применяемым группой по инвентаризации, известным как политика периодического обзора «Заказ-до-уровня (R, S)» .
- ERP-система проверяет уровень запасов в магазинах, также называемый наличными запасами (IOH), каждые R дней.
- Рассчитывается дельта между целевым запасом S и уровнем запаса: Δ = S— IOH
- Создается и передается на склад заказ на пополнение с количеством: Q = S — IOH
После передачи заказ подготавливается на складе и доставляется в ваш магазин в течение определенного срока поставки (ССП) в днях.
Чтобы быть более конкретным, приведу пример выше:
- R = 25 дней: мы проверяем запасы каждые 25 дней, как вы можете видеть на синей диаграмме рассеяния.
- S = 1995 единиц: мы приказали достичь этого уровня, как показано на последнем графике .
Обычно эти параметры устанавливаются группами по инвентаризации в системах, и заказы на пополнение запасов запускаются автоматически.
А что если оптимизировать эти параметры?
Влияние на логистические операции
Исходя из моего опыта, эти параметры в большинстве случаев установлены неоптимально.
Проблема в том, что они существенно влияют на эффективность ваших складских и транспортных операций.
Это увеличивает расход картона и пластика и снижает производительность .
В приведенном выше примере товары хранятся в коробках, содержащих единицы товара, которые можно забирать по отдельности.
Если количество заказа равно пяти , оператор:
- Откройте коробку с 20 единицами и возьмите пять единиц ;
- Возьмите новую коробку и положите в нее эти предметы;
- Уложите коробки на поддоны, используя пластиковую пленку ;
Другим воздействием является скорость наполнения грузовиков и выбросы CO2 .
Благодаря высокой частоте поставок вы уменьшаете объем одной отправки.
Это приводит к использованию меньших по размеру грузовиков, которые могут быть не полностью загружены.
Что мы можем сделать?
Цели управления экологически чистыми запасами
Мы можем протестировать несколько сценариев с разными эксплуатационными параметрами, чтобы найти оптимальную настройку.
Для этого я загрузил данные клиентов в имитационную модель.
протестировать инструмент в реальных сценариях.
Пользователи могут настраивать некоторые из этих параметров для моделирования различных сценариев.
class LaunchParamsGrinv(BaseModel): n_day: int = 30 # Количество дней в симуляции n_ref: int = 20 # Количество SKU в симуляции pcs_carton: int = 15 # Количество штук в полной коробке cartons_pal: int = 25 # Количество коробок на поддон pallet_truck: int = 10 # Количество поддонов на грузовик k: float = 3 # Коэффициент безопасности для резервного запаса CSL: float = 0.95 # Целевой уровень обслуживания цикла LD: float = 1 # Срок поставки (дней) R: float = 2 # Период проверки (дней) carton_weight: float = 0.3 # Вес материала коробки (кг) plastic_weight: float = 0.173 # Вес пластиковой пленки на поддон (кг)
К этим параметрам относятся:
- n_day и n_ref: определяют область моделирования
- pcs_carton, cartons_pal, LD и pallet_truck: параметры, связанные со складскими и транспортными операциями
- carton_weight, plastic_weight: параметры устойчивости
- R, k и CSL: параметры, установленные группой по инвентаризации
Я хочу, чтобы наш директор по цепочке поставок встретился со своими командами (отдел запасов, склад, транспортировка и устойчивое развитие) и бросил вызов существующему положению дел.
Если необходимо достичь конкретной цели, наш директор может:
- Поставьте перед своими командами по инвентаризации задачу найти лучшие периоды обзора ( R) или циклические целевые показатели уровня обслуживания ( CSL)
- Попросите команду по устойчивому развитию найти более легкие картонные материалы.
- Реорганизовать свои складские операции, чтобы сократить время выполнения заказа ( LD )
Для этого нам необходимо предоставить им инструмент для моделирования влияния конкретных изменений.
Именно это мы и собираемся сделать при поддержке сервера MCP, подключенного к Claude AI.
