цепочка поставок это сеть производства и логистики, связанная с производством и доставкой товаров клиентам. А анализ цепочки поставок означает анализ различных компонентов цепочки поставок, чтобы понять, как повысить эффективность цепочки поставок, чтобы создать большую ценность для клиентов. Итак, если вы хотите научиться анализировать цепочку поставок, эта статья для вас. В этой статье я проведу вас через задачу анализа цепочки поставок с использованием Python.
Анализ цепочки поставок: набор данных
Чтобы проанализировать цепочку поставок компании, нам нужны данные о различных этапах цепочки поставок, такие как данные о поиске, производстве, транспортировке, управлении запасами, продажах и демографических данных клиентов.
Я нашел идеальный набор данных для этой задачи, который включает данные о цепочке поставок стартапа Fashion and Beauty. Вы можете скачать набор данных с здесь.
В следующем разделе я проведу вас через задачу анализа цепочки поставок с использованием языка программирования Python.
Анализ цепочки поставок с использованием Python
Давайте начнем с задачи анализа цепочки поставок, импортировав необходимые библиотеки Python и набор данных:
import pandas as pd
import plotly.express as px
import plotly.io as pio
import plotly.graph_objects as go
pio.templates.default = "plotly_white"
data = pd.read_csv("supply_chain_data.csv")
print(data.head())
Product type SKU Price Availability Number of products sold \ 0 haircare SKU0 69.808006 55 802 1 skincare SKU1 14.843523 95 736 2 haircare SKU2 11.319683 34 8 3 skincare SKU3 61.163343 68 83 4 skincare SKU4 4.805496 26 871 Revenue generated Customer demographics Stock levels Lead times \ 0 8661.996792 Non-binary 58 7 1 7460.900065 Female 53 30 2 9577.749626 Unknown 1 10 3 7766.836426 Non-binary 23 13 4 2686.505152 Non-binary 5 3 Order quantities ... Location Lead time Production volumes \ 0 96 ... Mumbai 29 215 1 37 ... Mumbai 23 517 2 88 ... Mumbai 12 971 3 59 ... Kolkata 24 937 4 56 ... Delhi 5 414 Manufacturing lead time Manufacturing costs Inspection results \ 0 29 46.279879 Pending 1 30 33.616769 Pending 2 27 30.688019 Pending 3 18 35.624741 Fail 4 3 92.065161 Fail Defect rates Transportation modes Routes Costs 0 0.226410 Road Route B 187.752075 1 4.854068 Road Route B 503.065579 2 4.580593 Air Route C 141.920282 3 4.746649 Rail Route A 254.776159 4 3.145580 Air Route A 923.440632 [5 rows x 24 columns]
Давайте посмотрим на описательную статистику набора данных:
Price Availability Number of products sold Revenue generated \
count 100.000000 100.000000 100.000000 100.000000
mean 49.462461 48.400000 460.990000 5776.048187
std 31.168193 30.743317 303.780074 2732.841744
min 1.699976 1.000000 8.000000 1061.618523
25% 19.597823 22.750000 184.250000 2812.847151
50% 51.239831 43.500000 392.500000 6006.352023
75% 77.198228 75.000000 704.250000 8253.976921
max 99.171329 100.000000 996.000000 9866.465458
Stock levels Lead times Order quantities Shipping times \
count 100.000000 100.000000 100.000000 100.000000
mean 47.770000 15.960000 49.220000 5.750000
std 31.369372 8.785801 26.784429 2.724283
min 0.000000 1.000000 1.000000 1.000000
25% 16.750000 8.000000 26.000000 3.750000
50% 47.500000 17.000000 52.000000 6.000000
75% 73.000000 24.000000 71.250000 8.000000
max 100.000000 30.000000 96.000000 10.000000
Shipping costs Lead time Production volumes \
count 100.000000 100.000000 100.000000
mean 5.548149 17.080000 567.840000
std 2.651376 8.846251 263.046861
min 1.013487 1.000000 104.000000
25% 3.540248 10.000000 352.000000
50% 5.320534 18.000000 568.500000
75% 7.601695 25.000000 797.000000
max 9.929816 30.000000 985.000000
Manufacturing lead time Manufacturing costs Defect rates Costs
count 100.00000 100.000000 100.000000 100.000000
mean 14.77000 47.266693 2.277158 529.245782
std 8.91243 28.982841 1.461366 258.301696
min 1.00000 1.085069 0.018608 103.916248
25% 7.00000 22.983299 1.009650 318.778455
50% 14.00000 45.905622 2.141863 520.430444
75% 23.00000 68.621026 3.563995 763.078231
max 30.00000 99.466109 4.939255 997.413450
Теперь давайте начнем с анализа цепочки поставок, рассмотрев взаимосвязь между ценой продуктов и доходом от них:
fig = px.scatter(data, x='Price',
y='Revenue generated',
color="Product type",
hover_data=['Number of products sold'],
trendline="ols")
fig.show()
Таким образом, компания получает больший доход от средств по уходу за кожей, и чем выше цена средств по уходу за кожей, тем больший доход они приносят. Теперь давайте посмотрим на продажи по типу продукта:
sales_data = data.groupby('Product type')['Number of products sold'].sum().reset_index()
pie_chart = px.pie(sales_data, values="Number of products sold", names="Product type",
title="Sales by Product Type",
hover_data=['Number of products sold'],
hole=0.5,
color_discrete_sequence=px.colors.qualitative.Pastel)
pie_chart.update_traces(textposition='inside', textinfo='percent+label')
pie_chart.show()
