導讀：盡管人工智能/機器學習在供應鏈管理中的應用并非新鮮事物，但迄今為止，機器學習主要用于提高多層供應鏈的可視性、改進預測、模擬或假設分析。這些發(fā)展對供應鏈計劃都沒有多大幫助，而供應鏈計劃是建立供應鏈敏捷性和彈性的關(guān)鍵要素。

Agrawal 的最新論文發(fā)表在《哈佛商業(yè)評論》上，介紹了一種與機器學習當前實際應用方式截然不同的新方法。最佳機器學習(OML) 模型能夠用一步式?jīng)Q策引擎取代傳統(tǒng)的基于預測的兩步式預測然后優(yōu)化(PTO) 方法。通過繞過 PTO 系統(tǒng)有缺陷的第一步，OML 模型將歷史數(shù)據(jù)與符合公司關(guān)鍵績效指標 (KPI) 的決策聯(lián)系起來，直接從數(shù)據(jù)到?jīng)Q策。

OML 模型的第二個獨特組成部分是 Agrawal 所說的“數(shù)字孿生”，它是整個供應鏈網(wǎng)絡的數(shù)字化表示，包括材料、財務和信息流。在這種數(shù)字孿生中使用高度精細的交易級數(shù)據(jù)，使公司能夠嚴格分析各種場景中的詳細結(jié)果，而這在傳統(tǒng)的情景規(guī)劃方法中幾乎是不可能的。這種能力對于評估和建立供應鏈的彈性至關(guān)重要。

本文原文：https://hbr.org/2024/03/how-machine-learning-will-transform-supply-chain-management  編輯僅翻譯及校對

比利時攝影師迪迪埃-恩格斯（Didier Engels）拍攝了歐洲各地的碼頭、貨艙和集裝箱。在這些圖片中，他航拍了五顏六色的集裝箱，并對其進行處理，創(chuàng)造出引人注目的構(gòu)圖。

Covid-19 大流行病、俄烏沖突、貿(mào)易戰(zhàn)爭以及近年來發(fā)生的其他事件擾亂了供應鏈，凸顯了企業(yè)改善供應鏈規(guī)劃以提高靈活性和應變能力的迫切需要。然而，企業(yè)在應對這一挑戰(zhàn)時卻舉步維艱。其中一個主要原因是預測有誤，導致交貨延誤、庫存水平與需求嚴重脫節(jié)，以及財務業(yè)績令人失望。這些后果不足為奇。畢竟，在需求預測嚴重失準的情況下，如何才能有效地做出庫存和生產(chǎn)決策呢？

我們已經(jīng)開發(fā)出一種方法來解決這一不足。我們的新模式利用機器學習和歷史數(shù)據(jù)，為供應鏈決策提供卓越的建議。當前的機器學習方法側(cè)重于嘗試創(chuàng)建更準確的預測，而我們的方法則側(cè)重于做出實際決策。我們將這種新方法稱為最佳機器學習（OML），它涉及使用人工智能技術(shù)創(chuàng)建一個數(shù)學模型，該模型將與供應鏈相關(guān)的關(guān)鍵數(shù)據(jù)輸入（網(wǎng)絡節(jié)點、節(jié)點位置、銷售和裝運、財務參數(shù)、營銷推廣、物流和產(chǎn)能限制等）與規(guī)劃決策（例如，生產(chǎn)何種數(shù)量的產(chǎn)品，或在每個地點儲備何種水平的庫存）聯(lián)系起來。該模型可以考慮公司的優(yōu)先事項（如合同訂單規(guī)定的或希望達到的客戶服務水平）、預算限制和其他資源限制（如原材料和勞動力的可用性）。數(shù)據(jù)的存儲方式可以實現(xiàn)近乎實時的更新，并快速修改計算結(jié)果，為決策提供依據(jù)。

我們對供應鏈管理進行了數(shù)十年的研究，并在半導體設備制造、航空航天與國防、電信和計算機等多個行業(yè)的公司實施了我們的想法，在此基礎上，我們開發(fā)了 OML。在這篇文章中，我們解釋了為什么現(xiàn)有的供應鏈計劃方法（包括其他機器學習技術(shù)）都失敗了，我們的方法是如何工作的，以及實施這種方法需要對計劃團隊和衡量標準做出哪些改變。我們重點介紹了在兩家財富500 強企業(yè)中測試 OML 的經(jīng)驗。

