Wyjazd badawczy do University of Cambridge jako Visiting PhD Student współpraca z prof. Alexandrą Brintrup oraz jej zespołem nad zastosowaniem wyżej wymienionej technologii. W naszych badaniach skupiliśmy się na problemie opóźnień w dostawach w łańcuchach dostaw, szczególnie w sektorze inżynierii morskiej, który jest kluczowy dla wielu gałęzi przemysłu. Zamiast polegać na tradycyjnych metodach przewidywania, które koncentrują się głównie na identyfikacji korelacji, zastosowaliśmy nowoczesne podejście przyczynowego uczenia maszynowego (Causal Machine Learning). To podejście nie tylko przewiduje, czy dostawa będzie opóźniona, ale także pomaga zrozumieć, dlaczego do opóźnienia dochodzi i jakie działania mogą je skutecznie zminimalizować. Nasze badania, oparte na analizie ponad 77 tysięcy zamówień, wykazały, że dostawcy, którzy obsługują więcej niż jeden magazyn, są znacznie bardziej narażeni na opóźnienia. Wynika to z konieczności priorytetyzacji dostaw do różnych miejsc, co prowadzi do opóźnień w realizacji zamówień. Co więcej, odkryliśmy, że sezon, w którym składane są zamówienia, ma istotny wpływ na czas dostawy – zamówienia złożone w drugim i trzecim kwartale roku były bardziej narażone na opóźnienia w porównaniu do zamówień składanych w innych porach roku. Dzięki zastosowaniu zaawansowanych algorytmów byliśmy w stanie opracować precyzyjne strategie, które mogą pomóc firmom uniknąć opóźnień w dostawach. Na przykład, firmy mogą rozważyć współpracę z dostawcami dedykowanymi wyłącznie jednemu magazynowi lub odpowiednio planować zamówienia, uwzględniając sezonowość. Nasze badania mają szerokie zastosowanie praktyczne. Wyniki te mogą być wykorzystane nie tylko przez duże przedsiębiorstwa, ale również przez małe i średnie firmy, które chcą zoptymalizować swoje procesy logistyczne i zwiększyć swoją konkurencyjność na rynku. Wprowadzenie takich rozwiązań przyczyni się do zwiększenia efektywności łańcucha dostaw, ograniczenia kosztów związanych z opóźnieniami oraz poprawy jakości obsługi klienta. Dzięki temu firmy mogą lepiej przygotować się na nieprzewidziane sytuacje i zwiększyć swoją elastyczność operacyjną. Efektem wspólnych badań jest publikacja „What if? Causal Machine Learning in Supply Chain Risk Management”, International Journal of Production Research https://doi.org/10.48550/arXiv.2408.13556 Autorzy: Mateusz Wyrembek (Uniwersytet Ekonomiczny w Poznaniu), George Baryannis (University of Huddersfield) oraz Alexandra Brintrup (University of Cambridge/ The Alan Turing Institute)