机器学习将如何改变供应链管理（HBR最新文章）

导读：尽管人工智能/机器学习在供应链管理中的应用并非新鲜事物，但迄今为止，机器学习主要用于提高多层供应链的可视性、改进预测、模拟或假设分析。这些发展对供应链计划都没有多大帮助，而供应链计划是建立供应链敏捷性和弹性的关键要素。

Agrawal 的最新论文发表在《哈佛商业评论》上，介绍了一种与机器学习当前实际应用方式截然不同的新方法。最佳机器学习(OML) 模型能够用一步式决策引擎取代传统的基于预测的两步式预测然后优化(PTO) 方法。通过绕过 PTO 系统有缺陷的第一步，OML 模型将历史数据与符合公司关键绩效指标 (KPI) 的决策联系起来，直接从数据到决策。

OML 模型的第二个独特组成部分是 Agrawal 所说的“数字孪生”，它是整个供应链网络的数字化表示，包括材料、财务和信息流。在这种数字孪生中使用高度精细的交易级数据，使公司能够严格分析各种场景中的详细结果，而这在传统的情景规划方法中几乎是不可能的。这种能力对于评估和建立供应链的弹性至关重要。

本文原文：https://hbr.org/2024/03/how-machine-learning-will-transform-supply-chain-management  编辑仅翻译及校对

比利时摄影师迪迪埃-恩格斯（Didier Engels）拍摄了欧洲各地的码头、货舱和集装箱。在这些图片中，他航拍了五颜六色的集装箱，并对其进行处理，创造出引人注目的构图。

Covid-19 大流行病、俄乌冲突、贸易战争以及近年来发生的其他事件扰乱了供应链，凸显了企业改善供应链规划以提高灵活性和应变能力的迫切需要。然而，企业在应对这一挑战时却举步维艰。其中一个主要原因是预测有误，导致交货延误、库存水平与需求严重脱节，以及财务业绩令人失望。这些后果不足为奇。毕竟，在需求预测严重失准的情况下，如何才能有效地做出库存和生产决策呢？

我们已经开发出一种方法来解决这一不足。我们的新模式利用机器学习和历史数据，为供应链决策提供卓越的建议。当前的机器学习方法侧重于尝试创建更准确的预测，而我们的方法则侧重于做出实际决策。我们将这种新方法称为最佳机器学习（OML），它涉及使用人工智能技术创建一个数学模型，该模型将与供应链相关的关键数据输入（网络节点、节点位置、销售和装运、财务参数、营销推广、物流和产能限制等）与规划决策（例如，生产何种数量的产品，或在每个地点储备何种水平的库存）联系起来。该模型可以考虑公司的优先事项（如合同订单规定的或希望达到的客户服务水平）、预算限制和其他资源限制（如原材料和劳动力的可用性）。数据的存储方式可以实现近乎实时的更新，并快速修改计算结果，为决策提供依据。

我们对供应链管理进行了数十年的研究，并在半导体设备制造、航空航天与国防、电信和计算机等多个行业的公司实施了我们的想法，在此基础上，我们开发了 OML。在这篇文章中，我们解释了为什么现有的供应链计划方法（包括其他机器学习技术）都失败了，我们的方法是如何工作的，以及实施这种方法需要对计划团队和衡量标准做出哪些改变。我们重点介绍了在两家财富500 强企业中测试 OML 的经验。

其中一家公司生产和销售用于制造半导体的资本密集型设备。为了确保客户的设备能够正常运行，该公司必须管理成千上万的备件库存。但在过去，该公司经常面临关键部件短缺的问题，这导致了昂贵的加急装运或破坏性的等待时间，从而造成客户所在地代价高昂的停机。沮丧的经理们经常争先恐后地推翻企业资源计划（ERP）系统提供的库存建议。经理们依靠自己的经验，使用现有计划软件中没有明确纳入的数据输入，但他们的推翻是主观的、临时的，而且设计起来非常耗时，这往往使他们的问题更加复杂。

我们要讨论的另一家公司是一家消费电子产品公司，该公司通过数千家零售商的商店销售由亚洲合同制造商生产的先进虚拟现实设备套装。这家公司正在建立其销售和运营计划流程，并面临着来自不同利益相关者（供应商；公司内部销售、生产、物流和供应采购职能团队；以及拥有数千家零售店的复杂供应链的客户）的各种方法和数据输入的挑战。消费者需求的高度不确定性导致一些零售点持续短缺，而另一些零售点则库存过剩。

为什么敏捷性和应变能力仍然难以实现

各行各业的公司都未能制定有效的战略，使其供应链做好准备，以抵御不可预见的中断。这是因为现有计划方法存在三个重大缺陷：有缺陷的预测驱动流程、与数据相关的挑战以及无效的情景规划。

