Comment la digitalisation du modèle SCOR contribue-t-elle à l’efficacité des opérations de la chaîne d’approvisionnement ?
Bibliographic record
Abstract
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.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.008 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".