特許 7426388 在庫管理および最適化のためのシステムおよび方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-01-24

(45)【発行日】2024-02-01

(54)【発明の名称】在庫管理および最適化のためのシステムおよび方法

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20240125BHJP

   G06Q 10/087 20230101ALI20240125BHJP

【ＦＩ】

G06Q10/04

G06Q10/087

【請求項の数】 33

(21)【出願番号】P 2021523893

(86)(22)【出願日】2019-10-31

(65)【公表番号】

(43)【公表日】2022-01-17

(86)【国際出願番号】 US2019059269

(87)【国際公開番号】W WO2020092846

(87)【国際公開日】2020-05-07

【審査請求日】2022-09-26

(31)【優先権主張番号】62/754,466

(32)【優先日】2018-11-01

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】16/506,672

(32)【優先日】2019-07-09

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】517423327

【氏名又は名称】シー３．エーアイ， インコーポレイテッド

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(74)【代理人】

【識別番号】100181674

【弁理士】

【氏名又は名称】飯田 貴敏

(74)【代理人】

【識別番号】100181641

【弁理士】

【氏名又は名称】石川 大輔

(74)【代理人】

【識別番号】230113332

【弁護士】

【氏名又は名称】山本 健策

(72)【発明者】

【氏名】オールソン， ヘンリック

(72)【発明者】

【氏名】ベッララ， ゴーサム

(72)【発明者】

【氏名】コシュフェトラットパカザッド， シナ

(72)【発明者】

【氏名】バネルジー， ディブヤジヨティ

(72)【発明者】

【氏名】クリシュナン， ニクヒル

【審査官】大野 朋也

(56)【参考文献】

【文献】特開２００７－２２６７１８（ＪＰ，Ａ）

【文献】特開２００９－０４２８１０（ＪＰ，Ａ）

【文献】特表２００６－５０３３５２（ＪＰ，Ａ）

【文献】米国特許出願公開第２００４／０１５３１８７（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１７／０１８５９３３（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１８／０２８５９０２（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１４／００３１９６６（ＵＳ，Ａ１）

【文献】米国特許第０５２８７２６７（ＵＳ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

システムであって、前記システムは、１つ以上のコンピュータと、１つ以上の記憶デバイスとを備え、前記１つ以上の記憶デバイスは、命令を記憶しており、前記命令は、前記１つ以上のコンピュータによって実行されると、前記１つ以上のコンピュータに、
少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える在庫データセットを受信することであって、前記複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、ことと、
訓練された機械学習モデルを使用して前記在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる前記複数の在庫変数の予測を発生させることであって、前記訓練された機械学習モデルは、履歴在庫データセット上で訓練されている、ことと、
前記処理された在庫データセットを最適化アルゴリズムに提供することであって、前記最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす１つ以上の在庫管理パラメータを予測するために使用され、前記最適化アルゴリズムは、１つ以上の制約条件を備える、ことと
を含む動作を実施させるように動作可能である、システム。

【請求項2】

前記動作はさらに、
現在の在庫レベルおよび現在の供給業者注文の数量を前記最適化アルゴリズムに提供することと、
前記最適化アルゴリズムを使用し、少なくとも前記現在の在庫レベルおよび前記現在の供給業者注文の数量に基づいて、かつ不確実性の異なる源の存在下で、前記標的サービスレベルを達成することを可能にすることと
を含む、請求項１に記載のシステム。

【請求項3】

前記動作はさらに、
運転費用を最小限にしながら、前記標的サービスレベルを達成することを目的として、根本的な不確実性の予測に基づいて、在庫管理推奨を発生させることを含む、請求項２に記載のシステム。

【請求項4】

前記在庫管理推奨は、前記現在の在庫レベルを低減させるための推奨を備える、請求項３に記載のシステム。

【請求項5】

前記在庫管理推奨は、前記現在の在庫レベルを増加させるための推奨を備える、請求項３に記載のシステム。

【請求項6】

前記在庫管理推奨は、リアルタイム、実質的にリアルタイム、またはジャストインタイムで発生させられる、請求項３に記載のシステム。

【請求項7】

前記１つ以上の制約条件は、前記標的サービスレベルが、現在の、先の、または予期される需要要件を満たすことを要求し、前記動作はさらに、最終製品に関する予想される需要および前記最終製品に関する材料表（ＢＯＭ）を使用して、前記現在の、先の、または予期される需要要件を算出することを含む、請求項１に記載のシステム。

【請求項8】

前記ＢＯＭは、動的階層グラフを備える、請求項７に記載のシステム。

【請求項9】

前記在庫データセットは、内部データと、外部データとを備える、請求項１に記載のシステム。

【請求項10】

前記在庫データセットは、スマートデバイス、センサ、エンタープライズシステム、エクストラプライズ、およびインターネットソースから成る群から選択される複数の異種ソースから受信される、請求項１に記載のシステム。

【請求項11】

前記複数の在庫変数はさらに、入荷移動、消費移動、遮断された移動、および工場間移動から成る群から選択される１つ以上の在庫移動を備える、請求項１に記載のシステム。

【請求項12】

前記複数の在庫変数はさらに、需要予想、材料消費、輸送時間、および出荷費用のうちの１つ以上のものを備える、請求項１に記載のシステム。

【請求項13】

前記訓練された機械学習モデルは、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ分類器、線形回帰モデル、分位点回帰モデル、ロジスティック回帰モデル、ランダムフォレストモデル、ニューラルネットワーク、ガウスプロセス、およびディリクレプロセスから成る群から選択される、請求項１に記載のシステム。

【請求項14】

前記複数の在庫変数の予測は、前記複数の在庫変数の統計分布を備える、請求項１に記載のシステム。

【請求項15】

前記統計分布は、１つ以上の統計パラメータを備える、請求項１４に記載のシステム。

【請求項16】

前記１つ以上の統計パラメータは、中央値、平均値、最頻値、分散値、標準偏差、分位点、中心傾向の測定値、分散の測定値、範囲、最小値、最大値、四分位間範囲、およびパーセンタイルから成る群から選択される、請求項１５に記載のシステム。

【請求項17】

前記統計分布は、ガウス分布、ガンマ分布、およびポアソン分布から成る群から選択されるパラメトリックまたは非パラメトリック分布である、請求項１４に記載のシステム。

【請求項18】

前記最適化アルゴリズムは、費用関数を最小限にする、請求項１に記載のシステム。

【請求項19】

前記最適化アルゴリズムはさらに、在庫制約、サービスレベル制約、入荷ウィンドウ制約、注文サイズ制約、および注文ウィンドウ制約から成る群から選択される制約条件を備える、請求項１に記載のシステム。

【請求項20】

前記最適化アルゴリズムは、確率論的制約付き最適化アルゴリズムである、請求項１に記載のシステム。

【請求項21】

前記確率論的制約付き最適化アルゴリズムは、混合整数線形プログラミング（ＭＩＬＰ）問題である、請求項２０に記載のシステム。

【請求項22】

前記最適化アルゴリズムは、グリッド探索、ランダム探索、およびベイズ最適化探索から成る群から選択される技法を備える、請求項１に記載のシステム。

【請求項23】

前記在庫データセットは、単一エシュロン在庫に関する複数の在庫変数を備え、前記単一エシュロン在庫は、単一のノードまたは施設に対応する、請求項１に記載のシステム。

【請求項24】

前記最適化アルゴリズムは、マルチエシュロン在庫最適化（ＭＥＩＯ）を実施するように構成され、前記在庫データセットは、マルチエシュロン在庫に関する複数の在庫変数を備え、前記マルチエシュロン在庫は、複数のノードまたは施設を備えるサプライチェーンネットワークに対応する、請求項１に記載のシステム。

【請求項25】

前記最適化アルゴリズムは、前記サプライチェーンネットワークの確率的グラフィカルモデルを使用して、前記複数の在庫変数をモデル化するように構成される、請求項２４に記載のシステム。

【請求項26】

前記最適化アルゴリズムは、ベイズ最適化を使用して、前記サプライチェーンネットワークに関する着目パラメータを探索するように構成される、請求項２４に記載のシステム。

【請求項27】

前記最適化アルゴリズムは、製品生産高を最大限にする、請求項１に記載のシステム。

【請求項28】

前記最適化アルゴリズムは、利益を最大限にする、請求項１に記載のシステム。

【請求項29】

より良好な管理実践を可能にするために、前記在庫データセットから将来の供給および需要挙動および将来のサービスレベルを予測するためのシミュレーションおよび予測ツールを提供することをさらに含む、請求項１に記載のシステム。

【請求項30】

コンピュータ実装方法であって、
１つ以上のコンピュータが、少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える在庫データセットを受信することであって、前記複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、ことと、
前記１つ以上のコンピュータが、訓練された機械学習モデルを使用して前記在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる前記複数の在庫変数の予測を発生させることであって、前記訓練された機械学習モデルは、履歴在庫データセット上で訓練されている、ことと、
前記１つ以上のコンピュータが、前記処理された在庫データセットを最適化アルゴリズムに提供することであって、前記最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす１つ以上の在庫管理パラメータを予測するために使用され、前記最適化アルゴリズムは、１つ以上の制約を備える、ことと
を含む、コンピュータ実装方法。

【請求項31】

前記１つ以上のコンピュータが、現在の在庫レベルおよび現在の供給業者注文の数量を前記最適化アルゴリズムに提供することと、
前記１つ以上のコンピュータが、前記最適化アルゴリズムを使用し、少なくとも前記現在の在庫レベルおよび前記現在の供給業者注文の数量に基づいて、かつ不確実性の異なる源の存在下で、前記標的サービスレベルを達成することを可能にすることと
をさらに含む、請求項３０に記載のコンピュータ実装方法。

【請求項32】

１つ以上の非一過性コンピュータ記憶媒体であって、前記１つ以上の非一過性コンピュータ記憶媒体は、命令を記憶しており、前記命令は、１つ以上のコンピュータによって実行されると、前記１つ以上のコンピュータに、
少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える在庫データセットを受信することであって、前記複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、ことと、
訓練された機械学習モデルを使用して前記在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる前記複数の在庫変数の予測を発生させることであって、前記訓練された機械学習モデルは、履歴在庫データセット上で訓練されている、ことと、
前記処理された在庫データセットを最適化アルゴリズムに提供することであって、前記最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす１つ以上の在庫管理パラメータを予測するために使用され、前記最適化アルゴリズムは、１つ以上の制約条件を備える、ことと
を含む動作を実施させるように動作可能である、１つ以上の非一過性コンピュータ記憶媒体。

【請求項33】

前記動作はさらに、
現在の在庫レベルおよび現在の供給業者注文の数量を前記最適化アルゴリズムに提供することと、
前記最適化アルゴリズムを使用し、少なくとも前記現在の在庫レベルおよび前記現在の供給業者注文の数量に基づいて、かつ不確実性の異なる源の存在下で、前記標的サービスレベルを達成することを可能にすることと
を含む、請求項３２に記載の１つ以上の非一過性コンピュータ記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願）
本願は、両方とも参照することによって本明細書に完全に組み込まれる、２０１８年１１月１日に出願された米国仮特許出願第６２／７５４，４６６号の優先権を主張する、２０１９年７月９日に出願された米国特許出願第１６／５０６，６７２号の利益を主張する。

【背景技術】

【0002】

不確実性は、現代の複雑なサプライチェーンの固有かつ動的な性質である。不確実性は、資本投資制約およびサービスレベル目標のバランスを考慮し得る、在庫決定を絶えず要求し得る。在庫変数における不確実性の結果として、例えば、在庫管理および計画のためのソフトウェアソリューションは、最適な在庫レベルを正確に予想および予測する際に課題に直面し得る。動的な市場において競争力を保つために、企業は、多くの場合、サプライチェーンを常に再構成し、（例えば、需要側および供給側の両方から）絶えず導入されている種々のタイプの不確実性を管理する必要がある。しかしながら、在庫におけるこれらの不確実性を管理するための情報に基づく決定を行うために要求されるデータは、多くの場合、複数の異種ソースシステムにおいて（例えば、現場で、またはクラウドネットワーク等の遠隔場所において）記憶される、または履歴的に追跡されない。数年または数十年前に構築および実装されている場合がある、そのようなシステム（例えば、材料所要量計画またはＭＲＰ在庫管理システム）は、融通のきかない（すなわち、供給および需要の変化に適応しない）ルールベースのシステムであり、したがって、種々のソースシステムを横断して分散される大量の動的データを取り扱うことができない場合がある。

【発明の概要】

【課題を解決するための手段】

【0003】

本明細書で認識されるものは、最適な在庫レベルをより正確に決定することによって在庫管理を改良するために適用され得る、機械学習技法を使用する改良された在庫管理および最適化のためのシステムおよび方法の必要性である。

【0004】

本開示は、有利なこととして、機械学習を適用し、将来の不確実性を伴う在庫変数を正確に管理および予測し得るシステムおよび方法を提供する。そのようなシステムおよび方法は、複数の異種データソースシステムからの集約データに基づく在庫変数における将来の不確実性の正確な予測、最適な在庫レベルの決定、およびユーザまたはシステムへの実用的な推奨の識別を可能にし得る。

【0005】

ある側面では、本開示は、（ａ）コンピュータによって、複数の在庫変数を備える在庫データセットを取得することであって、複数の在庫変数は、将来の不確実性を有する変数を備える、ことと、（ｂ）コンピュータによって、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実を有する変数の予測を発生させることと、（ｃ）コンピュータによって、最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化し、それによって、最適化された在庫データセットを発生させることとを含む、在庫管理および最適化のためのコンピュータ実装方法を提供する。

【0006】

いくつかの実施形態では、在庫データセットを取得することは、複数の異種ソースからデータセットを取得および集約することを含む。いくつかの実施形態では、データセットは、内部データセットと、外部データセットとを備える。いくつかの実施形態では、複数の異種ソースは、スマートデバイス、センサ、エンタープライズシステム、エクストラプライズ、およびインターネットソースから成る群から選択され、データセットは、複数のデータストア内で存続される。いくつかの実施形態では、複数の在庫変数は、複数の時系列を備える。いくつかの実施形態では、複数の在庫変数は、履歴在庫データおよび／または現在の在庫データを表す。いくつかの実施形態では、履歴在庫データは、入荷移動、消費移動、遮断された移動、および工場間移動から成る群から選択される１つ以上のタイプの移動を備える。いくつかの実施形態では、将来の不確実性を有する変数は、在庫レベル、供給因子、供給業者注文、需要因子、需要予想、材料消費、輸送時間、リードタイム、材料所要量計画（ＭＲＰ）、在庫保持費用、および出荷費用のうちの１つ以上のものを備える。

