如今，企業(yè)在利用機器學(xué)習預(yù)測錯誤率、需求規(guī)劃生產(chǎn)力、降低成本、準時出貨方面實現(xiàn)了兩位數(shù)的改進，從根本上變革了供應(yīng)鏈管理。

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

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

由此可見，機器學(xué)習正在重新定義下一代供應(yīng)鏈管理。據(jù)Gartner預(yù)測，到2020年，95％的供應(yīng)鏈計劃（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)督的機器學(xué)習技術(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)，或者將其作為增強型組件。

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

1、基于機器學(xué)習的算法是下一代物流技術(shù)的基礎(chǔ)，先進的資源調(diào)度系統(tǒng)可以帶來最顯著的效果。據(jù)麥肯錫預(yù)測，機器學(xué)習最重要的貢獻將是為供應(yīng)鏈運營方提供更深入的見解，了解如何改善供應(yīng)鏈，預(yù)測物流成本和物流效率，機器學(xué)習還提供了關(guān)于自動化技術(shù)如何帶來規(guī)模優(yōu)勢的洞察。

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，運用機器學(xué)習算法和技術(shù)來改善供應(yīng)鏈，要從多樣性和可變性的數(shù)據(jù)集開始著手。而供應(yīng)鏈挑戰(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時運送到達。

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

3、機器學(xué)習具有通過使用物聯(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)鏈是如何提高性能和降低成本的，結(jié)果發(fā)現(xiàn)，當使用區(qū)塊鏈在供應(yīng)商網(wǎng)絡(luò)中實時共享數(shù)據(jù)的時候，一個30節(jié)點的配置結(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（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、使用基于機器學(xué)習的技術(shù)可以將預(yù)測誤差降低50％，使用基于機器學(xué)習的規(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％，使用基于機器學(xué)習的供應(yīng)鏈管理系統(tǒng)，讓庫存減少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)，機器學(xué)習能夠幫助物流和供應(yīng)鏈運營優(yōu)化產(chǎn)能利用率，改善客戶體驗，降低風險并創(chuàng)建新的業(yè)務(wù)模式。一直以來， DHL的研究團隊不斷追蹤和評估各種新興技術(shù)對于物流和供應(yīng)鏈的影響，并預(yù)測，人工智能將實現(xiàn)后臺自動化、預(yù)測性運營、智能物流資產(chǎn)、全新的客戶體驗?zāi)Ｐ汀?/p>

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器學(xué)習的應(yīng)用用于檢測和處理供應(yīng)商質(zhì)量水平和交付不一致的問題。微軟通過對于北美中型制造企業(yè)的調(diào)查發(fā)現(xiàn)，這些企業(yè)當前面臨的第二大增長阻礙，就是供應(yīng)商在質(zhì)量和交付上存在不一致的問題，障礙則是缺乏熟練的勞動力。制造企業(yè)通過使用機器學(xué)習和高級分析，可以很快地找出誰才是更好的供應(yīng)商，誰是最差供應(yīng)商，以及哪些生產(chǎn)中心在發(fā)現(xiàn)錯誤方面最準確。

制造企業(yè)使用類似下圖這種儀表板，將機器學(xué)習技術(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、降低欺詐風險，同時根據(jù)機器學(xué)習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。當使用移動技術(shù)實現(xiàn)自動檢查，并將結(jié)果實時上傳到安全的云平臺時，機器學(xué)習算法就可以提供降低風險和欺詐可能性的即時洞察力。

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、機器學(xué)習在端到端供應(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)，與人工智能平臺和機器學(xué)習平臺相結(jié)合，正在徹底改變著供應(yīng)鏈的端到端可見性。Control Center這款人工智能平臺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，是因為她通過具有開創(chuàng)性的工作幫助美國宇航局登陸月球，如果你還不了解她和其他很多才華橫溢的女性數(shù)學(xué)家對太空探索所做出的貢獻，請務(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，而機器學(xué)習被證明是阻止權(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，提高審計和合規(guī)可見性，降低運營現(xiàn)代混合型企業(yè)的風險、復(fù)雜性和成本。

CIO們知道，即使某個有權(quán)限的用戶正確輸入了憑證，但如果該用戶發(fā)出的情況存在風險，就需要更強的驗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)過驗證的框架，可通過驗證誰請求訪問權(quán)限、請求的上下文、訪問環(huán)境的風險情況來阻止權(quán)限憑據(jù)濫用的發(fā)生。

Centrify也是該領(lǐng)域的玩家，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)，利用機器學(xué)習預(yù)測，什么時候應(yīng)該對貨運和物流工具進行預(yù)防性維護，這可以幫助提高資產(chǎn)利用率并降低運營成本。

麥肯錫發(fā)現(xiàn)，利用機器學(xué)習增強預(yù)測性維護，結(jié)合來自先進物聯(lián)網(wǎng)傳感器的數(shù)據(jù)、維護日志以及外部數(shù)據(jù)，可以更好地預(yù)測和避免機器故障，使得資產(chǎn)生產(chǎn)率提高20％，整體維護成本降低10％。

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