像2020年的大多数事情一样，全球供应链在大流行期间陷入混乱。随着美国电子商务量增长44%，需求计划和设备维护计划被抛在了一边，因为消费者呆在家里购买维持生活所需的一切东西。作为回应，许多供应链经理增加了安全库存，以对冲波动加剧的风险。现在，随着我们开始摆脱封锁，每个人都在寻找提高供应链速度和效率的方法。
人工智能（AI）和机器学习（ML）技术似乎是一种自然的契合，以帮助在这方面提高效率和更好的决策。供应链服务副总裁Steve Banker弧咨询组，最近写了一系列AI驱动的供应链用例，范围从那些仍然对既定投资回报率的人进行了低估。银行家引用，按顺序从最假设到大多数成熟：区块链，自动转车，ML用于仓库管理，机器人班车优化，ML用于运输，用于需求规划，实时定位服务和IOT进行交通。
供应商正急于向其软件添加AI / ML功能。“这是企业软件的军备竞赛，”产品管理总监Shaun Phillips说QAD Dynasys．但是对于像需求计划和仓库管理这样的用例来说，现在就拥有真正的价值。
 |
听到Avanceon的总统讨论链接供应链OPS和自动化之间。 |
需求规划是唾手可得的果实
对于许多公司来说，需求计划是以AI / ML开始的好地方。根据Bill Panak，数据科学副总裁Loalility.，ML算法呈现出耗尽用于构建预测的经典模型的压倒性证据。PANAK表示，ML可以实现自动调整，或自动调整，这在称为大流行等所谓的“黑天鹅”事件中特别有用。Loalility的需求计划应用程序中固有的ML能力可以在人类策划者将在人类策划者之前的所有类型数据（结构化和非结构化，内部，合作伙伴，公开的资源，公开）中发现模式和趋势。他说，ML对于帮助优化定价和促销来说，ML非常有用。
QAD还应对需求计划作为其最具实用的AI / ML用例，与2018年开始的客户合作，了解其客户真正需要的内容。“我们在用户活动中坐下来坐下来，”菲利普斯说。“我们的一些客户说这是炒作，”菲利普斯回忆起。但是四个出现了有趣的潜在用例，他们愿意与QAD分享他们的战略。
第一个用例是需求计划的聚类分析。由于公司不能为每个SKU制定需求计划，他们可以选择一个属性，并将其聚合到所有具有该属性的SKU，以便进行计划。但是在总体层面上做出这些决定并不能在更细粒度的层面上做出正确的决定。“我们分析了数百万的sku，它们什么时候达到峰值，什么时候达到低谷?客户服务水平如何?它是一个深奥的项目吗?使用了哪些不同类型的原材料?”菲利普说。
QAD Dynasys团队基于共享共同销售行为的集群。“他们对更少的工作变得更聪明的预测。当他们介绍一个新产品时，它们会通过品牌和产品尺寸对齐，我们将其放入集群中。“结果是更准确的计划。本申请专门基于内部数据，包括销售历史，服务水平，单位成本，价格点和材料账单。
下一个用例是使用ML分析三个客户的复杂销售行为，包括零售商和酒精饮料制造商。对于零售商来说，该应用程序利用外部数据来源来分析复杂产品的销售，这些产品的销售贡献大量利润，但每年仅售出三个月 - 像防晒霜或圣诞树这样的东西。“我们专注于试图预测每个月的销售，以处理关键销售期外的需求（夏季和假期，分别用于刚才提到的产品）。
对于饮料公司来说，该应用程序分析了公共海关数据，以查看某种类型的玻璃瓶何时进入该国。如果这些瓶子的数量高于预期，这是一个信号，表明他们的竞争对手正在准备满足需求高峰。这三家公司仍然受益于这些应用程序。
QAD王朝公司还开发了一款用于每日预测的应用程序，这对那些生产快速过期产品的公司很有用，比如鲜肉、农产品和报纸。菲利普斯表示:“你不能在周二卖出周一的需求，因为它已经过期了。”“我们把每周的数据分解成天数。”
QAD现在进入其AI / ML旅程的第二阶段，计划在其旗舰ERP应用中提供适应性供应链规划。（该公司尚未在预期释放这些能力时尚未宣布。）Phillips称此应用程序称为“供应链数码双”。