【0007】

いくつかの実施形態では、訓練されたアルゴリズムは、機械学習アルゴリズムを備える。いくつかの実施形態では、機械学習アルゴリズムは、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ分類器、線形回帰、分位点回帰、ロジスティック回帰、ランダムフォレスト、およびニューラルネットワークから成る群から選択される。いくつかの実施形態では、予測を発生させることは、在庫データセットを処理し、統計分布を複数の在庫変数にフィッティングすることを含む。いくつかの実施形態では、統計分布をフィッティングすることは、履歴在庫データを使用して１つ以上の統計パラメータを推定することを含む。いくつかの実施形態では、統計分布は、ガウス分布、ガンマ分布、およびポアソン分布から成る群から選択されるパラメトリック分布である。いくつかの実施形態では、１つ以上の統計パラメータは、中央値、平均値、最頻値、分散値、標準偏差、分位点、中心傾向の測定値、分散の測定値、範囲、最小値、最大値、四分位間範囲、およびパーセンタイルから成る群から選択される。いくつかの実施形態では、本方法はさらに、統計分布を使用し、将来の不確実性を有する変数の予測を発生させることを含む。いくつかの実施形態では、予測は、将来の不確実性を有する変数の分布を備える。いくつかの実施形態では、将来の不確実性を有する変数の分布は、将来の持続時間にわたる分布を備える。いくつかの実施形態では、将来の持続時間は、約１日、約３日、約５日、約１週間、約２週間、約３週間、約１ヶ月、約２ヶ月、約３ヶ月、約４ヶ月、約５ヶ月、約６ヶ月、約７ヶ月、約８ヶ月、約９ヶ月、約１０ヶ月、約１１ヶ月、約１２ヶ月、約１４ヶ月、約１６ヶ月、約１８ヶ月、約２０ヶ月、約２２ヶ月、約２４ヶ月、または約２４ヶ月を上回るものである。

【0008】

いくつかの実施形態では、最適化アルゴリズムは、制約付き最適化問題を備える。いくつかの実施形態では、制約付き最適化問題は、費用関数を最小限にする、または報酬関数を最大限にする。いくつかの実施形態では、費用関数または報酬関数は、いくつか例を挙げると、ある実体の製品生産高、そのような実体の利益、または顧客への配送時間を表す関数であってもよい。いくつかの実施形態では、制約付き最適化問題は、在庫制約、サービスレベル制約、入荷ウィンドウ制約、注文サイズ制約、および注文ウィンドウ制約から成る群から選択される制約を備える。いくつかの実施形態では、サービスレベル制約は、在庫が需要要件を満たす信頼レベルを備える。いくつかの実施形態では、サービスレベル制約は、約９０％、約９５％、約９８％、約９９％、またはそれを上回るものである。いくつかの実施形態では、最小限にされる費用関数は、材料費用、在庫保持費用、出荷費用、生産遅延費用、およびそれらの組み合わせから成る群から選択される費用を備える。いくつかの実施形態では、制約付き最適化問題は、確率論的制約付き最適化問題である。いくつかの実施形態では、最適化アルゴリズムは、グリッド探索、ランダム探索、およびベイズ最適化探索から成る群から選択される技法を備える。いくつかの実施形態では、確率論的制約付き最適化問題は、混合整数線形プログラミング（ＭＩＬＰ）問題である。いくつかの実施形態では、ＭＩＬＰ問題は、線形チャンス制約を使用して、将来の不確実性を有する変数をモデル化する。

【0009】

いくつかの実施形態では、本方法はさらに、コンピュータによって、データベース内に最適化された在庫データセットを記憶することを含む。いくつかの実施形態では、記憶することは、クラウドベースのネットワークを通して実施される。いくつかの実施形態では、本方法はさらに、コンピュータによって、最適化された在庫データセットに基づいて、１つ以上の推奨される在庫管理決定を発生させることを含む。いくつかの実施形態では、１つ以上の推奨される在庫管理決定を発生させることは、最適化された在庫データセットと基準在庫データセットとの間の差異を決定することを含む。いくつかの実施形態では、本方法はさらに、コンピュータによって、少なくとも部分的に、最適化された在庫データセットに基づいて、途絶リスクおよび／または遅延リスクの１つ以上のアラートを発生させることを含む。いくつかの実施形態では、最適化された在庫データセットは、リアルタイム、実質的にリアルタイム、ジャストインタイム、または任意の他の有用なタイムフレームで発生される。いくつかの実施形態では、本方法はさらに、材料表（ＢＯＭ）をトラバースすることであって、ＢＯＭは、動的階層グラフを備える、ことと、ＢＯＭをユーザに表示することとを含む。いくつかの実施形態では、ＢＯＭは、リアルタイム、実質的にリアルタイム、ジャストインタイム、または任意の他の有用なタイムフレームでトラバースされ、ユーザに表示される。いくつかの実施形態では、在庫データセットは、単一エシュロン在庫に関する複数の在庫変数を備え、単一エシュロン在庫は、単一のノードまたは施設に対応する。いくつかの実施形態では、最適化アルゴリズムは、マルチエシュロン在庫最適化（ＭＥＩＯ）を実施するように構成され、在庫データセットは、マルチエシュロン在庫に関する複数の在庫変数を備え、マルチエシュロン在庫は、複数のノードまたは施設を備えるサプライチェーンネットワークに対応する。いくつかの実施形態では、最適化アルゴリズムは、サプライチェーンネットワークの確率的グラフィカルモデルを使用して、複数の在庫変数をモデル化するように構成される。いくつかの実施形態では、最適化アルゴリズムは、サプライチェーンネットワークのベイズ最適化モデルを使用して、複数の在庫変数をモデル化するように構成される。

【0010】

別の側面では、本開示は、少なくとも１つのプロセッサを備える、デジタル処理デバイスと、実行可能命令を実施するように構成される、オペレーティングシステムと、メモリと、在庫管理および最適化のためのアプリケーションを作成するためにデジタル処理デバイスによって実行可能な命令を含む、コンピュータプログラムとを備える、コンピュータシステムを提供し、アプリケーションは、複数の在庫変数を備える在庫データセットを取得するようにプログラムされる、在庫モジュールであって、複数の在庫変数は、将来の不確実性を有する変数を備える、在庫モジュールと、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実性を有する変数の予測を発生させるようにプログラムされる、予測モジュールと、最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化し、最適化された在庫データセットを発生させるようにプログラムされる、最適化モジュールとを備える。

【0011】

いくつかの実施形態では、アプリケーションはさらに、複数の異種ソースからデータセットを取得および集約するようにプログラムされる、集約モジュールを備える。いくつかの実施形態では、データセットは、内部データセットと、外部データセットとを備える。いくつかの実施形態では、複数の異種ソースは、スマートデバイス、センサ、エンタープライズシステム、エクストラプライズ、およびインターネットソースから成る群から選択され、データセットは、複数のデータストア内で存続される。いくつかの実施形態では、複数の在庫変数は、複数の時系列を備える。いくつかの実施形態では、複数の在庫変数は、履歴在庫データおよび／または現在の在庫データを表す。いくつかの実施形態では、履歴在庫データは、入荷移動、消費移動、遮断された移動、および工場間移動から成る群から選択される１つ以上のタイプの移動を備える。いくつかの実施形態では、将来の不確実性を有する変数は、在庫レベル、供給因子、供給業者注文、需要因子、需要予想、材料消費、輸送時間、リードタイム、材料所要量計画（ＭＲＰ）、在庫保持費用、および出荷費用のうちの１つ以上のものを備える。

【0012】

いくつかの実施形態では、訓練されたアルゴリズムは、機械学習アルゴリズムを備える。いくつかの実施形態では、モデルは、例えば、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ分類器、線形回帰、分位点回帰、ロジスティック回帰、ランダムフォレスト、およびニューラルネットワーク等のパラメトリックである、またはガウスプロセス、ディリクレプロセス、または他のベイズサンプリングベースの技法等の非パラメトリックであり得る。いくつかの実施形態では、予測を発生させることは、在庫データセットを処理し、統計分布を複数の在庫変数にフィッティングすることを含む。いくつかの実施形態では、統計分布をフィッティングすることは、履歴在庫データを使用して１つ以上の統計パラメータを推定することを含む。いくつかの実施形態では、統計分布は、ガウス分布、ガンマ分布、およびポアソン分布から成る群から選択されるパラメトリック分布である。いくつかの実施形態では、１つ以上の統計パラメータは、中央値、平均値、最頻値、分散値、標準偏差、分位点、中心傾向の測定値、分散の測定値、範囲、最小値、最大値、四分位間範囲、およびパーセンタイルから成る群から選択される。いくつかの実施形態では、予測モジュールは、統計分布を使用し、将来の不確実性を有する変数の予測を発生させるようにプログラムされる。いくつかの実施形態では、予測は、将来の不確実性を有する変数の分布を備える。いくつかの実施形態では、将来の不確実性を有する変数の分布は、将来の持続時間にわたる分布を備える。いくつかの実施形態では、将来の持続時間は、約１日、約３日、約５日、約１週間、約２週間、約３週間、約１ヶ月、約２ヶ月、約３ヶ月、約４ヶ月、約５ヶ月、約６ヶ月、約７ヶ月、約８ヶ月、約９ヶ月、約１０ヶ月、約１１ヶ月、約１２ヶ月、約１４ヶ月、約１６ヶ月、約１８ヶ月、約２０ヶ月、約２２ヶ月、約２４ヶ月、または約２４ヶ月を上回るものである。いくつかの実施形態では、将来の持続時間は、１日未満であってもよい。

【0013】

いくつかの実施形態では、最適化アルゴリズムは、制約付き最適化問題を備える。いくつかの実施形態では、制約付き最適化問題は、費用関数を最小限にする。いくつかの実施形態では、制約付き最適化問題は、在庫制約、サービスレベル制約、入荷ウィンドウ制約、注文サイズ制約、および注文ウィンドウ制約から成る群から選択される制約を備える。いくつかの実施形態では、サービスレベル制約は、在庫が需要要件を満たす信頼レベルを備える。いくつかの実施形態では、サービスレベル制約は、約９０％、約９５％、約９８％、または約９９％である。いくつかの実施形態では、最小限にされる費用関数は、在庫保持費用、出荷費用、生産遅延費用、およびそれらの組み合わせから成る群から選択される費用を備える。いくつかの実施形態では、制約付き最適化問題は、確率論的制約付き最適化問題である。いくつかの実施形態では、最適化アルゴリズムは、グリッド探索、ランダム探索、およびベイズ最適化探索から成る群から選択される技法を備える。いくつかの実施形態では、確率論的制約付き最適化問題は、混合整数線形プログラミング（ＭＩＬＰ）問題である。いくつかの実施形態では、ＭＩＬＰ問題は、線形チャンス制約を使用して、将来の不確実性を有する変数をモデル化する。

【0014】

いくつかの実施形態では、アプリケーションはさらに、データベース内に最適化された在庫データセットを記憶するようにプログラムされる、記憶モジュールを備える。いくつかの実施形態では、記憶することは、クラウドベースのネットワークを通して実施される。いくつかの実施形態では、アプリケーションはさらに、最適化された在庫データセットに基づいて、１つ以上の推奨される在庫管理決定を発生させるようにプログラムされる、決定モジュールを備える。いくつかの実施形態では、１つ以上の推奨される在庫管理決定を発生させることは、最適化された在庫データセットと基準在庫データセットとの間の差異を決定することを含む。いくつかの実施形態では、アプリケーションはさらに、少なくとも部分的に、最適化された在庫データセットに基づいて、途絶リスクおよび／または遅延リスクの１つ以上のアラートを発生させるようにプログラムされる、アラートモジュールを備える。いくつかの実施形態では、最適化された在庫データセットは、リアルタイム、実質的にリアルタイム、ジャストインタイム、または任意の他の有用なタイムフレームで発生される。いくつかの実施形態では、アプリケーションはさらに、材料表（ＢＯＭ）をトラバースすることであって、ＢＯＭは、動的階層グラフを備える、ことと、ＢＯＭをユーザに表示することとを行うようにプログラムされる、表示モジュールを備える。いくつかの実施形態では、ＢＯＭは、リアルタイム、実質的にリアルタイム、ジャストインタイム、または任意の他の有用なタイムフレームでトラバースされ、ユーザに表示される。いくつかの実施形態では、在庫データセットは、単一エシュロン在庫に関する複数の在庫変数を備え、単一エシュロン在庫は、単一のノードまたは施設に対応する。いくつかの実施形態では、最適化アルゴリズムは、マルチエシュロン在庫最適化（ＭＥＩＯ）を実施するように構成され、在庫データセットは、マルチエシュロン在庫に関する複数の在庫変数を備え、マルチエシュロン在庫は、複数のノードまたは施設を備えるサプライチェーンネットワークに対応する。いくつかの実施形態では、最適化アルゴリズムは、サプライチェーンネットワークの確率的グラフィカルモデルを使用して、複数の在庫変数をモデル化するように構成される。いくつかの実施形態では、最適化アルゴリズムは、サプライチェーンネットワークのベイズ最適化モデルを使用して、複数の在庫変数をモデル化するように構成される。

【0015】

別の側面では、本開示は、１つ以上のコンピュータプロセッサによる実行に応じて、在庫管理および最適化のための方法を実装する、機械実行可能コードを備える、非一過性コンピュータ可読媒体を提供し、本方法は、（ａ）複数の在庫変数を備える在庫データセットを取得することであって、複数の在庫変数は、将来の不確実性を有する変数を備える、ことと、（ｂ）訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実を有する変数の予測を発生させることと、（ｃ）最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化し、それによって、最適化された在庫データセットを発生させることとを含む。

