機器學習重塑供應鏈管理的10個途徑

機器學習重塑供應鏈管理的10個途徑

原文: 10 Ways Machine Learning Is Revolutionizing SupplyChain Management

來源: https://www.forbes.com/sites/louiscolumbus/2018/06/11/10-ways-machine-learning-is-revolutionizing-supply-chain-management/#334e26d23e37

導讀

預測新產品的需求，包括最能推動新銷量的因素，這是機器學習能發揮巨大作用的一個領域。從詢問渠道合作夥伴、間接和直接銷售團隊他們將賣出多少新產品，到利用高級統計模型，企業有很多方法來預測新產品的需求。事實證明，機器學習能非常有效地考慮到以前未知的需求影響因素。

機器學習與高級分析、物聯網感測器和實時監測的結合，可以讓很多供應鏈首次實現端到端可見性。如今，很多供應鏈需要的是全新的操作平台或架構，這些平台或架構以實時數據為基礎，能提供以前的分析工具發現不了的模式和洞見。機器學習是未來供應鏈平台必不可少的一個要素，將重塑供應鏈管理的各個方面。

原文翻譯：

機器學習使人們可以發現供應鏈數據中的模式，依靠演算法迅速確定對供應鏈成敗最重要的因素，並在此過程中不斷學習。

發現供應鏈數據中的模式，這有可能重塑任何企業。機器學習演算法每天都在發現供應鏈數據中的這些新模式，不需要人為干預或者分類定義來指導分析。演算法對數據進行迭代查詢，很多演算法利用基於約束的模型來發現核心因素集，預測準確性很高。影響庫存水平、供應商質量、需求預測、從採購到付款、從訂購到收款、生產計劃、運輸管理和其他方面的關鍵因素首次為人所知。因此，機器學習帶來的新知識和新洞見正在重塑供應鏈管理。

以下是機器學習重塑供應鏈管理的10條途經：

1. 機器學習演算法和運行此類演算法的APP能迅速分析體量龐大、多種多樣的數據集，提高需求預測的準確性。管理供應鏈的一大挑戰是預測產品的未來需求。現有技術包括移動平均線等基線統計分析方法和高級模擬建模。事實證明，機器學習能非常有效地考慮到現有技術無法追蹤或量化的因素。以下例子顯示了有多少因素被用來完成需求預測和Lennox如何利用機器學習。

2. 機器學習能為協同供應鏈網路帶來很多好處，包括減少運輸成本、改善供應商交貨執行情況和最大程度降低供應商風險。以下是機器學習如何被用來識別多個託運人網路之間的橫向協同。

3. 機器學習及其核心構造非常適合於提供以前技術無法提供的關於改善供應鏈管理表現的洞見。事實證明，結合非監督學習、監督學習和強化學習的優點，機器學習能非常有效地不斷尋找最能影響供應鏈表現的重要因素。在以下分類中定義的每個端點，都是完全由基於演算法的邏輯推導而出，確保演算法可以在一家全球企業中推而廣之。

4. 機器學習擅長視覺模式識別，在整個供應鏈網路實體資產的物理檢查和維護保養方面提供了很多潛在的應用。事實證明，利用在多個數據集中迅速找出類似模式的演算法進行設計，機器學習還能非常有效地自動對物流樞紐進行入站質量檢查，隔離受損的運輸貨物。IBM Watson平台的機器學習演算法能確定集裝箱和/或產品是否受損，根據受損時間進行分類，推薦最佳的糾正措施來修復資產。Watson結合視覺和基於系統的數據，進行實時追蹤、報告和推薦。

5. 把機器學習和相關技術結合起來，在整個供應鏈運營中獲得更好的情景智能，這可以減少庫存和運營成本，縮短對客戶的響應時間。機器學習在物流控制塔運營中被採用，以提供如何改善供應鏈管理、協作、物流和倉庫管理各方面的新洞見。下圖顯示了從機器學習獲得的情景智能如何簡化運營。

6. 預測新產品的需求，包括最能推動新銷量的因素，這是機器學習能發揮巨大作用的一個領域。從詢問渠道合作夥伴、間接和直接銷售團隊他們將賣出多少新產品，到利用高級統計模型，企業有很多方法來預測新產品的需求。事實證明，機器學習能非常有效地考慮到以前未知的需求影響因素。

7. 企業在物聯網感測器收集的使用數據中尋找新的模式，以此延長機械、發動機、運輸和倉庫設備等供應鏈重要資產的生命周期。製造業每年產生的數據量超過其他所有行業。事實證明，機器學習能非常有效地分析通過機器得到的數據，確定哪些因素對機器性能的影響最大。另外，機器學習也提高了衡量設備綜合效率（OEE）的準確性。OEE是很多製造商和供應鏈運營的一個重要指標。

8. 在自主的情況下找到供應商質量水平的模式，為每個供應商建立追蹤數據層次結構，改善供應商質量管理和合規性。平均來看，普通企業80%的產品零部件依賴於外部供應商。對於航空航天、國防、食品飲料和醫療產品等受到嚴格監管的行業，供應商質量、合規性以及追蹤數據層次結構至關重要。機器學習可以獨立定義產品層次結構，簡化追蹤報告，節省製造商在這些方面投入的數千個人工工時。

9. 通過考慮和優化諸多限制因素，機器學習可以提高生產計劃和工廠調度的準確性。對於採用接單生產和備貨型生產流程的製造商來說，機器學習可以比人工操作更有效地平衡各自的限制因素。利用機器學習，製造商能減少定製產品所用零部件的供應鏈延遲。

10. 機器學習與高級分析、物聯網感測器和實時監測的結合，可以讓很多供應鏈首次實現端到端可見性。如今，很多供應鏈需要的是全新的操作平台或架構，這些平台或架構以實時數據為基礎，能提供以前的分析工具發現不了的模式和洞見。機器學習是未來供應鏈平台必不可少的一個要素，將重塑供應鏈管理的各個方面。

車品覺簡介

暢銷書《決戰大數據》作者；國信優易數據研究院院長；紅杉資本中國基金專家合伙人；浙江大學管理學院客席教授；全國信標委員；數據標準工作組副組長；美麗心靈基金會桑珠利民基金副主席。

原阿里巴巴集團副總裁，首任阿里數據委員會會長；現擔任中國信息協會大數據分會副會長、中國計算機學會大數據專家委員會副主任、粵港信息化專家委員、中國計算數學學會第九屆理事、清華大學教育指導委員（大數據項目）、浙江大學管理學院客席教授等職。

END

數據分析、數據產品關聯文章閱讀：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！