供应链管理新玩法：预测分析和机器学习

作者：Hunter Liu

供应链效率是零售业中举足轻重的一环。库存管理、采购、包装和运输都是时间和资源密集型流程，会对企业利润产生巨大影响。问题是这些都是复杂的流程，特别是涉及到多个网点和领域的大规模运营时。 事实上，零售业往往依赖于外部力量 ，如供应商、服务提供商，甚至是依赖于天气。这让一切更加困难。

这就是为什么大型零售商和越来越多的小经营户都热衷于大数据分析技术。 提升复杂系统中的效率，正是技术所擅长的。

Splice Machine专为零售业提供预测系统，CEO Monte Zweben向我们介绍了零售商在数据分析中关注的三个关键领域，他们以此提高供应链的效率。 我们还谈到了：为什么这种方法对于企业创新极为重要。

更快满足客户需求

今天的物联网把一切连接了起来，收集、分享其运营数据。通过技术，一切都变得可以衡量。零售商可以在库存中收集所有数据—— 起点、中转路线、扫描时间或扫描位置和状态都由RF（射频）进行标记。

「现在你可以创建一个机器学习模型，这个模型会基于数据做出全方面的运营预测。」Zweben介绍道。

「赶不上一个单子的可能性有多大？延迟一天的可能性有多大？延迟五天的可能性呢？机器做的基本上就是分门别类。」

由于零售业依赖于外界的影响，所以不能完全消除货品延迟的影响，而机器可以帮助你在给客户造成不便之前采取补救措施，当货物可能延迟时，系统可以发出道歉邮件，而不是让客户干等。

减少失误和损坏导致的故障时间

技术肯定会出故障、死机、停机，对于依赖复杂机械执行任务的工业应用来说，这一点是肯定的。

「如果你可以构建机器学习模型，来预测大型工程网络中零件故障的平均时间，并学习更改这些零件的准确交货时间，那么你就相当于有了一个实时仪表盘，根据数据为你预测一切。」Zweben说。

这种预测性维护最初是在重工业中率先开展的，在重工业中，故障时间可能会带来灾难性的后果。 现在，这套技术也用到了供应链物流方面，主要方向是采购、包装和运输。

避免库存紧缩，实现库存最大化

零售行业中，并非所有库存都会在最终出售给客户，还会有损坏、库存管理不善、库存错误、欺诈和盗窃等原因造成的一定数量的损失。数据预测分析可以有效减少这种状况。

「打个比方，如果你订购了一百件某样产品，那么这一百件中很有可能出现损坏品。你只能配送出去90件，剩下十件就得打电话和供应商要货。你可以通过技术「了解」供应链上的紧缩状况，预测出你实际应该订购多少件产品。」Zweben介绍说。

未来

展望未来，大数据分析（如机器学习）只会在供应链优化中扮演越来越重要的角色。并且，这类技术更有可能被今天的大型网络、国家网络和国际网络采用，因为这些领域都需要大量的实时数据，需要分析相关成本和复杂性，并最终将这些数据整合到一起。

然而，越来越多的基础设施提供了“即服务”和开箱即用的分析平台，加上采购外部数据的新市场，这一技术将开放到更小规模的业务中去。在这套改变游戏规则的技术下，企业对创新的规划也将成为竞争胜败的决定性因素。