开始使用AI/ML构建智能供应链
使用AI/ML构建智能供应链
如何思考在供应链中应用AI/ML技术以最大化投资回报？
背景
供应链优化是一个广泛的研究领域。在供应链中有很多应用案例可以从应用AI/ML技术中受益。通常，组织在这个领域往往不知道从哪里开始，以及如何开始。供应链高管通常在寻找投资时间和精力的领域时会遇到困难（这些领域已经很紧张），以从这些方法中获得最大的价值。在本文中，我们探讨了一组小而多样的用例，这些用例可以作为供应链组织进入AI/ML领域的起点。供应链领导者可以期望从这些应用中获得高度的成本和效率改进。
我们将供应链管理分为五个组成部分：计划、采购、生产、交付、逆向物流，并概述了与这五个组成部分相对应的需求感知、供应商分割、设备故障预测、交付时间预测、客户退货预测的用例。我们还根据经济价值、可追踪性、结果解释性、见解可行性和应用可持续性等标准，对各个用例的实施效益进行了综合评估。
用例探索
智能供应链通过整合数据、自动化和先进的分析技术，为供应链的不同部分带来效率和降低成本。它可以通过提升客户体验成为组织的战略优势。通常，它是通过优化和AI/ML技术的结合来支持的。我们探索了五个用例，将它们与供应链管理的五个要素对应起来：计划 → 采购 → 生产 → 交付 → 逆向物流。
1. 短期需求感知（计划）：库存管理是供应链活动中的关键环节。工作资本和存储成本与库存水平相关，而库存水平又依赖于准确预测需求等因素。高水平的预测准确性有助于通过在正确的时间、地点制造适量产品来降低库存成本和缺货风险。这有助于优化仓库库存，减少安全库存水平，从而降低成本，同时避免可能导致长期业务和收入损失的缺货情况。AI应用程序可以识别客户订单中的模式，并将某些先导指标与短期需求进行相关联，从而比传统方法更准确。利用实时订单信息，我们可以自动预测当前和下个月的需求，并定期更新。
2. 供应商分割（采购）：大型组织可能有数百甚至数千个供应商，它们是供应链不可或缺的一部分。不同数量的原材料从供应商那里采购。为了降低采购成本并提高供应可靠性，对不同供应商应用不同的策略将会很有帮助。将供应商分成几个关键群组将在这方面具有益处，鉴于供应商众多。这种分割可以使采购专家能够针对每个群组内的供应商采取类似的采购策略，例如原材料价格、采购量和供应时间的谈判。这种分割可以每月或每季度更新，以适应供应商的变化。
3. 设备故障预测（生产）：制造运营中常见的可靠性故障会导致计划外停机时间。这些故障会影响产品库存，可能导致交付延迟。预测这类停机时间的发生可以帮助企业采取措施减轻设备故障风险，或者提前建立库存以应对停机时间。这些预测和相应的减轻措施可以帮助避免缺货和收入损失，并推动投资于预防性维护选项以避免昂贵的维修。AI应用程序可以将设备故障与在计划外设备故障前几天或几周内的关键测量指标（如吞吐量、压力、温度等）相关联，并提供关于故障时间的见解。根据测量的粒度，应用程序可以每天或每几天运行一次，评估故障的风险。
4. 交付时间预测（交付）：准时交付给客户是衡量供应链绩效的关键指标，直接影响客户体验。组织会根据历史延迟趋势来衡量这个指标并积极努力改善。能够准确预测交货时间可以帮助按要求时间将产品交付给客户，从而避免给客户带来糟糕的体验和业务损失，并避免因延迟交货而产生罚款和其他费用。AI应用程序可以根据起始日期和时间、季节、承运商、来源和目的地等属性来预测交货时间。对每个运输进行这样的预测将使客户保持了解情况，并提升客户体验和留存率。此外，这也提供了优化路线和选择表现更好的承运商的机会。
5. 客户退货预测（逆向物流）：一定比例的销售商品被客户退货，原因包括不符合质量规范或发货延迟等。为了准备退货物流、存储和处理，公司需要准确估计退货产品的数量。这将有助于降低存储和处理成本。通过使用AI技术的应用程序，可以根据过去几周的客户发货情况预测退货总量。此预测可以每周更新一次。
用例优先级排序
我们从五个关键标准的角度来看这些用例：经济价值、可行性、结果可解释性、洞见可操作性和应用可持续性。经济价值包括节省成本或避免收入损失。可行性指的是数据的可用性以及一个强大的AI/ML方法能否在合理的时间内提供预测。结果可解释性指的是观察和预测可以如何通过商业驱动因素向利益相关者解释。洞见可操作性描述组织可以根据AI/ML应用程序的结果采取行动的程度。最后，应用可持续性描述了积极维护和刷新AI应用程序输入的长期可行性。
（i）经济价值：由于货运量庞大，我们预计需求感知和交货时间预测具有“高”经济价值。对于供应商分割和设备故障预测，采取行动的间歇性导致了“VoAGI”估值，而相对较低的退货量导致了“低”估值。
（ii）可行性：根据我们拥有的用例数据大小和计算能力，预计大多数用例的可行性都是“高”，只有设备故障预测可能受到数据限制，如果故障不经常发生。
（iii）结果可解释性：对于需求感知和客户退货预测，推荐使用多元线性回归的应用程序评级为“高”。当应用于供应商分割时，无监督方法（例如k-means聚类）可以显示每个簇中的特征接近程度，因此可解释性被标记为“高”。对于设备故障预测和交货时间预测，应用更复杂的集成方法（例如随机森林、Xgboost）导致“VoAGI”可解释性。
（iv）洞见可操作性：由于根据预测变化改变生产和处理是内部决策，因此需求感知和客户退货预测的可操作性被标记为“高”。而执行交货时间预测和供应商分割的洞见需要与包括承运商和供应商在内的外部方进行协商，我们的操作空间可能有限。对于设备故障预测的“VoAGI”可操作性评级，我们可以采取措施减少风险，但可能无法完全消除故障。
（v）应用可持续性：除了设备故障预测可能受到数据限制外，其他四个用例都被认为具有较高的应用可持续性，因为数据可以以适当的速度生成，允许频繁刷新AI/ML应用程序。
从下表总结的这些用例来看，需求感知在所有这些标准中得分最高-在这种情况下，建议首先开始使用AI/ML应用程序处理此用例。
结论
在许多行业中，将AI/ML技术应用于供应链和业务优化仍处于初级阶段。采用“爬行、行走、奔跑”的方法逐步将AI/ML整合到业务运营中是合理的。通过展示AI/ML在通过“低悬果实”为团队创造价值方面的效果，可以产生连锁效应。然而，关键是在较小的成功基础上构建可持续的长期商业模式，在价值链的每个方面都嵌入AI/ML。
感谢阅读。希望您觉得有用。随时将您的评论发送至[email protected]。让我们在LinkedIn上交流。