【0016】

別の側面では、本開示は、少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える、在庫データセットを受信し得るシステムを提供する。複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられることができる。本システムは、訓練された機械学習モデルを使用して在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、複数の在庫変数の予測を発生させることができる。訓練された機械学習モデルは、履歴在庫データセット上で訓練されている。本システムは、処理された在庫データセットを最適化アルゴリズムに提供することができる。最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす、１つ以上の在庫管理パラメータを予測することができる。最適化アルゴリズムは、１つ以上の制約条件を備えることができる。

【0017】

いくつかの実施形態では、本システムは、現在の在庫レベルおよび現在の供給業者注文の数量を最適化アルゴリズムに提供し、最適化アルゴリズムを使用し、少なくとも現在の在庫レベルおよび現在の供給業者注文の数量に基づいて、標的在庫レベルを予測することができる。いくつかの実施形態では、本システムは、標的在庫レベルの予測に基づいて、在庫管理推奨を発生させることができる。いくつかの実施形態では、在庫管理推奨は、現在の在庫レベルを低減させるための推奨を備えることができる。いくつかの実施形態では、在庫管理推奨は、現在の在庫レベルを増加させるための推奨を備えることができる。いくつかの実施形態では、在庫管理推奨は、現在の在庫レベルを維持するための推奨を備えることができる。いくつかの実施形態では、在庫管理推奨は、リアルタイム、実質的にリアルタイム、ジャストインタイム、または数時間、数日、数週間、数ヶ月、またはそれを上回って周期的に発生されることができる。

【0018】

いくつかの実施形態では、本システムは、最終製品に関する予想される需要および最終製品に関する材料表（ＢＯＭ）を使用して、現在の、先の、または予期される需要要件を算出することができる。いくつかの実施形態では、ＢＯＭは、動的階層グラフを備えることができる。

【0019】

いくつかの実施形態では、在庫データセットは、内部データと、外部データとを備えることができる。いくつかの実施形態では、在庫データセットは、スマートデバイス、センサ、エンタープライズシステム、エクストラプライズ、およびインターネットソースから成る群から選択される複数の異種ソースから受信されることができる。

【0020】

いくつかの実施形態では、複数の在庫変数はさらに、入荷移動、消費移動、遮断された移動、および工場間移動から成る群から選択される１つ以上の在庫移動を備えることができる。

【0021】

いくつかの実施形態では、複数の在庫変数はさらに、需要予想、材料消費、輸送時間、および出荷費用のうちの１つ以上のものを備えることができる。

【0022】

いくつかの実施形態では、訓練された機械学習モデルは、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ分類器、線形回帰、ロジスティック回帰、ランダムフォレスト、およびニューラルネットワークから成る群から選択されることができる。

【0023】

いくつかの実施形態では、複数の在庫変数の予測は、複数の在庫変数の統計分布を備えることができる。

【0024】

いくつかの実施形態では、統計分布は、１つ以上の統計パラメータを備えることができる。

【0025】

いくつかの実施形態では、１つ以上の統計パラメータは、中央値、平均値、最頻値、分散値、標準偏差、分位点、中心傾向の測定値、分散の測定値、範囲、最小値、最大値、四分位間範囲、およびパーセンタイルから成る群から選択されることができる。

【0026】

いくつかの実施形態では、統計分布は、ガウス分布、ガンマ分布、およびポアソン分布から成る群から選択されるパラメトリック分布であり得る。

【0027】

いくつかの実施形態では、最適化アルゴリズムは、費用関数を最小限にすることができる。いくつかの実施形態では、最適化アルゴリズムはさらに、在庫制約、サービスレベル制約、入荷ウィンドウ制約、注文サイズ制約、および注文ウィンドウ制約から成る群から選択される制約条件を備えることができる。いくつかの実施形態では、最適化アルゴリズムは、確率論的制約付き最適化アルゴリズムであり得る。いくつかの実施形態では、確率論的制約付き最適化アルゴリズムは、混合整数線形プログラミング（ＭＩＬＰ）問題であり得る。いくつかの実施形態では、最適化アルゴリズムは、グリッド探索、ランダム探索、およびベイズ最適化探索から成る群から選択される技法を備えることができる。

【0028】

いくつかの実施形態では、在庫データセットは、単一エシュロン在庫に関する複数の在庫変数を備えることができ、単一エシュロン在庫は、単一のノードまたは施設に対応する。

【0029】

いくつかの実施形態では、最適化アルゴリズムは、マルチエシュロン在庫最適化（ＭＥＩＯ）を実施するように構成されることができ、在庫データセットは、マルチエシュロン在庫に関する複数の在庫変数を備えることができ、マルチエシュロン在庫は、複数のノードまたは施設を備えるサプライチェーンネットワークに対応する。いくつかの実施形態では、最適化アルゴリズムは、サプライチェーンネットワークの確率的グラフィカルモデルを使用して、複数の在庫変数をモデル化するように構成されることができる。いくつかの実施形態では、最適化アルゴリズムは、サプライチェーンネットワークのベイズ最適化モデルを使用して、複数の在庫変数をモデル化するように構成されることができる。

【0030】

本開示の別の側面は、上記または本明細書の別の場所に説明されるシステムのうちのいずれかによって実施される動作に対応する方法を提供する。

【0031】

本開示の別の側面は、１つ以上のコンピュータプロセッサによる実行に応じて、上記または本明細書の別の場所の方法のうちのいずれかを実装する、機械実行可能コードを備える、非一過性コンピュータ可読媒体を提供する。

【0032】

本開示の別の側面は、１つ以上のコンピュータプロセッサと、それに結合されるコンピュータメモリとを備える、システムを提供する。コンピュータメモリは、１つ以上のコンピュータプロセッサによる実行に応じて、上記または本明細書の別の場所の方法のうちのいずれかを実装する、機械実行可能コードを備える。

【0033】

本開示の付加的側面および利点が、本開示の例証的実施形態のみが、示され、説明される、以下の詳細な説明から当業者に容易に明白となるであろう。理解されるであろうように、本開示は、他の異なる実施形態が可能であり、そのいくつかの詳細は、全て本開示から逸脱することなく、種々の明白な点において修正が可能である。故に、図面および説明は、本質的に例証的と見なされ、制限的と見なされるものではない。
（参照による組み込み）

【0034】

本明細書に言及される全ての刊行物、特許、および特許出願は、各個々の刊行物、特許、または特許出願が具体的かつ個々に参照することによって組み込まれることが示される場合と同程度に、参照することによって本明細書に組み込まれる。参照することによって組み込まれる刊行物および特許または特許出願が、本明細書に含有される開示と矛盾する範囲について、本明細書は、任意のそのような矛盾する資料に対して優先および／または先行することを意図している。
本発明は、例えば、以下の項目を提供する。
（項目１）
システムであって、前記システムは、１つ以上のコンピュータと、１つ以上の記憶デバイスとを備え、前記１つ以上の記憶デバイスは、命令を記憶しており、前記命令は、前記１つ以上のコンピュータによって実行されると、前記１つ以上のコンピュータに、
少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える在庫データセットを受信することであって、前記複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、ことと、
訓練された機械学習モデルを使用して前記在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる前記複数の在庫変数の予測を発生させることであって、前記訓練された機械学習モデルは、履歴在庫データセット上で訓練されている、ことと、
前記処理された在庫データセットを最適化アルゴリズムに提供することであって、前記最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす１つ以上の在庫管理パラメータを予測するために使用され、前記最適化アルゴリズムは、１つ以上の制約条件を備える、ことと
を含む動作を実施させるように動作可能である、システム。
（項目２）
前記動作はさらに、
現在の在庫レベルおよび現在の供給業者注文の数量を前記最適化アルゴリズムに提供することと、
前記最適化アルゴリズムを使用し、少なくとも前記現在の在庫レベルおよび前記現在の供給業者注文の数量に基づいて、かつ不確実性の異なる源の存在下で、前記標的サービスレベルを達成することを可能にすることと
を含む、項目１に記載のシステム。
（項目３）
前記動作はさらに、
運転費用を最小限にしながら、前記標的サービスレベルを達成することを目的として、根本的な不確実性の予測に基づいて、在庫管理推奨を発生させることを含む、項目２に記載のシステム。
（項目４）
前記在庫管理推奨は、前記現在の在庫レベルを低減させるための推奨を備える、項目３に記載のシステム。
（項目５）
前記在庫管理推奨は、前記現在の在庫レベルを増加させるための推奨を備える、項目３に記載のシステム。
（項目６）
前記在庫管理推奨は、リアルタイム、実質的にリアルタイム、またはジャストインタイムで発生される、項目３に記載のシステム。
（項目７）
前記１つ以上の制約条件は、前記標的サービスレベルが、現在の、先の、または予期される需要要件を満たすことを要求し、前記動作はさらに、最終製品に関する予想される需要および前記最終製品に関する材料表（ＢＯＭ）を使用して、前記現在の、先の、または予期される需要要件を算出することを含む、項目１に記載のシステム。
（項目８）
前記ＢＯＭは、動的階層グラフを備える、項目７に記載のシステム。
（項目９）
前記在庫データセットは、内部データと、外部データとを備える、項目１に記載のシステム。
（項目１０）
前記在庫データセットは、スマートデバイス、センサ、エンタープライズシステム、エクストラプライズ、およびインターネットソースから成る群から選択される複数の異種ソースから受信される、項目１に記載のシステム。
（項目１１）
前記複数の在庫変数はさらに、入荷移動、消費移動、遮断された移動、および工場間移動から成る群から選択される１つ以上の在庫移動を備える、項目１に記載のシステム。
（項目１２）
前記複数の在庫変数はさらに、需要予想、材料消費、輸送時間、および出荷費用のうちの１つ以上のものを備える、項目１に記載のシステム。
（項目１３）
前記訓練された機械学習モデルは、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ分類器、線形回帰モデル、分位点回帰モデル、ロジスティック回帰モデル、ランダムフォレストモデル、ニューラルネットワーク、ガウスプロセス、およびディリクレプロセスから成る群から選択される、項目１に記載のシステム。
（項目１４）
前記複数の在庫変数の予測は、前記複数の在庫変数の統計分布を備える、項目１に記載のシステム。
（項目１５）
前記統計分布は、１つ以上の統計パラメータを備える、項目１４に記載のシステム。
（項目１６）
前記１つ以上の統計パラメータは、中央値、平均値、最頻値、分散値、標準偏差、分位点、中心傾向の測定値、分散の測定値、範囲、最小値、最大値、四分位間範囲、およびパーセンタイルから成る群から選択される、項目１５に記載のシステム。
（項目１７）
前記統計分布は、ガウス分布、ガンマ分布、およびポアソン分布から成る群から選択されるパラメトリックまたは非パラメトリック分布である、項目１４に記載のシステム。
（項目１８）
前記最適化アルゴリズムは、費用関数を最小限にする、項目１に記載のシステム。
（項目１９）
前記最適化アルゴリズムはさらに、在庫制約、サービスレベル制約、入荷ウィンドウ制約、注文サイズ制約、および注文ウィンドウ制約から成る群から選択される制約条件を備える、項目１に記載のシステム。
（項目２０）
前記最適化アルゴリズムは、確率論的制約付き最適化アルゴリズムである、項目１に記載のシステム。
（項目２１）
前記確率論的制約付き最適化アルゴリズムは、混合整数線形プログラミング（ＭＩＬＰ）問題である、項目２０に記載のシステム。
（項目２２）
前記最適化アルゴリズムは、グリッド探索、ランダム探索、およびベイズ最適化探索から成る群から選択される技法を備える、項目１に記載のシステム。
（項目２３）
前記在庫データセットは、単一エシュロン在庫に関する複数の在庫変数を備え、前記単一エシュロン在庫は、単一のノードまたは施設に対応する、項目１に記載のシステム。
（項目２４）
前記最適化アルゴリズムは、マルチエシュロン在庫最適化（ＭＥＩＯ）を実施するように構成され、前記在庫データセットは、マルチエシュロン在庫に関する複数の在庫変数を備え、前記マルチエシュロン在庫は、複数のノードまたは施設を備えるサプライチェーンネットワークに対応する、項目１に記載のシステム。
（項目２５）
前記最適化アルゴリズムは、前記サプライチェーンネットワークの確率的グラフィカルモデルを使用して、前記複数の在庫変数をモデル化するように構成される、項目２４に記載のシステム。
（項目２６）
前記最適化アルゴリズムは、ベイズ最適化を使用して、前記サプライチェーンネットワークに関する着目パラメータを探索するように構成される、項目２４に記載のシステム。
（項目２７）
前記最適化アルゴリズムは、製品生産高を最大限にする、項目１に記載のシステム。
（項目２８）
前記最適化アルゴリズムは、利益を最大限にする、項目１に記載のシステム。
（項目２９）
より良好な管理実践を可能にするために、前記在庫データセットから将来の供給および需要挙動および将来のサービスレベルを予測するためのシミュレーションおよび予測ツールを提供することをさらに含む、項目１に記載のシステム。
（項目３０）
方法であって、
少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える在庫データセットを受信することであって、前記複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、ことと、
訓練された機械学習モデルを使用して前記在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる前記複数の在庫変数の予測を発生させることであって、前記訓練された機械学習モデルは、履歴在庫データセット上で訓練されている、ことと、
前記処理された在庫データセットを最適化アルゴリズムに提供することであって、前記最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす１つ以上の在庫管理パラメータを予測するために使用され、前記最適化アルゴリズムは、１つ以上の制約を備える、ことと
を含む、方法。
（項目３１）
現在の在庫レベルおよび現在の供給業者注文の数量を前記最適化アルゴリズムに提供することと、
前記最適化アルゴリズムを使用し、少なくとも前記現在の在庫レベルおよび前記現在の供給業者注文の数量に基づいて、かつ不確実性の異なる源の存在下で、前記標的サービスレベルを達成することを可能にすることと
をさらに含む、項目３０に記載の方法。
（項目３２）
１つ以上の非一過性コンピュータ記憶媒体であって、前記１つ以上の非一過性コンピュータ記憶媒体は、命令を記憶しており、前記命令は、１つ以上のコンピュータによって実行されると、前記１つ以上のコンピュータに、
少なくとも履歴の（ｉ）在庫レベル、（ｉｉ）在庫保持費用、（ｉｉｉ）供給業者注文、または（ｉｖ）経時的なリードタイムを示す複数の在庫変数を備える在庫データセットを受信することであって、前記複数の在庫変数は、１つ以上の将来の不確実性レベルを有することによって特徴付けられる、ことと、
訓練された機械学習モデルを使用して前記在庫データセットを処理し、１つ以上の将来の不確実性レベルを有することによって特徴付けられる前記複数の在庫変数の予測を発生させることであって、前記訓練された機械学習モデルは、履歴在庫データセット上で訓練されている、ことと、
前記処理された在庫データセットを最適化アルゴリズムに提供することであって、前記最適化アルゴリズムは、費用を最小限にしながら、標的サービスレベルを達成する特定の確率をもたらす１つ以上の在庫管理パラメータを予測するために使用され、前記最適化アルゴリズムは、１つ以上の制約条件を備える、ことと
を含む動作を実施させるように動作可能である、１つ以上の非一過性コンピュータ記憶媒体。
（項目３３）
前記動作はさらに、
現在の在庫レベルおよび現在の供給業者注文の数量を前記最適化アルゴリズムに提供することと、
前記最適化アルゴリズムを使用し、少なくとも前記現在の在庫レベルおよび前記現在の供給業者注文の数量に基づいて、かつ不確実性の異なる源の存在下で、前記標的サービスレベルを達成することを可能にすることと
を含む、項目３２に記載の１つ以上の非一過性コンピュータ記憶媒体。

