Enhancing supply chain resilience through supervised machine learning: supplier performance analysis and risk profiling for a multi-class classification problem
Notice bibliographique
Résumé
Purpose This paper explores the application of supervised machine learning (ML) classification models to address supplier performance analysis and risk profiling as a multi-class classification problem. The research highlights that current applications of machine learning in supplier selection primarily focus on binary classification problems, underscoring a significant gap in the literature. Design/methodology/approach This research paper opts for a structured approach to solve supplier selection and risk profiling using supervised machine learning multi-class classification models and prediction probabilities. The study involved a synthetic data set of 1,600 historical data points, creating a supplier selection framework that simulates current supply chain (SC) performance. The “Supplier Analysis and Selection ML Module” guided supplier selection recommendations based on ML analysis. Real-world variability is introduced through random seeds, impacting actual delivery dates, quantity delivered and quality performance. Supervised ML models, with hyperparameter tuning, enable multi-class classification of suppliers, considering past delivery performance and risk calculations. Findings The study demonstrates the effectiveness of the supervised ML-based approach in ensuring consistent supplier selection across multi-class classification problems. Beyond evaluating past delivery performance, it introduces a new dimension by predicting and assessing supplier risks through ML-generated prediction probabilities. This can enhance overall SC visibility and help organizations optimize strategies associated with risk mitigation, inventory management and customer service. Research limitations/implications The findings highlight the adaptability of ML-based methodologies in dynamic SC environments, providing a proactive means to identify and manage risks. These insights are vital for organizations aiming to bolster SC resilience, particularly amid uncertainties. Practical implications The practical implications of this study are significant for both commercial and humanitarian supply chain management (SCM). For commercial applications, the ML-based methodology allows businesses to make more informed supplier selection decisions, reducing risks and improving operational efficiency. In disaster and humanitarian SC contexts, the use of ML can improve preparedness and resource allocation, ensuring that critical supplies reach affected areas promptly. Social implications The study’s implications extend to disaster and humanitarian SCM, where timely and efficient delivery is critical for saving lives and alleviating suffering. ML tools can improve preparedness, resource allocation and coordination in these contexts, enhancing the resilience and responsiveness of humanitarian supply chains. Originality/value Unlike conventional methods focused on quality, cost and delivery performance aspects, the current study introduces supervised ML to identify and assess supplier risks through prediction probabilities for multi-class classification problems (delivery performance as late, on-time and ahead), offering a refined understanding of supplier selection in dynamic SC environments.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».