{"id":64078,"date":"2024-11-27T09:16:06","date_gmt":"2024-11-27T08:16:06","guid":{"rendered":"https:\/\/www.he-arc.ch\/?post_type=he-arc_project&p=64078"},"modified":"2024-11-27T09:16:08","modified_gmt":"2024-11-27T08:16:08","slug":"horlogerie-predictive-impact-du-machine-learning-sur-la-gestion-de-la-demande-client-dans-la-supply-chain","status":"publish","type":"he-arc_project","link":"https:\/\/www.he-arc.ch\/en\/projets-recherche\/horlogerie-predictive-impact-du-machine-learning-sur-la-gestion-de-la-demande-client-dans-la-supply-chain\/","title":{"rendered":"Horlogerie pr\u00e9dictive : Impact du Machine Learning sur la gestion de la demande client dans la Supply Chain"},"content":{"rendered":"\n
L\u2019objectif est d\u2019\u00e9tudier comment ces approches innovantes peuvent \u00eatre int\u00e9gr\u00e9es pour r\u00e9pondre aux besoins changeants du march\u00e9, am\u00e9liorer l\u2019efficacit\u00e9 op\u00e9rationnelle et r\u00e9duire l\u2019impact environnemental \u00e0 diff\u00e9rents niveaux de la cha\u00eene logistique. Les gains potentiels sont une meilleure gestion des stocks, ainsi qu\u2019une r\u00e9duction de la variabilit\u00e9 dans les niveaux de production, et des avantages environnementaux tels que l\u2019optimisation de l\u2019espace, des ressources et la r\u00e9duction du gaspillage seront explor\u00e9s. Les indicateurs de performance examin\u00e9s incluront la pr\u00e9cision des pr\u00e9visions, l\u2019efficacit\u00e9 de la main-d\u2019oeuvre, la rotation des stocks, le taux de remplissage et l\u2019utilisation des capacit\u00e9s. Des indicateurs financiers tels que les co\u00fbts de production et de logistique, le retour sur investissement, etc. seront analys\u00e9s pour \u00e9valuer la corr\u00e9lation avec la pr\u00e9cision des pr\u00e9visions de la demande.<\/p>\n\n\n\n