酷应用

机器学习重塑供应链管理的10个途径

百家作者：数据分析 2018-06-24 23:44:52

机器学习重塑供应链管理的10个途径

原文: 10 Ways Machine Learning Is Revolutionizing SupplyChain Management

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

导读

预测新产品的需求，包括最能推动新销量的因素，这是机器学习能发挥巨大作用的一个领域。从询问渠道合作伙伴、间接和直接销售团队他们将卖出多少新产品，到利用高级统计模型，企业有很多方法来预测新产品的需求。事实证明，机器学习能非常有效地考虑到以前未知的需求影响因素。
机器学习与高级分析、物联网传感器和实时监测的结合，可以让很多供应链首次实现端到端可见性。如今，很多供应链需要的是全新的操作平台或架构，这些平台或架构以实时数据为基础，能提供以前的分析工具发现不了的模式和洞见。机器学习是未来供应链平台必不可少的一个要素，将重塑供应链管理的各个方面。

原文翻译：

机器学习使人们可以发现供应链数据中的模式，依靠算法迅速确定对供应链成败最重要的因素，并在此过程中不断学习。

发现供应链数据中的模式，这有可能重塑任何企业。机器学习算法每天都在发现供应链数据中的这些新模式，不需要人为干预或者分类定义来指导分析。算法对数据进行迭代查询，很多算法利用基于约束的模型来发现核心因素集，预测准确性很高。影响库存水平、供应商质量、需求预测、从采购到付款、从订购到收款、生产计划、运输管理和其他方面的关键因素首次为人所知。因此，机器学习带来的新知识和新洞见正在重塑供应链管理。

以下是机器学习重塑供应链管理的10条途经：

1. 机器学习算法和运行此类算法的APP能迅速分析体量庞大、多种多样的数据集，提高需求预测的准确性。管理供应链的一大挑战是预测产品的未来需求。现有技术包括移动平均线等基线统计分析方法和高级仿真建模。事实证明，机器学习能非常有效地考虑到现有技术无法追踪或量化的因素。以下例子显示了有多少因素被用来完成需求预测和Lennox如何利用机器学习。

2. 机器学习能为协同供应链网络带来很多好处，包括减少运输成本、改善供应商交货执行情况和最大程度降低供应商风险。以下是机器学习如何被用来识别多个托运人网络之间的横向协同。

3. 机器学习及其核心构造非常适合于提供以前技术无法提供的关于改善供应链管理表现的洞见。事实证明，结合非监督学习、监督学习和强化学习的优点，机器学习能非常有效地不断寻找最能影响供应链表现的重要因素。在以下分类中定义的每个端点，都是完全由基于算法的逻辑推导而出，确保算法可以在一家全球企业中推而广之。

4. 机器学习擅长视觉模式识别，在整个供应链网络实体资产的物理检查和维护保养方面提供了很多潜在的应用。事实证明，利用在多个数据集中迅速找出类似模式的算法进行设计，机器学习还能非常有效地自动对物流枢纽进行入站质量检查，隔离受损的运输货物。IBM Watson平台的机器学习算法能确定集装箱和/或产品是否受损，根据受损时间进行分类，推荐最佳的纠正措施来修复资产。Watson结合视觉和基于系统的数据，进行实时追踪、报告和推荐。

5. 把机器学习和相关技术结合起来，在整个供应链运营中获得更好的情景智能，这可以减少库存和运营成本，缩短对客户的响应时间。机器学习在物流控制塔运营中被采用，以提供如何改善供应链管理、协作、物流和仓库管理各方面的新洞见。下图显示了从机器学习获得的情景智能如何简化运营。

6. 预测新产品的需求，包括最能推动新销量的因素，这是机器学习能发挥巨大作用的一个领域。从询问渠道合作伙伴、间接和直接销售团队他们将卖出多少新产品，到利用高级统计模型，企业有很多方法来预测新产品的需求。事实证明，机器学习能非常有效地考虑到以前未知的需求影响因素。

7. 企业在物联网传感器收集的使用数据中寻找新的模式，以此延长机械、发动机、运输和仓库设备等供应链重要资产的生命周期。制造业每年产生的数据量超过其他所有行业。事实证明，机器学习能非常有效地分析通过机器得到的数据，确定哪些因素对机器性能的影响最大。另外，机器学习也提高了衡量设备综合效率（OEE）的准确性。OEE是很多制造商和供应链运营的一个重要指标。

8. 在自主的情况下找到供应商质量水平的模式，为每个供应商建立追踪数据层次结构，改善供应商质量管理和合规性。平均来看，普通企业80%的产品零部件依赖于外部供应商。对于航空航天、国防、食品饮料和医疗产品等受到严格监管的行业，供应商质量、合规性以及追踪数据层次结构至关重要。机器学习可以独立定义产品层次结构，简化追踪报告，节省制造商在这些方面投入的数千个人工工时。

9. 通过考虑和优化诸多限制因素，机器学习可以提高生产计划和工厂调度的准确性。对于采用接单生产和备货型生产流程的制造商来说，机器学习可以比人工操作更有效地平衡各自的限制因素。利用机器学习，制造商能减少定制产品所用零部件的供应链延迟。

10. 机器学习与高级分析、物联网传感器和实时监测的结合，可以让很多供应链首次实现端到端可见性。如今，很多供应链需要的是全新的操作平台或架构，这些平台或架构以实时数据为基础，能提供以前的分析工具发现不了的模式和洞见。机器学习是未来供应链平台必不可少的一个要素，将重塑供应链管理的各个方面。

本次转自：品觉微信公众号（pinjueche.com）