其中一家公司生產(chǎn)和銷售用于制造半導體的資本密集型設備。為了確?？蛻舻脑O備能夠正常運行，該公司必須管理成千上萬的備件庫存。但在過去，該公司經(jīng)常面臨關(guān)鍵部件短缺的問題，這導致了昂貴的加急裝運或破壞性的等待時間，從而造成客戶所在地代價高昂的停機。沮喪的經(jīng)理們經(jīng)常爭先恐后地推翻企業(yè)資源計劃（ERP）系統(tǒng)提供的庫存建議。經(jīng)理們依靠自己的經(jīng)驗，使用現(xiàn)有計劃軟件中沒有明確納入的數(shù)據(jù)輸入，但他們的推翻是主觀的、臨時的，而且設計起來非常耗時，這往往使他們的問題更加復雜。

我們要討論的另一家公司是一家消費電子產(chǎn)品公司，該公司通過數(shù)千家零售商的商店銷售由亞洲合同制造商生產(chǎn)的先進虛擬現(xiàn)實設備套裝。這家公司正在建立其銷售和運營計劃流程，并面臨著來自不同利益相關(guān)者（供應商；公司內(nèi)部銷售、生產(chǎn)、物流和供應采購職能團隊；以及擁有數(shù)千家零售店的復雜供應鏈的客戶）的各種方法和數(shù)據(jù)輸入的挑戰(zhàn)。消費者需求的高度不確定性導致一些零售點持續(xù)短缺，而另一些零售點則庫存過剩。

為什么敏捷性和應變能力仍然難以實現(xiàn)

各行各業(yè)的公司都未能制定有效的戰(zhàn)略，使其供應鏈做好準備，以抵御不可預見的中斷。這是因為現(xiàn)有計劃方法存在三個重大缺陷：有缺陷的預測驅(qū)動流程、與數(shù)據(jù)相關(guān)的挑戰(zhàn)以及無效的情景規(guī)劃。

預測驅(qū)動型計劃

最廣泛使用的供應鏈計劃方法包括兩個步驟。在預測步驟中，需求預測是根據(jù)有關(guān)銷售和訂單的歷史數(shù)據(jù)、有關(guān)經(jīng)濟狀況和競爭對手行動的信息以及主觀判斷生成的。在優(yōu)化步驟中，這些預測被輸入供應鏈網(wǎng)絡的數(shù)學模型，以生成最終的庫存決策。這種方法被稱為預測-優(yōu)化（PTO），失敗的原因有很多。

1. 沒有一個各方都同意用于決策的單一預測

在這家消費電子產(chǎn)品公司，銷售經(jīng)理每月都要對總銷售額進行預測，同時還要對未來 12 個月內(nèi)每個零售客戶的銷售額進行預測。庫存計劃團隊也獨立制定了自己的客戶需求預測，但由于庫存訂單通常每周下達一次，因此庫存計劃團隊每周都要進行一次預測。為了管理與消費電子公司的訂單，并將庫存分配給其商店網(wǎng)絡，每個零售客戶也都制定了自己的預測。這些客戶的預測往往與電子消費品公司的預測大相徑庭。此外，所有預測都是在不同的時間點做出的，并隨著新的需求信息的出現(xiàn)而更新。而且，由于沒有人完全了解消費電子產(chǎn)品公司或零售商實施的市場促銷活動會如何影響銷售，因此對終端客戶需求的估計往往是失真的。在這種情況下，如果有多種預測，而每種預測都有自己的誤差，就不清楚哪種預測才是優(yōu)化供應鏈計劃決策的理想預測。

2. 計劃過程中各利益相關(guān)群體的目標不一致，導致決策出現(xiàn)偏差，達不到最佳效果

在這家消費電子公司，銷售團隊通常傾向于高估預測，以確保供應，而庫存團隊則傾向于降低預測，以確保盡量減少報廢。財務團隊主要關(guān)心與未售出庫存相關(guān)的陳舊成本。當然，高級管理層最關(guān)心的是實現(xiàn)季度收入目標和盡量減少庫存資金占用。公司的供應商則面臨著生產(chǎn)能力的限制和多個客戶的競爭性需求；因此，公司常常要聽從供應商的決定。與此同時，為了防止收到的所需電子產(chǎn)品數(shù)量不足，零售商經(jīng)常虛報訂單。

目標錯位也是半導體設備制造商面臨的一個問題。 庫存經(jīng)理們經(jīng)常庫存過少的零件，希望最大限度地降低庫存的總體投資，避免對未售出產(chǎn)品進行代價高昂的注銷。 這是因為高級管理層在提供投資資本和注銷目標時，并不清楚由此可能造成的收入損失。

