ارائه رویکردی کمی برای ارزیابی اولویت ها در زنجیره تامین هوشمند با استفاده از پیش بینی داده گرا: مطالعه موردی در دو صنعت پرکاربرد

مقدمه: تعیین اولویت‌های زنجیره تامین در صنایع هوشمند با روش‌های تحلیل و مدل‌سازی داده‌گرا برای دست یافتن به دقت کافی و تشخیص عوامل کلیدی تاثیرگذار بر کارایی زنجیره تامین ضروری است؛ زیرا استفاده از این اطلاعات، اثربخشی مدیریت زنجیره تامین را بهبود می ‌دهد. این مقاله به بررسی و ارائه یک رویکرد کمی برای ارزیابی اولویت ‌های زنجیره تامین هوشمند با استفاده از روش‌های تحلیل داده‌گرا می‌پردازد. هدف اصلی این مقاله، ارائه یک روش سیستماتیک و کارا برای تعیین اولویت‌ها در زنجیره تامین است. در این رویکرد، ابتدا شاخص‌های کلیدی کارایی در زنجیره تامین شناسایی می‌شوند. سپس با استفاده از روش‌های تحلیل داده‌گرا مبتنی بر یادگیری ماشین، کارایی هر شاخص برای هر عنصر زنجیره تامین محاسبه می‌شود. رویکرد ارائه شده در این مقاله دارای مزایایی از جمله سیستماتیک بودن، قابلیت انعطاف‌پذیری، کاربردی بودن و دقت بالا است. روش پیشنهادی به شرکت‌ها و سازمان‌ها نیز کمک می‌ کند تا با ارزیابی و تعیین اولویت‌های زنجیره تامین، بهبود عملکرد و بهینه‌سازی فرآیندها، تصمیم‌گیری‌های مدیریتی خود را بهبود بخشند.روش: ابعاد نوآوری این تحقیق شامل دو بعد اصلی است. بعد اول، تمرکز بر دو صنعت پرکابرد در شرایطی است که به تکنولوژی اینترنت اشیا مجهز شده ‌اند. بعد دوم، ترکیب روش‌های سنتی تحلیل زنجیره تامین با الگوریتم‌های یادگیری ماشین است. در ابتدا شاخص‌های کلیدی کارایی در زنجیره تامین شناسایی شدند. این شاخص‌ها از طریق جستجوی جامع مقالات در پایگاه‌های علمی معتبر و با استفاده از کلمات کلیدی مرتبط با زنجیره تامین هوشمند استخراج و سپس، با استفاده از روش‌های تحلیل داده‌گرا کارایی هر شاخص برای هر عنصر زنجیره تامین محاسبه شد. در این پژوهش از ماتریس dematel برای تحلیل روابط متقابل بین شاخص‌ها و از روش پیش‌بینی با ماشین‌های بردار پشتیبان (svm) برای ارزیابی روابط بین معیارها استفاده شد. در نهایت، وزن نهایی هر شاخص با ترکیب نتایج dematel و svm تعیین و اولویت‌بندی شاخص‌ها در زنجیره تامین انجام شد.یافته‌ها: نتایج این مقاله نشان می‌دهد که انعطاف‌پذیری به دلیل توانایی زنجیره تامین در پاسخگویی به تغییرات و نوسانات تقاضا به عنوان مهم‌ترین معیار در زنجیره تامین مطرح است. نتایج روش پیشنهادی بر روی دو حوزه صنعتی مبتنی بر اینترنت اشیا نشان می‌دهد، مهم‌ترین معیار در زنجیره تامین متعلق به انعطاف‌پذیری است و کیفیت، هزینه و زمان تحویل به ترتیب در رتبه‌های بعدی قرار دارند. این اولویت‌بندی به مدیران کمک می‌کند تصمیمات آگاهانه‌تری برای بهینه‌سازی زنجیره تامین اتخاذ کنند.نتیجه‌گیری: استفاده از رویکردهای سیستماتیک و دقیق برای اولویت‌بندی معیارهای زنجیره تامین می‌تواند به عنوان یک راهنمایی کاربردی برای انتخاب و تعیین تامین‌کنندگان، اجرای استراتژی‌های بهینه‌سازی زنجیره تامین و تخصیص منابع استفاده شود. این تحقیق نشان داد که ترکیب روش‌های سنتی تحلیل زنجیره تامین با الگوریتم‌های یادگیری ماشینی مانند svm می‌تواند به بهبود دقت و کارایی در پیش‌بینی و تصمیم‌گیری‌ها کمک کند. با بهبود زنجیره تامین، سازمان‌ها قادر خواهند بود عملکرد خود را بهبود داده و فرآیندها را بهینه‌سازی کنند. همچنین، رویکردهایی مانند استراتژی just in time (jit)، مدیریت کیفیت جامع و استفاده از فناوری‌های نوین نیز می‌توانند به بهبود زنجیره تامین کمک کنند. توسعه روابط با تامین‌کنندگان و تحلیل داده‌ها و پیش‌بینی نیازها و مشکلات زنجیره تامین نیز از دیگر رویکردهای مفید است.

