需求驱动的资产再利用分析

制造商长期以来受益于重用退货产品和零部件。这种有益的方法可以最小化成本，并帮助制造商在维持环境中发挥作用，由于日益增长的环境关切，这在当下至关重要。重用退货零部件和产品有助于环境可持续性，因为这样做有助于减少原材料使用、消除生产新零件所需的能源消耗，并最小化废弃材料。然而，如果流程不能提供跟踪、管理和重用退货所必需的可见性，有效且高效地处理退货可能是困难的。本文对采购数据应用高级分析，通过优化等同于新品（Equal-to-New, ETN）零部件退货来提高新装配中的再利用率。这将减少用于制造新产品单元的新购零部件的“支出”。该过程涉及将退货供应预测与新装配需求进行匹配。过程中的复杂性在于预测与匹配，同时确保再利用率工程流程可用。此外，这将识别高需求/价值/产出率的零部件，以供开发工程重点关注。分析已应用于不同层级以增强优化过程，包括升级零部件的预测。机器学习（Machine Learning）算法被用于构建自动化基础设施，以支持在采购零部件规划流程中ETN零部件利用的转型。该系统将退货预测纳入规划周期，将供应商负债从9周规划周期减少至12个月规划周期，例如，减少1000万美元负债中的5%。