如何让供应链更敏捷？数据清洗难题交给AI

在去年新冠肺炎疫情爆发之前，“供应链”这个词并不流行。但直到人们发现再也买不到自己喜欢的酵母、面包甚至特定品牌的卫生纸，人们才开始认真反思这三个字背后的深刻含义。

在此期间，通过社交媒体，每个人都意识到需求的意外激增和材料短缺谣言引起的抢购是如何歇斯底里地影响包括生产计划、产量和物流配送在内的整个供应链系统的。作为反面例子，我们也亲身见证了供应链跟不上需求变化时的混乱，尤其是无法及时响应实时趋势的时候。

2020年，新冠肺炎疫情给全球消费者上了重要的一课，也让供应链成为人们关注的焦点。

理想情况下，组织应该通过数据对整个供应链有一个全面的了解，这样才能确保在正确的时间将正确的产品和材料交付到正确的地点。然而，这个世界并不那么理想。供应链中的大数据(通常在企业中积累几十年)过于臃肿，无法有效利用，导致数据信心不足，甚至导致成为垃圾资产。

为了解决这个问题，企业传统上习惯于使用数据清理项目，即修复或删除语法错误或无效文件的过程，以确保原始数据被简化为只包含可操作和/或可用信息的形式。这个清理过程通常涉及到一系列需要不断重复的总结、组织、分析和整合的步骤。单个工厂或车间的数据清理极其困难，更不用说相互不连接的工业网络数据的整体规划了。

总而言之，数据清理过程极其昂贵，需要大量的时间、资源和外部支持，大规模的投入未必能带来有效的回报。而事实证明，大多数企业根本无法承受持续的数据清理操作。这个可行性问题和数据清理的必要性交织在一起，让运营商头疼，但不能坐视不管，因为没有数据，业务提升、流程改进甚至成本节约都将无从谈起。

幸运的是，新冠肺炎疫情的蔓延已成为技术发展和实际部署的重要推动力。因此，供应链产生了重大的积极影响，企业开始借助AI和ML的力量，突破传统数据清洗的包围圈。

无需传统数据清洗，也可提升业务产出

长期以来，制造业供应链面临着数据需求旺盛、数据供给不足、采用新技术难度大的困境。新冠肺炎的意外到来带来了新的紧迫性，促进了其深入研究和改进方法。我们无法预测疫情的变化，但我们可以提供供应链系统的灵活性和敏捷性。经过几个月的实践探索，证明只要在供应链中注入敏捷性因素，就能灵活应对实时动态。

疫情下的运营经验告诉我们，供应链数据始终处于混沌状态。供应链部门不可能花几个月的时间清理数据。毕竟，这种完成和过时的状态不足以支持当前的生产和交付需求。但是，如果放弃数据控制，制造商将无法快速改变以满足店面和仓库的实际需求，也无法有针对性地优化库存和配送流程。

通过总结，我们发现这种负面影响主要体现在三个层面。首先是数据质量问题，即数据脏、冗余、质量低。此外，数据存储设施往往相互隔离，无法相互“对话”。而且由于灵活性差，往往严重拖累实际生产效率。

其次，传统数据只能手动清理，无法跟上实时变化。正是因为供应链技术更新迭代速度太慢，导致库存成本不断增加，库存效率跟不上当前需求。各个业务部门之间往往存在相互孤立的目标和动机，这导致各方在如何简化供应流程和需要哪些数据方面严重脱节。

这就带来了第三个问题，——，成本高。糟糕的供应链数据管理

新冠肺炎疫情不仅让我们深刻认识到完善供应链流程的重要性，也激起了人们提升数据清洗能力的愿望。面对实际问题，我们必须求助于两种新势力，——AI和ML。

AI有望“消灭”数据清洗需求：将速度与规模提升至新水平

Gartner预测：“到2024年底，74%的企业将从实验性AI转变为操作性AI，从而将数据流和分析基础设施的规模提高5倍。”

但我们不能等2024年“革命胜利日”自然到来。新冠肺炎疫情证明，这种压力将持续存在，直到我们愿意采取积极行动，真正完成数字化转型。然而，落后供应链的严重冲击使得任何企业都无法承担这一现实风险。

AI和ML的价值就在这里。虽然制造和供应链行业一直将AI视为新生事物，但该领域的成果已经存在，并且已经开始提供相对易用和好用的解决方案。在供应链中，AI和机器学习可以消除大数据中包含的各种“噪音”。AI现在可以对接收到的需求信号进行检查和分类，并根据实时信息进行自我改进。分析过程随时保持主动执行，主动切入数据管道并响应即时需求。过去，数据清理周期长达9至18个月，可能需要将数据插入电子表格。但现在在AI的帮助下，清洗时间有望从2年缩短到2个月。因此，海量的数据将首次变得易于理解、易于使用、智能化和高度可操作。

如果你长期深陷数据清理的泥潭，是时候体验一下AI的威力了。事实一再证明，AI技术在数据可见性、去重、库存优化、数据驱动决策等领域具有无与伦比的优势。如今，有必要将人工智能数据清洗能力引入供应链系统。有身份证吗