近年来，新冠疫情、俄乌冲突、贸易战和其他事件扰乱了供应链，企业迫切需要改善供应链的规划方式，提高灵活性和应变能力。
然而，企业在应对这一挑战时举步维艰。其中一个主要原因是预测失误，这会导致交货延误、库存水平与需求严重脱节，以及令人失望的财务业绩。这些后果不足为奇。那么，在需求预测严重失误的情况下，如何才能有效地做出库存和生产决策呢？
我们开发了一种方法来弥补这一不足。这种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。目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。这种被称为“优化机器学习”（optimal machine learning，OML）的新方法，会利用AI技术创建一个数学模型，将与供应链相关的关键数据（网络节点、节点位置、销售和货运交易、财务参数、营销推广、物流和产能限制等）和计划决策（例如，生产什么数量的产品，或在每个地点储备多少库存）联系起来。该模型可以考虑公司的优先事项（如合同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（如材料和劳动力的可用性等）。用这种方式存储的数据几乎可以做到实时更新和快速修改计算结果，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、国防、电信和计算机等多个行业的公司中实施了我们的想法，在此基础开发了OML。这篇文章解释了为什么现有的供应链规划方法（包括其他机器学习技术）都失败了，而我们的方法是如何实现的，以及实施这种方法需要对规划团队和衡量标准做出哪些改变。文章重点介绍了在两家《财富》500强企业担任顾问的过程中，对OML 进行的测试——结果表明，在大幅降低库存投资的情况下，OML有可能提高收入和产品可用性。
其中一家公司制作并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配件库存。但在过去，该公司经常面临关键零部件短缺的问题，这导致了昂贵的加急运输费或破坏性的等待时间，从而造成客户面临代价高昂的停机情况。沮丧的经理们经常争先恐后地推翻企业资源规划ERP系统提供的库存规划建议。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。他们的决策是主观的、临时的，而且设计起来非常耗时，往往使问题更加复杂。
另一个例子是一家消费电子产品公司，他们通过成千上万的零售店来销售一系列亚洲合同制造商生产的先进VR界面设备。该公司正在建立销售和运营规划流程，并面临来自各方利益相关者的方法和数据输入挑战——包括供应商、公司营销、生产、物流和供应采购职能团队，以及运营数千个零售店的客户。消费者需求的高度不确定性导致一些零售点的库存持续短缺，而另一些则库存过剩。
敏捷性和应变能力是难点
各行各业的公司都未能制定有效的战略，来让供应链做好准备，抵御不可预见的供应链中断。这是因为，现有的规划方法存在三个重大缺陷：预测驱动的流程缺陷、数据相关的缺陷和挑战，以及情景规划缺陷。
预测驱动型规划。最广泛使用的供应链规划方法包括两个步骤。在预测步骤中，需求预测是根据销售和订单的历史数据、供应链信息，以及生产信息而生成的。在优化步骤中，这些预测被输入进供应链网络的数学模型中，从而生成最终备货决策。这种被称为“预测—优化”（PTO）的方法因各种原因而失败：
1.没有一个各方都同意的、可以用于决策的预测方式。在这家消费电子产品公司，销售经理每月都会预测总销售额和未来12个月内每个零售商的销售额。库存计划团队独立制定了自己的客户需求预测，由于每周都会下达一次库存订单，所以团队也每周进行一次预测。为了管理公司的订单，并将库存分配给其商店网络，每个零售商客户也都制定了自己的预测。这些客户的预测往往与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，并随着新信息的出现而更新。在这种情况下，没人能完全了解公司和零售商的营销（促销）活动会如何影响销售额，所以，他们对客户需求的估计经常会出现失真。当存在多个有误差的预测时，公司也不清楚，哪一个是可以优化供应链规划决策的理想预测。
2. 规划过程中，各利益相关者的目标不一致，导致决策出现偏差。在这家消费电子产品公司，销售团队通常倾向于高估预测，以确保供应量，而库存团队则倾向于放低预测，以确保将过期成本降到最低。财务团队最关心的，则是与未售出库存相关的过期成本。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的占用。公司的供应商则面临生产力限制和多个客户的竞争需求。因此，公司经常受制于供应商的决定。与此同时，为了防止拿到的产品数量不足的问题，零售商通常会虚报订单。
对于该公司来说，目标错位也是一个问题。库存管理人员们通常会保留过少的零部件库存，希望最小化库存总投资，同时避免未售出物品的昂贵冲销。这是因为，高级管理层在设定投资资本和冲销目标时，没有了解清楚可能产生的收入损失。
3. 用于优化库存决策的模型存在缺陷。目前广泛使用的传统模型无法捕捉到造成供应链动态变化的所有复杂因素。PTO的优化步骤通常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一个错误都会导致结果不佳。
规划中的另一个挑战是，即使拥有完美的预测，也仍然是不够的。决定供应多少订单、向各地发多少货，还必须考虑各种影响关键财务和运营绩效指标的因素。这些因素包括：资源限制（如生产、运输和存储能力）、客户的特定需求、客户和地区的盈利能力差异，以及本地和全球服务水平需求。