“我们将数字化模拟供应链，自动刷新材料清单、运价、产量、采购和供应商交期等数据，以便能够对计划和库存水平进行实时调整。”他说:“假设我每周从这家供应商进货，而他们的交货周期为14天，所以我总是有足够的库存，可以维持14天。”但是如果你能把交货周期从14天缩短到7天，你就能使你的供应链更加灵活，减少库存数量，从而持有更多的现金。
 |
在Schneider的呼唤中观看视频为行业接受通用自动化。 |
优化仓库管理
曼哈顿伙伴'焦点是通过其曼哈顿活动仓库管理产品将ML算法应用于仓库管理应用程序。订单流涉及协调和优化配送中心的所有方面 - 人员和自动化设备，以及装运窗口和满足订单的要求。“我在配送中心拥有所有这些运动部件。订单流在所有这些中优化，随着时间的推移，“产品管理高级总监Adam Kline说。
订单流的核心是工作释放引擎，其从分发中心（DC）中获取输入。“它理解DC的布局。您可能有50个过道的存储位置，单向过道，双向通道。它了解如何构建最有效的选择路径，“Kline说。ML功能预测工作需要多长时间，这有助于确定工作序列以及它应该交付的序列。
Kline表示，它的采用仍然是早期的日子，目前有大约12名客户使用曼哈顿活跃仓库。Apparel公司和家庭装饰品牌目前正在使用订单流媒体，以推动较低的循环时间，更好的采摘和包装效率，以及消除需要与升级的运费进行的订单数量，这留下了百分点。
贝克霍夫使用AI来实现订单和包裹履行中使用的设备的更准确的预测维护，另一个应用与去年电子商务繁荣更加重要。
“分销中心通常在11月至年底之间的高峰季节，”Beckhoff的Doug Schuchart，物料处理和载体管理。“但自去年春季以来一直存在巅峰，从那以后它并没有放缓。”
Schuchart说，在整个大流行中，AI都是在涡轮充电预测性维护应用中的乐器。公司需要知道组件何时失败，这样他们就可以在停机前更换它们。在视线中没有结束旺季，维护人员将计划运营停机时间达到挑战，以进行预定维护。相反，他们可以选择在故障之前将AI理论应用于维护，更换设备。设备传感器数据（例如振动和温度）以及包括工作时间和预定维护的其他数据）用于通过MATLAB，Python或其他开放数据科学平台构建AI模型。训练模型后，它将直接放在机器控制器上，因此Schuchart的说法，它是实时处理的。
“我们不必向云或企业系统发送这么多数据。我们可以在本地进行一些初始分析，“这最大限度地减少了发送的数据带宽并降低云存储成本”，“他说。
Beckhoff客户还使用AI功能，以优化能源使用作为其可持续性举措的一部分。这很重要，因为履行中心的持续峰值需求具有显着增加的能源使用量。
例如，Beckhoff使用AI / ML进行自动存储和检索系统内的设备的微调性能。在数十个中跳过编号，有时将持续到其目标挑选位置，可能是24x7。“如果我们应用AI，我们可以查看设备档案并分析将班车到其预期位置所需的时间。我们可以优化设备的混蛋和加速度，因此它使用较少的能量运行，并最大限度地减少了梭子上的磨损，“Schuchart，一个价格的优势。“我们可以通过这种方式优化任何驱动器和电机的加速度。”
出于大流行，没有人真正知道电子商务需求如何受到影响。但是可以安全地说在线订购永远不会回到Covid-19级别。电子商务需求将继续重塑供应链，提高效率和优化比以往任何时候都更重要。朝到这一点，AI / ML将发挥越来越大的作用。
当然，真正驱动的供应链值是数据。随着公司修复质量问题并将数据建立为AI / ML项目的基础，他们倾向于实现这一技术的无限数量。“你可以改善需求规划等事情，但是，真正的驱动价值是当你实现你的数据时，”Loalility的Panak说。“投资该数据与您想要的关系一样重要。”
