Världens ledande företag använder Neo4j för att hantera leveranskedjor, stärka motståndskraften och säkerställa företagets kontinuitet

SAN MATEO, Kalif. - 28 maj 2020 - Neo4jⓇ, ledande inom grafteknik, meddelar att de ser en ökad efterfrågan från företag som vill använda grafdatabaser för att hantera sina leveranskedjor på ett mer effektivt sätt och säkerställa affärskontinuitet.

Neo4js kunder var tidiga med att förstå att grafteknologi är nödvändig för att optimera varuflödet, avslöja sårbarheter och stärka motståndskraften i den totala leveranskedjan. För att hantera dagens leveranskedjor på ett effektivt sätt krävs både analys av ömsesidiga beroenden samt att upptäcka de dolda risker som ger upphov till störningar med följdeffekter. Bland företag som använder Neo4j för att optimera sina leveranskedjor finns:

• U.S. Army - för spårning av underhåll och support för utrustning
• Caterpillar - för att analysera och automatisera produktunderhåll och hantering av leveranskedjor
• Lockheed Martin Space - för att integrera processer och data över hela produktens livscykel
• Volvo - för att anpassa produktdesign efter kundernas krav
• Daimler - för att förstå kompetensen hos personalstyrka för att sammanföra olika team
• Airbus - för att återuppfinna deras underhållsprocess

Det rådande klimatet illustrerar hur sårbara även de mest robusta globala leveranskedjorna är. Eftersom vissa ekonomier försöker öppna igen medan andra förblir stängda, måste organisationer planera för kortvariga och långsiktiga osäkerheter som:

• Förändringar i konsumenternas köpmönster
• Förändringar i produktionsprotokoll och förordningar
• Oförutsägbara kostnader för råvaror, lager och frakt
• Bedrägeri och förfalskad produktion av efterfrågan
• Instabila leverantörsnätverk

Moderna leveranskedjor är komplexa nätverk som inkluderar fabriker, leverantörer, lager, transport, arbetskraft, komponenter och processer. Dessa inbördes beroende system blir allt svårare att visualisera och analysera med traditionella metoder för relationsdatabaser på grund av datamodell och frågeställningskomplexitet, liksom prestanda för både transaktioner i realtid och grafanalys.

Bildtext: Ett exempel på olika datatyper inom en fordonsindustrins leveranskedja. När man analyserar dessa enheter i en Neo4j-grafidatabas blir sammankopplingarna, och därmed sårbarheterna, i leveranskedjan tydliga.

Omfattande analys av leveranskedja, visualisering och utforskning kräver total klarhet i förhållandena mellan enheter. I april 2020 publicerade Gartner rapporten COVID-19 Demands Urgent Use of Graph Data Management and Analytics som tar upp vikten av datarelationer.

“Grafanalys visar att förhållanden inte bara är minst lika viktiga som datan i fråga, utan att dessa faktiskt är en del av den datan. Därför bör inte den här tekniken anses som bara ett tillval i en analys. Grafanalys är speciellt bra på dataupptäckt eftersom den låter användaren upptäcka de “okända okända” faktorerrna - att kunna se mönster i data när vi inte ens vet vad vi borde leta efter. Grafanalys gör det möjligt genom att vaska fram förhållanden som inte är uppenbara, med “non-obvious relationship awareness” (NORA).”

Frédéric Daniel, CTO för Transparency-One, förklarar att de rådande störningarna i leveranskedjan har gjort att sourcing är mindre pålitligt än tidigare. Dessa faktorer gör att företag löper en ökad risk att leverera produkter som inte uppfyller regeringens eller företagens standarder, som exempel federala förordningar eller principer om rättvis handel.

"Grafdatabaser är smidiga och anpassningsbara och Neo4js grafteknik gör det möjligt att lagra, visa, söka och analysera över miljoner noder oavsett djup eller komplexitet i leveranskedjan," sade Daniel. ”Detta gör det möjligt för Transparency-One-kunder att snabbt identifiera hur en påverkad leverantör, anläggning eller komponent påverkar hela deras portfölj, så att de kan vidta åtgärder. Neo4j erbjuder kraftfulla beräkningskapacitetersom krävs för att underlätta komplexa analyser av leverenskedjan som hjälper företag att snabbt identifiera sårbarheter och svara på störningar. ”

Alex Mills, Ph.D., docent vid Zicklin School of Business, Baruch College, City University of New York, forskar om sjukvårdssystemens svar på störningar. Han pratar om the bullwhip effect ”pisksnärtseffekten som sker till följd av atypisk efterfrågan.

"Sjukvårdssystem arbetar för att svara på störningar i leveransen av utrustning och mediciner, samtidigt som de arbetar för att minimera risk i leveranskedjan," sade Mills. ”Många organisationer tror att de minimerar risk genom att använda sig av flera tillverkare, men det är mer komplicerat än så. Säg att du har fyra utländska tillverkare av tungspatlar, men att de alla förlitar sig på samma importör, som i sin tur förlitar sig på flygfrakt, vilket har minskat kraftigt av drastiskt minskade passagerarflyg. I det fallet uppstår en flaskhals i leveranskedjan och spatlarna kommer inte att nå sin destination i tid.”

Amy Hodler, Neo4j-expert inom grafanalys och nätverksvetenskap, diskuterade vikten av att förstå både de uppenbara och subtila beroendena i dagens leveranskedjor.

"Många felpunkter är nyanserade och svåra att upptäcka," sade Hodler. "Till exempel kan en felaktig montering eller användning av ett suboptimalt lim vara svårt att spåra till grundorsaken. Förbiseenden som dessa leder till ökat affärsansvar och återkallanden. Endast en grafdatabas klarar att återge dessa komplexa förhållanden, och endast grafanalys svarar effektivt på dessa annars ointrängliga frågor om strukturer i leveranskedjan."

Neo4j och leveranskedjeanalays

Att representera, visualisera och utforska en leveranskedja som en graf belyser de komplexa, skiktade relationerna mellan tillverkare och kund så att datavetare och analytiker enkelt kan ställa komplexa frågor. Dessutom tillhandahåller Neo4j Graph Data Science ™ en verktygssats för att ytterligare utvärdera och minimera risker i leveranskedjor, inklusive grafalgoritmer som:

• Sökvägsalgoritmer bedöma rutt-tillgänglighet och kostnad över hela leveranskedjan. De identifierar övertalighet och utför snabbt konsekvensanalys för mer mångfaldig routing och beredskapsplanering.
• Centralitetsalgoritmer upptäcker flaskhalsar och kritisk infrastruktur som kan äventyra hela leveranskedjan. Till exempel hittar Betweenness Centrality-algoritmen väsentliga anslutningar i diagrammet så att organisationer proaktivt identifierar risker och optimerar alternativ.

Genom att kombinera kraften i graffrågor och algoritmerna ger Neo4j Graph Data Science Library en unik konkurrensfördel för tillverkare, detaljhandlare och logistikföretag som snabbt vill anpassa sig i utmanande miljöer.

Mer information

Ytterligare information finns på den här bloggen eller besök neo4j.com/supplychain. Den 28 juli håller Neo4j webbinaritet Connections: Graphs in Risk Mitigation där flera Neo4j-kunder kommer att diskutera sina strategier för riskreducering.

Få en gratis kopia av Gartner-rapporten COVID-19 Demands Urgent Use of Graph Data Management and Analytics.