预测驱动型计划

最广泛使用的供应链计划方法包括两个步骤。在预测步骤中，需求预测是根据有关销售和订单的历史数据、有关经济状况和竞争对手行动的信息以及主观判断生成的。在优化步骤中，这些预测被输入供应链网络的数学模型，以生成最终的库存决策。这种方法被称为预测-优化（PTO），失败的原因有很多。

1. 没有一个各方都同意用于决策的单一预测

在这家消费电子产品公司，销售经理每月都要对总销售额进行预测，同时还要对未来 12 个月内每个零售客户的销售额进行预测。库存计划团队也独立制定了自己的客户需求预测，但由于库存订单通常每周下达一次，因此库存计划团队每周都要进行一次预测。为了管理与消费电子公司的订单，并将库存分配给其商店网络，每个零售客户也都制定了自己的预测。这些客户的预测往往与电子消费品公司的预测大相径庭。此外，所有预测都是在不同的时间点做出的，并随着新的需求信息的出现而更新。而且，由于没有人完全了解消费电子产品公司或零售商实施的市场促销活动会如何影响销售，因此对终端客户需求的估计往往是失真的。在这种情况下，如果有多种预测，而每种预测都有自己的误差，就不清楚哪种预测才是优化供应链计划决策的理想预测。

2. 计划过程中各利益相关群体的目标不一致，导致决策出现偏差，达不到最佳效果

在这家消费电子公司，销售团队通常倾向于高估预测，以确保供应，而库存团队则倾向于降低预测，以确保尽量减少报废。财务团队主要关心与未售出库存相关的陈旧成本。当然，高级管理层最关心的是实现季度收入目标和尽量减少库存资金占用。公司的供应商则面临着生产能力的限制和多个客户的竞争性需求；因此，公司常常要听从供应商的决定。与此同时，为了防止收到的所需电子产品数量不足，零售商经常虚报订单。

目标错位也是半导体设备制造商面临的一个问题。 库存经理们经常库存过少的零件，希望最大限度地降低库存的总体投资，避免对未售出产品进行代价高昂的注销。 这是因为高级管理层在提供投资资本和注销目标时，并不清楚由此可能造成的收入损失。

3. 决定如何优化库存的方法存在缺陷

目前广泛使用的传统模型无法捕捉到供应链动态的所有复杂因素。它们通常在 PTO 的优化步骤中采用过于简单的算法。即使使用了先进的 "优化 "工具，预测、模型制定和优化过程中的任何错误都会导致结果不佳。

计划中的另一个挑战是，即使有完美的预测也是不够的。有关供应订单和向各地发货的决策还必须考虑会影响关键财务和运营绩效指标的各种因素。这些因素包括资源限制（如生产、运输和存储能力）、客户特定需求、客户和地区的盈利能力差异以及本地和全球服务水平要求。

数据挑战。现在，几乎可以实时维护和访问有关商店级销售交易的大量数据。遗憾的是，对于拥有全球供应链的公司来说，访问和整合这些数据仍然是一个巨大的挑战。

考虑一下这家消费电子公司。该公司的供应链数据广泛分散在组织内部和外部的不同参与者之间。对内，销售团队负责维护预测信息，市场营销人员负责处理与促销相关的信息，供应计划团队负责管理库存信息，财务部门负责财务信息，等等。对外，商店销售数据以及从客户配送中心到商店的发货数据都属于这些零售商的权限范围。更糟糕的是，这些数据还以不同的格式和存储方式存在--一部分是 Excel 文件，一部分是 Tableau 表格，一部分是电子邮件中的文本形式，等等。在某些情况下，数据被保存在汇总层面，而非决策所需的具体内容。由于信息的分散性，根本无法利用细粒度的交易数据来支持高效补货决策所需的分析。此外，由于不存在整个供应链的单一代表，因此无法分析各种外部因素（如商业周期）和竞争因素（如竞争对手公司新产品的推出和定价）对端到端供应链的影响。

无效的情景规划。要制定使供应链更灵活（能够应对中断）和更有弹性（能够反弹）的战略，第一步就是针对可能影响供应链的众多风险制定相应的未来情景。黑天鹅事件--罕见的、影响巨大的中断事件，如 2021 年集装箱船堵塞苏伊士运河--几乎无法预测。其他可能对供应链产生重大影响的威胁，如俄乌战争，虽然可以预见，但发生的可能性却难以确定。

尽管许多公司已开始将情景规划纳入其供应链计划流程，但此类分析往往缺乏足够的细节，难以发挥作用。例如，仅仅知道公司的整体销售额会在一场战争中下降是不够的，因为战争会限制主要供应商的运营。我们需要的是深入了解战争对每种产品、客户和地区的影响程度和时间安排，从而制定适当的战略来改善这种影响。这种了解对于创建定制供应链--按地域、产品和客户区分的供应链--而不是采用 "一刀切 "的战略也很重要。遗憾的是，如果没有一个能够提供精细洞察的机制，计划工作往往会导致不理想的结果。

