Wykorzystanie technologii Big Data do predykcji ryzyka opóźnień w łańcuchu dostaw

• Autorzy: Wyrembek Mateusz

Identyfikatory

DOI

10.33226/1231-2037.2022.6.4

Warianty tytułu

EN

The use of Big Data technology to predict the risk of delay in supply chain

• Języki publikacji: PL

Abstrakty

PL

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.

EN

In recent years, more and more attention has been paid to the use of Big data technology, machine learning and AI. Enterprises strive for a competitive advantage through the appropriate use of data analytics. Big data can be used in many different industries, e.g. in the transport or medical industry, and potentially in all of them. A huge problem in the supply chain is the risk of delay, which may be influenced by many factors, including illegible label on the package, lack of warehouse workers or congestion in cities. The article focuses on the use of Big Data technology to detect the risk of delays in the supply chains of medicinal products. Its purpose is to present the concept of Big Data, Big Data architecture for the drug supply and to present the results of research related to the prediction of the risk of delays in its implementation in a real enterprise. The set goal determined the choice of the following research methods: analysis of literature and the use of modeling, which allowed to design and implement the architecture for the drug supply chain to collect data in the studied enterprise. The last part of the article presents a logistic regression model for predicting delays in the supply chain of medicinal products. The research established that the model has a high predictive ability.

Słowa kluczowe

PL

Big Data; zarządzanie łańcuchem dostaw; zarządzanie ryzykiem

EN

Big Data; supply chain management; risk management

• Wydawca: Polskie Wydawnictwo Ekonomiczne SA
• Czasopismo: Gospodarka Materiałowa i Logistyka
• Rocznik: 2022
• Tom: nr 6
• Strony: 29--36
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Wyrembek Mateusz

• Grupa Raben

• https://orcid.org/0000-0002-7946-948X

Bibliografia

• 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

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).