Graph Neural Networks in der Supply-Chain-Analyse und -Optimierung: Konzepte, Perspektiven, Datensätze und Benchmarks

Graph Neural Networks (GNNs) haben in den Bereichen Verkehr, Bioinformatik, Sprach- und Bildverarbeitung kürzlich an Bedeutung gewonnen, aber die Forschung zu ihrer Anwendung in der Supply Chain Management (SCM) bleibt begrenzt. Supply Chains sind von Natur aus graphähnlich, was sie für GNN-Methoden ideal macht, die komplexe Probleme optimieren und lösen können. Die Hürden umfassen einen Mangel an angemessenen konzeptuellen Grundlagen, einer Vertrautheit mit Graphenanwendungen in der SCM sowie realen Benchmark-Datensätzen für GNN-basierte Supply Chain-Forschung. Um dies anzugehen, diskutieren und verbinden wir Supply Chains mit Graphstrukturen für eine effektive Anwendung von GNNs und geben detaillierte Formulierungen, Beispiele, mathematische Definitionen und Aufgabenrichtlinien. Zudem präsentieren wir einen mehrperspektivischen realweltlichen Benchmark-Datensatz eines führenden FMCG-Unternehmens in Bangladesch, der sich auf die Planung von Supply Chains konzentriert. Wir diskutieren verschiedene Supply Chain-Aufgaben unter Verwendung von GNNs und evaluieren mehrere state-of-the-art Modelle auf homogenen und heterogenen Graphen über sechs Supply Chain-Analyseaufgaben hinweg. Unsere Analyse zeigt, dass GNN-basierte Modelle bei den festgelegten Metriken durchschnittlich um 10-30 % bei Regressionsaufgaben, 10-30 % bei Klassifikations- und Detektionsaufgaben sowie 15-40 % bei Anomaliedetektionsaufgaben statistische Maschinelles Lernen und andere Tiefes Lernen-Modelle übertreffen. Mit dieser Arbeit legen wir die Grundlagen für die Lösung von Supply Chain-Problemen mithilfe von GNNs, gestützt durch konzeptionelle Diskussionen, methodologische Einblicke und einen umfassenden Datensatz.