Демонстрация помощника по управлению экологичными запасами на основе искусственного интеллекта
Теперь, когда мы знаем, какую ценность этот инструмент моделирования может принести моим клиентам, позвольте мне показать вам примеры выполненных ими анализов.
Эти тесты проводились с использованием данных клиентов в течение горизонта моделирования до 90 дней.
Я воспроизвел вопросы и взаимодействия, используя анонимные фиктивные данные, чтобы избежать раскрытия здесь конфиденциальной информации.
Адаптация пользователей
Я подключил сервер MCP к среде Claude, используемой менеджерами цепочки поставок, чтобы они могли «поиграться с инструментом».
Большинство не стали тратить время на изучение первоначального примера и напрямую спросили Клода об инструменте.
Надеюсь, я задокументировал инструменты MCP, чтобы предоставить контекст агенту, как в инструменте launch_greeninv, представленном ниже.
@mcp.tool() def launch_greeninv(params: LaunchParamsGrinv): «»» Запускает полную симуляцию экологичного управления запасами. Этот инструмент отправляет входные параметры в микросервис FastAPI (через POST /grinv/launch_grinv) и возвращает подробные ключевые показатели эффективности (KPI) устойчивости и эксплуатации для выбранного правила пополнения (период проверки R). ————————————————————————- 🌱 ЧТО ДЕЛАЕТ ЭТОТ ИНСТРУМЕНТ ————————————————————————- Он запускает полную симуляцию, описанную в примере «Экологичное управление запасами», воспроизводя поведение реальной системы пополнения запасов в розничной торговле, использующей политику периодической проверки (R, S). Симуляция оценивает: — Объемы пополнения и частоту заказов — Уровни запасов и дефициты — Количество полных и смешанных коробок — Количество поддонов и доставок грузовиками — Выбросы CO₂ для каждого магазина и в глобальном масштабе — Использование картонных материалов и пластика — Производительность операторов (строки заказов и количество штук в строке) [ОСТАТОК СТРОКА ДОКУМЕНТАЦИИ ПРОПУЩЕНА ДЛЯ КРАТКОСТИ] «»» logging.info(f»[GreenInv] Запуск моделирования с параметрами: {params.dict()}») try: with httpx.Client(timeout=120) as client: response = client.post(LAUNCH, json=params.dict()) response.raise_for_status() result = response.json() last_run = result return { «status»: «success», «message»: «Моделирование завершено», «results»: result } except Exception as e: logging.error(f»[GreenInv] Ошибка во время вызова API: {e}») return { «status»: «error», «message»: str(e) }
Я был весьма доволен тем, как Клод познакомил меня с этим инструментом.
Он начинается с представления основных возможностей инструментов с эксплуатационной точки зрения.
Вскоре наш директор начал присылать мне длинные электронные письма с вопросами о том, как пользоваться этим инструментом:
- Как настроить параметры?
- Кого мне следует привлечь к этому упражнению?
Моим первым побуждением было ответить: «Почему бы тебе не спросить Клода?».
Именно это они и сделали, и результаты оказались превосходными. Клод предложил схему анализа.
Эта структура почти идеальна; я бы просто включил время выполнения заказа (LD) также в сферу деятельности менеджера склада.
Однако я должен признать, что самостоятельно я бы никогда не смог создать столь лаконичную и хорошо отформатированную структуру.
Затем Клод предложил план исследования, состоящий из нескольких этапов.
Позвольте мне провести вас через различные фазы с точки зрения пользователя.
Фаза 1: Базовая оценка
Я посоветовал команде постоянно просить Клода создавать удобную панель управления с кратким резюме.
Именно это они и сделали для Фазы 1.
Как видно на снимке экрана выше, Клод использовал инструмент MCP Server launch_greeninv для запуска анализа с параметрами по умолчанию, определенными в модели Pydantic.
На основе полученных результатов был составлен «Резюме» для нашего директора.
Краткое изложение краткое и по существу.
Он сравнивает выходные данные (ключевые показатели эффективности) с целевыми показателями, указанными в строке документации MCP и главном приглашении.
А как насчет менеджеров?
Затем были сгенерированы выходные данные для каждой команды, включая таблицы и комментарии, которые четко обозначили наиболее важные проблемы, как показано в примере ниже.