Таким образом, 45% бизнеса приходится на средства по уходу за кожей, 29,5% — на средства по уходу за волосами и 25,5% — на косметику. Теперь давайте посмотрим на общий доход, полученный от перевозчиков:
total_revenue = data.groupby('Shipping carriers')['Revenue generated'].sum().reset_index()
fig = go.Figure()
fig.add_trace(go.Bar(x=total_revenue['Shipping carriers'],
y=total_revenue['Revenue generated']))
fig.update_layout(title="Total Revenue by Shipping Carrier",
xaxis_title="Shipping Carrier",
yaxis_title="Revenue Generated")
fig.show()
Таким образом, компания использует трех перевозчиков для перевозки, а перевозчик B помогает компании получать больше доходов. Теперь давайте посмотрим на среднее время выполнения заказа и средние производственные затраты для всех продуктов компании:
avg_lead_time = data.groupby('Product type')['Lead time'].mean().reset_index()
avg_manufacturing_costs = data.groupby('Product type')['Manufacturing costs'].mean().reset_index()
result = pd.merge(avg_lead_time, avg_manufacturing_costs, on='Product type')
result.rename(columns={'Lead time': 'Average Lead Time', 'Manufacturing costs': 'Average Manufacturing Costs'}, inplace=True)
print(result)
Product type Average Lead Time Average Manufacturing Costs 0 cosmetics 13.538462 43.052740 1 haircare 18.705882 48.457993 2 skincare 18.000000 48.993157
Анализ SKU
В наборе данных есть столбец как SKU. Вы, должно быть, услышали это в самый первый раз. Итак, SKU расшифровывается как Stock Keeping Units. Это как специальные коды, которые помогают компаниям отслеживать все, что у них есть на продажу. Представьте, что у вас есть большой магазин игрушек с множеством игрушек. Каждая игрушка уникальна и имеет свое название и цену, но если вы хотите узнать, сколько у вас осталось, вам нужен способ их идентифицировать. Таким образом, вы даете каждой игрушке уникальный код, как секретный номер, который знает только магазин. Этот секретный номер называется SKU.
Надеюсь, теперь вы поняли, что такое SKU. Теперь давайте проанализируем доход от каждой SKU:
revenue_chart = px.line(data, x='SKU',
y='Revenue generated',
title="Revenue Generated by SKU")
revenue_chart.show()
В наборе данных есть еще один столбец «Уровни запасов». Уровни запасов относятся к количеству продуктов, которые есть в магазине или на предприятии. Теперь давайте посмотрим на уровень запасов каждого SKU:
stock_chart = px.line(data, x='SKU',
y='Stock levels',
title="Stock Levels by SKU")
stock_chart.show()
Теперь давайте посмотрим на количество заказа каждого SKU:
order_quantity_chart = px.bar(data, x='SKU',
y='Order quantities',
title="Order Quantity by SKU")
order_quantity_chart.show()
Анализ затрат
Теперь проанализируем стоимость доставки перевозчиков:
shipping_cost_chart = px.bar(data, x='Shipping carriers',
y='Shipping costs',
title="Shipping Costs by Carrier")
shipping_cost_chart.show()
В одной из приведенных выше визуализаций мы обнаружили, что оператор связи B помогает компании увеличить прибыль. Это также самый дорогой перевозчик среди трех. Теперь посмотрим на распределение затрат по видам транспорта:
transportation_chart = px.pie(data,
values="Costs",
names="Transportation modes",
title="Cost Distribution by Transportation Mode",
hole=0.5,
color_discrete_sequence=px.colors.qualitative.Pastel)
transportation_chart.show()
Таким образом, компания тратит больше средств на автомобильный и железнодорожный виды транспорта для перевозки грузов.
Анализ уровня брака
Уровень брака в цепочке поставок относится к проценту продуктов, которые имеют что-то не так или обнаруживаются сломанными после доставки. Давайте посмотрим на средний процент брака для всех типов продуктов:
defect_rates_by_product = data.groupby('Product type')['Defect rates'].mean().reset_index()
fig = px.bar(defect_rates_by_product, x='Product type', y='Defect rates',
title="Average Defect Rates by Product Type")
fig.show()
Таким образом, уровень брака средств по уходу за волосами выше. Теперь давайте посмотрим на процент брака по видам транспорта:
pivot_table = pd.pivot_table(data, values="Defect rates",
index=['Transportation modes'],
aggfunc="mean")
transportation_chart = px.pie(values=pivot_table["Defect rates"],
names=pivot_table.index,
title="Defect Rates by Transportation Mode",
hole=0.5,
color_discrete_sequence=px.colors.qualitative.Pastel)
transportation_chart.show()
Автомобильный транспорт приводит к более высокому уровню брака, а воздушный транспорт имеет самый низкий уровень брака.
Вот как вы можете анализировать цепочку поставок компании с помощью языка программирования Python.
Краткое содержание
Анализ цепочки поставок означает анализ различных компонентов цепочки поставок, чтобы понять, как повысить эффективность цепочки поставок, чтобы создать большую ценность для клиентов. Надеюсь, вам понравилась эта статья об анализе цепочки поставок с использованием Python. Не стесняйтесь задавать ценные вопросы в разделе комментариев ниже.
