Effektivisering av fordon leveranskedjan med hjälp av maskininlärning

Sammanfattning

Denna avhandling utforskar hur effektiviteten i fordonsindustrins leveranskedja kan förbättras genom integration av maskininlärningstekniker (ML). Eftersom fordonsindustrin hanterar hög volatilitet och snabba förändringar, blir exakt efterfrågeprognos avgörande för operationell effektivitet. Arbetet fokuserar på potentialen hos ML-teknologier att generera precisa och tillförlitliga efterfrågeprognoser, jämfört med traditionella prognosmetoder som används inom branschen. Studien använder en systematisk litteraturöversikt i kombination med en fallstudie som involverar DinBil AB, en ledande bilhandlare i Sverige. Genom detta flerdimensionella metodologiska tillvägagångssätt bedömer avhandlingen förmågorna hos olika ML-algoritmer att hantera de unika utmaningarna som fordonssektorn ställer. Dessutom undersöker arbetet implementeringsutmaningar och praktiska fördelar med ML i verkliga tillämpningar, med särskild tonvikt på förbättrad lagerhantering och minskade leveranskedjekostnader. Resultaten tyder på att integration av ML i leveranskedjeoperationer kan förbättra noggrannheten i efterfrågeprognoser avsevärt jämfört med traditionella metoder. Dessutom visar ML-tillämpningar att de anpassar sig mer dynamiskt till marknadsförändringar, vilket stödjer en smidig och kostnadseffektiv hantering av leveranskedjan. Avhandlingen avslutas med rekommendationer för bilföretag att anta ML-drivna prognoslösningar, vilket möjliggör en djupare integration av avancerad analys i leveranskedjesystem.