黑天鹅——如此命名是因为它们是罕见的事件，通常会带来严重的后果——已经变得越来越普遍。全球流行病和欧洲陆地战争绝不是常见事件，但在过去几年里，这两件事都扰乱了供应链，改变了需求，极大地影响了食品和饮料制造商管理进出供应的方式。
可口可乐公司产品管理副总裁Ara Surenian指出，影响食品和饮料行业的另外两个黑天鹅事件是涉及关税的贸易战，导致供应链混乱，以及与气候变化有关的灾难性天气丛这是一家智能制造公司。“我从未见过这样的事情，”他说。
正确的供应链管理和规划是任何食品和饮料加工商最有效的减震器之一，可以保护他们免受供应和需求波动的影响。
图片由DelmiaWorks提供
“潜在地，商品本身和构成供应链功能的基础设施都面临风险，”马赫什·韦里纳(Mahesh Veerina)表示ParkourSC这是一家专注于供应链智能软件的公司。
有各种各样的技术可以帮助制造商克服这类供应链问题并减轻其影响。人工智能(AI)、机器学习、数字双胞胎、云计算、物联网技术、跟踪和跟踪以及其他类型的软件都可以发挥作用。然而，为了获得最大的效益，这些技术需要改善供应链上所有参与者之间的合作。
卡夫亨氏的预测策略
在过去，食品和饮料通常是可靠的，需求是可预见的。对未来进行预测相对简单，只要检查过去发生的事情就可以了。没有必要用先进的技术来帮助企业从供应链中剔除低效的环节。
气候变化和不可预测的天气事件已经削弱了供应链的抵御能力，COVID-19大流行又真正颠覆了供应链。在试图展望未来时，过去发生的事情变得不那么有用了。
现在人们正在努力使用技术来帮助发现数据中的模式——那些人类不太容易识别的模式。卡夫亨氏例如，阿里巴巴正在大力投资于一种更加数字化的方法，以创建一种更具预测性的战略和快速反应模型。它雄心勃勃的Agile@Scale方法部分通过与科技巨头合作，创造了一个持续的改进周期。
卡夫亨氏(Kraft Heinz)的最新举措之一是与微软通过将其大部分数据中心资产迁移到微软Azure云平台，帮助提高其供应链的弹性。这将提供实时预测分析，以提高库存透明度，并预测消费者和渠道需求。
“我们与微软的合作是我们转型战略的关键部分，它为我们提供了机器学习和先进的分析技术，以推动整个供应链的创新和效率，这样我们就可以更快地将产品推向市场，更好地服务于我们的客户，最终满足我们标志性品牌持续增长的消费者需求。”卡夫亨氏北美执行副总裁兼总裁卡洛斯·艾布拉姆斯-里维拉在一份声明中说。
此次合作的核心是卡夫亨氏的供应链控制塔。在Azure的人工智能、物联网和数据分析功能的支持下，它将为公司85个产品类别的工厂运营和供应链分布的自动化提供实时可见性。
微软执行副总裁兼首席商务官贾德森•阿尔霍夫(Judson Althoff)表示:“过去两年，每个行业都迫切需要数字优先的供应链解决方案。”
数据越多越好
一些技术供应商正在以类似的方式应对不断变化的供应链环境。”有限公司Infor是一家提供企业资源规划(ERP)软件的公司，其供应链集团产品管理副总裁瓦莱丽•塔迪夫表示。
食品和饮料加工商供应链的可见度越高，生产的产品质量越高，生产效率就越高。
图片由DelmiaWorks提供
然而，机器学习的输入传统上是基于过去的数据，这使得它很难处理近年来普遍存在的黑天鹅事件。Infor更好地处理罕见和不寻常的中断的一种方法是利用客户自己的内部数据以外的数据来发现趋势。
食品和饮料加工需要许多投入，例如所有的原材料，这些原料可能来自许多不同的供应商。每种材料都有自己的保质期，每个供应商可能使用不同的运输方法将材料运送到加工商。供应链是复杂的，受众多因素的影响，其中一些因素与使用流程线自己的内部信息所显示的情况相去甚远。
为了更好地反映这一现实，Infor引入了影响需求的市场信号，如油价。输入机器学习系统的其他因素是天气模式以及地理或政治动荡等信号。塔迪夫说:“我们现在有一个模型，它结合了所有这些数据，并根据这些信号进行更准确的预测，减少了过去数据的权重。”
正确获取数据
机器学习在训练阶段需要尽可能多的数据。处理大量数据并在其中寻找模式意味着系统在此期间需要大量的计算资源。不过，一旦建立起来，一个模型在扫描输入数据以获取泄密信号方面通常需要的计算能力要小得多。云技术可以方便地扩展或收缩计算和存储资源。
Plex的Surenian警告说，用于构建模型的数据必须干净，这一点很重要。总会有一些噪音和错误，尽管自动化数据输入和减少手动记录将消除一些噪音和错误。他补充说，机器学习系统实际上可以清理输入数据，从而提高预测性能。
Surenian指出，在训练数据之外的事件上测试系统可以帮助验证它。因此，用户可以根据过去的数据运行模型，看看它对已知历史的预测有多好。为模型提供更多的数据可以进一步完善它，这样的改进循环可以一遍又一遍地重复。
没有一个模型是完美的，因此，与使用历史数据等其他方法相比，基于机器学习的方法在预测方面可能只略微好一些。尽管如此，稍微提高准确度还是值得的。
Surenian说:“在预测可能发生的事情时，即使准确率提高1%，也会对效率、生产率和毛利率等产生级联效应。”他补充说，这在食品和饮料行业尤其有益，因为利润率往往很低。
