Planification de la capacité logistique d'un réseau d'importation et de distribution
Bibliographic record
Abstract
Les chaînes logistiques ont évolué très rapidement au cours des dernières années. Ces nouvelles configurations ont créé de nouvelles problématiques pour les entreprises, qui ont dû s'adapter. Elles doivent maintenant se tourner vers des techniques et des outils disponibles sur le marché, et ce, afin de mieux contrôler et piloter leurs chaînes logistiques. Beaucoup d'accent a été mis sur la planification des différentes activités des chaînes logistiques, mais les entreprises doivent aussi être en mesure d'en évaluer les impacts sur leurs ressources. La complexité du processus de planification met en évidence le besoin de fournir une aide aux décideurs des chaînes logistiques dans le commerce au détail. Ces entreprises ont un ensemble de ressources qu'elles possèdent ou louent (entrepôts, transporteurs, etc.) afin de supporter leur chaîne logistique. Dans ces systèmes, plusieurs éléments peuvent être contrôlés, mais bien d'autres ne sont pas prévisibles. Les entreprises peuvent négocier des contrats avec des transporteurs pour s'assurer d'un certain niveau de service (capacité de transport) durant une période, mais il est très difficile de prévoir exactement de quelle capacité elles auront besoin. Nous proposons donc, dans ce mémoire, une approche afin de planifier la capacité logistique d'un réseau. Notre approche consiste à fournir aux entreprises un outil d'aide à la décision sous la forme d'un tableau de bord afin de simuler les activités d'une chaîne logistique, et ainsi voir leurs impacts sur les besoins en capacité logistique du réseau. Nous nous intéressons particulièrement aux entreprises du commerce au détail qui possèdent des réseaux d'entrepôts et qui s'approvisionnent partout dans le monde. Ces chaînes logistiques sont de plus en plus complexes à gérer. Les entreprises offrent de plus en plus de produits aux consommateurs, ce qui rend la gestion des achats et des entrepôts beaucoup plus complexe. Les fournisseurs sont maintenant plus éloignés, ce qui provoque encore plus d'incertitude dans les délais de transport. Nous avons entrepris une étude de cas dans une entreprise canadienne pour tester notre approche dans le but de l'aider à planifier la capacité logistique de son réseau. \n______________________________________________________________________________
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".