数据的缺陷和挑战。现在，我们几乎可以实时维护和访问有关店铺交易的大量数据。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。
比如这家消费电子产品公司。它的供应链数据分散在公司内部和外部的不同参与者之间。在内部，销售团队维护预测信息，市场营销团队处理促销的相关信息，供应计划团队管理库存信息，财务部门负责财务信息等。而在外部，店铺销售数据和客户配送中心及店铺的发货数据，则都属于零售商的管理范围。更糟糕的是，这些数据的格式和存储方式也不同——部分是Excel文件，部分是Tableau表格，部分是电子邮件中的文本形式……在某些情况下，数据以汇总的形式被储存，无法体现决策所需的具体细节。由于信息的分散性，公司也根本无法利用详细的交易数据来分析，从而制定高效的补货决策。此外，由于不存在能代表整个供应链的数据，因此，公司也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）、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情景规划。“黑天鹅”事件——罕见的、影响巨大的中断事件，如2021年的集装箱货船堵塞苏黎世运河——几乎无法预测。其他可能对供应链产生重大影响的威胁，比如俄乌冲突，虽然可以预见，但难以确定其发生的可能性。
尽管许多公司已开始将情景规划纳入供应链规划流程，但此类分析往往缺乏足够的细节，因而无法发挥作用。例如，只知道“如果发生武装冲突，主要供应商的业务会受到限制，公司的整体销售额会下降”是不够的。我们需要的是深入了解武装冲突对每种产品、客户和地区的影响程度和时间安排，以便制定适当的战略。这种分析对于创建定制化的供应链来说也很重要，让企业可以根据地域、产品和客户的不同采取不同的供应链策略，而不是一刀切。遗憾的是，我们没有一个能提供精细洞察的机制，导致情景规划往往会产生不理想的结果。
新范式
优化机器学习的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一步到位，取代了基于预测的两步规划，将输入数据直接与供应链决策联系起来。OML方法结合了供应链的需求端驱动因素（如实际销售和交易量，以及价格、促销、客户群的规模和构成等影响交易的因素）和供应端驱动因素（如供应商库存、交货时间、产能限制和运输延误等）数据。该引擎用“优化KPI”的方式，确定供需数据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等。KPI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；中断后恢复供给所需的时间等。一旦获得新数据，或供应商网络发生变化，OML就可以根据变化重新计算决策。
我们在半导体设备制造商和消费电子产品公司中使用OML时，都利用了云计算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OML仍然能在几分钟内就提出决策建议。OML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%”）。很多传统机器学习方法都忽略了这些限制。因此，人们必须在事后“修正”解决方案，这并不理想。但OML不存在这个问题。
数字孪生。OML决策支持引擎的一个关键工作要求，就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。通过高度详细地在每笔交易的细粒度级别对供应链的性能建模，OML的数字孪生允许供应链规划人员针对过去和未来的供需情况量化出准确的KPI。
这种数字表示有两个优点。首先，它可以计算历史决策的影响，并将其与现有业务系统计算出的实际结果进行比较，从而验证它准确衡量绩效的能力，增强管理层对系统的信心。其次，它可以测试其他供应链解决方案或战略对KPI的影响。例如，如果特定航道的速度减慢，导致装运所需的前置时间加倍，情况会怎样？或者，配送中心的停滞会如何影响收入？那将货物重新配送到商店的最佳方法会是什么？将历史分析和预测这两种能力结合在一起，OML能使管理者准确评估缓解风险的策略是否可行，比如，寻找替代的供应和运输来源、使用替代的库存地点、修改生产计划和使用替代产品等。这样，管理者就可以做出更好的决策。
端到端数据架构。OML决策支持引擎和它的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、其存储格式和组织规律，数据之间的联系，以及更新频率。数字孪生中的供应链分析表述也可以推动对纳入数据的选择，同时考虑最了解决策潜在驱动因素的管理者的意见。换句话说，OML的方法需要收集和存储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、产品或时间等因素，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，识别出超预期的数值，和需要进一步分析的情况。
OML与其他不考虑业务相关性，只是纳入所有可用数据来决策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”，认为模型会找出哪些数据最重要，然后适当地加权这些数据。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，他们往往不会信任模型。
推动结果
