如今，企業(yè)在利用機(jī)器學(xué)習(xí)預(yù)測(cè)錯(cuò)誤率、需求規(guī)劃生產(chǎn)力、降低成本、準(zhǔn)時(shí)出貨方面實(shí)現(xiàn)了兩位數(shù)的改進(jìn)，從根本上變革了供應(yīng)鏈管理。

機(jī)器學(xué)習(xí)算法以及基于這種算法的模型，非常擅長(zhǎng)在大型數(shù)據(jù)集中發(fā)現(xiàn)異常、模式和得出預(yù)測(cè)性見解，如此一來，當(dāng)供應(yīng)鏈遇到時(shí)間、成本和資源約束等多方面的挑戰(zhàn)，機(jī)器學(xué)習(xí)成為解決這些問題的理想選擇。

比如，亞馬遜的Kiva機(jī)器人正是依靠機(jī)器學(xué)習(xí)技術(shù)來提高精度、速度和規(guī)模；而DHL則是利用人工智能和機(jī)器學(xué)習(xí)來支持他們的Predictive Network Management系統(tǒng)——該系統(tǒng)會(huì)分析58個(gè)不同的內(nèi)部數(shù)據(jù)參數(shù)，以確定影響貨運(yùn)延遲的主要因素。

由此可見，機(jī)器學(xué)習(xí)正在重新定義下一代供應(yīng)鏈管理。據(jù)Gartner預(yù)測(cè)，到2020年，95％的供應(yīng)鏈計(jì)劃（SCP）廠商將在他們的解決方案中采用受監(jiān)督的和無人監(jiān)督的機(jī)器學(xué)習(xí)技術(shù)；到2023年，25％的供應(yīng)鏈技術(shù)解決方案中將內(nèi)嵌智能算法和人工智能技術(shù)，或者將其作為增強(qiáng)型組件。

下面就讓我們來看看機(jī)器學(xué)習(xí)改變供應(yīng)鏈管理的這十種方式：

1、基于機(jī)器學(xué)習(xí)的算法是下一代物流技術(shù)的基礎(chǔ)，先進(jìn)的資源調(diào)度系統(tǒng)可以帶來最顯著的效果。據(jù)麥肯錫預(yù)測(cè)，機(jī)器學(xué)習(xí)最重要的貢獻(xiàn)將是為供應(yīng)鏈運(yùn)營(yíng)方提供更深入的見解，了解如何改善供應(yīng)鏈，預(yù)測(cè)物流成本和物流效率，機(jī)器學(xué)習(xí)還提供了關(guān)于自動(dòng)化技術(shù)如何帶來最大規(guī)模優(yōu)勢(shì)的洞察。

資料來源：麥肯錫，《Automation in logistics: Big opportunity, bigger uncertainty》，2019年4月，作者：Ashutosh Dekhne、Greg Hastings、John Murnane和Florian Neuhaus

2、物聯(lián)網(wǎng)傳感器、遠(yuǎn)程信息處理、智能交通系統(tǒng)產(chǎn)生的數(shù)據(jù)集千變?nèi)f化，運(yùn)用機(jī)器學(xué)習(xí)算法和技術(shù)來改善供應(yīng)鏈，要從最具多樣性和可變性的數(shù)據(jù)集開始著手。而供應(yīng)鏈最具挑戰(zhàn)性的問題通常出現(xiàn)在優(yōu)化物流方面，因此完成生產(chǎn)所需的材料必須要準(zhǔn)時(shí)運(yùn)送到達(dá)。

資料來源：畢馬威，《Supply Chain Big Data Series Part 1》

3、機(jī)器學(xué)習(xí)具有通過使用物聯(lián)網(wǎng)傳感器發(fā)現(xiàn)追蹤數(shù)據(jù)模式的潛力，每年可節(jié)省資金600萬美元。BCG最近研究了使用追蹤應(yīng)用的去中心化供應(yīng)鏈?zhǔn)侨绾翁岣咝阅芎徒档统杀镜模Y(jié)果發(fā)現(xiàn)，當(dāng)使用區(qū)塊鏈在供應(yīng)商網(wǎng)絡(luò)中實(shí)時(shí)共享數(shù)據(jù)的時(shí)候，一個(gè)30節(jié)點(diǎn)的配置結(jié)合更好的分析洞察力，每年可節(jié)省成本600萬美元。