新范例

我们的优化机器学习方法克服了现有供应链规划方法的重大缺陷。它有三个关键组成部分：决策支持引擎、数字孪生和端到端数据架构。

决策支持引擎。OML 以一步到位的流程取代了基于预测的两步规划流程，将输入数据直接与供应链决策联系起来。OML 方法结合了整个供应链需求驱动因素的历史数据（例如，实际销售交易和影响交易的因素，如价格、促销、客户群的规模和构成）和供应驱动因素（如供应商库存、交货时间、产能限制和运输延误）。该引擎以优化关键绩效指标（KPI）的方式，确定这些供需数据元素与供应链决策之间的关系，这些决策涉及生产数量、补货订单、库存储备水平以及不同地点之间的库存运输。关键绩效指标可能包括与总体利润相关的指标；按地区、客户或产品类别划分的收入或利润；产品可用性；库存周转率；从中断中恢复所需的时间等。一旦获得新数据或供应商网络发生任何变化，就可以重新计算。

我们在半导体设备制造商和消费电子产品公司实施 OML 时，都利用了云计算的强大功能来运行决策支持引擎。尽管这两家公司的供应链网络规模都很大，但都能在几分钟内提出决策建议。我们的方法还可以纳入管理人员指定的业务约束条件（例如，"我的预算是 X "或 "我的产量不能超过 Y "或 "我的产品可用性必须大于 Z%"）。很多传统的机器学习方法都忽略了这些限制。因此，必须在事后 "修复 "解决方案，这并不理想。OML 不存在这个问题。

数字孪生。OML 决策支持引擎工作的一个关键要求是对整个供应链网络、所有物料流和所有参与方的决策过程进行详细的数字表示。通过以高度详细的方式模拟供应链在每笔交易中的表现，数字孪生系统使供应链规划人员能够为过去和未来的供需情况量化准确的关键绩效指标。

这种数字表示法有两个优势。首先，它对历史决策影响的计算可与现有业务系统计算的实际结果进行比较，从而验证其准确衡量绩效的能力，从而增强管理层对系统的信心。其次，它可用于测试其他供应链方案或战略对关键绩效指标的影响。例如，如果由于特定航道的速度减慢而导致装运前置时间翻倍呢？或者，配送中心的中断会如何影响收入？或者，重新安排向该配送中心所服务的商店发货的最佳方式是什么？历史分析和预测能力这两种能力结合在一起，使管理者能够准确评估风险缓解策略，如替代供应和运输来源、替代库存地点、修改生产计划和使用替代产品。因此，管理人员可以做出更好的决策。

端到端数据架构。OML 决策支持引擎和数字孪生需要一个数据存储系统，与整个供应链（公司运营系统以及供应商、分销商和客户的系统）中所有现有的数据库管理系统协同工作。存储系统应能汇集跨团队、跨地点和跨产品的数据，并能近乎实时地更新和访问这些信息。

该架构规定了要纳入的各种数据元素、其存储格式和组织、它们之间的联系以及更新的频率。选择纳入的数据应受数字孪生中供应链分析表述的驱动，并应考虑最了解决策潜在驱动因素的管理人员的意见。换句话说，OML 方法需要收集和存储能反映供应链结构的数据。我们建议使用图形数据库，在供应链节点（如零售店或批发点）存储数据，并捕捉重要关系（如哪个批发点为哪个零售店供货）。这样就可以按地点、客户、产品或时间对数据和指标进行有意义的可视化。它还能让供应链规划人员衡量与成本和服务相关的多个指标的绩效，并识别观察值超出预期范围并需要进一步分析的情况。

“高级管理人员必须确保所有各方都信任规划系统提出的建议，并且不认为有必要对其进行审查。”

这种方法与不考虑业务相关性而使用所有可用数据的方法形成了鲜明对比。一些公司在开发机器学习模型时选择 "无所不用其极"，认为模型会找出最重要的数据，然后对其进行适当加权。这种方法的问题在于，模型被认为是一个黑盒子，当决策者无法理解它为什么会产生这样的结果时，他们往往不会信任它。

