图技术如何应用到实际的企业生产?除了供应链管理,关于生产追溯、质量追溯、产品围堵等其他制造业常见问题又如何使用图技术进行分析? 针对复杂制造业中的APS高级计划排产系统优化、齐套计算分析、呆滞/共用物料优化、车间细排程、物料智能分配,以及库存优化等,又如何利用图技术来解决业务瓶颈?
8月18日,周四上午10:30,我们为大家邀请到了点春科技股份有限公司CTO/副总裁王福强老师为大家进行直播讲解。王老师拥有20年制造业软件解决方案的咨询服务经验。专注于数据治理、主数据、制造业数字化转型等相关解决方案的建设与实施。本次直播将围绕“图数据库在制造业的应用”为主题,以某大型制造业配件保障项目作为实际案例解析。
同时,在此基础上,来自TigerGraph的解决方案总监李憓松老师将分享 “Graph+AI赋能未来制造业发展”,帮助制造企业应对未来变化更灵活。点击下方“直播报名”即可报名参与直播。
📣 图技术让复杂制造业应对市场变化更灵活、更从容
图课堂:图数据库在复杂制造业的应用
如何利用图技术进行高级计划排程(APS)、呆滞物料、共用物料和供应链等复杂制造常面对的优化问题?本期TigerGraph图课堂,我们为大家邀请到了点春科技股份有限公司的CTO/副总裁王福强老师,为大家进行直播分享。本次直播将围绕“图数据库在制造业的应用”为主题,以某大型制造业配件保障项目作为实际案例解析。
同时,在此基础上,来自TigerGraph的解决方案总监李憓松老师将分享 “Graph+AI赋能未来制造业发展”,帮助制造企业应对变化更灵活。点击下方按钮“直播报名”即可报名参与直播。
如您已经报名,直播当日可通过下方按钮登录直播间。
研讨会简介
图数据库在复杂制造业的应用
对传统复杂制造而言,物料变化、流程工序及供应链的复杂情况给流程优化带来了很大的困扰。常见的复杂制造业包括汽车制造业、芯片制造业、化工行业等等。
物料变化复杂
以汽车制造业为例,一辆汽车有上万零件,而每个零件的产商、型号、版本都很多样,所以组合变种就极其多。制造业常用物料清单(Bill of Material,简称BOM)来表示最终产品由子件构成,而子件又拆分为更小的子件,最终形成母件和子件组成的关系树。越是复杂的产品,其BOM也越大。
流程工序复杂
生产一个复杂的产品,往往需要成百上千步,而每一个步骤又可以用相同类型的不同机器生产,如何在可能性很多的流程中挖掘出有价值的信息,优化流程,提高生产率,是一个不小的挑战。
供应链路复杂
每件产品的生命周期中,都涉及与多方(如供应商、合作伙伴和零售商等)的交互数据,随着公司规模的扩大,如何基于大量结构错综复杂的数据,实时掌握库存信息和零售需求,及时调配库存,对于重资产的制造业来说尤为重要。
面对随时可能发生的市场变化,需求总量不确定性大,在渠道成员各自持有库存的情况下,要及时调整供应是很难的。对于复杂制造业而言,应对多变的市场环境,供应链不仅要高效,也就是周转要快,而且还要敏捷,也就是要能应对当前复杂市场环境,又要能够支持各种业务模式的开展,才能最大化降本增效,灵活地面对市场带来的冲击。
为了解决上面提到的问题,图作为近年发展迅猛的分析方式,引起了传统复杂制造业的关注。图技术相对于传统的分析方式,拥有深度关联、实时分析、增强机器学习等优势,让企业更从容地应对市场变化。
为了解决上面提到的问题,图作为近年发展迅猛的分析方式,引起了传统复杂制造业的关注。图技术相对于传统的分析方式,拥有深度关联、实时分析、增强机器学习等优势,让企业更从容地应对市场变化。
深度关联供应链分析
供应和交付流程包含几十甚至上百个阶段,因此,必须有能力去分析和了解不同层级的影响。TigerGraph 的深度关联分析支持高级分析和模式识别,可以发现产品延误、装运状态以及其他质量控制和风险问题。
强大的事件影响功能可以在相关事件发生时通知工作人员,并显示在链条上造成的最新后果,例如,生产放缓对整体制造、订单履行、定价和收入产生的影响。借助这种快速、实时的洞察,他们可以优化订单和装运路线,还可以随着事件的发展快速应对不断变化的需求模式。
TigerGraph 具备高可用性、系统监控和企业可以开箱即用的更多功能,可确保始终提供实时装运状态和其他任务关键信息。
强大的事件影响功能可以在相关事件发生时通知工作人员,并显示在链条上造成的最新后果,例如,生产放缓对整体制造、订单履行、定价和收入产生的影响。借助这种快速、实时的洞察,他们可以优化订单和装运路线,还可以随着事件的发展快速应对不断变化的需求模式。
TigerGraph 具备高可用性、系统监控和企业可以开箱即用的更多功能,可确保始终提供实时装运状态和其他任务关键信息。
实时供应链分析
TigerGraph 针对关键供应链运营提供实时可视化和分析,包括订单管理、装运管理及其他物流。通过使用原生并行图,组织可以快速、实时地对他们的供应链职能和业务流程进行建模,从而在超过 10 级的价值链中传达供求变化,以便计算潜在的供应中断,并及时提出解决这些问题的建议。
利用人工智能和机器学习改进供应链分析
传统的供应链优化方法非常适合日常运营。当发生异常中断事件时,仍需要人来做出决策。在这种情况下,人工智能支持的供应链分析可以提供重要的建议。
根据对供应链中多达 10 层或更多层级的分析,TigerGraph 可以为机器学习生成新特征。这些图特征会作为训练数据馈送至机器学习解决方案中,从而提高机器学习解决方案在预测供应链中断时的准确度。
根据对供应链中多达 10 层或更多层级的分析,TigerGraph 可以为机器学习生成新特征。这些图特征会作为训练数据馈送至机器学习解决方案中,从而提高机器学习解决方案在预测供应链中断时的准确度。