現代全球供應鏈的定義是規模——即跨越多個系統的數十億個交易和tb級數據，企業每時每刻都在生成數據。傳統的供應鏈管理(SCM)實踐正迅速被信息沖擊所取代。
當庫存成本或者可用性出現問題時，財務和需求規劃人員就會查詢Excel或遺留的SCM工具，以查明問題。這種方法簡直就是大海撈針，在龐大的體積、速度和各種各樣的數據面前，這些努力都將會和初衷背道而馳。
人工智能已成為供應鏈管理中用以應對這一挑戰的熱門話題。創新型組織正在應用人工智能和機器學習來對抗大量的供應鏈數據，以挖掘出即使是最專業的規劃專業人員也無法觸及的問題和績效考察。
AI一直在試圖優化這些流程。事實上，Gartner發現，到2017年，25%的組織已經開始了人工智能計劃，而前兩年這一比例僅為10%。另外，制藥、消費品、制造業和其他行業都在積極尋找超越那些基于靜態業務規則的相對簡單的SCM工具，這些工具阻礙了優化和擴展的能力。
我經常聽到的一個問題是，“我們如何開始?”，對此，我想提出以下三點建議：
一. 針對特定問題
首先，最好能夠確定一個可以使用人工智能解決的特定供應鏈問題。這有助于將精力和資源集中在一個單一問題上，而不是多點多投。當然，您將希望選擇一個重要的痛點，它將影響您的供應鏈效率、客戶滿意度和底線。
例如，假設全球CPG公司面臨與零售客戶達成服務水平協議的挑戰。如果股票沒有按時交付，公司可能面臨SLA下的嚴厲處罰。將AI應用于特定問題將使CPG公司快速改善其服務水平并解決問題。
從計劃到生產、包裝、倉儲、分銷和物流，您可能會在整個供應鏈中為AI提供十幾個潛在項目。針對特定目標，您可以獲得最佳結果，同時最大限度的減少不明確特性，進而規避背后的風險。通過選擇一個獨立的項目，你可以在最初的成功和學習基礎上將AI應用于其他領域。
二. 構建人工智能準備
數據是人工智能準備的關鍵因素。理想的情況是，公司將人工智能應用于大型數據集團的深度粒度——例如，通過SKU的位置、訂單、工廠、原材料、客戶等等，將3年的數據細化到日常事務級別。
因為您可以從不同系統(ERP/MPR/CRM和其他系統)中提取數據，所以最好在這些數據集中有時間框架一致性。換句話說，如果你有六個月的原材料數據，一年的庫存數據，以及三年的銷售數據，人工智能可能會出現問題。
確保您的數據收集和存儲機制適合高度細化的數據是一個好主意。即使你今天還未準備好AI，但隨著AI成為一個具有競爭力的競爭者，你要做好迎接挑戰的準備!
我經常被問到一個組織是否需要一個數據科學團隊來開始使用AI。它當然可以提供幫助，但這不是一開始的先決條件。你需要的是具有源系統和領域專業知識的人員來幫助繪制出AI規劃。
三. 考慮技術合作伙伴是否能提供幫助
對于決定供應鏈AI的公司來說，成功在很大程度上取決于他們選擇的技術合作伙伴以及這些提供商提供的服務。由于人工智能仍然是一項新興的技術，所以必須確保你選擇的技術伙伴能夠與你一起克服障礙，設計出滿足需求的解決方案。
與任何企業軟件選擇一樣，您應該進行盡職調查并找到一個能夠積極滿足您需求的合作伙伴。例如，您可能會發現AI軟件無法處理必要的數據匯總和驗證。其他人收集數據的能力可能有限，最好的方式便是每天通過數百次抓取源系統來獲取。分析和底層技術的深度是需要考慮的其他方面。
AI合作伙伴關系是雙向的。如果您的組織擁有富有遠見的CIO和其他敢于創新的領導者，成功的可能性將呈指數級增長。準備好驚訝吧，因為人工智能可以挖掘數據驅動的價值，而這些價值將可能會抹殺你可能會認為是福音的假設。
認識到供應鏈AI是進入未知領域的一段旅程，這是非常重要的。但毫無疑問，這是幾十年來供應鏈最激動人心的創新。雖然并不是每個公司都需要它，但供應鏈AI可以改變的那些公司應該考慮盡快開始，而不是晚些時候開始。隨著AI重塑其供應鏈業務，采取這種行動的企業已經能夠看到巨大回報了。
關于作者：Kaushal Dave是認知(AI)供應鏈解決方案atAera技術的副總裁，該技術是自動駕駛企業的一項認知技術。
京公網安備 11010502049343號