人工智能为供应链提供了巨大的潜力 有助于减少中断并提
但是,到目前为止,尚缺乏实践示例和案例研究来说明如何有效实施数据驱动方法。
剑桥大学制造业研究所(IfM)的Alexandra Brintup博士解释了她的研究如何解决这一差距,并为组织揭示了宝贵的经验教训。
供应链分析不是一个新概念–实际上,制造业长期以来一直是数据驱动技术的热心采用者。因此,除了花哨的新名称之外,真正的新功能是什么?
三种新兴发展的结合正在改变游戏规则:
计算能力,使我们能够实时进行困难的计算
强大的新算法可以自动化分析和决策
而且,至关重要的是,出现了新的,以前尚未开发的数据源
我们还应该记住,“供应链分析”是一个统称,指的是多种功能。没有一种适用于每个组织的解决方案:它取决于供应链的性质,组织战略和优先级以及可用的信息。
并非每种功能都适合每个组织-不应将它们视为待办事项!相反,公司可以选择要开发的功能来满足特定的供应链功能和业务需求。
但是,组织可以解决四个常见问题,以了解如何最好地在自己的环境中部署供应链分析和AI。
本文首次发表在《制造商》杂志的5月号上。点击这里订阅
1.多少数据,来自什么来源?
您的数据来自哪里?传统上,在供应链中,我们使用企业资源计划(ERP)系统来获取结构化的数据源(这些数据源大多是手动填充的,但也来自某些自动化流程)。
现在,我们拥有来自更多来源的数据:通过传感器和IoT连接提供数据的状态,位置和状况的状态更新的智能产品,GPS位置跟踪数据,甚至包括非常规来源(例如社交媒体)。
这些数据中的大多数可以实时获取,并且可以从您的直接组织边界之外收集,无论是从供应链合作伙伴,外部组织还是客户那里。
2.数据将如何提供有价值的信息?
数据量可能不堪重负,因此了解和专注于真正会增加价值的内容至关重要。您将如何使用数据更好地了解正在发生的事情?
考虑如何整合来自不同来源的数据以提供动态概览也很重要。例如,这可以启用预测分析以减少中断。
3.数据如何改善决策?
改进的数据可用性为进一步提高系统意识提供了潜力。但是,您将如何利用新发现的知识-数据将用于改进哪些决策?
您能确定优化当前流程的方法,还是将来重新设计系统的方法?重点是否主要集中在简化日常运营,战术领域或战略决策上?可以在整个供应链中共同使用数据来提高效率吗?
4.这如何支持任务的自动化或半自动化?
数据分析可以发现隐藏的模式和趋势,并采取行动,以改善供应链运作。
通过数据识别的日常操作任务的自动化或半自动化可能会对供应链的优化产生变革性的影响。
实践中的供应链分析:真实示例
IfM的制造分析研究团队与汽车和航空航天行业以及快速消费品和其他行业的合作伙伴进行了几项有关供应链分析的研究。