Data Science og Machine Learning
Fokus i denne gren af vores forskning er på udvikling af metoder, der omsætter supply chain-data til kvantitative modeller og analytisk indsigt. Formålet er at give ledelse og organisationer generelt et databaseret grundlag, som gør det muligt at træffe mere kvalificerede beslutninger på baggrund af.
Vi forsøger i vores forskning at identificere operationelle udfordringer, forudsige fremtidige dynamikker i forsyningskæder, identificere nye risici og udvikle datadrevne strategier til at håndtere dem. Derudover arbejder vi med at understøtte en mere effektiv operationel og strategisk beslutningstagning gennem prædiktiv og præskriptiv analyse bl.a ved hjælp af AI.
Simulering
Fokus her er på udvikling og anvendelsen af simuleringsbaserede værktøjer til analyse af komplekse forsyningskæder under dynamiske og usikre forhold. Ved at modellere materialeflow og informationsstrømme, ressourcebegrænsninger og beslutningsregler gør simulering det muligt at evaluere lagerstyring, kapacitetsplanlægning, lager- og logistikoperationer samt design af forsyningsnetværk. Forskningen bygger på kvantitative metoder, der anvendes i vurderingen af performance, robusthed og effekten af forskellige planlægnings- og optimeringsstrategier.
Data Governance i bæredygtige forsyningskæder
Vores fokus er, hvordan data governance, datakvalitet og digitale teknologier kan understøtte bæredygtige forsyningskæder. Forskningen analyserer data gennem hele forsyningsnetværket – fra generering og deling til styring og anvendelse i selve beslutningsprocessen. Der er særlig opmærksomhed i forhold til, hvordan pålidelige og transparente data muliggør mere præcise analyser, dvs. hvordan relevante data understøtter bæredygtighedsrapportering og due diligence, styrker risikostyring og forbedrer koordineringen på tværs af komplekse forsyningskæder.