Réseaux Neuronaux Graphiques dans l'Analyse et l'Optimisation de la Chaîne d'Approvisionnement : Concepts, Perspectives, Jeux de Données et Bénéfices de Référence

Les Réseaux Neuronaux sur Graphes (RNG) ont récemment gagné en popularité dans les domaines des transports, de la bioinformatique, du traitement du langage et de l'image, mais les recherches sur leur application à la gestion de la chaîne d'approvisionnement restent limitées. Les chaînes d'approvisionnement sont intrinsèquement structurées en graphes, ce qui les rend idéales pour les méthodologies RNG, capables d'optimiser et de résoudre des problèmes complexes. Les obstacles incluent un manque de fondements conceptuels adéquats, une familiarisation avec les applications graphiques en gestion de la chaîne d'approvisionnement (SCM), et des jeux de données de référence réels pour la recherche en SCM basée sur les RNG. Pour remédier à cela, nous discutons et établissons un lien entre les chaînes d'approvisionnement et les structures de graphe afin d'appliquer efficacement les RNG, en fournissant des formulations détaillées, des exemples, des définitions mathématiques et des directives pour les tâches. De plus, nous présentons un jeu de données de référence réel multi-perspectives provenant d'une entreprise leader du secteur des biens de consommation courante (FMCG) au Bangladesh, axé sur la planification de la chaîne d'approvisionnement. Nous abordons diverses tâches liées à la chaîne d'approvisionnement en utilisant les RNG et évaluons plusieurs modèles d'avant-garde sur des graphes homogènes et hétérogènes dans le cadre de six tâches analytiques de chaîne d'approvisionnement. Notre analyse montre que les modèles basés sur les RNG surpassent constamment les modèles statistiques d'apprentissage automatique et autres modèles d'apprentissage profond d'environ 10-30 % pour la régression, 10-30 % pour les tâches de classification et détection, et 15-40 % pour la détection d'anomalies selon des métriques spécifiques. Avec cette étude, nous posons les bases pour résoudre des problèmes de chaîne d'approvisionnement à l'aide des RNG, soutenues par des discussions conceptuelles, des insights méthodologiques et un ensemble de données complet.