在半导体设备公司，OML的具体库存政策能让他们以更低的成本实现更高服务水平（即填充率），尽管在任何供应链中，更高的产品可用性都需要更大的库存投资，这会增加成本。在部署OML之前，该公司的传统计划系统可以维持约77%的填充率，库存投资略高于1.35亿美元（约合9.17亿人民币）。当管理者利用专业知识推翻系统的建议时，填充率将提高到约81%，库存投资也略有增加。OML系统可以使该公司在实现更高填充率的同时减少近2000万美元（约1.4亿人民币）的库存开支，或者将库存投资保持在约1.35亿美元，但提高填充率到近85%。此外，该系统还能让管理者腾出手来，专注于更具战略性的问题。数字孪生系统的可视化功能可以帮助他们准确了解需要改变的地方和原因，提高他们接受建议的意愿。比如，一个关键的洞察是，OML的决策规则考虑了现有产品和新产品的安装量，并捕捉它们对部署库存的影响——在以前，这些关联都没有被考虑进去。
在消费电子产品公司的案例中，OML模型揭示了公司在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，却总是拥有最少的库存量。这导致其所支持的商店库存经常短缺，而公司也需要加速向该配送中心发货。OML模型正确识别了这一问题，并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尚可，但仍有相当数量的零售店出现严重的库存短缺。值得注意的是，虽然OML模型捕捉了上到整个网络、下到各零售点的情况，但所有配送中心和零售店的库存部署决策，都是由客户而非公司做出的。归功于OML模型对库存部署的洞察力，公司如今更有能力影响客户的库存决策。在推动公司与客户的对话中，一个关键因素是模型将决策建议可视化，便于理解，同时准确显示了哪些因素驱动了建议的生成。这种可视化对于获得所有利益相关者的认可至关重要。
采用新方法取得成功
要使OML分析工具帮助企业提高供应链的灵活性和适应性，企业必须建立合适的组织结构，配备具有相关技能的人员，改变规划流程，并详细了解机器学习的潜力和隐患。
首先，高级管理者应确保规划团队从一开始就包含了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KPI和相关数据等，企业需要在供应链管理和建模方面经验充足的职能专家和运营研究分析师。这意味着，团队中要包括来自市场营销、销售、财务、供应链物流、生产和IT部门的人员，且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，这种做法是错误的，因为数据科学家通常对供应链领域知之甚少。
其次，OML要求公司从多个来源处识别、收集和获取所需的数据，并验证机器学习模型输出的结果。前者要求计算机科学家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。
再次，必须重新设计销售与运营计划（S&OP）流程，即让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的分析速度和深度，及其结果的灵活性。S&OP的周期通常为一个月，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这些时间。但这样一来，企业就很难针对供应或物流中断，以及不断发生的需求变化做出迅速反应。他们需要做的是用更快、反应更迅速的S&OP周期取代长达一个月的反应周期。这就需要对系统和流程进行投资，使供应链能够快速做出反应，例如使用基于云计算的先进求解器软件系统，它能够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计算解决方案供应商处获得。
最后，规划团队应与高级管理层协商，制定推动生成供应链决策的KPI。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，并确保每个人的认同，对于这一步非常重要。通过详细分析各种决策对每个利益相关者的影响，OML可以对此提供帮助。通常，影响供应链整体表现的决策由多个利益相关者做出。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。OML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，高级管理层必须确保，各方都信任规划系统提出的建议，并认为没有必要审查建议。
OML使企业能根据历史和当前的供需信息做出决策，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。它还能帮助他们测试一些降低风险的策略，从而更容易地选择出最佳的策略。通过这些，OML提供了一种方法，使公司能够建立更灵活、更有弹性、性能更高的供应链。
纳伦德拉·阿格拉瓦是圣克拉拉大学莱维商学院（Leavey School of Business）信息系统与分析专业的本杰明·斯维格和梅·斯维格（Benjamin and Mae Swig）教授。 莫里斯·A·科恩是宾夕法尼亚大学沃顿商学院制造与物流专业的荣誉退休教授。他还是AD3 Analytics的创始人，这是一家开发OML以管理供应链的初创公司。罗汉·德什潘德是Cerebras Systems的机器学习科学家，曾任AD3 Analytics的CTO。维纳亚克·德什潘德是北卡罗莱纳大学克南·弗拉格勒学院商学院（Kenan-Flagler School of Business）的曼恩家族（Mann Family）杰出运营学教授。
纳伦德拉·阿格拉瓦（Narendra Agrawal）莫里斯·A·科恩（Morris A. Cohen）
罗汉·德什潘德（Rohan Deshpande）维纳亚克·德什潘德（Vinayak Deshpande）| 文
DeepL、ChatGPT | 译 张雨箫 | 编校