مجموعة بيانات إدارة سلسلة الإمدادات

Covers 1,200+ node enterprises, including procurement, inventory, logistical, sales of full-chain data, 720,000+ supply chain operations records, 500+ supply chain key indicators, support demand forecasting, inventory optimization, logistical path planning and supply chain risk assessment AI model training.

لمحة عامة عن البيانات

اسم البياناتمجموعة بيانات إدارة سلسلة الإمدادات
مجموع حجم البيانات000 720 + سجلات الأعمال (بيانات سلسلة الإمداد التي تمتد إلى سنوات متعددة للمؤسسات التي تغطي 200 1 دون سن)
供应链类型سلسلة الإمداد المصنعة/سلسلة الإمداد بالتجزئة/اللوجستيات في السلسلة الباردة/سلسلة الإمداد عبر الحدود/امتثال الكهربائي
التغطية الصناعيةالصنع الإلكتروني/قطع السيارات/التداول الطبي/الأجهزة النسيجية/الملابس/المشروبات الغذائية
核心指标طلبات الشراء، ومستويات المخزون، والحدود الزمنية للسوقيات، وأداء الموردين، وتوقعات الطلب، وتحليل التكاليف، وستة أبعاد، و500+ مؤشر
النطاق الزمنيبيانات عن حجم الجسيمات في الفترة 2018-2025
المصدرنظام إدارة التخزين، نظام إدارة النقل التابع لمؤسسة إدارة نظم إدارة الجمارك، نظام إدارة النقل في إدارة النقل، نظام SSP، بيانات التخليص الجمركي

الوصف التفصيلي لمذكرات البيانات

الاسم الميدانينوع البياناتدرجة القيمة/الوصف
supply_chain_idString(18)هوية محدّدة لسلسلة الإمداد غير الحساسة
node_typeEnumSUPPLIER | MANUFACTURER | DISTRIBUTOR | RETAILER | WAREHOUSE | LOGISTICS
industry_sectorEnumELECTRONICS | AUTO_PARTS | FMCG | PHARMA | TEXTILE | FOOD_BEV
period_dateDateتواريخ تسجيل البيانات 2018-01 إلى 2025-12-31
granularityEnumDAILY | WEEKLY | MONTHLY
po_quantityIntegerعدد أوامر الشراء
po_fulfillment_rateFloatمعدل أداء النظام
inventory_levelIntegerالمخزونات (وحدات وحدة التخزين الخاصة)
inventory_turnoverFloatمعدل دوران المخزون (سنة/سنة)
safety_stock_daysFloatعدد أيام المخزون المأمون
lead_time_daysIntegerوقت ما قبل الشراء (أيام)
delivery_lead_timeFloatالحدود الزمنية لإيصال الخدمات اللوجستية (ساعات)
otif_rateFloatمعدل الإنجاز الملائم والمواعيد
transport_costFloatتكلفة النقل الوحيدة (بدولارات الولايات المتحدة)
supplier_scoreFloatالمورد "النتيجة المركبة 0.0-10
quality_defect_rateFloatمعدل نقص النوعية
forecast_demandIntegerالإسقاط الطلبي (وحدات وحدة تحليل الاحتياجات)
actual_demandIntegerالاحتياجات الفعلية (وحدات وحدة الاستخبارات المالية)
forecast_accuracyFloatمعدل دقة التنبؤ
supply_chain_riskEnumLOW | MODERATE | HIGH | CRITICAL

