Comment la digitalisation du modèle SCOR contribue-t-elle à l’efficacité des opérations de la chaîne d’approvisionnement ?
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
Les outils digitaux tels que la blockchain, l’Internet des objets (IoT) et le big data (BD) ont été largement utilisés pour digitaliser la logistique et la gestion de la chaîne d’approvisionnement (CA). En fait, la technologie blockchain peut offrir divers avantages tels que la confiance, la traçabilité et la transparence qui permettent d’améliorer les performances de la chaîne d’approvisionnement. En plus, l’IoT est considéré comme la technologie la plus encourageante pour suivre et partager des informations en temps réel entre tous les acteurs de la CA. Enfin, le BD est considéré comme un outil très puissant et efficace pour optimiser la CA et permet à plusieurs entreprises de contrôler et de traiter une énorme quantité de données. C’est pour ces raisons que dans cet article, nous proposons d’utiliser ces technologies numériques pour développer un modèle SCOR digital pour une CA efficace, intelligente et performante. Afin de mettre en lumière les performances de cette étude, un modèle SCOR est initialement présenté pour mettre en évidence les avantages et les impacts de ces trois technologies sur les principales activités de la CA, notamment plan, source, make, deliver et return. Ensuite, les trois technologies sont combinées où le cloud est utilisé comme PaaS (platform as service) afin de les connecter. Enfin, pour valider le modèle SCOR 4.0 proposé, nous avons présenté un exemple didactique avec une CA multi-échelons et demande déterministe. Les résultats ont montré que le modèle proposé a permis d’améliorer la visibilité de la CA et d’augmenter le niveau de satisfaction des clients.
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 | 0,002 | 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 | 0,007 | 0,004 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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