【図面の簡単な説明】

【0035】

本開示の新規の特徴は、添付される請求項に具体的に記載される。本開示の特徴および利点のより深い理解が、本開示の原理が利用される例証的実施形態を記載する、以下の詳細な説明および付随の図面（また、本明細書では「図」）を参照することによって取得されるであろう。

【0036】

【図1】図１は、在庫管理および最適化のためのシステムの実施例を図示する。

【0037】

【図2】図２は、ガンマ分布を観察されたリードタイムデータにフィッティングすることによるリードタイムにおける不確実性の統計的モデル化の実施例を図示する。

【0038】

【図3】図３は、機械学習アルゴリズムを訓練し、リードタイムにおける将来の不確実性を予測するために使用され得る、ある時間周期にわたるリードタイムにおける履歴傾向の実施例を図示する。

【0039】

【図4】図４は、アイテムの在庫レベルの確率論的最適化の実施例を図示する。

【0040】

【図5】図５は、ある時間周期にわたる履歴在庫移動（入荷移動、消費移動、および雑多な移動を含む）および合計在庫の実施例を図示する。

【0041】

【図6】図６は、在庫最適化における全体的結果の実施例を図示する。

【0042】

【図7】図７は、本明細書に提供される方法を実装するようにプログラムまたは別様に構成されるコンピュータシステムを示す。

【発明を実施するための形態】

【0043】

本発明の好ましい実施形態が、本明細書に示され、説明されているが、そのような実施形態は、実施例としてのみ提供されることが当業者に明白であろう。多数の変形例、変更、および代用が、ここで、本発明から逸脱することなく、当業者に想起されるであろう。本明細書に説明される本発明の実施形態の種々の代替が、本発明を実践する際に採用され得ることを理解されたい。

【0044】

本説明全体を通して使用される種々の用語は、文脈が別様に示さない限り、以下のように熟読および理解され得、すなわち、全体を通して使用されるような「または」は、「および／または」と記載されているかのように包括的であり、全体を通して使用されるような単数形の冠詞および代名詞は、その複数形を含み、逆もまた同様であり、同様に、性別代名詞は、代名詞が、本明細書に説明される任意のものを単一の性別による使用、実装、実施等に限定するものとして理解されるべきではないように、その対応する代名詞を含み、「例示的」は、「例証的」または「例示する」と理解されるべきであり、必ずしも他の実施形態よりも「好ましい」と理解されるべきではない。用語に関するさらなる定義が、本明細書に記載され得、これらは、本説明の熟読から理解されるであろうように、それらの用語の事前および後続事例に適用され得る。

【0045】

本明細書で認識されるものは、最適な在庫レベルをより正確に決定することによって在庫管理を改良するために適用され得る、機械学習技法を使用する改良された在庫管理および最適化のためのシステムおよび方法の必要性である。

【0046】

不確実性は、現代の複雑なサプライチェーンの固有かつ動的な性質である。不確実性は、資本投資制約およびサービスレベル目標のバランスを考慮し得る、在庫決定を絶えず要求し得る。在庫変数における不確実性の結果として、例えば、在庫管理および計画のためのソフトウェアソリューションは、最適な在庫レベルを正確に予想および予測する際に課題に直面し得る。動的な市場において競争力を保つために、企業は、多くの場合、サプライチェーンを常に再構成し、（例えば、需要側および供給側の両方から）絶えず導入されている種々のタイプの不確実性を管理する必要がある。しかしながら、在庫におけるこれらの不確実性を管理するための情報に基づく決定を行うために要求されるデータは、多くの場合、複数の異種ソースシステムにおいて（例えば、現場で、またはクラウドネットワーク等の遠隔場所において）記憶される。数年または数十年前に構築および実装されている場合がある、そのようなシステム（例えば、材料所要量計画またはＭＲＰ在庫管理システム）は、融通のきかないルールベースのシステムであり、したがって、種々のソースシステムを横断して分散される大量のデータを取り扱うことができない場合がある。

【0047】

在庫管理システムにおけるこれらの課題を考慮して、「ビッグデータ」人工知能プラットフォームが、複数の異種ソースシステム（例えば、エンタープライズシステム、ＩｏＴセンサ、およびサードパーティデータプロバイダ）からデータを集約し、継続的に新しいまたは更新されたデータセットを組み込み、それから学習する人工知能ベースの技法を適用するために必要であり得る。例えば、在庫を最適化するために有用なデータのタイプは、需要予想、供給業者注文、製品注文、材料表（時変）、再注文パラメータの変更履歴、および在庫移動データを含み得る。

【0048】

改良された在庫管理および最適化の必要性を認識して、本開示は、有利なこととして、機械学習を適用し、将来の不確実性を伴う在庫変数を正確に管理および予測し得るシステムおよび方法を提供する。そのようなシステムおよび方法は、複数の異種データソースシステムからの集約データに基づく在庫変数における将来の不確実性の正確な予測、最適な在庫レベルの決定、およびユーザへの実用的な推奨の識別を可能にし得る。

【0049】

本開示の改良された在庫管理および最適化モジュールシステムおよび方法を実装することによって、製造業、自動車、および小売等の広範な範囲の産業を横断する企業は、最適化を通して２０％～２５％またはそれを上回って在庫の大幅な低減を達成し、それによって、収益の約２％～５％だけ費用を減少させ得る。そうすることで、典型的には、その運転資本の大部分を在庫（例えば、収益の１０％～２０％に及ぶ平均在庫）として抱え得る、そのような企業は、株主価値を高めるために、費用節約分を企業の事業に再投資することができる。例えば、年間収益が１００億ドルの企業は、本明細書に提供されるシステムおよび方法を使用してその在庫を最適化することによって、潜在的に、２億ドル～５億ドルの運転資本を確保することができる。

【0050】

人工知能ベースの方法を在庫管理および最適化システムに効果的に適用するために、必要なデータが、エンタープライズリソース計画システム、資産管理システム、供給業者管理システム、および在庫計画システム等の種々の異種ソースシステムから集約され得る。ある場合には、企業体は、データ統合を実施するために、サードパーティサービスプロバイダに依頼し得るが、これは、高価であり得る。代替として、企業体は、オープンソース技術を使用して、社内でデータ統合を実施しようと試み得るが、そのようなアプローチは、多くの場合、大幅な複雑性および金銭的および時間的費用に直面し、成功が不確実である。本開示のシステムおよび方法を使用して、企業体は、複数の異種ソースシステムからのデータセットのシームレス、スケーラブル、かつ信頼性のある統合を可能にするプラットフォーム上で人工知能ベースの在庫管理および最適化アルゴリズムを適用することができる。

【0051】

いったんデータ集約および統合が、実施されると、人工知能ベースの技法は、不確実性を効果的かつ動的に管理し、ストック切れの確率を最小限にしながら、全ての場所を横断して在庫レベルを体系的に低減させるために使用されることができる。特に、本開示のシステムおよび方法は、統計的モデル化、機械学習、および最適化を含む、人工知能ベースの技法の重要な要素を適用し、在庫最適化を大幅に改良することができる。

【0052】

ある側面では、本開示は、在庫管理および最適化のためのコンピュータ実装方法を提供する。在庫管理および最適化のための方法は、複数の在庫変数を備える在庫データセットを取得することを含んでもよく、複数の在庫変数は、将来の不確実性を有する変数を備える。在庫管理および最適化のための方法はさらに、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実を有する変数の予測を発生させることを含んでもよい。在庫管理および最適化のための方法はさらに、最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化し、それによって、最適化された在庫データセットを発生させることを含んでもよい。

【0053】

いくつかの実施形態では、在庫管理および最適化のための方法およびシステムは、日単位の在庫レベルの最適化を実施してもよい。製造システムは、典型的には、供給業者からの入荷、生産ラインにおける消費、および任意の他の施設内および施設間出荷（雑多な移動）等の在庫移動のログを維持する。移動データは、アイテム毎に履歴在庫レベルを計算するために使用されることができ、入荷は、在庫レベルへの正の寄与をもたらし、消費は、負の寄与をもたらし、全ての他の雑多な移動は、在庫レベルへの正または負のいずれかの寄与をもたらし得る。例えば、所与の時間ｔにおける在庫は、下記の方程式によって与えられるように、事前の時間（ｔ－１）における在庫＋時間ｔにおける入荷－時間ｔにおける消費＋時間ｔにおける雑多な移動として表されることができる。

【0054】

【化1】

【0055】

いくつかの実施形態では、在庫管理および最適化のための方法およびシステムは、需要予想の最適化を実施してもよい。製造業者の場合では、計画期間にわたるアイテム毎の需要予想（または計画される消費）は、最終製品に関する予想される需要、製品構成、および材料表（ＢＯＭ）を使用して算出されることができる。ＢＯＭは、その数量とともに、最終製品を製造するために要求される全てのアイテムおよび中間アセンブリのリストを提供する、動的（時変）階層グラフである。トラバースされたＢＯＭは、ユーザに表示されてもよい。例えば、ＢＯＭは、トラバースされ、ユーザに表示されてもよい。

【0056】

いくつかの実施形態では、在庫管理および最適化のための方法およびシステムは、材料所要量計画（ＭＲＰ）の最適化を実施してもよい。ＭＲＰは、多くの場合、供給業者に行われる必要がある注文のタイミングおよび数量を決定する、いくつかの制約に基づく。例えば、そのような制約は、再注文パラメータを使用して定義されてもよい。再注文パラメータは、２つの群、すなわち、（１）製造業者によって決定されるパラメータ（例えば、安全ストック、ロットサイズ、破損、保証交換、または安全時間）および（２）供給業者によって決定されるパラメータ（例えば、最小注文サイズ、リードタイム等）、または（３）顧客によって決定されるパラメータ（例えば、キャンセルおよび返品）に分類されてもよい。

【0057】

いくつかの実施形態では、方法およびシステムは、ストックにおけるアイテムの可用性に対する信頼レベル（α）（例えば、サービスレベル制約）を維持しながら、総陸揚げ費用（例えば、在庫アイテムの価格の変動性を考慮した、在庫保持費用および出荷費用）を最小限にする、再注文パラメータ（例えば、安全ストック）の最適値を解く、確率論的制約付き最適化問題として在庫管理および最適化を公式化してもよい。サービスレベル制約は、アイテム毎に（例えば、９０％、９５％、９６％、９７％、９８％、または９９％の信頼度で）調節可能であり、それによって、製造業者に、ストック切れの費用およびその顧客とのサービスレベル契約等のいくつかの因子に基づく制御レベルを提供してもよい。

【0058】

確率論的制約付き最適化問題を解くことによって、確率論的変数のセットが、シミュレートまたは予測されてもよい。予測は、次いで、最適化問題に組み込まれることができる。例えば、サプライチェーンの確率的成分（例えば、サプライチェーンにおける施設毎の供給に関連付けられる偶然性）に対応する変数が、モデル化されることができる。これは、サプライチェーンを通してフォワードパスを実行することを通して行われることができる。特に、フォワードパスは、子を伴わない施設ｉから開始されることができる。これらの施設に関して、時間ｔにおいて実際に入荷するであろう入荷、ならびに、施設に入荷するようにスケジューリングされる入荷は、既知である。後者に関して、数量および時間における偶然性（不確実性）が、その日に実現されるであろう入荷の部分を予測するためにシミュレートされることができる。本結果は、その日のその施設の１日の終わりの在庫を部分的に定義することができる。

【0059】

下記に与えられる最適化問題は、線形チャンス制約として需要および供給側不確実性をモデル化することによって、混合整数線形プログラミング（ＭＩＬＰ）問題として公式化されることができる。そのようなＭＩＬＰ問題は、ＭＩＬＰソルバを使用して効率的に解かれることができる。

【0060】

【化2】

【0061】

【化3】

【0062】

在庫管理および最適化のためのシステムおよび方法は、複数の国または大陸を横断して展開する国際的な製造業者等の多種多様な企業体に適用されてもよい。例えば、そのような製造業者は、世界中で数百の工場を運転し、非常に複雑な機器を製造し、数億またはさらには数十億ドルに相当する平均在庫レベルを保持し得る。例えば、高価かつ洗練された機器（例えば、産業機器）の製造業者間の標準的な業界慣習に基づいて、製造業者は、その顧客が、数十または数百の個々のオプションを用いて製品を構成することを可能にし、数百または数千の変形を有する製品につながり得る。そのような場合では、製造業者の製品のカスタマイズ性質は、製造プロセスの間に在庫レベルを管理する際に大幅な複雑性をもたらし得る。例えば、製品の最終構成は、多くの場合、その製品に関する注文の提出が近づくまで不明であるため、製造業者は、時間通りに注文を履行するために、日常的に大幅に過剰な在庫を手元に保持し得る。

【0063】

本明細書に開示される在庫管理および最適化のためのシステムおよび方法を使用して、製造業者は、約５％、約１０％、約１５％、約２０％、約２５％、約３０％、約３５％、約４０％、約４５％、約５０％、約５５％、約６０％、約６５％、約７０％、約７５％、約８０％、約８５％、または約９０％の平均在庫レベルの大幅な低減を達成し得る。平均在庫レベルのそのような大幅な低減は、出荷費用の節約（より少ない部品が注文されることに起因して）および在庫分析者が、利用可能な在庫を追跡、管理、および監査する代わりに、より付加価値の高いタスクに集中することに役立つことによる在庫分析者の生産性の向上等の付加的利益をもたらし得る。加えて、本明細書に開示される在庫管理および最適化のためのシステムおよび方法を使用して、供給業者との交渉の際に有用であることを示し得る、重要な考察が、明らかにされ得る（例えば、在庫レベルに対する供給業者計画タイムフェンスの効果）。

【0064】

図１は、本開示に説明される方法を実装するように構成される、在庫管理および最適化のためのシステム１００の実施例を図示する。システム１００は、データモデル化およびリンクモジュール１０５と、不確実性モデル化モジュール１１０と、シミュレーションモジュール１２０と、最適化モジュール１３０とを有してもよい。データモデル化およびリンクモジュール１０５は、本システムが、在庫データセットおよび後のそのような在庫データセットを収集および集約することを可能にすることができる。他のモジュールも、下記に詳細に説明されるであろう。
不確実性の統計的モデル化

【0065】

不確実性は、現代の複雑なサプライチェーンの固有の性質である。サプライチェーンネットワークにおける不確実性のいくつかの源が、存在し得る。不確実性の３つの主要な源は、（１）供給業者関連不確実性、（２）施設関連不確実性、および（３）需要不確実性であり得る。供給業者関連不確実性は、原材料の数量、品質、または価格における不確実性を含み得る。供給業者関連不確実性はまた、そのような原材料が入手可能であろうときまたはそのような原材料の出荷にかかるであろう時間の長さの不確実性を含み得る。施設関連不確実性は、生産リソース、例えば、労働者、機械、時間等の可用性における不確実性であり得る。需要不確実性は、最終製品に関する需要における不確実性であり得る。需要は、経時的に、かつ地理によって変化し得る。出荷不確実性等の複雑なサプライチェーンにおける不確実性の他の源も、存在し得る。サプライチェーンにおける特定の不確実な変数のいくつかの実施例は、在庫レベル、供給因子、供給業者注文、需要因子、需要予想、材料消費、輸送時間、季節性、リードタイム、材料所要量計画（ＭＲＰ）、在庫保持費用、および出荷費用である。

【0066】

不確実性モジュール１１０は、上記に言及される不確実性および複雑なサプライチェーンと関連付けられ得る任意の他のタイプの不確実性をモデル化することができる。より具体的には、不確実性モジュール１１０は、将来の不確実性を有する変数（例えば、在庫変数）の分布を予測するようにプログラムまたは構成される、機械学習および他のタイプのモデルを実装することができる。モデルは、在庫変数の履歴値上で訓練されることができる。

【0067】

確率論的在庫変数の一実施例は、輸送時間であり、これは、ネットワーク過密、天候、および地政学的事象等の１つ以上の外部因子に依存し得る。輸送時間が、ガウス分布を有する、またはそれを有すると仮定される場合、本明細書に説明されるシステムおよび方法は、ガウス分布を履歴輸送時間のセットにフィッティングし、将来の輸送時間の平均値および分散値を推定することができる。輸送時間が、代わりに、非対称分布を有する、またはそれを有すると仮定される場合、本明細書に説明されるシステムおよび方法は、例えば、ガンマ分布を履歴輸送時間にフィッティングし、これらのパラメータを推定することができる。

【0068】

より具体的には、本明細書に説明されるモデルは、在庫変数のパラメータ（例えば、中央値、平均値、最頻値、分散値、標準偏差、分位点、中心傾向の測定値、分散の測定値、範囲、最小値、最大値、四分位間範囲、パーセンタイル、またはそれらの組み合わせ）を予測するために使用され得る、パラメトリックモデル（例えば、線形回帰モデル、ロジスティック回帰モデル、分位点回帰モデル、サポートベクターマシン（ＳＶＭ）、ランダムフォレストモデル、ブーストツリーモデル等）であり得る。一実施例として、回帰モデルは、その年の季節等の特徴に基づいて、これらの分布が経時的に変動する様子を履歴データから学習するように訓練されてもよい。訓練された回帰モデルは、次いで、ランダム変数の事前および条件付き分布を予測するために使用されてもよい。サプライチェーンにおける各ノードは、ランダム変数の分布をローカルで推定してもよく、確率伝搬技法を使用してサプライチェーンにおける他のノードと本情報を共有する。ノードは、収束するまで本システム内の他のノードにその確率を伝搬し続ける。いったん確率が、収束すると、各ノードにおける推奨される安全ストックが、在庫変数の条件付き分布を使用して、ローカルで推定されることができる。

【0069】

代替として、モデルは、ガウスプロセス、ディリクレプロセス、または他のベイズサンプリングベースの技法等の非パラメトリックモデルであってもよい。ガウスプロセスは、時間によってインデックス化されるランダム変数の集合によって定義される確率論的モデルである。ランダム変数の各有限集合は、多変量正規分布を有する。すなわち、ランダム変数の各有限集合は、正規分布される。ガウスプロセスの分布は、全てのランダム変数の同時分布であり、したがって、これは、連続的ドメインを伴う関数にわたる分布である。一方、ディリクレプロセスは、その範囲自体が、確率分布のセットである、確率論的モデルである。

【0070】

在庫変数の不確実性の分布は、多くの場合、経時的に変化する傾向がある。実施例として、原材料または製品の輸送時間の分散は、冬季の間に増加し得る。したがって、上記に説明されるモデルは、将来の持続時間にわたる在庫変数の分布を予測するために使用されてもよい。将来の持続時間は、最適化されている在庫変数に関する計画期間に対応し得る。計画期間は、顧客、供給業者、および材料に応じて変動し得る。例えば、計画期間は、約１日、約３日、約５日、約１週間、約２週間、約３週間、約１ヶ月、約２ヶ月、約３ヶ月、約４ヶ月、約５ヶ月、約６ヶ月、約７ヶ月、約８ヶ月、約９ヶ月、約１０ヶ月、約１１ヶ月、約１２ヶ月、約１４ヶ月、約１６ヶ月、約１８ヶ月、約２０ヶ月、約２２ヶ月、約２４ヶ月、またはそれを上回るものであってもよい。計画期間は、新しいデータが、モデルに組み込まれるにつれて、劇的に変化し得る。いくつかのモデルが、性能の劣化を示す場合では、それらは、最新の利用可能なデータを活用して自動的に再訓練される。

【0071】

図２は、ガンマ分布を観察されたリードタイムデータにフィッティングすることによるリードタイムにおける不確実性の統計的モデル化の実施例を図示する。分布は、約５日以下、約１０日以下、約１５日以下、約２０日以下、約２５日以下、約３０日以下、約３５日以下、約４０日以下、約４５日以下、約５０日以下、約５５日以下、約６０日以下、約７０日以下、約８０日以下、または約９０日以下のリードタイムにわたって計算されてもよい。ある場合には、分布は、５日未満のリードタイムにわたって計算されてもよい。

【0072】

在庫変数は、履歴在庫データおよび／または現在の在庫データ等の時変データを表すために、１つ以上の時系列を備えてもよい。履歴在庫は、顧客によって提供される、または材料移動データを活用することによって本システムによって計算されてもよい。例えば、履歴在庫データは、入荷移動、消費移動、遮断された移動、および雑多な移動（例えば、工場間移動）等の在庫管理および最適化に関連する異なるタイプの移動を含むことができる。

【0073】

在庫データセットは、スマートデバイス、センサ、エンタープライズシステム、エクストラプライズ、およびインターネットソースから取得されてもよい。そのようなデータセットは、１つ以上のデータストアを横断して存続されてもよい。

【0074】

図３は、機械学習アルゴリズムを訓練し、リードタイムにおける将来の不確実性を予測するために使用され得る、ある時間周期（例えば、約２８ヶ月）にわたるリードタイムにおける履歴傾向の実施例を図示する。
（確率論的変数の予測および在庫管理に対する効果のシミュレーション）

【0075】

本節は、サプライチェーン管理における運用決定を即応的ではなく、予応的に行うために、上記に説明されるモデルおよび新しいモデルを活用し得るツールを説明する。
（仮説シミュレーション）

【0076】

図１のシミュレーションモジュール１２０は、「仮説」シミュレーションを実行することができ、これは、過去に異なるアクションが、在庫管理プロセスの間にとられていた場合、例えば、異なる安全ストックが、使用されていた場合、特定の時間周期内に起こっていたであろうことをシミュレートし得る。シミュレーションは、偶然性をシミュレートするために、履歴データおよび／またはモデル化された不確実性分布を使用することができる。具体的な実施例を提供するために、そのようなシミュレーションフレームワークを実装するための１つの方法は、以下の通りである。

【0077】

最初に、シミュレーションモジュール１２０は、履歴補充結果に関連するデータを取得することができる。そのようなデータは、異なる部品に関する在庫が施設において管理されている方法についての有益な洞察を提供することができる。そのようなデータは、（１）材料移動（例えば、部品が消費された、または利用可能な在庫から、またはそれに移動された方法またはとき）、（２）需要予想（製品または部品レベルのいずれかで日単位、週単位、または月単位）、および（３）入荷パターン（例えば、供給業者その義務を果たした方法）を含むことができる。シミュレーションモジュール１２０は、本データを処理するために材料所要量計画（ＭＲＰ）アルゴリズムを使用し、在庫管理プロセスにおいて異なるパラメータを変更する効果をシミュレートすることができる。

【0078】

一実施例では、シミュレーションモジュール１２０は、全ての他のパラメータを固定しながら、アイテムの安全ストックを変更する効果を調査することができる。シミュレーション周期の始めにある初期在庫から開始し、その周期を通した需要予想を把握して、シミュレーションモジュール１２０は、安全ストックの新しい選定に基づいて、ＭＲＰアルゴリズムを実行することによって、その周期の間の在庫管理プロセスをシミュレートすることができる。このように、かつ材料移動履歴を把握して、シミュレーションモジュール１２０は、安全ストックの新しい選定のロバスト性および費用対効果を評価することができる。シミュレーションモジュール１２０は、パラメータのうちのいくつかを変更するため、これは、履歴データにおいて観察されたものと異なるであろう、本周期の間の新しい入荷をスケジューリングすることができる。しかしながら、供給業者挙動に関連する不確実性が、存在し得る。したがって、仮説分析をより現実的にするために、シミュレーションモジュール１２０はまた、新しいスケジューリングされた入荷に対する供給業者不確実性の効果をシミュレートすることができる。そのために、上記に説明されるパラメトリックおよび非パラメトリックモデルが、シミュレーションに組み込まれることができる。

【0079】

これは、入荷の履歴数量およびタイミングと関連付けられる不確実性を抽出することによって行われることができる。これらの不確実性は、経験的分布を使用して、または好適なパラメトリックまたは非パラメトリック分布をこれらの集団にフィッティングすることを通して表されてもよい。シミュレーションモジュール１２０は、次いで、これらの分布からのサンプリングによって、各新しくスケジューリングされた入荷と関連付けられる不確実性をシミュレートすることができる。より具体的には、ｔ＋５日目の５０ユニットの部品のスケジューリングされた入荷が、存在すると仮定する。シミュレーションモジュール１２０は、その対応する分布からのサンプリングによって、本入荷の数量およびタイミングに関する不確実性をシミュレートすることができる。数量および時間不確実性からのサンプルが、それぞれ、１０および２であると仮定する。シミュレーションモジュール１２０は、スケジューリングされた入荷が、実際には数量４０でｔ＋７日目に入荷したとシミュレートすることができる。摂動に関する情報は、これが時間ｔ＋５において実現されるまで、補充プロセスに対して把握されないことに留意されたい。すなわち、時間ｔ＋５において、遅延されるであろう入荷が、把握されるが、その量は、把握されない。いったん時間ｔ＋７において、ｔ＋５において予期されていた入荷が、入荷すると、５０ユニットの代わりに、４０ユニットのみが、受け取られた。

【0080】

本フレームワークの実装は、モジュール式であってもよく、異なる補充アプローチおよび供給業者または不確実な移動効果をシミュレートするための異なる方法を組み込むことができる。さらに、提示されるアプローチは、不確実性をシミュレートする、または時間において遡る仮説シミュレーションを実行するための１つのそのようなアプローチである。同一のアプローチはまた、時間において先を見越して実行されることができる。主要な差異は、先を見越した場合に関して、シミュレーションモジュール１２０が、不確実性をシミュレートするために不確実性の予測モデルに依拠し得ることである。

【0081】

シミュレーションモジュール１２０はまた、将来に起こり得ることを予測することができる。より具体的には、シミュレーションモジュール１２０は、在庫変数における特定の不確実性を考慮して、将来に起こるであろうことをシミュレートすることができる。このために、シミュレーションモジュール１２０は、上記に説明される不確実性モデルを使用し、不確実性をシミュレートし、そのような不確実性を在庫管理プロセスに織り込むことができる。そのようなシミュレーションの一実施例は、以下の通りである。

【0082】

将来のある期間にわたってＭＲＰを実行するために、全ての他の再注文パラメータを前提として、在庫管理プロセスに情報提供する１つのアプローチは、将来／先を見越して計画される在庫プロファイルに対する将来の不確実性の効果を研究することに依拠する。このために、シミュレーションモジュール１２０は、最初に、再注文パラメータの所与の選定とともにＭＲＰを実行することができる。ＭＲＰは、次いで、需要予想に合わせて、かつ他の再注文パラメータに基づいて、将来の入荷をスケジューリングすることができる。いかなる不確実性も、存在しないと仮定すると、在庫は、ゼロを下回り得ない。不確実性が、存在する場合、シミュレーションモジュール１２０は、例えば、上記に説明されるパラメトリックおよび非パラメトリックモデルによって発生されるその対応する予測分布から、時間および数量不確実性のシーケンスをサンプリングすることができる。時間不確実性シーケンスは、ＭＲＰよってスケジューリングされた入荷を摂動させるために使用されることができ、数量不確実性シーケンスは、需要予想（将来の消費）および利用可能な在庫を摂動させるために使用されることができる。不確実性シーケンスの各組み合わせは、摂動された在庫プロファイルをもたらし得る。そのような不確実性シーケンス組み合わせのうちのいくつかに関して本プロセスを繰り返すことは、異なる不確実性対に関するいくつかの摂動されたプロファイルを発生させ得る。これは、先を見越して計画される在庫プロファイルの経験的同時分布を提供する。本経験的分布は、次いで、例えば、考慮される管理実践を前提として、取得された将来のサービスレベルの推定値を提供するために使用されることができる。

