Maturity Model for Assessing the Extent of Automation in Sri Lankan Warehouse Operations: A Multiple Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Warehouses are facing substantial challenges due to the COVID-19 context. In this regard, automation in the warehouse industry has become an emerging trend in the supply chain sector. However, there is no proper model to measure the maturity level of warehouse operations. This paper aims to provide a maturity scale model to measure the automation stage in the Sri Lankan warehouse context. This research uses qualitative and quantitative approaches to assess the maturity level. A refined maturity assessment model was developed using early literature and industry expert views. The study analysed data collected from five major warehouses in Sri Lanka, and those were modelled as ad-hoc, mechanisation (semi-automated), and fully automated stages of examining the overall maturity stage of the selected warehouses. The study findings reveal that the majority of selected Sri Lankan warehouses have developed soft-based automation practices. According to the study, chosen warehouses in Sri Lanka retain the stage of 1.93 in maturity scale, which means combining traditional manual processes with some part of automation. Further selected warehouse operations belong to the mature stage of ad-hoc level in the maturity scale of automation. It may dramatically move to the mechanisation stage with the globalised market dynamics. Further, the maturity model of the study provides a practical diagnostic tool that will help warehouses assess the warehouses' automation level in the Sri Lankan context. Keywords: Automation of Warehouse Operations, Maturity Scale, Warehouse Automation Practices
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle