利用數據和預測做好決策：機器學習如何改變供應鏈管理？

近年來，Covid-19 大流行病、俄烏沖突、貿易戰和其他事件擾亂了供應鏈，凸顯了企業改善規劃以提高靈活性和應變能力的迫切需要。然而，企業在應對這一挑戰時卻舉步維艱。其中一個主要原因是錯誤的預測，導致交貨延誤、庫存水平與需求嚴重脫節，以及令人失望的財務業績。這些后果不足為奇。畢竟，如果需求預測嚴重失準，又如何有效地做出庫存和生產決策呢？

我們開發了一種方法來解決這一不足。我們的新模式利用機器學習和歷史數據，為供應鏈決策提供卓越的建議。目前的機器學習方法側重于嘗試創建更準確的預測，而我們的方法則側重于做出實際決策。這種我們稱之為最優機器學習（optimal machine learning，OML）的新方法，是利用人工智能技術創建一個數學模型，將與供應鏈相關的關鍵數據輸入（網絡節點、節點位置、銷售和裝運交易、財務參數、營銷推廣、物流和產能限制等）與計劃決策（例如，生產什么數量的產品，或在每個地點儲備什么水平的庫存）聯系起來。該模型可以考慮公司的優先事項（如合同規定的或希望達到的客戶服務水平）、預算限制和其他資源限制（如材料和勞動力的可用性）。數據的存儲方式可以實現近乎實時的更新，并快速修改計算結果，為決策提供依據。

我們對供應鏈管理進行了數十年的研究，并在半導體設備制造、航空航天與國防、電信和計算機等多個行業的公司實施了我們的想法，在此基礎上，我們開發了 OML。在這篇文章中，我們解釋了為什么現有的供應鏈規劃方法（包括其他機器學習技術）都失敗了，我們的方法是如何工作的，以及實施這種方法需要對規劃團隊和衡量標準做出哪些改變。我們重點介紹了我們在兩家財富 500 強企業中擔任顧問，對 OML 進行測試的經驗——結果表明，在大幅降低庫存投資的情況下，OML 有可能提高收入和產品可用性。

其中一家公司生產和銷售用于生產半導體的資本密集型設備。為了確?？蛻舻脑O備能夠正常運行，該公司必須管理成千上萬的備件庫存。但在過去，該公司經常面臨關鍵零部件短缺的問題，這導致了昂貴的加急運輸或破壞性的等待時間，從而造成客戶所在地代價高昂的停機。沮喪的經理們經常爭先恐后地推翻企業資源規劃（ERP）系統提供的庫存建議。經理們依靠自己的經驗，使用現有計劃軟件中沒有明確納入的數據輸入，但他們的推翻是主觀的、臨時的，而且設計起來非常耗時，往往使他們的問題更加復雜。

我們要討論的另一家公司是一家消費電子產品公司，該公司通過數千家零售商的商店銷售由亞洲合同制造商生產的先進虛擬現實界面設備組合。這家公司正在建立其銷售和運營規劃流程，并面臨著來自不同利益相關者（供應商；公司營銷、生產、物流和供應采購職能團隊；以及擁有數千家零售店的復雜供應鏈的客戶）的各種方法和數據輸入的挑戰。消費者需求的高度不確定性導致一些零售點持續短缺，而另一些零售點則庫存過剩。

為什么敏捷性和應變能力仍然難以實現

各行各業的公司都未能制定有效的戰略，使其供應鏈做好準備，以抵御不可預見的中斷。這是因為現有規劃方法存在三個重大缺陷：有缺陷的預測驅動流程、與數據相關的挑戰以及無效的情景規劃。

預測驅動型規劃（Forecast-driven planning）

最廣泛使用的供應鏈計劃方法包括兩個步驟。在預測步驟中，根據銷售和訂單的歷史數據、經濟狀況和競爭對手行動的信息以及主觀判斷生成需求預測。在優化步驟中，這些預測被輸入供應鏈網絡的數學模型，以生成最終的庫存決策。這種方法被稱為預測-優化（PTO），失敗的原因有很多。

（1）沒有一個各方都同意用于決策的單一預測。在這家消費電子產品公司，銷售經理每月都會對總銷售額進行預測，并對未來 12 個月內每個零售客戶的銷售額進行預測。庫存計劃團隊獨立制定了自己的客戶需求預測，但每周都要進行一次，因為庫存訂單通常每周下達一次。為了管理消費電子產品公司的訂單并將庫存分配給其商店網絡，每個零售客戶也都制定了自己的預測。這些客戶的預測往往與消費電子公司的預測大相徑庭。此外，所有預測都是在不同的時間點做出的，并隨著新的需求信息的出現而更新。而且，由于沒有人完全了解消費電子產品公司或零售商實施的市場促銷活動會如何影響銷售，因此對終端客戶需求的估計往往被扭曲。在這種情況下，當有多種預測時，每種預測都有自己的誤差，不清楚哪種預測是優化供應鏈規劃決策的理想預測。