資料來源：波士頓咨詢集團(tuán)（BCG），《Pairing Blockchain with IoT to Cut Supply Chain Costs》，2018年12月18日，作者：Zia Yusuf、Akash Bhatia、Usama Gill、Maciej Kranz、Michelle Fleury和Anoop Nannra

4、使用基于機(jī)器學(xué)習(xí)的技術(shù)可以將預(yù)測(cè)誤差降低50％，使用基于機(jī)器學(xué)習(xí)的規(guī)劃和優(yōu)化技術(shù)，讓由于產(chǎn)品未供貨導(dǎo)致的銷售損失減少了65％，使用基于機(jī)器學(xué)習(xí)的供應(yīng)鏈管理系統(tǒng)，讓庫(kù)存減少20％-50％。

資料來源：Digital/McKinsey，《Smartening up with Artificial Intelligence (AI) - What’s in it for Germany and its Industrial Sector?》

5、DHL Research發(fā)現(xiàn)，機(jī)器學(xué)習(xí)能夠幫助物流和供應(yīng)鏈運(yùn)營(yíng)優(yōu)化產(chǎn)能利用率，改善客戶體驗(yàn)，降低風(fēng)險(xiǎn)并創(chuàng)建新的業(yè)務(wù)模式。一直以來， DHL的研究團(tuán)隊(duì)不斷追蹤和評(píng)估各種新興技術(shù)對(duì)于物流和供應(yīng)鏈的影響，并預(yù)測(cè)，人工智能將實(shí)現(xiàn)后臺(tái)自動(dòng)化、預(yù)測(cè)性運(yùn)營(yíng)、智能物流資產(chǎn)、全新的客戶體驗(yàn)?zāi)Ｐ汀?/span>

資料來源：DHL Research，（Logistics Trend Radar, Version 2018/2019）

6、很多制造企業(yè)都投入資金把基于機(jī)器學(xué)習(xí)的應(yīng)用用于檢測(cè)和處理供應(yīng)商質(zhì)量水平和交付不一致的問題。微軟通過對(duì)于北美中型制造企業(yè)的調(diào)查發(fā)現(xiàn)，這些企業(yè)當(dāng)前面臨的第二大增長(zhǎng)阻礙，就是供應(yīng)商在質(zhì)量和交付上存在不一致的問題，第一個(gè)障礙則是缺乏熟練的勞動(dòng)力。制造企業(yè)通過使用機(jī)器學(xué)習(xí)和高級(jí)分析，可以很快地找出誰(shuí)是最佳供應(yīng)商，誰(shuí)是最差供應(yīng)商，以及哪些生產(chǎn)中心在發(fā)現(xiàn)錯(cuò)誤方面最準(zhǔn)確。

制造企業(yè)使用類似下圖這種儀表板，將機(jī)器學(xué)習(xí)技術(shù)用于解決供應(yīng)商的質(zhì)量、交付和一致性問題。

資料來源：微軟，《Supplier Quality Analysis sample for Power BI: Take a tour》，2018年

7、降低欺詐風(fēng)險(xiǎn)，同時(shí)根據(jù)機(jī)器學(xué)習(xí)提供的洞察來改善產(chǎn)品和流程質(zhì)量，給供應(yīng)鏈中的檢查環(huán)節(jié)帶來了轉(zhuǎn)折點(diǎn)。當(dāng)使用移動(dòng)技術(shù)實(shí)現(xiàn)自動(dòng)檢查，并將結(jié)果實(shí)時(shí)上傳到安全的云平臺(tái)時(shí)，機(jī)器學(xué)習(xí)算法就可以提供降低風(fēng)險(xiǎn)和欺詐可能性的即時(shí)洞察力。

Inspectorio就是該領(lǐng)域的一家初創(chuàng)公司，他們正在致力于解決缺乏檢查和供應(yīng)鏈可視性所帶來的諸多問題，專注于如何為品牌和零售商立即解決這些問題。