【0083】

提示されるシミュレーションアプローチは、在庫およびサービスレベルを含む、将来へのある期間にわたる異なる確率論的変数の推定を可能にする。これらのシミュレーションツールは、ユーザが、より多くの情報に基づく決定を行い、その管理実践の変更を評価する、または将来に起こることに関するその予期を調節することを可能にし得る。

【0084】

シミュレーションモジュール１２０は、加えて、供給業者に行われた注文（例えば、その期限に達してしていない注文）と関連付けられる不確実性および施設によって受け取られた顧客注文と関連付けられる不確実性を定量化することができる。これは、前述の節に議論されるモデルから利益を享受することができる、または追加のモデルを開発することを要求し得る。これらは、次いで、オペレータが、即応的方式ではなく、より予応的な方式で在庫を管理することを可能にする。
（在庫管理および最適化）

【0085】

在庫管理および最適化は、３つの異なるカテゴリの変数、すなわち、（１）不確実性の源に関するロバスト性を提供する製造業者によって設定される変数、（２）注文タイミングおよび数量および供給業者との交渉を通して設定される供給業者相互作用を統御する他のパラメータ（例えば、リードタイム、最小注文数量等）を含む、供給業者との相互作用に関する変数、および（３）顧客注文を満たすための生産計画およびスケジュールを含む、生産計画を定義する変数を最適化することに関し得る。

【0086】

（１）に関して、ロバスト性を提供する変数を最適化するために、図１の最適化モジュール１３０は、前述の節に議論されるシミュレーション方法論を活用することができる。特に、最適化モジュール１３０は、考慮される変数の値の異なる組み合わせの性能を評価することができる。

【0087】

このために、最適化モジュール１３０は、過去の周期にわたる仮説シミュレーションを実施することができる。値の組み合わせ毎に、最適化モジュール１３０は、組み合わせの性能を評価するために、一連のシミュレーションを実行することができる。性能基準は、運転費用および取得されたサービスレベルであってもよい。評価する組み合わせを選ぶために、バイナリ探索、グリッド探索、ランダム探索、またはベイズ最適化が、使用されてもよい。

【0088】

最適化モジュール１３０は、代替として、または加えて、将来の周期にわたる先を見越した仮説シミュレーションを実施することができる。値の組み合わせ毎に、最適化モジュール１３０は、組み合わせの性能を評価するために、一連のシミュレーションを実行することができる。性能基準は、運転費用および取得されたサービスレベルであってもよい。最適化モジュール１３０は、評価する組み合わせを選ぶために、バイナリ探索、グリッド探索、ランダム探索、またはベイズ最適化を使用してもよい。

【0089】

最適化モジュール１３０は、代替として、または加えて、将来の確率論的在庫変数を計画することができる。値の組み合わせ毎に、組み合わせの性能を評価するために、一連の先を見越した計画を実行することができる。性能基準は、運転費用および取得されたサービスレベルであってもよい。最適化モジュール１３０は、評価する組み合わせを選ぶために、バイナリ探索、グリッド探索、ランダム探索、またはベイズ最適化を使用してもよい。この場合では、最適化モジュール１３０は、異なる組み合わせを評価する必要がない場合があり、先を見越して計画される確率論的変数の取得された分布から好適な組み合わせを導出することが可能であり得る。

【0090】

上記に言及される変数は、いくつかの異なる方法で選択されてもよい。例えば、最適化モジュール１３０は、考慮される変数を選択するために、選択ルールまたはポリシの異なる組み合わせを使用することができる。これらのルールは、静的である、あるパラメータ、例えば、注文上限ポリシによってパラメータ化される、または上記に議論される分位点モデルに基づいてもよい。

【0091】

一実施例では、最適化モジュール１３０は、安全ストックおよび安全時間を最適化し、それぞれ、安全ストックおよび安全時間を調整するために、不確実性を定量化するための異なる分位点モデルおよび時間不確実性に関する異なるモデルの組み合わせを使用してもよい。安全ストックレベルは、数量不確実性に関するロバスト性を提供するために保持されるべきである過剰在庫に対応し得、安全時間は、供給業者からの可能性として考えられる遅延を軽減するために、または顧客によるタイムラインの変更が最小限の悪影響を伴って融通され得るように使用される、時間的緩衝物に対応し得る。

【0092】

選択ルール／ポリシの異なる組み合わせを評価するために、上記に説明されるような確率論的変数の遡るシミュレーション、先を見越した仮説シミュレーション、および先を見越した計画を使用してもよい。

【0093】

最適化モジュール１３０はまた、シミュレーションアプローチに依拠しない最適化アルゴリズムを使用することができる。このために、最適化モジュール１３０は、考慮される変数を含むパラメータを用いて数学的最適化問題をパラメータ化することができる。これは、最適化問題の目的関数の確率論的項またはそれと関連付けられる確率論的制約、例えば、チャンス制約を形成するために、不確実性モデルからの出力を活用し得る、確率論的混合整数線形プログラミング（ＭＩＬＰ）につながり得る。最適化するべき費用は、在庫保持費用、注文費用、生産または運転費用、売上損失または達成利益等であってもよい。制約は、在庫展開または施設内の運転制約（例えば、ＢｏＭのエンコード、補充プロセス制約、および需要満足または管理制約）を含んでもよい。

【0094】

注文量およびタイミングを含む、供給業者との相互作用に関連する変数を最適化するために、最適化モジュール１３０は、直接的な数学的最適化アプローチを使用することができる。本最適化は、一般的に、供給業者との相互作用の複雑性を取り扱うために必要な洗練度が欠如し、したがって、本最適化フレームワークによって置換される、旧来のＭＲＰフレームワークの場合に実行される。これは、一般的に、最適化問題の目的関数の確率論的項またはそれと関連付けられる確率論的制約、例えば、チャンス制約を形成するために、不確実性に関するモデルからの出力を活用し得る、確率論的ＭＩＬＰにつながる。最適化するべき費用は、在庫保持費用、注文費用、生産または運転費用、売上損失または達成利益等であってもよい。制約は、在庫展開、施設内の運転制約、補充プロセス制約（例えば、最適化の標的ではない任意の補充制約）、および需要満足または管理制約である、またはそれを含んでもよい。供給業者との相互作用に関する目的関数における制約および項は、異なる供給業者との異なる相互作用アプローチと関連付けられる費用、およびこれらに関連付けられるルール（一般的に、条件付きかつ時変制約である）、例えば、時変多段式価格決定、および既存の未履行注文のキャンセルまたは追加と関連付けられるタイミングおよび許可をエンコードしてもよい。本最適化公式は、これらの変数およびロバスト性に関するものを共同で最適化するために必要な柔軟性を有する。

【0095】

本問題が、解くことが法外に高価である場合では、最適化モジュール１３０は、問題を分解し、問題を解くための分散アルゴリズムを使用するか、またはこれらの問題の緩和（一般的に、確率論的ＬＰをもたらす）および制限（計画技法）を同時に解くかのいずれかであってもよい。これは、本システムが、問題の近似解を提供するだけではなく、また、近似解の部分最適性のレベルを定量化することも可能にすることができる。

【0096】

生産計画を定義する変数（３）に関して、最適化モジュール１３０はまた、直接最適化アプローチを使用し、生産計画および／または販売注文を満たす方法に関する変数を最適化することができる。これもまた、一般的に、最適化問題の目的関数の確率論的項またはそれと関連付けられる確率論的制約、例えば、チャンス制約を形成するために、上記に説明される不確実性モデルからの出力を活用し得る、確率論的ＭＩＬＰにつながる。最適化するべき費用は、在庫保持費用、注文費用、生産または運転費用、売上損失または達成利益等であってもよい。制約は、在庫展開、施設内の運転制約、補充プロセスフレームワークを明確にエンコードする制約、および契約上の義務に基づく需要満足または管理制約である、またはそれを含んでもよい。そのような義務はまた、費用関数内に含まれてもよい。顧客との相互作用に関する目的関数における制約および項は、異なる顧客およびその関連付けられる契約上の義務との異なる相互作用アプローチに関連付けられる費用を明確にエンコードするべきであり、これは、これらと関連付けられるハードコードされたルール（一般的に、条件付きかつ時変制約である）、例えば、逸失された注文に関する時変罰則または最新の可能な配送日に関する制約を含んでもよい。制約はまた、ＢｏＭを使用して単純に表され得ない、生産プロセスに関与する機器間の相互作用をエンコードしてもよい。最適化公式は、これらの変数およびロバスト性に関するものおよび／または補充プロセスに関するものを共同で最適化するために必要な柔軟性を有する。

【0097】

そのような制約付き最適化問題は、費用関数を最小限にしてもよく、在庫制約、サービスレベル制約、入荷ウィンドウ制約（例えば、注文が入荷し得る日）、注文サイズ制約（例えば、最小注文サイズおよび丸め値）、注文ウィンドウ制約（例えば、その間に新しい注文が行われることができない無活動または非稼働周期を伴う）、またはそれらの組み合わせ等の材料注文機構またはＭＲＰ（材料所要量計画）アルゴリズムに関する制約を含んでもよい。制約付き最適化問題に関する制約のセットは、注文が行われ得る許容時間および量を決定することに役立ち得る。いくつかの実施形態では、サービスレベル制約は、在庫が需要要件を満たす（例えば、ストック切れ事象を被らない）信頼レベルを備える。例えば、サービスレベル制約は、約９０％、約９５％、約９８％、または９９％であってもよい。サービスレベル制約は、顧客によって所望されるサービスレベルに対応してもよい。所望のサービスレベルは、構成可能パラメータであってもよく、顧客毎および材料毎に変動してもよい。

【0098】

いくつかの実施形態では、最小限にされる費用関数は、在庫保持費用、出荷費用、未済注文（例えば生産遅延）費用、またはそれらの組み合わせ等の費用を表すことができる。費用関数は、構成可能であってもよく、顧客毎に変動することができる。

【0099】

制約付き最適化問題は、確率論的制約付き最適化問題であってもよい。例えば、企業体が、現在実装されている旧来のＭＲＰソリューションを使用することに縛られる事例では、現在のＭＲＰアルゴリズムは、ブラックボックスとして取り扱われ得、制約付き最適化問題は、ブラックボックス最適化アルゴリズムを使用して解かれ得る。最適化アルゴリズムは、グリッド探索、ランダム探索、ベイズ最適化探索、またはそれらの組み合わせ等の最適化問題を解くための任意の好適な技法を使用してもよい。

【0100】

企業体が、旧来のＭＲＰソリューションを使用することに縛られない事例等のいくつかの実施形態では、確率論的制約付き最適化問題は、混合整数線形プログラミング（ＭＩＬＰ）問題として公式化される。ＭＩＬＰ問題は、１つ以上の線形チャンス制約を使用して、将来の不確実性を有する変数をモデル化してもよい。ＭＩＬＰ問題は、例えば、在庫およびＭＲＰ（例えば、行われた注文）を共同で最適化することによって解かれてもよい。

【0101】

本問題が、解くことが法外に高価である場合では、最適化モジュール１３０は、問題を分解し、問題を解くための分散アルゴリズムを使用するか、またはこれらの問題の緩和（一般的に、確率論的ＬＰをもたらす）および制限（計画技法）を同時に解くことに逃れるかのいずれかであってもよい。

【0102】

在庫データセットが、最適化された後、最適化された在庫データセットは、データベース内に記憶されてもよい。記憶することは、クラウドベースのネットワークを通して（例えば、１つ以上のクラウドベースのサーバ上に位置するデータベース内で）実施されてもよい。

【0103】

在庫管理および最適化のための方法はさらに、最適化された在庫データセットに基づいて、１つ以上の推奨される在庫管理決定を発生させることを含んでもよい。例えば、最適化された在庫データセットと基準在庫データセットとの間の差異が、決定されてもよく、推奨される在庫管理決定は、最適化された在庫データセットと基準在庫データセットとの間の決定された差異に基づいて発生されてもよい。ある場合には、在庫データセットが、最適化された後、在庫管理および最適化のための方法はさらに、少なくとも部分的に、最適化された在庫データセットに基づいて、途絶リスクおよび／または遅延リスクの１つ以上のアラートを発生させることを含んでもよい。

【0104】

図４は、ある時間周期（例えば、約６ヶ月）にわたるアイテムの在庫レベルの確率論的最適化の実施例を図示する。例えば、ある持続時間にわたる元々の在庫レベルが、少なくとも元々の安全ストックレベルである在庫レベルを維持する高い確率または信頼度を有するように構成されてもよい。別の実施例として、ある持続時間にわたる最適化された在庫レベルは、少なくとも最適化された安全ストックレベルである在庫レベルを維持する高い確率または信頼度を有するように構成されてもよい。最適化された安全ストックレベルは、元々の（最適化されていない）安全ストックレベルを下回り得るため、企業体は、依然として、その顧客の契約上の要件を満たしながら、元々の安全ストックレベルではなく、最適化された安全ストックレベルにおいて在庫を維持することによって、潜在的に大幅な費用節約を実現し得る。

【0105】

図５は、ある時間周期（例えば、約６ヶ月）にわたる履歴在庫移動（入荷移動、消費移動、および雑多な移動を含む）および合計在庫の実施例を図示する。

【0106】

図６は、ある時間周期（例えば、約６ヶ月）にわたる在庫最適化における全体的結果の実施例を図示する。本明細書に開示される在庫管理および最適化のためのシステムおよび方法を使用して、製造業者は、（最適化された在庫費用を元々の在庫費用に対して比較したとき）約３０％だけ在庫費用を削減し、数億ドルの合計コスト節約を実現した。
（マルチエシュロン在庫最適化（ＭＥＩＯ））