驱动结果

在这家半导体设备公司，OML 方法被用来确定具体的库存政策，从而以较低的成本提高服务水平（填充率）。(在任何供应链中，提高产品可用性都需要加大库存投资，从而增加成本）。在部署 OML 之前，该公司的传统计划系统可以维持 77% 的满载率，库存投资略高于 1.35 亿美元。当经理们利用自己的专业知识推翻系统的建议时，他们就能在库存投资略高的情况下将填充率提高到约 81%。OML 系统为公司提供了两种选择，一种是在实现更高填充率的同时，减少近 2000 万美元的库存支出；另一种是在将库存投资保持在约 1.35 亿美元的同时，将填充率提高到近 85%。此外，该系统还能让管理人员腾出手来，专注于更具战略性的问题。数字孪生的可视化功能帮助他们准确了解需要改变的内容和原因，从而提高了他们接受建议的意愿。例如，一个关键的见解是，OML 的决策规则考虑了现有产品安装数量和新产品安装数量，并捕捉到了它们对库存部署决策的影响--这些联系以前都没有考虑在内。

在这家消费电子产品公司的案例中，OML 模型揭示了库存管理方面的明显缺陷。例如，为销售量最高的地区提供服务的配送中心的库存量历来最少。这导致其所支持的商店经常出现库存短缺，并加快了向该中心发货的速度。OML 模型正确识别了这一差异，并为该地点推荐了最佳库存储备政策。我们的分析还显示，虽然大多数零售店的平均产品供应水平是可以接受的，但也有相当数量的零售店出现了严重的产品短缺。值得注意的是，虽然 OML 模型捕捉到了整个网络直至零售点的情况，但客户配送中心和零售店库存部署的所有决策都是由客户而非消费电子公司做出的。然而，由于该模型对库存部署的洞察力，该公司更有能力影响客户的库存决策。对话中的关键因素是模型决策建议的可视化，它易于理解，能准确显示哪些驱动因素对决策建议负责。这种可视化对于确保所有利益相关者的认同至关重要。

成功采用新方法

要使 OML 这样的分析工具有助于公司建立供应链的灵活性和弹性，必须同时建立适当的组织结构、配备具备适当技能的人员、改变计划流程，并详细了解机器学习的潜力和陷阱。

首先，高级管理人员应确保规划团队从一开始就包括广泛的内部和外部利益相关者。要确定 OML 目标、捕捉业务限制因素、确定关键绩效指标和相关数据，就需要在供应链管理问题建模方面有足够经验的职能专家和运营研究分析师。这意味着团队中应包括来自市场营销、销售、财务、供应链物流、生产和 IT 部门的人员；数据科学家和分析专家也至关重要。必要时，企业内部的专业知识应得到外部顾问和学术专家的补充。有些公司将机器学习项目完全委托给数据科学家。这是一个错误，因为数据科学家通常对供应链领域的熟悉程度极低。

其次，OML 要求公司从多个来源识别、收集和获取所需的数据输入，并验证机器学习模型生成的输出。前者要求计算机科学家能够利用现代数据库系统构建必要的端到端数据架构，后者则要求供应链规划人员和管理人员具备足够的领域知识和经验。

第三，必须重新设计销售和运营计划（S&OP）流程，即计划团队成员共同制定销售、生产和库存计划的流程，以充分利用 OML 通过其分析速度和深度所提供的灵活性。S&OP 周期通常为一个月，因为处理上一周期的信息并就下一周期的行动达成共识需要如此长的时间。但这样一来，企业就很难对供应或物流中断以及不断发生的需求变化做出迅速反应。他们需要做的是以更快、反应更迅速的周期取代通常长达一个月的 S&OP 周期。这就需要投资能让供应链快速反应的系统和流程，例如基于云计算的最先进的求解器软件系统，它能在合理的时间范围内（例如，针对特定情景或政策分析，在几分钟内）生成解决方案。因此，企业需要优化和云计算方面的专业知识，而这可以分别从软件和云解决方案公司获得。

最后，计划团队应与高级管理层协商，制定最终将推动供应链决策的关键绩效指标。这些指标可能包括按客户、产品和地区划分的填充率；成本和利润率；以及库存周转率。了解内部和外部利益相关者之间的冲突，并确保每个人的支持，对完成这一步非常重要。通过详细分析各种决策对每个利益相关者的影响，OML 可以提供帮助。通常，影响供应链整体绩效的决策由多个利益相关方做出。如果每个利益相关者的绩效指标都是透明的，并为各方所接受，那就最好不过了。我们的 OML 方法允许模型反复运行，直到找到各方都认可的解决方案。归根结底，高级管理人员必须确保所有各方都信任规划系统提出的建议，并认为没有必要对其进行审查。

OML 使公司能够根据历史和当前供需信息做出决策，而不仅仅是更准确的预测。它为企业提供了一种工具，可以帮助企业降低成本，增加收入、利润和客户满意度。它使他们能够测试降低风险的策略，从而更容易选择最佳策略。通过所有这些，它提供了一种建立更灵活、更有弹性、性能更高的供应链的方法。