就像真的一样
数字双胞胎将数据、人工智能和机器学习提升到另一个水平。ParkourSC的Veerina指出，通过利用云技术，这些真实系统的数字副本可以实现整个端到端供应链的数字化，并在多个层面进行监控。在数字双胞胎中嵌入智能可以建立透明度，并允许协作。
通过应用机器学习、使用数字双胞胎和其他创新技术，技术可以帮助加工商应对供应链中断。
图片由ParkourSC提供
卡夫亨氏宣布的与微软的合作还包括一个数字双胞胎计划。
这家食品加工商正在为其在北美的34家自有制造工厂创建数字双胞胎，以帮助测试和完善解决方案，然后将其应用于工厂车间。
在Azure Digital Twins的推动下，该技术将有助于预测结果，确定最佳产品容量，并通过主动解决问题来减少机械中断。
同样，数字双胞胎可以用来探索如果全球因COVID-19而出现新的封锁、气候变化导致美国大规模洪水或火灾、乌克兰与俄罗斯的战争导致小麦或葵花籽油等原材料供应中断，或任何其他可能出现的情况，会发生什么。这种虚拟的供应链压力测试可以指出弱点，并建议在事件发生之前、期间和之后采取措施解决问题。
数字双胞胎，就像任何现实世界的模拟一样，在行为上越接近真实的东西，就越有用。通过经济有效地提供充足的存储和计算能力，云技术允许更详细的数字双胞胎，使它们更好地模仿物理对手。
物联网是另一项备受关注的技术，它在解决供应链问题方面发挥着重要作用，因为物联网传感器收集和通信数据，这些信息是对产品制造和分销进行完整准确评估的基础。机器学习和数字双胞胎都能从这些数据中获益。
Surenian指出，供应链分析都是从相同的基本数据开始的。“我们谈论的一切都始于公司的交易系统，”他说。
来自该系统的信息使得诸如查看产品的材料清单和梳理每种成分或组件对该产品产生的收入的贡献等调查成为可能。有了这些知识，公司可以查看这些投入的来源，并确定哪些投入看起来状况良好，哪些似乎不稳定，从而评估供应链的健康状况。苏雷尼安说，这样的分析可能会完全改变一家公司降低风险的方式，因为它可以表明，看似不重要、价格低廉的组件实际上可能是至关重要的。
合作是必不可少的
技术还可以通过组合各种功能来提高数据可见性，从而帮助供应链变得更具弹性。DelmiaWorks”软件例如，DelmiaWorks的高级行业营销经理Louis Columbus表示，该公司将ERP与制造执行系统(MES)功能集成在一起，提供了整个供应链的端到端可见性。
但仅靠技术是不够的。他说:“食品和饮料公司还需要与供应商建立更强大的合作伙伴关系，并对他们保持透明，以建立更多的信任。”“目标是与供应商共享当前挑战的所有权，这样他们就可以像一个团队一样行动，降低过程中的风险。”
实现这种密切合作具有挑战性。Infor的塔迪夫指出，按库存制造可能涉及面向多方的库存，加工过程在许多不同的地点进行。这种不同供应链的混合意味着一些库存可能会流向竞争对手的食品加工商。
因此，中间处理器自然不愿意——甚至在合同上被禁止——透露太多细节。塔迪夫说，即使现有的信息只是装运数量、一般生产数据和采购的原材料，共享也可能是有益的。她说:“这很有帮助。”她补充说，与供应链相关的信息交换在双向交易时效果最好。“这是一个交换条件。”
有限的供应链可见性导致了这样的问题，即看似独立的来源实际上只依赖于一个供应商，而这个单一的故障点可能与食品品牌所有者无关。最近食用油的情况就是一个例子，橄榄油、葵花籽油和其他油的价格上涨了一倍或两倍——如果它们还能买到的话。这种情况在所有食用油中都会发生，因为制造商开始在他们的产品中替代其他油。由此产生的问题会影响使用这些油的食品、卫生和个人护理产品。
哥伦布说，跟踪和跟踪软件可以通过检查原料、材料、装配和组件在供应链中的移动，找到这些隐藏的故障点。通常，这种方法涉及捕获每个事件，包括供应链中的每个过渡点。在食品和饮料加工过程中，追踪和追踪带来了额外的优势，可以在阻止假冒成分的使用方面发挥作用。
然而，获得这种级别的信息是困难和耗时的。较小的组织可能缺乏市场影响力来推动供应商披露信息，或者可能没有员工来利用获得的交易信息。哥伦布说:“供应链网络是复杂的，很少有组织能够追踪到一级供应商以外的供应链。
为了提高供应链的弹性，他主张采用多来源战略，利用技术绘制供应链的相互依赖关系。次要来源可以是国内的，或者至少是靠近海岸的地方，以提高能见度、反应时间和控制能力。跟踪和跟踪技术可以帮助评估从附近和远程供应商购买之间的权衡。
除了技术创新，塔迪夫还指出，从“及时应对”到“以防万一”的理念正在发生转变，这一观点得到了业内其他人的响应。这种转变涉及到企业目标的改变，需要进行诸如允许库存水平上升等调整。不过，这种对以往做法的调整也应该与其他目标保持一致，比如实现可持续发展目标，塔迪夫说。一旦处理器对以防万一的目标做出了这样的改变，那么技术就可以帮助优化供应链。
因此，机器学习、数字双胞胎、云计算、物联网和跟踪软件并不是解决供应链挑战的全部解决方案，但它们是修复供应链的基本部分。“自动化和信息技术系统是成功的基础，”哥伦布断言。