【0107】

在庫管理および最適化のためのシステムおよび方法は、概して、サプライチェーンにおける全てのノードを横断する在庫を最適化する問題を指す、マルチエシュロン在庫最適化（ＭＥＩＯ）に適用されてもよい。ＭＥＩＯアプローチは、ネットワーク内のノードの間の関係を活用することによって、ネットワークを横断する在庫を全体論的に最適化してもよい。例えば、在庫データセットは、単一エシュロン在庫（例えば、単一のノードまたは施設に対応する）またはＭＥＩＯアプローチの場合では、マルチエシュロン在庫（例えば、複数のノードまたは施設を伴うサプライチェーンに対応する）のいずれかに関する在庫変数を備えてもよい。

【0108】

ＭＥＩＯは、ある修正を伴う、前述の節に説明されるものに類似するアプローチを使用してもよい。これらの修正は、主に、サプライチェーンにおける施設間の接続性および相互作用を説明することに関する。
（不確実性の統計的モデル化）

【0109】

サプライチェーンネットワーク内の不確実性の異なる源と関連付けられるランダム変数は、独立および従属ランダム変数に分割されることができる。独立した不確実性源は、上記に提示されるものと類似する方式でモデル化されることができる。しかしながら、従属した源は、主に、独立した源および独立した源が従属したものに影響を及ぼす方法から導出される。本従属構造は、一般的に、従属仮定に応じて、確率的グラフィカルモデル（ＰＧＭ）、例えば、ベイズまたはマルコフネットワークを使用してエンコードされる。ＰＧＭ構造は、供給ネットワークのグラフベースの表現によって影響を受ける。不確実性の独立した源をモデル化すると、ＰＧＭベースの推論技法が、不確実性の従属した源の分布または統計的性質を予測するために使用されることができる。
（確率論的変数の予測および在庫管理に対する効果のシミュレーション）

【0110】

単一の施設の場合と同様に、シミュレーションモジュール１２０は、複数の施設を備えるサプライチェーンネットワーク上で仮説シミュレーションを実行することができる。仮説シミュレーションは、何らかのものが、サプライチェーン内の在庫管理プロセスにおいて変化した場合、例えば、ある施設内のより多くの安全ストックが、選ばれた場合、過去のある周期に起こっていたであろうことに関する。本周期の間、シミュレーションの間の偶然性をシミュレートするために、履歴エンティティおよび／またはモデル化された不確実性分布の組み合わせを使用してもよい。一貫した方式でシミュレーションを実行するために、供給ネットワークを表すグラフ（例えば、有向グラフ）の構造に従うことができる。一実施例では、サプライチェーンにおける各施設において使用される補充プロセスまたはＭＲＰが、既知であると仮定する。次いで、顧客向け施設から開始して、かつそれらの施設における需要予想（独立需要）に基づいて、シミュレーションモジュール１２０は、これらの施設からその供給施設／ノードへの「従属」需要を生成することができる。これは、次いで、供給ネットワークの外部の施設からのみ供給を受け取っている施設／ノードに到達するまで、ネットワークを通して伝搬する。これは、ネットワークを通したバックワードパスを模倣し、施設は、その従属および独立需要を前提として、その供給施設に関する需要を作成する。シミュレーションモジュール１２０は、次いで、ネットワーク内の供給プロセスをシミュレートするために、ネットワークを通したフォワードパスを実行することができる。フォワードパスの間、シミュレーションモジュール１２０はまた、ネットワーク内の供給エッジと関連付けられ、施設およびその関連付けられる独立需要に関連付けられるネットワーク内の不確実性をシミュレートすることができる。シミュレーション周期におけるタイムステップ毎に本プロセスを繰り返すことは、サプライチェーンの挙動を完全にシミュレートすることを可能にする。本プロセスは、過去のある周期にわたって実施されるため、不確実性のある源の厳密な実現または不確実性モデル出力は、本システムにおける不確実性をシミュレートするために使用されることができる。

【0111】

本プロセスはまた、本システムが、不確実性の効果をシミュレートするために不確実性モデルに依拠し得る、類似する方式で時間において先を見越して複製されることができる。より具体的にするために、そのようなシミュレーションアプローチの実施例として、以下の手順に従うことができる。

【0112】

シミュレーションモジュール１２０は、最初に、上記に説明されるようなサプライチェーンネットワークのバックワードパスを実行することができる。いかなる不確実性もないと仮定して、全ての施設は、その顧客施設に供給することが可能であり、いかなる施設も、ストック切れに直面しないであろう。不確実性の場合では、シミュレーションモジュール１２０は、その対応する予測分布から時間および数量不確実性のシーケンスをサンプリングすることができる。これは、ネットワークを通して複数のフォワードパスを実行し、独立した不確実性源に関するモデルを使用することを要求する。具体的には、フォワードパスを実行することは、前述の節におけるＰＧＭによって定義される確率論的プロセスからのサンプリングに相当し得る。各フォワードパスは、摂動された在庫プロファイルをもたらす。これは、ひいては、先を見越して計画される在庫プロファイルの経験的同時分布を提供する。本経験的分布は、次いで、例えば、考慮される管理実践を前提として、取得された将来のサービスレベルの推定値を提供するために使用されることができる。

【0113】

シミュレーションモジュール１２０はまた、将来に起こり得る先を見越した計画の算出を可能にすることができる。すなわち、サプライチェーンにおける各施設において使用される補充プロセスまたはＭＲＰの知識を仮定して、不確実性の存在下で将来に起こるであろうことをシミュレートし、各タイムステップにおける再注文パラメータの選定の有効性を研究することができる。

【0114】

同様に、シミュレーションモジュール１２０は、供給業者に行われた注文（例えば、その期限に達してしていない注文）と関連付けられる不確実性および各施設によって受け取られた顧客注文と関連付けられる不確実性を定量化することができる。これは、前述の節に議論されるモデルから利益を享受することができる、または各接続される施設の対に関する追加のモデルを開発することを要求し得る。これらは、次いで、各施設におけるオペレータが、サプライチェーンの構造もまた組み込む情報を有しながら、即応的方式ではなく、より予応的な方式で在庫を管理することを可能にする。
（在庫管理および最適化）

【0115】

マルチエシュロン設定における在庫管理および最適化はまた、単一の施設に関して議論される３つの異なるカテゴリの変数に関する。

【0116】

ロバスト性に関連する変数を最適化するために、最適化モジュール１３０は、前述の節に議論されるシミュレーション方法論を活用することができる。特に、最適化モジュール１３０は、考慮される変数の値の異なる組み合わせの性能を評価することができる。最適化モジュール１３０は、シミュレーションモジュール１２０に、例えば、確率的グラフィカルモデルの理論によって提供される推論技法を通して促進される、過去のある周期にわたる仮説シミュレーション、将来の周期にわたる先を見越した仮説シミュレーション、および確率論的変数の先を見越した計画を実行させることができる。確率論的グラフィカルモデルは、施設を表すノードおよび施設ｉが施設ｊに供給し得ることを表す有向エッジ（ｉ、ｊ）を伴うグラフを含有してもよい。例えば、確率論的グラフィカルモデルは、そのようなサプライチェーンネットワークに関する将来の任意の所与の時間ｔにおける最適なスケジューリングされる入荷またはネットワーク内の各施設に関する最適な安全ストックおよび安全時間を算出するために使用されることができる。

【0117】

確率論的グラフィカルモデルは、データ駆動機械学習ベースの訓練システムと組み合わせられることができる。機械学習システムは、本明細書の別の場所に説明されるように、モデルを訓練し、ランダム変数の分布が経時的に変化する様子を学習し、将来の分布を予測するために使用されてもよい。確率論的グラフィカルモデルは、次いで、サプライチェーンにおけるノードを横断して情報を伝搬し、サプライチェーンにおけるノードを横断する相互関係を学習するために使用されることができる。

【0118】

異なる施設における考慮される変数を選択することは、単一施設分析に関して上記に説明されるプロセスに類似し得る。

【0119】

最適化モジュール１３０は、シミュレーションアプローチに依拠しない最適化アルゴリズムを使用することができる。このために、最適化モジュール１３０は、考慮される変数を含むパラメータを用いて数学的最適化問題をパラメータ化してもよい。これは、最適化問題の目的関数の確率論的項またはそれと関連付けられる確率論的制約、例えば、チャンス制約を形成するために、不確実性モデルの出力を活用し得る、確率論的ＭＩＬＰにつながり得る。最適化するべき費用は、サプライチェーンを横断する在庫保持費用、注文費用、生産または運転費用、売上損失または達成利益等であってもよい。制約は、各施設における在庫展開、各施設内の運転制約（例えば、ある施設におけるＢｏＭのエンコード）、サプライチェーンにおける施設の間の相互作用をエンコードする制約、補充プロセス制約、および各施設における需要満足または管理制約である、またはそれを含んでもよい。

【0120】

本問題が、解くことが法外に高価である場合では、最適化モジュール１３０は、問題を分解し、問題を解くための分散アルゴリズムを使用するか、またはこれらの問題の緩和（一般的に、確率論的ＬＰをもたらす）および制限（計画技法）を同時に解くかのいずれかであってもよい。これは、問題の近似解を提供することを可能にし得、近似解の部分最適性のレベル（例えば、近似解が最適解から離れている程度）を定量化し得る。サプライチェーンを説明するグラフの有向性質を前提として、最適化モジュール１３０はまた、ＭＩＬＰの近似解を提供するために、近似動的プログラミングを採用してもよい。

【0121】

注文量およびタイミングを含む、サプライチェーンにおける施設間の相互作用に関する変数を最適化するために、最適化モジュール１３０は、直接的な数学的最適化アプローチを実装することができる。本最適化は、一般的に、施設間の相互作用の複雑性を取り扱うために必要な洗練度が欠如し、したがって、本最適化フレームワークによって置換される、旧来のＭＲＰフレームワークの場合に実行される。また、本最適化を解くことによって、最適化モジュール１３０は、サプライチェーンの全体像を伴って施設間の相互作用を設定することができる。これは、最適化問題の目的関数の確率論的項またはそれに関連付けられる確率論的制約、例えば、チャンス制約を形成するために、不確実性に関するモデルからの出力を活用し得る、確率論的ＭＩＬＰにつながり得る。最適化するべき費用は、供給ネットワーク全体に関する在庫保持費用、注文費用、生産または運転費用、売上損失または達成利益等である、またはそれを含んでもよい。制約は、各施設における在庫展開、各施設内の運転制約、施設の間の補充プロセス制約（最適化の標的ではない任意の補充制約）、および各施設に関する需要満足または管理制約である、またはそれを含んでもよい。施設間の相互作用に関する目的関数における制約および項は、ノードの間の異なる相互作用アプローチと関連付けられる費用、およびこれらに関連付けられるルール（一般的に、条件付きかつ時変制約である）、例えば、時変多段式価格決定、および既存の未履行注文のキャンセルまたは追加と関連付けられるタイミングおよび許可を明確にエンコードしてもよい。本最適化公式は、これらの変数およびロバスト性に関するものを共同で最適化するために必要な柔軟性を有し得る。

【0122】

本問題が、解くことが法外に高価である場合、最適化モジュール１３０は、問題を分解し、問題を解くための分散アルゴリズムを使用するか、またはこれらの問題の緩和（一般的に、確率論的ＬＰをもたらす）および制限（計画技法）を同時に解くかのいずれかであってもよい。これは、問題の近似解を提供するだけではなく、また、近似解の部分最適性のレベルを定量化することも促進することができる。サプライチェーンを説明するグラフの有向性質を前提として、最適化モジュール１３０はまた、ＭＩＬＰの近似解を提供するために、近似動的プログラミングを採用してもよい。

【0123】

最適化モジュール１３０はまた、サプライチェーン内の異なる施設における生産計画および／または販売注文を満たす方法に関連する変数を最適化するために、直接最適化アプローチをとることができる。これは、一般的に、最適化問題の目的関数の確率論的項またはそれと関連付けられる確率論的制約、例えば、チャンス制約を形成するために、不確実性に関するモデルからの出力を活用し得る、確率論的ＭＩＬＰにつながり得る。最適化するべき費用は、サプライチェーン全体にわたる在庫保持費用、注文費用、生産または運転費用、売上損失または達成利益等であってもよい。制約は、各施設における在庫展開、各施設内の運転制約、施設の間の補充プロセスフレームワークを明確にエンコードする制約、およびノードの間の、および外部顧客との契約上の義務に基づく需要満足または管理制約である、またはそれを含んでもよい。そのような義務はまた、費用関数内に含まれてもよい。顧客との相互作用に関する目的関数における制約および項は、異なる顧客およびその関連付けられる契約上の義務との異なる相互作用アプローチに関連付けられる費用を明確にエンコードしてもよく、これは、これらと関連付けられるハードコードされたルール（一般的に、条件付きかつ時変制約である）、例えば、逸失された注文に関する時変罰則または最新の可能な配送日に関する制約を含んでもよい。制約はまた、各施設におけるＢｏＭを使用して単純に表され得ない、各施設における生産プロセス内の関与する機器間の相互作用を明確にエンコードしてもよい。本最適化公式は、これらの変数およびロバスト性に関するものおよび／または補充プロセスに関するものを共同で最適化するために必要な柔軟性を有する。

【0124】

本問題が、解くことが法外に高価である場合では、最適化アルゴリズムは、問題を分解し、問題を解くための分散アルゴリズムを使用するか、またはこれらの問題の緩和（一般的に、確率論的ＬＰをもたらす）および制限（計画技法）を同時に解くかのいずれかであってもよい。これは、問題の近似解を提供するだけではなく、また、近似解の部分最適性のレベルを定量化することも促進し得る。サプライチェーンを説明するグラフの有向性質を前提として、最適化モジュール１３０はまた、ＭＩＬＰの近似解を提供するために、近似動的プログラミングを採用してもよい。

【0125】

ＭＥＩＯ問題では、基礎的なサプライチェーンネットワークは、グローバルグラフィカル構造を定義してもよい。グラフィカルモデルのローカル構造は、在庫、需要予想、材料移動、供給業者注文等の最適化問題における種々のランダム（例えば、確率論的）変数間の関係によって定義されてもよい。そのようなランダム変数は、典型的には、時変であり得る、確率論的分布を有してもよい。

【0126】

マルチエシュロン在庫最適化（ＭＥＩＯ）は、単一の施設に関する在庫最適化アプローチをネットワーク内の全ての施設に適用することによって実施されることができる。例えば、その履歴の供給業者の挙動、その需要予想にわたる不確実性、および施設における他の雑多な挙動を観察した全ての施設は、ネットワーク内の他の施設から分離してその安全ストックおよび安全時間を最適化することができる。