（2）規劃過程中各利益相關群體的目標不一致，導致決策出現偏差，達不到最佳效果。在這家消費電子產品公司，銷售團隊通常傾向于高估預測，以確保供應，而庫存團隊則傾向于降低預測，以確保盡量減少報廢。財務團隊主要關心與未售出庫存相關的陳舊成本。當然，高級管理層最關心的是實現季度收入目標，并將庫存占用的資金降至最低。公司的供應商則面臨生產能力限制和多個客戶的競爭性需求；因此，公司經常要聽從供應商的決定。與此同時，為了防止收到的所需電子產品數量不足，零售商經常虛報訂單。

目標錯位也是半導體設備制造商面臨的一個問題。庫存經理們經常庫存過少的零件，希望最大限度地降低庫存總投資，避免對未售出產品進行代價高昂的注銷。這是因為高級管理層在提供投資資本和注銷目標時，沒有清楚地認識到由此可能造成的收入損失。

（3）決定如何優化庫存的方法存在缺陷。目前廣泛使用的傳統模型無法捕捉到供應鏈動態的所有復雜因素。在 PTO 的優化步驟中，它們通常采用過于簡單的算法。即使使用了先進的 “優化” 工具，預測、模型制定和優化過程中的任何錯誤都會導致結果不佳。

規劃中的另一個挑戰是，即使有完美的預測也是不夠的。有關供應訂單和向不同地點發貨的決策還必須考慮會影響關鍵財務和運營績效指標的各種因素。這些因素包括資源限制（如生產、運輸和存儲能力）、客戶的特定需求、客戶和地區的盈利能力差異，以及本地和全球服務水平要求。

數據挑戰（Data challenges）

現在，幾乎可以實時維護和訪問有關商店級銷售交易的大量數據。遺憾的是，對于擁有全球供應鏈的公司來說，訪問和整合這些數據仍然是一個巨大的挑戰。

考慮一下這家消費電子公司。該公司的供應鏈數據廣泛分散在組織內部和外部的不同參與者之間。在企業內部，銷售團隊維護預測信息，市場營銷人員處理促銷相關信息，供應計劃團隊管理庫存信息，財務部門負責財務信息，等等。對外，商店銷售數據以及從客戶配送中心到商店的發貨數據都屬于這些零售商的權限范圍。更糟糕的是，這些數據還以不同的格式和存儲方式存在–一部分是 Excel 文件，一部分是 Tableau 表格，一部分是電子郵件中的文本形式，等等。在某些情況下，數據是以匯總的形式保存的，而不是決策所需的具體數據。由于信息的分散性，根本無法利用細粒度的交易數據來支持高效補貨決策所需的分析。此外，由于不存在整個供應鏈的單一代表，因此無法分析各種外部因素（如商業周期）和競爭因素（如競爭對手公司新產品的推出和定價）對端到端供應鏈的影響。

無效的情景規劃（Ineffective scenario planning）

要制定使供應鏈更靈活（能夠應對中斷）和更有彈性（能夠反彈）的戰略，第一步就是針對可能影響供應鏈的眾多風險制定相應的未來情景。黑天鵝事件–罕見的、影響巨大的中斷事件，如 2021 年集裝箱船堵塞蘇伊士運河–幾乎無法預測。其他可能對供應鏈產生重大影響的威脅，如俄烏戰爭，雖然可以預見，但發生的可能性卻難以確定。

盡管許多公司已開始將情景規劃納入其供應鏈規劃流程，但此類分析往往缺乏足夠的細節，因而無法發揮作用。例如，僅僅知道公司的整體銷售額會在一場戰爭中下降是不夠的，因為戰爭會限制主要供應商的運營。我們需要的是深入了解戰爭對每種產品、客戶和地區的影響程度和時間安排，以便制定適當的戰略來減輕影響。這種了解對于創建定制供應鏈也很重要，即根據地域、產品和客戶的不同而有所區別的供應鏈，而不是采用”一刀切”的策略。遺憾的是，如果沒有一個能夠提供精細洞察的機制，規劃工作往往會導致不理想的結果。

新范例

我們的優化機器學習方法克服了現有供應鏈規劃方法的重大缺陷。它有三個關鍵組成部分：決策支持引擎、數字孿生和端到端數據架構。

決策支持引擎（Decision-support engine）

OML 以一步到位的流程取代了基于預測的兩步規劃流程，將輸入數據直接與供應鏈決策聯系起來。OML 方法結合了有關整個供應鏈需求驅動因素（例如，實際銷售交易和影響交易的因素，如價格、促銷、客戶群的規模和構成）和供應驅動因素（如供應商庫存、交貨時間、產能限制和運輸延誤）的歷史數據。該引擎以優化關鍵績效指標（KPI）的方式，確定這些供需數據元素與供應鏈決策之間的關系，這些決策涉及生產數量、補貨訂單、庫存儲備水平以及不同地點之間的庫存運輸。關鍵績效指標可能包括與總體利潤相關的指標；按地區、客戶或產品類別劃分的收入或利潤；產品可用性；庫存周轉率；從中斷中恢復所需的時間等。一旦獲得新數據或供應商網絡發生任何變化，就可以重新計算。

我們在半導體設備制造商和消費電子產品公司實施 OML 時，都利用了云計算的強大功能來運行決策支持引擎。盡管這兩家公司的供應鏈網絡規模都很大，但都能在幾分鐘內提出決策建議。我們的方法還可以納入管理人員指定的業務約束條件（例如，“我的預算是 X”或 “我的產量不能超過 Y”或 “我的產品可用性必須大于 Z%”）。很多傳統的機器學習方法都忽略了這些限制。因此，必須在事后“修復”解決方案，這并不理想。OML 不存在這個問題。

數字孿生（Digital twin）

OML 決策支持引擎工作的一個關鍵要求是對整個供應鏈網絡、所有物料流和所有參與方的決策過程進行詳細的數字表示。通過在每筆交易的細粒度級別高度詳細地模擬供應鏈的性能，數字孿生允許供應鏈規劃人員對過去和未來的供需情況量化準確的關鍵績效指標。

這種數字表示法有兩個優點。首先，它對歷史決策影響的計算可與現有業務系統計算的實際結果進行比較，從而驗證其準確衡量績效的能力，從而增強管理層對系統的信心。其次，它可用于測試其他供應鏈方案或戰略對關鍵績效指標的影響。例如，如果由于特定航道的速度減慢而導致裝運前置時間加倍，情況會怎樣？或者，配送中心的中斷會如何影響收入？或者，將貨物重新配送到該配送中心所服務的商店的最佳方法是什么？歷史分析和預測能力這兩種能力結合在一起，使管理者能夠準確評估風險緩解策略，如替代供應和運輸來源、替代庫存地點、修改生產計劃和使用替代產品。因此，管理人員可以做出更好的決策。

端到端數據架構（End-to-end data architecture）

OML 決策支持引擎和數字孿生需要一個數據存儲系統，與整個供應鏈（公司運營系統以及供應商、分銷商和客戶的系統）中所有現有的數據庫管理系統協同工作。存儲系統應能匯集跨團隊、跨地點和跨產品的數據，并能近乎實時地更新和訪問這些信息。

該架構規定了要納入的各種數據元素、其存儲格式和組織、它們之間的聯系以及更新的頻率。選擇納入的數據應受數字孿生中供應鏈分析表述的驅動，并應考慮最了解決策潛在驅動因素的管理人員的意見。換句話說，OML 方法需要收集和存儲能反映供應鏈結構的數據。我們建議使用圖形數據庫，將數據存儲在供應鏈的節點上（如零售店或批發點），并捕捉重要關系（如哪個批發點為哪個零售店供貨）。這樣就可以按地點、客戶、產品或時間對數據和指標進行有意義的可視化。它還能讓供應鏈規劃人員衡量與成本和服務相關的多個指標的績效，并識別觀察值超出預期范圍并需要進一步分析的情況。

高級管理人員必須確保所有各方都信任規劃系統提出的建議，并認為沒有必要對其進行審查。

這種方法與不考慮業務相關性而使用所有可用數據的方法形成了鮮明對比。一些公司在開發機器學習模型時選擇“無所不用其極”，認為模型會找出哪些數據最重要，然后對其進行適當加權。這種方法的問題在于，模型被認為是一個黑盒子，當決策者無法理解它為什么會產生這樣的結果時，他們往往不會信任它。

推動結果

在這家半導體設備公司，OML 方法被用來確定具體的庫存政策，從而以較低的成本提高服務水平（填充率）。(在任何供應鏈中，提高產品可用性都需要加大庫存投資，從而增加成本）。在部署 OML 之前，該公司的傳統計劃系統可以維持 77% 左右的滿載率，庫存投資略高于 1.35 億美元。當管理人員利用自己的專業知識推翻系統的建議時，他們能夠將填充率提高到約 81%，而庫存投資卻略有增加。OML 系統使該公司可以選擇在實現更高填充率的同時減少近 2000 萬美元的庫存開支，或將填充率提高到近 85%，同時將庫存投資保持在 1.35 億美元左右。此外，該系統還能讓管理人員騰出手來，專注于更具戰略性的問題。數字孿生系統的可視化功能幫助他們準確了解需要改變的內容和原因，從而提高了他們接受建議的意愿。例如，一個關鍵的見解是，OML 的決策規則在考慮新產品的同時，還考慮了現有產品的安裝數量，并捕捉到了它們對庫存部署決策的影響——這些聯系以前都沒有考慮在內。

