Sienci Labs: Managing Production (Push or Pull?)
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
This case study describes the dilemma of Kye Allen, inventory and logistics manager at Sienci Labs (SL), a small business in Waterloo, Ontario, Canada, founded in 2016. SL assembled and sold CNC machines to hobbyists and small business owners. In May of 2022, SL had been struggling with supply disruptions and inventory problems that caused lengthy delays in product shipments. Allen had been working on preparing the new MRP (Material Requirements Planning) system for implementation to fix these problems and was almost ready to go live. At the same time, they just launched an applied research project to optimize SL’s production capacity based on lean production principles under the guidance of Allen’s former professor Fatih Yegul along with Stephen Thomson, Director Centre for Supply Chain Innovation at Conestoga College. With the new MRP system, Allen aimed to control the assembly operations on the shop floor and have a firm grip on the supply of raw materials and parts. Most MRP systems, by design, assume a make-to-stock environment and tend to push production flow through work orders issued to shop floor employees. However, in the first weekly meeting of the research project, Yegul and Thomson asked Allen to explore the feasibility of moving to a visual make-to-order production management system based on pull principles instead of using work orders. That would require a radical shift in Allen’s plans, but a pull system also had several advantages. Allen was in favour of the pull system but wasn’t sure if it was the right time to switch to a make-to-order approach when the company was in the middle of an MRP implementation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 | 0,001 |
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