[[388276]]

在去年新冠疫情全面爆發之前，“供應鏈”還不是什么熱門詞匯。但直到人們發現自己再也沒法輕松買到自己喜歡的酵母、面包甚至是特定品牌的廁紙，群眾才開始認真反思這三個字背后的深刻含義。

在這期間，大家通過社交媒體意識到意想不到的需求暴漲以及因為物資短缺傳言所引發的搶購風潮，如何歇斯底里地沖擊涵蓋生產規劃、產出與物流配送在內的整個供應鏈體系。作為反面教材，我們也親身見證了供應鏈跟不上需求變化、特別是無法及時應對實時趨勢時出現的種種亂象。

2020年，新冠疫情給全球消費者上了重要的一課，也讓供應鏈真正走到聚光燈之下。

在理想情況下，組織應該通過數據對整個供應鏈擁有充分了解，借此保證在正確的時間將正確的產品與材料運送至正確的位置。但這個世界沒那么理想，供應鏈中的大數據（通常已經在企業內部積累了幾十年）已經過于臃腫、無法有效使用，由此引發的數據信心缺失甚至導致其事實淪為垃圾資產。

為了解決這個難題，企業在傳統上習慣于使用數據清洗項目，即修復或刪除語法錯誤或無效文件的過程，確保將原有數據精簡為僅包含可操作及/或可使用信息的形式。這個清洗過程通常涵蓋一系列需要不斷重復的匯總、組織、分析與集成環節。在單一工廠或車間內進行數據清洗已經極為困難，更遑論對互不相通的工業網絡數據進行統籌規劃。

總而言之，數據清洗過程極為昂貴，需要耗費大量時間、資源以及外部支持，而海量投資并不一定能帶來有效回報。而且事實證明，大多數企業根本負擔不了持續不斷的數據清洗操作。這種可行性難題與數據清洗必要性的交織，令運營者們頭痛不已，但又無法坐視不理——因為如果沒有數據，業務增強、流程改進乃至成本節約都將無從談起。

不幸中的萬幸在于，新冠疫情的蔓延已經成為技術發展與實際部署的重要助力。供應鏈也因此迎來重大的積極影響，企業開始利用AI與ML的力量突破傳統數據清洗設下的重重包圍。

無需傳統數據清洗，也可提升業務產出

長期以來，制造業供應鏈一直面臨著數據需求旺盛、但數據供給匱乏，而且新技術采用難度極大的困境。COVID-19的不期而至帶來新的緊迫性，推動其深入研究改進方法。我們無法預測疫情變化，但卻可以提供供應鏈體系的彈性與敏捷性。在經歷幾個月的實踐摸索之后，事實證明只要向供應鏈中注入敏捷性因素，它就能夠針對實時動態做出靈活響應。

疫情背景下的運營經驗告訴我們，供應鏈數據永遠處于混亂狀態。供應鏈部門不可能耗費幾個月時間清洗數據，畢竟這種完成即過時的狀態不足以支撐當前的生產與交付需求。但如果放棄數據控制，制造商將無法快速轉變以配合店面與倉庫的實際需求，也無法有針對性地優化庫存與配送流程。

通過總結，我們發現這類負面影響主要體現在三個層面。首先是數據質量問題，即數據“骯臟”、冗余且質量低下。另外，存放數據的設施往往彼此孤立，無法彼此“通話”。而且由于靈活性太差，其往往嚴重拖累實際生產效率。

其次，傳統數據往往只能手動清洗，因此不可能跟得上實時變化。也正是由于供應鏈技術的更新迭代速度太慢，導致庫存成本不斷增長，且庫存效能跟不上當前需求。各個業務部門之間往往具有彼此隔離的目標與動機，導致各方在如何簡化供應流程、需要哪些數據方面存在嚴重脫節。

由此帶來第三個問題——高昂的成本。糟糕的供應鏈數據管理每年可能導致數百萬美元的運營損失。

新冠疫情不僅讓我們深刻意識到完善供應鏈流程的重要意義，同時也喚醒了人們增強數據清洗能力的渴望。面對現實難題，我們必須求助于兩股新生力量——AI與ML。

AI有望“消滅”數據清洗需求：將速度與規模提升至新水平

Gartner方面預計：“截至2024年底，將有74%的企業由試驗性AI轉變為可操作AI，由此將數據流與分析基礎設施的規模提升達5倍。”

但我們不可能坐等2024年“革命勝利日”的自然降臨。COVID-19疫情已經證明，壓力會持續存在，直到我們愿意積極行動、真正完成數字化轉型。而供應鏈落后帶來的嚴重影響，導致任何一家企業都承擔不起這種現實風險。

AI與ML的價值正在于此。盡管制造業與供應鏈行業一直將AI視為新鮮事物，但這方面成果早已有之，而且已經開始提供相對易于上手及使用的解決方案。在供應鏈當中，AI與機器學習能夠消除大數據中包含的種種“噪音”。AI現在可以對接收到的需求信號進行檢查與分類，并根據實時信息進行自我完善。數據分析流程則隨時保持主動執行，積極切入數據管道并響應即時需求。以往的數據清洗周期往往長達9到18個月，而且可能需要將數據插入電子表格；但如今在AI的幫助下，清洗時間有望從2年縮短為2個月。由此，浩如煙海的數據將第一次變得易于理解、易于使用、智能且極具可操作性。