在這家消費電子產品公司的案例中，OML 模型揭示了庫存管理方面的明顯缺陷。例如，為銷售量最高的地區提供服務的配送中心的庫存量歷來最少。這導致其所支持的商店經常出現庫存短缺，以及加速向該中心發貨。OML 模型正確識別了這一差異，并為該地點推薦了最佳庫存儲備政策。我們的分析還顯示，雖然大多數零售店的平均產品供應水平是可以接受的，但仍有相當數量的零售店出現嚴重短缺。值得注意的是，雖然 OML 模型捕捉到了整個網絡直至零售點的情況，但所有關于客戶配送中心和零售店庫存部署的決策都是由客戶而非消費電子公司做出的。然而，由于該模型對庫存部署的洞察力，該公司更有能力影響客戶的庫存決策。對話中的關鍵因素是模型決策建議的可視化，它易于理解，能準確顯示哪些驅動因素對決策建議負責。這種可視化對于確保所有利益相關者的支持至關重要。

成功采用新方法

OML 這樣的分析工具要想幫助企業提高供應鏈的靈活性和彈性，必須輔之以適當的組織結構、具備適當技能的人員、規劃流程的改變，以及對機器學習的潛力和陷阱的詳細了解。

首先，高級管理人員應確保規劃團隊從一開始就包括廣泛的內部和外部利益相關者。要確定 OML 目標、捕捉業務限制因素、確定關鍵績效指標和相關數據，就需要在供應鏈管理問題建模方面有足夠經驗的職能專家和運營研究分析師。這意味著團隊中應包括來自市場營銷、銷售、財務、供應鏈物流、生產和 IT 部門的人員；數據科學家和分析專家也至關重要。必要時，企業內部的專業知識應得到外部顧問和學術專家的補充。有些公司將機器學習項目完全委托給數據科學家。這種做法是錯誤的，因為數據科學家通常對供應鏈領域知之甚少。

其次，OML 要求公司從多個來源識別、收集和獲取所需的數據輸入，并驗證機器學習模型生成的輸出。前者要求計算機科學家能夠利用現代數據庫系統構建必要的端到端數據架構，后者則要求供應鏈規劃人員和管理人員具備足夠的領域知識和經驗。

第三，必須重新設計銷售與運營計劃（S&OP）流程，即計劃團隊成員共同制定銷售、生產和庫存計劃的流程，以充分利用 OML 通過其分析速度和深度所提供的靈活性。S&OP 周期通常為一個月，因為處理上一周期的信息并就下一周期的行動達成共識需要如此長的時間。但這樣一來，企業就很難對供應或物流中斷以及不斷發生的需求變化做出迅速反應。他們需要做的是用更快、反應更迅速的 S&OP 周期取代通常長達一個月的 S&OP 周期。這就需要對系統和流程進行投資，使供應鏈能夠快速做出反應，例如基于云計算的最先進的求解器軟件系統，它可以在合理的時間范圍內（例如，針對特定情景或政策分析，在幾分鐘內）生成解決方案。因此，企業需要優化和云計算方面的專業知識，而這可以分別從軟件和云解決方案公司獲得。

最后，規劃團隊應與高級管理層協商，制定最終將推動供應鏈決策的關鍵績效指標。這些指標可能包括按客戶、產品和地區劃分的填充率；成本和利潤率；以及庫存周轉率。了解內部和外部利益相關者之間的沖突，并確保每個人的認同，對于完成這一步驟非常重要。通過詳細分析各種決策對每個利益相關者的影響，OML 可以提供幫助。通常，影響供應鏈整體績效的決策由多個利益相關者做出。如果每個利益相關者的績效指標都是透明的，并為各方所接受，那就最好不過了。我們的 OML 方法允許模型反復運行，直到找到各方都認可的解決方案。歸根結底，高級管理人員必須確保各方都信任規劃系統提出的建議，并認為沒有必要對其進行審查。

結束語

OML 使公司能夠根據歷史和當前供需信息做出決策，而不僅僅是更準確的預測。它為企業提供了一種工具，可以幫助企業降低成本，增加收入、利潤和客戶滿意度。它使企業能夠測試降低風險的策略，從而更容易選擇最佳策略。通過所有這些，它提供了一種建立更靈活、更有彈性、性能更高的供應鏈的方法。

原文引用：Agrawal N, Cohen M A, Deshpande R, et al. How Machine Learning Will Transform Supply Chain Management[J]. HARVARD BUSINESS REVIEW, 2024, 103(3-4): 128-137.