供應鏈管理新玩法：預測分析和機器學習

作者：Hunter Liu

供應鏈效率是零售業中舉足輕重的一環。庫存管理、採購、包裝和運輸都是時間和資源密集型流程，會對企業利潤產生巨大影響。

問題是這些都是複雜的流程，特別是涉及到多個網點和領域的大規模運營時。 事實上，零售業往往依賴於外部力量 ，如供應商、服務提供商，甚至是依賴於天氣。這讓一切更加困難。

這就是為什麼大型零售商和越來越多的小經營戶都熱衷於大數據分析技術。 提升複雜系統中的效率，正是技術所擅長的。

Splice Machine專為零售業提供預測系統，CEO Monte Zweben向我們介紹了零售商在數據分析中關注的三個關鍵領域，他們以此提高供應鏈的效率。 我們還談到了：為什麼這種方法對於企業創新極為重要。

更快滿足客戶需求

今天的物聯網把一切連接了起來，收集、分享其運營數據。通過技術，一切都變得可以衡量。零售商可以在庫存中收集所有數據—— 起點、中轉路線、掃描時間或掃描位置和狀態都由RF（射頻）進行標記。

「現在你可以創建一個機器學習模型，這個模型會基於數據做出全方面的運營預測。」Zweben介紹道。

「趕不上一個單子的可能性有多大？延遲一天的可能性有多大？延遲五天的可能性呢？機器做的基本上就是分門別類。」

由於零售業依賴於外界的影響，所以不能完全消除貨品延遲的影響，而機器可以幫助你在給客戶造成不便之前採取補救措施，當貨物可能延遲時，系統可以發出道歉郵件，而不是讓客戶乾等。

減少失誤和損壞導致的故障時間

技術肯定會出故障、死機、停機，對於依賴複雜機械執行任務的工業應用來說，這一點是肯定的。

「如果你可以構建機器學習模型，來預測大型工程網路中零件故障的平均時間，並學習更改這些零件的準確交貨時間，那麼你就相當於有了一個實時儀錶盤，根據數據為你預測一切。」Zweben說。

這種預測性維護最初是在重工業中率先開展的，在重工業中，故障時間可能會帶來災難性的後果。 現在，這套技術也用到了供應鏈物流方面，主要方向是採購、包裝和運輸。

避免庫存緊縮，實現庫存最大化

零售行業中，並非所有庫存都會在最終出售給客戶，還會有損壞、庫存管理不善、庫存錯誤、欺詐和盜竊等原因造成的一定數量的損失。數據預測分析可以有效減少這種狀況。

「打個比方，如果你訂購了一百件某樣產品，那麼這一百件中很有可能出現損壞品。你只能配送出去90件，剩下十件就得打電話和供應商要貨。你可以通過技術「了解」供應鏈上的緊縮狀況，預測出你實際應該訂購多少件產品。」Zweben介紹說。

未來

展望未來，大數據分析（如機器學習）只會在供應鏈優化中扮演越來越重要的角色。並且，這類技術更有可能被今天的大型網路、國家網路和國際網路採用，因為這些領域都需要大量的實時數據，需要分析相關成本和複雜性，並最終將這些數據整合到一起。

然而，越來越多的基礎設施提供了「即服務」和開箱即用的分析平台，加上採購外部數據的新市場，這一技術將開放到更小規模的業務中去。在這套改變遊戲規則的技術下，企業對創新的規劃也將成為競爭勝敗的決定性因素。

End.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！