【0127】

いくつかの実施形態では、ＭＥＩＯ問題は、サプライチェーンネットワークをモデル化し、ベイズ最適化を使用して在庫変数を最適化することを含んでもよい。例えば、最適な安全ストックおよび安全時間値は、ネットワーク内の全ての施設に関する数量および時間不確実性を共同で最適化することによって、施設毎に決定されてもよい。安全ストックは、アイテムがストック切れになるであろうリスクを低減させるために、企業によって在庫に保持されるアイテムの付加的数量であり得る。安全時間は、将来の遅れた配送の場合に製品要件を埋め合わせるための時間的緩衝物であり得る。可能性として考えられる注文パラメータ値のグリッドが、サプライチェーンにおけるノードを横断して作成されることができ、本システムは、費用およびサービスレベルを算出するために、各組み合わせを用いてシミュレートされることができる。本システムは、網羅的なグリッド探索またはランダム探索を実施することによって等、パラメータの最適な組み合わせを取得するように最適化されることができる。しかしながら、そのようなアプローチは、高価であり得る。実施例として、Ｎ個のノードを伴うサプライチェーンネットワーク内の各ノードが、注文パラメータに関する１０個の可能性として考えられる値をとる場合、探索するべき可能性として考えられる組み合わせの合計数は、１０^Ｎ個である。合計組み合わせのリストは、最適な組み合わせを評価し、見出すために、急速に法外に大きくなり得る。

【0128】

代替として、ベイズ最適化が、パラメータの最適な組み合わせを取得するために使用されてもよく、算出複雑性は、減少される。ベイズ最適化は、全ての事前の組み合わせが評価されたことを前提として、評価するべき次善の組み合わせを示唆する逐次的技法を指し得る。ベイズ最適化を適用することは、パラメータ値のグリッド点のサブセットのみを訪れることによって、最適な組み合わせの算出を可能にし得る。そのようなアプローチは、有利であり、基礎的モデルとしてガウスプロセスモデルを使用すること、解の品質に関する確率的保証を提供する確率的に有意義な獲得関数を使用すること、使用されるカーネルを適切に修正することによって、現在の時間のために以前の最適化実行から評価されたデータ点を使用すること、および最適化のための算出時間またはリソース予算を設定し、算出時間またはリソース予算を上回る場合、安全に中断すること等のそのような利益を可能にし得る。ベイズ最適化アプローチの算出複雑性は、最悪の場合、ネットワーク内の施設の数に対して指数関数的であると予期され得る。
（コンピュータシステム）

【0129】

本開示は、本開示の方法を実装するようにプログラムされる、コンピュータシステムを提供する。図７は、本明細書に提供される方法を実装するようにプログラムまたは別様に構成される、コンピュータシステム７０１を示す。

【0130】

コンピュータシステム７０１は、例えば、複数の在庫変数を備える在庫データセットを取得すること、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実を有する変数の予測を発生させること、および最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化すること等の本開示の種々の側面を調整することができる。コンピュータシステム７０１は、ユーザの電子デバイスであり得るかまたは電子デバイスに対して遠隔で位置するコンピュータシステムであり得る。電子デバイスは、モバイル電子デバイスであり得る。

【0131】

コンピュータシステム７０１は、シングルコアまたはマルチコアプロセッサ、または並列処理のための複数のプロセッサであり得る、中央処理ユニット（ＣＰＵ、また、本明細書では、「プロセッサ」および「コンピュータプロセッサ」）７０５を含む。コンピュータシステム７０１はまた、メモリまたはメモリ場所７１０（例えば、ランダムアクセスメモリ、読取専用メモリ、フラッシュメモリ）と、電子記憶ユニット７１５（例えば、ハードディスク）と、１つ以上の他のシステムと通信するための通信インターフェース７２０（例えば、ネットワークアダプタ）と、キャッシュ、他のメモリ、データ記憶装置、および／または電子ディスプレイアダプタ等の周辺デバイス７２５とを含む。メモリ７１０、記憶ユニット７１５、インターフェース７２０、および周辺デバイス７２５は、マザーボード等の通信バス（実線）を通してＣＰＵ７０５と通信する。記憶ユニット７１５は、データを記憶するためのデータ記憶ユニット（またはデータリポジトリ）であり得る。コンピュータシステム７０１は、通信インターフェース７２０を用いてコンピュータネットワーク（「ネットワーク」）７３０に動作的に結合されることができる。ネットワーク７３０は、インターネット、イントラネットおよび／またはエクストラネット、またはインターネットと通信するイントラネットおよび／またはエクストラネットであり得る。

【0132】

ネットワーク７３０は、ある場合には、電気通信および／またはデータネットワークである。ネットワーク７３０は、クラウドコンピューティング等の分散コンピューティングを可能にし得る、１つ以上のコンピュータサーバを含むことができる。例えば、１つ以上のコンピュータサーバは、ネットワーク７３０（「クラウド」）を経由するクラウドコンピューティングが、例えば、複数の在庫変数を備える在庫データセットを取得すること、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実を有する変数の予測を発生させること、および最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化すること等の本開示の分析、計算、および発生の種々の側面を実施することを可能にし得る。そのようなクラウドコンピューティングは、例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ、Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｐｌａｔｆｏｒｍ、およびＩＢＭクラウド等のクラウドコンピューティングプラットフォームによって提供されてもよい。ネットワーク７３０は、ある場合には、コンピュータシステム７０１を用いて、コンピュータシステム７０１に結合されるデバイスが、クライアントまたはサーバとして挙動することを可能にし得る、ピアツーピアネットワークを実装することができる。

【0133】

ＣＰＵ７０５は、プログラムまたはソフトウェア内に埋設され得る、機械可読命令のシーケンスを実行することができる。命令は、メモリ７１０等のメモリ場所内に記憶されてもよい。命令は、ＣＰＵ７０５にダイレクトされることができ、これは、続けて、本開示の方法を実装するようにＣＰＵ７０５をプログラムまたは別様に構成することができる。ＣＰＵ７０５によって実施される動作の実施例は、フェッチ、デコード、実行、およびライトバックを含むことができる。

【0134】

ＣＰＵ７０５は、集積回路等の回路の一部であり得る。システム７０１の１つ以上の他のコンポーネントが、回路内に含まれることができる。ある場合には、回路は、特定用途向け集積回路（ＡＳＩＣ）である。

【0135】

記憶ユニット７１５は、ドライバ、ライブラリ、および保存されたプログラム等のファイルを記憶することができる。記憶ユニット７１５は、ユーザデータ、例えば、ユーザ選好およびユーザプログラムを記憶することができる。コンピュータシステム７０１は、ある場合には、イントラネットまたはインターネットを通してコンピュータシステム７０１と通信する遠隔サーバ上に位置する等、コンピュータシステム７０１の外部にある１つ以上の付加的データ記憶ユニットを含むことができる。

【0136】

コンピュータシステム７０１は、ネットワーク７３０を通して１つ以上の遠隔コンピュータシステムと通信することができる。例えば、コンピュータシステム７０１は、ユーザの遠隔コンピュータシステムと通信することができる。遠隔コンピュータシステムの実施例は、パーソナルコンピュータ（例えば、ポータブルＰＣ）、スレートまたはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標） ｉＰａｄ（登録商標）、Ｓａｍｓｕｎｇ（登録商標） Ｇａｌａｘｙ Ｔａｂ）、電話、スマートフォン（例えば、Ａｐｐｌｅ（登録商標） ｉＰｈｏｎｅ（登録商標）、Ａｎｄｒｏｉｄ対応デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標））、または携帯情報端末を含む。ユーザは、ネットワーク７３０を介してコンピュータシステム７０１にアクセスすることができる。

【0137】

本明細書に説明されるような方法は、例えば、メモリ７１０または電子記憶ユニット７１５上等、コンピュータシステム７０１の電子記憶場所上に記憶される機械（例えば、コンピュータプロセッサ）実行可能コードを用いて実装されることができる。機械実行可能または機械可読コードは、ソフトウェアの形態において提供されることができる。使用の間、コードは、プロセッサ７０５によって実行されることができる。ある場合には、コードは、記憶ユニット７１５から読み出され、プロセッサ７０５による迅速なアクセスのためにメモリ７１０上に記憶されることができる。いくつかの状況では、電子記憶ユニット７１５は、除外されることができ、機械実行可能命令は、メモリ７１０上に記憶される。

【0138】

コードは、事前コンパイルされ、コードを実行するように適合されるプロセッサを有する機械との併用のために構成されることができる、またはランタイムの間にコンパイルされることができる。コードは、コードが事前コンパイルまたはアズコンパイルされた方式で実行されることを可能にするように選択され得る、プログラミング言語で供給されることができる。

【0139】

コンピュータシステム７０１等の本明細書に提供されるシステムおよび方法の側面は、プログラミングにおいて具現化されることができる。本技術の種々の側面は、典型的には、あるタイプの機械可読媒体上で担持される、またはそれにおいて具現化される機械（またはプロセッサ）実行可能コードおよび／または関連付けられるデータの形態における「製品」または「製造品」と考えられ得る。機械実行可能コードは、メモリ（例えば、読取専用メモリ、ランダムアクセスメモリ、フラッシュメモリ）またはハードディスク等の電子記憶ユニット上に記憶されることができる。「記憶」タイプ媒体は、ソフトウェアプログラミングのために任意の時点で非一過性記憶を提供し得る、コンピュータ、プロセッサ、または同等物の有形メモリ、または種々の半導体メモリ、テープドライブ、ディスクドライブ、および同等物等のその関連付けられるモジュールのうちのいずれかまたは全てを含むことができる。ソフトウェアの全てまたは一部は、随時、インターネットまたは種々の他の電気通信ネットワークを通して通信されてもよい。そのような通信は、例えば、１つのコンピュータまたはプロセッサから別のものへの、例えば、管理サーバまたはホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にし得る。したがって、ソフトウェア要素を搭載し得る別のタイプの媒体は、ローカルデバイスの間の物理的インターフェースを横断して、有線および光学固定ネットワークを通して、および種々のエアリンクを経由して使用される等、光学、電気、および電磁波を含む。有線または無線リンク、光学リンク、または同等物等のそのような波を搬送する物理的要素はまた、ソフトウェアを搭載する媒体と見なされてもよい。本明細書に使用されるように、非一過性有形「記憶」媒体に制限されない限り、コンピュータまたは機械「可読媒体」等の用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。

【0140】

したがって、コンピュータ実行可能コード等の機械可読媒体は、限定ではないが、有形記憶媒体、搬送波媒体、または物理的伝送媒体を含む、多くの形態をとってもよい。不揮発性記憶媒体は、例えば、図面に示されるデータベース等を実装するために使用され得る等、任意のコンピュータまたは同等物内の記憶デバイスのうちのいずれか等の光学または磁気ディスクを含む。揮発性記憶媒体は、そのようなコンピュータプラットフォームの主要メモリ等のダイナミックメモリを含む。有形伝送媒体は、同軸ケーブル、すなわち、コンピュータシステム内のバスを備えるワイヤを含む、銅ワイヤおよび光ファイバを含む。搬送波伝送媒体は、電気または電磁信号、または無線周波数（ＲＦ）および赤外線（ＩＲ）データ通信の間に発生されるもの等の音響または光波の形態をとってもよい。コンピュータ可読媒体の一般的な形態は、したがって、例えば、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤまたはＤＶＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、孔のパターンを伴う任意の他の物理的記憶媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭおよびＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、任意の他のメモリチップまたはカートリッジ、データまたは命令を転送する搬送波、そのような搬送波を転送するケーブルまたはリンク、またはそれからコンピュータがプログラミングコードおよび／またはデータを読み取り得る任意の他の媒体を含む。コンピュータ可読媒体のこれらの形態のうちの多くは、１つ以上の命令の１つ以上のシーケンスを実行のためにプロセッサに搬送することに関与してもよい。

【0141】

コンピュータシステム７０１は、ユーザインターフェース（ＵＩ）７４０を備える電子ディスプレイ７３５を含む、またはそれと通信することができる。ユーザインターフェース（ＵＩ）の実施例は、限定ではないが、グラフィカルユーザインターフェース（ＧＵＩ）およびウェブベースのユーザインターフェースを含む。例えば、コンピュータシステムは、例えば、ＢＯＭをユーザに表示するように構成される、ウェブベースのダッシュボード（例えば、ＧＵＩ）を含むことができる。

【0142】

本開示の方法およびシステムは、１つ以上のアルゴリズムを用いて実装されることができる。アルゴリズムは、中央処理ユニット７０５による実行に応じて、ソフトウェアを用いて実装されることができる。アルゴリズムは、例えば、複数の在庫変数を備える在庫データセットを取得し、訓練されたアルゴリズムを在庫データセットに適用し、将来の不確実を有する変数の予測を発生させ、最適化アルゴリズムを在庫データセットに適用し、複数の在庫変数を最適化することができる。

【0143】

説明は、その特定の実施形態に関して説明されているが、これらの特定の実施形態は、単に、例証的であり、制限的ではない。実施例において例証される概念は、他の実施例および実装に適用されてもよい。

【0144】

本発明の好ましい実施形態が、本明細書に示され、説明されているが、そのような実施形態は、実施例としてのみ提供されることが当業者に明白であろう。本発明は、本明細書内に提供される具体的実施例によって限定されることを意図していない。本発明は、前述の本明細書を参照して説明されているが、本明細書の実施形態の説明および例証は、限定的意味で解釈されることを意味していない。多数の変形例、変更、および代用が、ここで、本発明から逸脱することなく、当業者に想起されるであろう。さらに、本発明の全ての側面は、種々の条件および変数に依存する、本明細書に記載される具体的描写、構成、または相対的割合に限定されないことを理解されたい。本明細書に説明される本発明の実施形態の種々の代替が、本発明を実践する際に採用され得ることを理解されたい。したがって、本発明はまた、任意のそのような代替、修正、変形例、または均等物を網羅することとすることが想定される。以下の請求項は、本発明の範囲を定義し、これらの請求項の範囲内の方法および構造およびその均等物が、それによって網羅されることを意図している。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】