3. 決定如何優(yōu)化庫存的方法存在缺陷

目前廣泛使用的傳統(tǒng)模型無法捕捉到供應鏈動態(tài)的所有復雜因素。它們通常在 PTO 的優(yōu)化步驟中采用過于簡單的算法。即使使用了先進的 "優(yōu)化 "工具，預測、模型制定和優(yōu)化過程中的任何錯誤都會導致結(jié)果不佳。

計劃中的另一個挑戰(zhàn)是，即使有完美的預測也是不夠的。有關(guān)供應訂單和向各地發(fā)貨的決策還必須考慮會影響關(guān)鍵財務和運營績效指標的各種因素。這些因素包括資源限制（如生產(chǎn)、運輸和存儲能力）、客戶特定需求、客戶和地區(qū)的盈利能力差異以及本地和全球服務水平要求。

數(shù)據(jù)挑戰(zhàn)?，F(xiàn)在，幾乎可以實時維護和訪問有關(guān)商店級銷售交易的大量數(shù)據(jù)。遺憾的是，對于擁有全球供應鏈的公司來說，訪問和整合這些數(shù)據(jù)仍然是一個巨大的挑戰(zhàn)。

考慮一下這家消費電子公司。該公司的供應鏈數(shù)據(jù)廣泛分散在組織內(nèi)部和外部的不同參與者之間。對內(nèi)，銷售團隊負責維護預測信息，市場營銷人員負責處理與促銷相關(guān)的信息，供應計劃團隊負責管理庫存信息，財務部門負責財務信息，等等。對外，商店銷售數(shù)據(jù)以及從客戶配送中心到商店的發(fā)貨數(shù)據(jù)都屬于這些零售商的權(quán)限范圍。更糟糕的是，這些數(shù)據(jù)還以不同的格式和存儲方式存在--一部分是 Excel 文件，一部分是 Tableau 表格，一部分是電子郵件中的文本形式，等等。在某些情況下，數(shù)據(jù)被保存在匯總層面，而非決策所需的具體內(nèi)容。由于信息的分散性，根本無法利用細粒度的交易數(shù)據(jù)來支持高效補貨決策所需的分析。此外，由于不存在整個供應鏈的單一代表，因此無法分析各種外部因素（如商業(yè)周期）和競爭因素（如競爭對手公司新產(chǎn)品的推出和定價）對端到端供應鏈的影響。

無效的情景規(guī)劃。要制定使供應鏈更靈活（能夠應對中斷）和更有彈性（能夠反彈）的戰(zhàn)略，第一步就是針對可能影響供應鏈的眾多風險制定相應的未來情景。黑天鵝事件--罕見的、影響巨大的中斷事件，如 2021 年集裝箱船堵塞蘇伊士運河--幾乎無法預測。其他可能對供應鏈產(chǎn)生重大影響的威脅，如俄烏戰(zhàn)爭，雖然可以預見，但發(fā)生的可能性卻難以確定。

盡管許多公司已開始將情景規(guī)劃納入其供應鏈計劃流程，但此類分析往往缺乏足夠的細節(jié)，難以發(fā)揮作用。例如，僅僅知道公司的整體銷售額會在一場戰(zhàn)爭中下降是不夠的，因為戰(zhàn)爭會限制主要供應商的運營。我們需要的是深入了解戰(zhàn)爭對每種產(chǎn)品、客戶和地區(qū)的影響程度和時間安排，從而制定適當?shù)膽?zhàn)略來改善這種影響。這種了解對于創(chuàng)建定制供應鏈--按地域、產(chǎn)品和客戶區(qū)分的供應鏈--而不是采用 "一刀切 "的戰(zhàn)略也很重要。遺憾的是，如果沒有一個能夠提供精細洞察的機制，計劃工作往往會導致不理想的結(jié)果。

新范例

我們的優(yōu)化機器學習方法克服了現(xiàn)有供應鏈規(guī)劃方法的重大缺陷。它有三個關(guān)鍵組成部分：決策支持引擎、數(shù)字孿生和端到端數(shù)據(jù)架構(gòu)。

