Toplæsninger i 2023: Afsløring af vores mest populære blogindlæg

Toplæsninger i 2023: Afsløring af vores mest populære blogindlæg

Tidsstempel: 3. januar 2024 kl. 7
Kildeknude: 3046054

Da vi starter et nyt år, ønskede vi at reflektere over det mest populære indhold, der har fået genklang hos vores publikum i løbet af de sidste 12 måneder. Fra indsigtsfulde brancheanalyser til praktiske vejledninger viser vores blogindlæg den mangfoldige række af forsyningskæde-relaterede emner, vi dækker, og vores forpligtelse til at give værdifuld information til dig, vores læser.

Her er de mest læste blogs i 2023, rangeret efter vores LinkedIn-metrics, der fangede din opmærksomhed og udløste engagement:

5 måder, kunstig intelligens påvirker forsyningskæden

Det er ingen stor hemmelighed, at mange forsyningskæder stadig kører på Excel-regneark til prognoser og udklipsholdere til at tage lageroptællinger. Indførelsen af ​​maskinlæring og avanceret analyse er dog langsomt og støt stigende. Desværre har forandringstempoet ikke været hurtigt nok til at følge med teknologiske fremskridt. I denne blog forklarer vi, hvorfor tiden er inde til at handle nu og opsummere de områder, hvor kunstig intelligens (AI) og maskinlæring kan hjælpe producenter med at blive mere proaktive og forbedre virksomhedens ydeevne.

Hvorfor nu er det tid til Arkieva+ 

Arkieva har været i forsyningskædebranchen i tæt på 30 år. I løbet af denne tid har vi set mange ændringer i forretningslandskabet, og hvordan teknologivirksomheder reagerer på kundernes behov. I næsten 10 år har for eksempel "digital transformation" været et primært fokusområde på tværs af to forskellige mål: Tilpasning til at drive forretning på tværs af digitale og traditionelle kanaler og anvendelse af automatisering og prædiktiv analyse til prognoser. Denne blog forklarer forskellen mellem disse to mål og tegner en advarselshistorie om, hvordan virksomheder, der ikke tilpasser sig de "nye måder" at drive forretning på, snart kan være ude af drift.

En rejse gennem sikkerhedsaktier, del 6 

Vi prøvede noget andet med denne serie af blogindlæg, og det gik meget godt over for læserne, især del 6. Serien indeholdt Jane, der er i rollen som lagerplanlægger i hendes virksomhed, og Kate, en konsulent, der har hjulpet Jane med koncepter om sikkerhedslager. Vi brugte disse tegn til at illustrere værdien af ​​sikkerhedsaktier og fremhævede adskillige "virkelige" eksempler, som læserne kan teste og anvende i deres egne operationer.

Sådan afbødes Bullwhip-effekten på dagens marked

Én ændring i kundeadfærd, unøjagtig prognose eller alt for aggressiv rabat kan udløse en bølge af forstyrrelser, der vokser dybere, efterhånden som den trænger ind i forsyningskæden. Denne bullwhip-effekt tales meget om i disse dage, og især i kølvandet på pandemien og de relaterede forsyningskædeforstyrrelser. I denne blog forklarer vi de mest almindelige årsager til bullwhip-effekten og viser dig, hvordan du afbøder disse problemer ved hjælp af forbedret efterspørgselsprognose, forbedret forsyningskædesynlighed og samarbejdsplanlægning, prognoser og genopfyldning.

Andre forsyningskædeplanlægningsblogs viste sig også at være populære attraktioner i år! Her er yderligere fire topblogs fra 2023, rangeret efter trafikdata fra Google Analytics:

 Nogle grundlæggende oplysninger om værdien af ​​S-kurver og markedsadoption af et nyt produkt

At forudsige efterspørgsel efter nye produkter er en vedvarende udfordring for enhver virksomhed. Dette gælder især, når produktet inkorporerer teknologi, eller når det erstatter et eksisterende produkt (og den ekstra funktion i det nye produkt er begrænset). Det er her den matematiske konstruktion kendt som "S-kurven" kommer i spil. Denne blog giver et overblik over S-kurver, og hvorfor de kan være nyttige. Den beskriver også en stykkevis lineær S-kurve, som vi har fundet særlig nyttig og understøtter begrebet community-intelligens.

Hvad er efterspørgselsprognose?

En proces, hvor historiske salgsdata bruges til at udvikle et estimat af en forventet prognose for kundernes efterspørgsel, efterspørgselsprognose giver virksomheder et estimeret antal varer og tjenester, som kunderne vil købe i en overskuelig fremtid. Dette er en vigtig metrik, fordi kritiske forretningsantagelser som omsætning, avancer, pengestrømme, kapitaludgifter, risikovurdering og afbødningsplaner og kapacitetsplanlægning alle er afhængige af efterspørgselsprognoser. Denne blog gennemgår det grundlæggende i efterspørgselsprognoser, hvordan det bruges i supply chain management, og hvordan du kan sætte konceptet i brug for din egen organisation.

Hvad er statistisk prognose? En snefaldsbaseret forklaring

Lad os se det i øjnene, business blogs kan alle begynde at lyde ens efter et stykke tid, men ikke denne. Skrevet på et tidspunkt, hvor staten Delaware blev dumpet af sne - med ikke mindre end tre nordpåske, der påvirkede regionen i løbet af en kort periode - denne blog udforsker den store mængde planlægning og ressourcer, der gik med at håndtere og rydde op al den sne. Forfatteren bruger snestormseksemplet til at forenkle begrebet statistisk prognose, en metode til at forudsige fremtidig efterspørgsel baseret på historiske data og statistisk analyse.

Sådan rapporteres prognosenøjagtighed til ledelsen

Når vi spørger virksomheder, hvad deres prognose nøjagtighed er, spænder svarene generelt fra lavere end 50 % til højere end 95 % eller et sted midt imellem. Hvordan er dette overhovedet muligt? Forestil dig, at et ledelsesteam får denne række af tal på den samme metrik - det ville være et ulykkeligt (og sandsynligvis ret forvirret) ledelsesteam, ikke? I dette blogindlæg dykker vi ned i variabiliteten og foreslår mere præcise måder at rapportere nøjagtigheden på på en måde, der giver ledelsen et realistisk billede af denne vigtige metrik.

Vores team ser frem til at dele endnu mere værdifuld indsigt med dig gennem denne forsyningskædeblog i 2024 og derefter. Vi deler ofte vores blogs og andre indsigter på sociale medier, så sørg for at følge os for opdateringer (LinkedIn | X, tidligere kendt som Twitter | Facebook | YouTube).

forsyningskæde-demo

Tidsstempel:

Mere fra Arkieva