a quantitative approach for prioritizing supply chain priorities in smart industries using data driven prediction: two common industrial case studies

introduction: determining supply chain priorities in smart industries with data driven analysis and modeling methods is essential to achieve sufficient accuracy and identify key factors affecting supply chain efficiency. the use of this information improves the effectiveness of supply chain management. this article investigates and presents a quantitative approach for evaluating the priorities of the smart supply chain using data driven prediction methods. the main objective of this paper is to provide a systematic and efficient method for determining priorities in the supply chain. in this approach, first, the key efficiency indicators in the supply chain are identified. then, using data driven prediction methods based on machine learning, the efficiency of each indicator is calculated for each element of the supply chain. the proposed approach has advantages such as systematicity, flexibility, practicality, and high accuracy. this method helps companies and organizations improve their management decisions by evaluating and determining supply chain priorities, optimizing performance, and enhancing processes.method: the innovation dimensions of this research include two main aspects. the first aspect focuses on two widely used industries equipped with internet of things (iot) technology. the second aspect combines traditional supply chain analysis methods with machine learning algorithms. initially, key performance indicators in the supply chain were identified. these indicators were extracted through a comprehensive search of articles in reputable scientific databases using keywords related to the smart supply chain. then, using data driven prediction methods, the efficiency of each indicator for each element of the supply chain was calculated. in this study, the dematel matrix was used to analyze the interrelationships between indicators, and the prediction method using support vector machines (svm) was applied to assess the relationships between the criteria. finally, the final weight of each indicator was determined by combining the results of dematel and svm, and the indicators in the supply chain were prioritized accordingly.findings: the results of this article show that flexibility is the most important criterion in the supply chain due to its ability to respond to changes and fluctuations in demand. the quality of the products and services provided ranks second, as higher quality increases customer satisfaction and trust in the brand. the total cost of the supply chain is third, and reducing costs improves profitability and competitiveness. product delivery time is fourth, as fast and accurate delivery significantly impacts customer satisfaction. finally, supply chain related risks are ranked fifth, and effective risk management can mitigate potential issues. this prioritization helps organizations better allocate resources and improve supply chain performance.conclusion: using systematic and precise approaches to prioritize supply chain criteria can serve as a practical guide for selecting and determining suppliers, implementing supply chain optimization strategies, and allocating resources. this research demonstrated that combining traditional supply chain analysis methods with machine learning algorithms such as svm can improve the accuracy and efficiency of forecasting and decision making. by enhancing the supply chain, organizations can improve their performance and optimize processes. moreover, approaches such as just in time (jit) strategy, total quality management, and the use of new technologies can contribute to supply chain improvements. building relationships with suppliers, analyzing data, and forecasting supply chain needs and challenges are also useful strategies.