決策支持引擎。OML 以一步到位的流程取代了基于預測的兩步規(guī)劃流程，將輸入數(shù)據(jù)直接與供應鏈決策聯(lián)系起來。OML 方法結(jié)合了整個供應鏈需求驅(qū)動因素的歷史數(shù)據(jù)（例如，實際銷售交易和影響交易的因素，如價格、促銷、客戶群的規(guī)模和構(gòu)成）和供應驅(qū)動因素（如供應商庫存、交貨時間、產(chǎn)能限制和運輸延誤）。該引擎以優(yōu)化關(guān)鍵績效指標（KPI）的方式，確定這些供需數(shù)據(jù)元素與供應鏈決策之間的關(guān)系，這些決策涉及生產(chǎn)數(shù)量、補貨訂單、庫存儲備水平以及不同地點之間的庫存運輸。關(guān)鍵績效指標可能包括與總體利潤相關(guān)的指標；按地區(qū)、客戶或產(chǎn)品類別劃分的收入或利潤；產(chǎn)品可用性；庫存周轉(zhuǎn)率；從中斷中恢復所需的時間等。一旦獲得新數(shù)據(jù)或供應商網(wǎng)絡發(fā)生任何變化，就可以重新計算。

我們在半導體設備制造商和消費電子產(chǎn)品公司實施 OML 時，都利用了云計算的強大功能來運行決策支持引擎。盡管這兩家公司的供應鏈網(wǎng)絡規(guī)模都很大，但都能在幾分鐘內(nèi)提出決策建議。我們的方法還可以納入管理人員指定的業(yè)務約束條件（例如，"我的預算是 X "或 "我的產(chǎn)量不能超過 Y "或 "我的產(chǎn)品可用性必須大于 Z%"）。很多傳統(tǒng)的機器學習方法都忽略了這些限制。因此，必須在事后 "修復 "解決方案，這并不理想。OML 不存在這個問題。

數(shù)字孿生。OML 決策支持引擎工作的一個關(guān)鍵要求是對整個供應鏈網(wǎng)絡、所有物料流和所有參與方的決策過程進行詳細的數(shù)字表示。通過以高度詳細的方式模擬供應鏈在每筆交易中的表現(xiàn)，數(shù)字孿生系統(tǒng)使供應鏈規(guī)劃人員能夠為過去和未來的供需情況量化準確的關(guān)鍵績效指標。

這種數(shù)字表示法有兩個優(yōu)勢。首先，它對歷史決策影響的計算可與現(xiàn)有業(yè)務系統(tǒng)計算的實際結(jié)果進行比較，從而驗證其準確衡量績效的能力，從而增強管理層對系統(tǒng)的信心。其次，它可用于測試其他供應鏈方案或戰(zhàn)略對關(guān)鍵績效指標的影響。例如，如果由于特定航道的速度減慢而導致裝運前置時間翻倍呢？或者，配送中心的中斷會如何影響收入？或者，重新安排向該配送中心所服務的商店發(fā)貨的最佳方式是什么？歷史分析和預測能力這兩種能力結(jié)合在一起，使管理者能夠準確評估風險緩解策略，如替代供應和運輸來源、替代庫存地點、修改生產(chǎn)計劃和使用替代產(chǎn)品。因此，管理人員可以做出更好的決策。

端到端數(shù)據(jù)架構(gòu)。OML 決策支持引擎和數(shù)字孿生需要一個數(shù)據(jù)存儲系統(tǒng)，與整個供應鏈（公司運營系統(tǒng)以及供應商、分銷商和客戶的系統(tǒng)）中所有現(xiàn)有的數(shù)據(jù)庫管理系統(tǒng)協(xié)同工作。存儲系統(tǒng)應能匯集跨團隊、跨地點和跨產(chǎn)品的數(shù)據(jù)，并能近乎實時地更新和訪問這些信息。

該架構(gòu)規(guī)定了要納入的各種數(shù)據(jù)元素、其存儲格式和組織、它們之間的聯(lián)系以及更新的頻率。選擇納入的數(shù)據(jù)應受數(shù)字孿生中供應鏈分析表述的驅(qū)動，并應考慮最了解決策潛在驅(qū)動因素的管理人員的意見。換句話說，OML 方法需要收集和存儲能反映供應鏈結(jié)構(gòu)的數(shù)據(jù)。我們建議使用圖形數(shù)據(jù)庫，在供應鏈節(jié)點（如零售店或批發(fā)點）存儲數(shù)據(jù)，并捕捉重要關(guān)系（如哪個批發(fā)點為哪個零售店供貨）。這樣就可以按地點、客戶、產(chǎn)品或時間對數(shù)據(jù)和指標進行有意義的可視化。它還能讓供應鏈規(guī)劃人員衡量與成本和服務相關(guān)的多個指標的績效，并識別觀察值超出預期范圍并需要進一步分析的情況。

“高級管理人員必須確保所有各方都信任規(guī)劃系統(tǒng)提出的建議，并且不認為有必要對其進行審查?！?/em>