グラフニューラルネットワーク（GNNs）は最近、輸送、バイオインフォマティクス、言語処理、画像処理などの分野で注目を集めていますが、サプライチェーン管理への応用に関する研究はまだ限られています。サプライチェーンは本質的にグラフ構造に似ているため、GNN手法が複雑な問題を最適化し解決するのに理想的です。しかし、その障壁には適切な概念的基礎の不足、SCMにおけるグラフ応用の理解不足、およびGNNベースのサプライチェーン研究用の実世界ベンチマークデータセットの欠如があります。これらの課題に対処するために、私たちはサプライチェーンとグラフ構造を効果的に結びつけ、GNNの適用について詳細な定式化、例示、数学的定義、およびタスクガイドラインを提供します。さらに、バングラデシュの大手FMCG企業から得られた多角的な実世界ベンチマークデータセットを提示し、供給網計画に焦点を当てます。私たちはGNNを使用したさまざまなサプライチェーンタスクについて議論し、6つのサプライチェーン分析タスクにおいて均一グラフと非均一グラフ上で最先端モデルをベンチマーク評価しました。分析結果によると、指定された指標に基づいてGNNベースのモデルは回帰タスクで統計的機械学習や他の深層学習モデルよりも約10-30%優れ、分類・検出タスクでも約10-30%優れ、異常検知タスクでは約15-40%優れていることが示されました。この研究により、概念的な議論や方法論的な洞察とともに包括的なデータセットを基にしたGNNを使用したサプライチェーン問題解決の基盤が築かれました。