其他声音:通过机器学习，供应链变得更加智能

编者注:以下专栏作者为博•哈格勒，公司首席执行官LiveSource，是现代的其他的声音专栏，一系列来自终端用户、分析师、系统集成商和原始设备制造商的想法、意见和见解。点击这里了解如何提交专栏以供考虑。

- - -

随着制造商在一个快速增长且竞争激烈的全球市场中发挥作用，规定性分析使他们变得更加灵活。机器学习可以自动分析整个供应链中产生的极其复杂和多样化的数据。这为公司提供了可操作的情报，以推动优化，提高利润率，并避免供应链中断。

机器学习是一种人工智能(AI)，它使用算法来学习，而不需要明确的编程。它擅长在大型数据集中发现异常、模式和预测见解。机器学习工具能够通过报告历史数据以及部署用于预测可能结果的模型，将大量被动数据转化为有用的信息。特别是，机器学习通过建模一系列场景和规定行动来自动化“假设”分析，可以帮助组织实现最佳结果。

超越商业智能:决策建议
随着制造商面临越来越大的成本压力，以及即时生产模型在提高赌注的同时要求精度，预测未来是保持业务健康的关键。然而，许多业务决策是历史数据的结果。机器学习可以根据历史和实时数据/趋势改进决策和预测。这使组织能够预测需求，最大限度地减少项目启动延迟，发现降低成本的机会或预先预测成本增加，并推动准确、及时的发货。

预测分析不仅使供应链经理能够在问题出现时发现问题，还能在问题发展的早期阶段发现趋势。但机器学习可以提供超越的优势预测分析:说明性的分析。规定性分析可以带来更好的结果，因为它集成了一个决策支持系统，可以执行“假设”分析，并在限制条件下评估选项，并实时做出调整。在分析中，对预期结果影响更大的因素被赋予更多的权重;例如，检测不一致的质量或交付性能并采取行动。

利用数据湖
在公司的ERP、QMS、战略采购和PLM系统之外，还有大量的信息;大部分其他信息存储在电子表格和电子邮件中。此数据是非结构化的，因此与由关系数据库驱动的传统数据仓库不兼容。越来越多的组织开始转向数据湖方法。

数据湖存储来自业务应用程序的关系数据，以及来自移动应用程序、物联网设备、通信应用程序和社交媒体的非关系数据。通过这些不同的系统和格式收集的大量数据，能够利用这些数据来提高运营性能可以提供一个主要优势。数据湖中的所有内容都可用于分析，例如SQL查询、大数据分析、全文搜索和实时分析。

做出更明智的供应链决策
机器学习实现了一种“社交倾听”，以挖掘电子邮件和电子表格等其他系统中的非结构化数据。因此，企业可以迅速(甚至先发制人)发现他们最好和最差的供应商是谁，并标记出潜在的破坏威胁。与供应商的每次交互相关的历史数据可以被跟踪和分析，这些数据可以用来确定供应商是否达到或超过预期，是否有改进的机会，或者是否需要选择另一个供应商。

这样更容易识别出业绩走向错误方向的供应商，并采取行动。例如，如果供应商的缺陷水平或缺货最近有所增加，这可能预示着一个可能导致重大中断的更大问题。机器学习可以自动检测到这一点，当被标记时，公司可以识别出可能处于良好地位但正在朝着令人担忧的方向发展的供应商，因此他们可以主动将业务授予其他供应商，减轻未来的干扰。

此外，机器学习可以识别可能延迟程序启动的时间问题。数据分析师可以确定过去完成产品发布任务所需时间超过计划的供应商，以便为该流程选择另一个供应商，或根据供应商演示的性能调整发布计划。

机器学习将使组织能够利用他们收集的大量不同的数据，不仅可以看到和响应趋势，还可以运行涉及任何可能对供应链产生影响的场景。特别是供应商产能问题:组织可以通过分析合同产能与演示产能的对比，了解哪些供应商最适合对订单增长20%做出良好反应，哪些供应商不太可能满足需求。在这里，机器学习不仅推动决策制定，还有助于提高透明度，同时凸显供应链中的一个重大问题。

机器学习通过对越来越复杂的供应商相关信息进行超级分析，发现了供应链优化的机会。随着供应链继续利用物联网和先进机器人技术，随着组织和供应商之间的沟通通过不断变化的各种渠道发生，以及新技术进入市场，这将变得更加关键。通过机器学习，供应链经理可以更好地了解供应商，了解潜在中断威胁的早期警告，改善项目启动时间表，实现成本规避和成本降低，并确保按时交付。