Интересно то, что в предыдущем сообщении наш менеджер склада упомянул только целевое количество штук в строке.
Это значит, что мы можем заставить инструмент обучаться не только на основе строк документации инструментов MCP, главного приглашения и моделей Pydantic, но и на основе взаимодействий с пользователем.
Наконец, инструмент продемонстрировал свою способность применять стратегический подход, предоставляя среднесрочные прогнозы и оповещения по ключевым показателям.
Однако ничто не идеально.
При слабых подсказках Клод никогда не упускает возможности галлюцинировать и предлагать решения, выходящие за рамки исследования.
Продолжим упражнение, следуя модели Антропика, и перейдем к фазе 2.
Этап 2: Планирование сценария
После мозгового штурма с командой наш директор собрал несколько сценариев от каждого менеджера.
Здесь мы видим, что каждый менеджер хотел подвергнуть сомнению параметры, соответствующие сфере его ответственности.
Этот мыслительный процесс затем трансформируется в действия.
Клод решил реализовать шесть сценариев, перечисленных выше.
Задача здесь состоит в том, чтобы объединить все результаты в синтетическое, основанное на анализе резюме.
В исследовании, опубликованном в 2024 году, я сосредоточился только на первых трех сценариях, изучив каждый показатель эффективности по отдельности.
А как насчет Клода?
Клод был умнее.
Хотя у нас на руках были данные того же типа, в результате получилось нечто более «кросс-функциональное» и ориентированное на принятие решений.
- Для каждого сценария у нас есть удобные для бизнеса названия, понятные всем функциям.
- Каждый сценарий связан с командой, которая его продвигала.
В конечном итоге был найден оптимальный сценарий, который является консенсусом между командами.
Нам даже предоставили оценочную карту, в которой каждой команде объясняется, почему данный сценарий является лучшим для всех.
Для более подробного анализа результатов работы агента ознакомьтесь с этим руководством:
Заключение
Новая надежда на концепцию экологичного управления запасами
После пары недель экспериментов директор по цепочке поставок убедился в необходимости внедрения экологичного управления запасами.
Единственное узкое место теперь на их стороне.
При поддержке Клода наши четыре менеджера, участвовавшие в исследовании, поняли влияние своих ролей на общую эффективность цепочки распределения.
Это помогает нам в LogiGreen привлекать отделы цепочки поставок для проведения сложных оптимизационных мероприятий, подобных этому.
По моему мнению, проводить зеленую трансформацию легче, когда у всех команд есть владельцы и спонсоры.
И единственный способ добиться этого — убедиться, что все понимают, что мы делаем.
Судя по первоначальным результатам этого скромного эксперимента, я думаю, мы нашли превосходный инструмент для этого.
Вам нужны другие примеры использования MCP Server для оптимизации цепочки поставок?
ИИ-агент для оптимизации сети поставок
В другой статье, опубликованной в журнале Towards Data Science, я рассказываю о похожем эксперименте, посвященном проектированию сети цепочки поставок.
Цель здесь скорее макроуровня.
Мы хотим определить, где производятся товары, чтобы поставлять их на рынки с наименьшими затратами и экологически безопасным способом.
Хотя алгоритм отличается, подход остается тем же.
Мы пробуем несколько сценариев с параметрами, которые выгодны разным командам (финансы, устойчивое развитие, логистика, производство), чтобы достичь консенсуса.
Как и здесь, Клод отлично справляется с обобщением результатов и предоставлением рекомендаций на основе данных.
Более подробную информацию вы можете посмотреть в этом видео.
Обо мне
Давайте общаться в Linkedin и Twitter. Я инженер по цепочке поставок, использующий аналитику данных для оптимизации логистических операций и снижения затрат.
Если вам нужна консультация или совет по аналитике и устойчивой трансформации цепочки поставок, свяжитесь со мной через Logigreen Consulting.
Если вас интересуют аналитика данных и цепочка поставок, посетите мой сайт.
Самир Сачи | Наука о данных и производительность
Источник: towardsdatascience.com