資料來源：福布斯，《How Machine Learning Improves Manufacturing Inspections, Product Quality & Supply Chain Visibility》，2019年1月23日

8、機(jī)器學(xué)習(xí)在端到端供應(yīng)鏈可見性方面正在帶來快速而顯著的效果，提供的預(yù)測(cè)性和規(guī)范性見解幫助企業(yè)更快速地做出響應(yīng)。

而面向全球貿(mào)易和供應(yīng)鏈管理的多企業(yè)商務(wù)網(wǎng)絡(luò)，與人工智能平臺(tái)和機(jī)器學(xué)習(xí)平臺(tái)相結(jié)合，正在徹底改變著供應(yīng)鏈的端到端可見性。該領(lǐng)域的早期領(lǐng)導(dǎo)者之一是Infor的Control Center【Control Center將來自Infor GT Nexus Commerce Network（2015年9月被Control Center收購(gòu)）的數(shù)據(jù)與Infor Coleman Artificial Intelligence 的數(shù)據(jù)結(jié)合在一起】，Control Center這款人工智能平臺(tái)的命名來自于著名物理學(xué)家兼數(shù)學(xué)家Katherine Coleman Johnson，之所以如此為之，是因?yàn)樗ㄟ^具有開創(chuàng)性的工作幫助美國(guó)宇航局登陸月球，如果你還不了解她和其他很多才華橫溢的女性數(shù)學(xué)家對(duì)太空探索所做出的貢獻(xiàn)，請(qǐng)務(wù)必看看ChainLink Research題為《How Infor is Helping to Realize Human Potential》的文章和《隱藏人物》這部電影。下圖來自Control Center的兩個(gè)截屏。

9、“權(quán)限憑證”，是全球供應(yīng)鏈出現(xiàn)安全漏洞的主要根源，而機(jī)器學(xué)習(xí)被證明是阻止權(quán)限憑證濫用的基礎(chǔ)。

企業(yè)組織通過采用權(quán)限訪問最小化的方法，讓攻擊面最小化，提高審計(jì)和合規(guī)可見性，降低運(yùn)營(yíng)現(xiàn)代混合型企業(yè)的風(fēng)險(xiǎn)、復(fù)雜性和成本。

CIO們知道，即使某個(gè)有權(quán)限的用戶正確輸入了憑證，但如果該用戶發(fā)出的情況存在風(fēng)險(xiǎn)，就需要更強(qiáng)的驗(yàn)證方式提供訪問授權(quán)，從而解決權(quán)限憑證濫用的問題。

Zero Trust Privilege是一種經(jīng)過驗(yàn)證的框架，可通過驗(yàn)證誰(shuí)請(qǐng)求訪問權(quán)限、請(qǐng)求的上下文、訪問環(huán)境的風(fēng)險(xiǎn)情況來阻止權(quán)限憑據(jù)濫用的發(fā)生。

Centrify也是該領(lǐng)域的領(lǐng)導(dǎo)者，客戶包括思科、英特爾、微軟和Salesforce等全球廠商。

資料來源：福布斯，《High-Tech's Greatest Challenge Will Be Securing Supply Chains In 2019》，2019年11月28日

10、基于物聯(lián)網(wǎng)數(shù)據(jù)，利用機(jī)器學(xué)習(xí)預(yù)測(cè)，什么時(shí)候應(yīng)該對(duì)貨運(yùn)和物流工具進(jìn)行預(yù)防性維護(hù)，這可以幫助提高資產(chǎn)利用率并降低運(yùn)營(yíng)成本。

麥肯錫發(fā)現(xiàn)，利用機(jī)器學(xué)習(xí)增強(qiáng)預(yù)測(cè)性維護(hù)，結(jié)合來自先進(jìn)物聯(lián)網(wǎng)傳感器的數(shù)據(jù)、維護(hù)日志以及外部數(shù)據(jù)，可以更好地預(yù)測(cè)和避免機(jī)器故障，使得資產(chǎn)生產(chǎn)率提高20％，整體維護(hù)成本降低10％。

資料來源：Digital/McKinsey，《Smartening up with Artificial Intelligence (AI) - What’s in it for Germany and its Industrial Sector?》