De-identified JSON Data Sample

[ { "supply_chain_id": "SC-MFG-E0062", "node_type": "MANUFACTURER", "industry_sector": "ELECTRONICS", "period_date": "2024-08-15", "granularity": "DAILY", "po_quantity": 1850, "po_fulfillment_rate": 0.942, "inventory_level": 4200, "inventory_turnover": 12.5, "safety_stock_days": 14.0, "lead_time_days": 21, "delivery_lead_time": 48.5, "otif_rate": 0.917, "transport_cost": 2850.0, "supplier_score": 87.3, "quality_defect_rate": 152.0, "forecast_demand": 1750, "actual_demand": 1850, "forecast_accuracy": 0.946, "supply_chain_risk": "LOW" }, { "supply_chain_id": "SC-DIST-W0128", "node_type": "DISTRIBUTOR", "industry_sector": "FMCG", "period_date": "2024-11-22", "granularity": "WEEKLY", "po_quantity": 12800, "po_fulfillment_rate": 0.883, "inventory_level": 35000, "inventory_turnover": 24.8, "safety_stock_days": 7.0, "lead_time_days": 5, "delivery_lead_time": 24.0, "otif_rate": 0.861, "transport_cost": 6200.0, "supplier_score": 72.5, "quality_defect_rate": 320.0, "forecast_demand": 13500, "actual_demand": 12800, "forecast_accuracy": 0.948, "supply_chain_risk": "MODERATE" }, { "supply_chain_id": "SC-LOG-C0234", "node_type": "LOGISTICS", "industry_sector": "PHARMA", "period_date": "2025-03-10", "granularity": "DAILY", "po_quantity": 420, "po_fulfillment_rate": 0.995, "inventory_level": 680, "inventory_turnover": 36.2, "safety_stock_days": 3.5, "lead_time_days": 2, "delivery_lead_time": 6.5, "otif_rate": 0.988, "transport_cost": 4200.0, "supplier_score": 94.1, "quality_defect_rate": 12.0, "forecast_demand": 410, "actual_demand": 420, "forecast_accuracy": 0.976, "supply_chain_risk": "LOW" } ]

السيناريوهات التطبيقية

التنبؤ بالطلب وتجديده على النحو الأمثل

التدريب في نماذج التنبؤ بالسلاسل الزمنية (LSTM/Transformer) استنادا إلى بيانات المبيعات التاريخية، والعوامل الموسمية، والأنشطة الترويجية، وما إلى ذلك، تحقيق الحد الأمثل من وضع المخزونات الآمنة واستراتيجيات التجديد التلقائي.

التخطيط الذكي لمسارات اللوجستيات

:: تخطيط المسارات المتعددة الأهداف باستخدام نظام التعلم المعزز والمقاييس المثلى للعمليات، إلى جانب بيانات النقل والطقس والنقل في الوقت الحقيقي، من أجل خفض تكاليف النقل وزيادة تسليم قوة العمل.

تقييم مخاطر البائعين

(ج) إدماج البيانات المتعددة المصادر مثل بيانات أداء الموردين، والملامح الخارجية، والمؤشرات المالية، ووضع نماذج لنقل المخاطر لموردي الشبكة العالمية لسواتل الملاحة، وتحقيق الإنذار المبكر باضطرابات سلسلة الإمداد.

شبكة تخزين

ويتم اختيار مواقع التخزين وتوزيع المخزونات على الوجه الأمثل باستخدام تخطيط المتجانسات والخرغاريتمات الوراثية، استنادا إلى خصائص مثل توزيع الطلبات، وأشعة التوزيع، وتكاليف التخزين، وما إلى ذلك.

تحليل تكاليف سلسلة الإمداد

(ب) تحليل تكاليف الإسناد لعناصر سلسلة الإمداد باستخدام نموذج غابات اكس جي بوست/الحريات النادرة، وتحديد أوجه الخلل في التكاليف، ودعم وضع برامج للحد من الكفاءة.

أسئلة وأجوبة بشأن نموذج سلسلة الإمداد

واستنادا إلى تكنولوجيا RAG (Retrieval Enhancement Generation) فإن بيانات تشغيل سلسلة الإمداد مدمجة في قواعد بيانات ناقلات، كما أن نظام الأسئلة والرد الذكي في مجال سلسلة الإمداد في مجال LLM يُنظَّم لدعم قرارات الإدارة.

الحصول على هذه البيانات

Provide API access, offline delivery, customised sampling, etc.

البيانات العينية المطلوبة المشاورة على الإنترنت

مجموعات البيانات ذات الصلة