RAdaBuff

Att förutspå och dimensionera behovet av buffertar i leveranskedjan är en stor utmaning för många företag. I RAdaBuff undersöker vi hur man med modeller för dataintensivt beslutsstöd kan bedriva en responsiv dimensionering av säkerhetsbuffertar och beslutsstöd. Forskningen genomförs i nära samarbete med ledande tillverkningsföretag.

Introduktion

RAdaBuff (Responsiveness through Adaptive Buffering) ingår i forskningsprofilen AFAIR med fokus på tillämpad AI i industriella organisationer. RAdaBuff är en del av forskningsområdet Datadriven utveckling av produkter och tjänster” (ARA1) och är det ett av fyra större projekt inom datavetenskap, logistik och supply chain management som går under samlingsnamnet ”Ontime”. Genom projektet vill vi bidra till en djupare förståelse för hur företagen med hjälp av buffertar kan minska och absorbera variationerna i leveranskedjan och på så sätt upprätthålla en konkurrenskraftig och lyhörd leveransförmåga.

Motivation och syfte

Bufferthantering är en mycket viktig del av företagens leveranskedja, deras ledarskap och drift. Väl fungerande buffertar är avgörande för en responsiv leveransprestanda och kostnadskontroll. Det mest självklara i buffertsammanhang består i att lagra material och produkter i form av säkerhetslager. Men det kan också handla om buffertar i form av tid och kapacitet, till exempel i form ledtidsförlängningar och tillfälligt lediga resurser. Genom att ha ett proaktivt förhållningssätt kan företagen få en bättre kontroll på leveransförmågan men också en större kostnadskontroll på material och tid. Istället för att, till exempel, jobba övertid kan man använda sin buffert. I nära samverkan med våra industriella partners arbetar vi aktivt med experiment och mätning av data för att förstå buffertarnas funktion, identifiera vilka buffertar som krävs och hur de kan kombineras samt förstå hur variationer uppstår och hur de kan reduceras.

Förväntade resultat

Vårt mål är att utveckla en systematisk arbetsprocess för responsiv styrning av buffertar med beslutsstöd kopplat till varje steg – och därmed bidra till att säkerställa verksamheters leveransförmåga. Vi strävar även efter att utveckla ett verktyg där vi arbetar med datadrivna beslutsstöd som skapar förutsättningar för användning av AI. Det handlar om komplexa samband, varför vi inom ramarna för RAdaBuff har valt att fokusera på arbetsprocessen medan det parallellt pågående projektet PredMod fokuserar på maskininlärning och prediktion.

Vill du veta mer om projektet?

Är du intresserad av ett framtida samarbete?