供应链分析和物联网在 2020 年的颠覆中迫在眉睫

企业需要提高供应链的敏捷性和弹性和物流成功。这促使企业考虑采用新技术来缓解压力。

候选对象包括物联网 (IoT)、基础设施自动化、人工智能 (AI) 和高级供应链分析。应用程序编程接口 (API) 集成和数字供应链双胞胎等竞争者也即将出现。

鉴于全球冠状病毒大流行，人们对这些技术的兴趣有所增加，尽管在 COVID-19 出现之前它们已经在供应链管理中立足。这些技术在 IT 环境中的进一步基础需要确定应用的最佳机会。

研究小组 Gartner 在 2019 年关于数字业务对供应链影响的调查中指出了广泛的物联网渗透。虽然同一份报告将物联网置于不那么自负的 Gartner 幻灭低谷，但有迹象表明它开始重新受到青睐。根据 Gartner 供应链调查，59% 的受访者已经在其组织中部分或全部部署了物联网，而 15% 的受访者计划在两年内投资物联网，22% 的受访者已经建立了试点。该数据也与 IoT World 2020 年物联网采用调查的最新数据一致，该调查表明 51% 的受访者认为对包括物联网在内的数字计划有更大的需求。

Gartner 董事兼分析师 Amber Salley 表示，如今，物联网很重要，因为新兴的供应链技术需要最新鲜、最准确的数据。在全球贸易冲突爆发之前和 COVID-19 爆发之前，尤其是在它们之后，对新数据的需求非常迫切。

“后 COVID 供应链的灵活性不一定与需求的转变有关，而是与消费的转变有关，”萨利说，并引用了 2020 年 3 月的例子，即商店货架上的供应量增加，但数量减少。卡车开往办公室和公共机构。

这是一个必须在非常精细的级别上快速做出并有效执行这些类型的供应决策的时候。 “公司正试图迅速做出反应，”萨利说。 “他们需要知道如何最好地分配商店得到什么。”

供应链因 COVID-19 而中断

供应链领导者现在对长期技术选择进行分类，即使他们面临颠覆业务模式和流程的直接挑战。面向人工智能的机器学习工具就是一个很好的例子，它有望为供应链带来好处，包括决策支持、实时资产管理、库存优化和预防性维护计划。

正如 Salley 解释的那样，在做出供应链决策时，很难从数据中分离噪音，尤其是在混乱的环境中。机器学习工具在这里发挥了作用——但数据准确性至关重要。

“模式识别的机器学习可以提供帮助，”她说。 “今天，我们看到很多公司使用此类软件来帮助进行需求预测。但机器学习的挑战在于，它需要大量质量非常好的数据才能看到正确的模式并准确地进行说明。”

Salley 说，许多组织没有足够的数量来使用机器学习，尽管他们可能有足够的个人用例。此外，虽然供应商在整体上吹捧机器学习和人工智能的好处，但这项技术是特定于用例的。 “你不能轻易地从一个用例或领域映射到另一个，”她说。

IT 专业人员也无法轻松驾驭专用于其用途的供应链分析工具。拥有供应链软件和机器学习专业知识的参与者包括：Anaplan、Blue Yonder、DHL Supply Chain、EY Supply Chain and Operations、IBM、John Galt、LLamasoft、Logility 和 SAP。

随着物联网设备在供应链监控中发挥更大作用，AWS、谷歌和微软等关键云和机器学习参与者也成为这一领域的一部分。云领导者与埃森哲、Cognizant、Pluto7、TensorIoT 和其他专家合作，为特定领域量身定制供应链分析流程。

向后看而不是向前看的分析

IBM Sterling 供应链副总裁珍妮特·巴洛 (Jeanette Barlow) 表示，虽然许多供应链专业人士已经成长为围绕统计模型来分析运营，但还需要更多，并指出在某种程度上，统计模型最适合回顾

“他们正在从历史中学习，历史是一个很好的指标。但有些事情会改变历史。没有像今年这样的年份来证明这一点，”她说。

在过去的一年中，了解库存位置的重要性只增不减。 Barlow 表示，IBM Sterling 小组使用 IBM Watson 认知 AI 功能来帮助团队扩展数据关联。随着物联网增加了必须在有限时间范围内评估的大量数据，此类技术变得更加重要。

供应链物联网的基础技术

公司准备好将先进的机器学习添加到供应链中的程度可能取决于他们在数字化道路上的位置。

各种技术使他们变得更加敏捷； John Galt Solutions 的产品战略负责人 Alex Pradham 表示，他们开始使用哪种技术取决于组织的技术成熟度水平，该公司为供应链应用程序中的自动化机器学习提供 Atlas Planning Platform。 “一些公司仍然需要更多的基础技术，”她说。

Pradham 也看到了渠道和购买行为的重大转变。这促使公司需要更准确的短期计划。她建议降低物联网传感器的成本以及收集超新鲜数据的好处可以帮助运营规划，因为越来越多的库存需要不断更新。

获取高质量数据是重要的第一步，人工智能专家 TensorIOT 的副总裁兼总经理 John Traynor 表示同意。他说，有用的分析可以像普通移动平均线一样简单——但关键是要有数据。

“人们最终是在寻找某种方法来提高运营效率。它可能只是获得操作的视图。 [但是] 你必须从有效的数据开始，”Traynor 回忆起久经考验的计算机设计格言“GIGO”（或“垃圾进，垃圾出”）说。

为实现这一目标，该公司最近与 AWS 和芯片制造商 Semtech 合作启动了数字数据收集，创建了一个套件，将 LoRa（远程）网络设备连接到 AWS 本地服务，以提供资产跟踪和智能建筑服务。

供应链 API 集成

专业服务公司 Cognizant 的物流和制造首席数字官 Prasad Satyavlu 表示，正在出现新的系统类别，它们利用物联网来自动化和提高数据采集能力。该公司最近同意收购技术服务提供商 Bright Wolf，以扩大 IIoT 应用的覆盖范围，包括产量优化。

“现在，系统可以使用物联网进行数据采集，以创建整个供应链部分的可见性，”他说。更大的优势是可以集成到规划系统中的外部数据。在这种情况下，Satyavolu 将应用程序编程接口 (API) 集成作为当今供应链创新的关键技术要素。

Satyavlu 指出，最近几个月，几家制造公司已经整合了约翰霍普金斯大学全球仪表板的数据，以获取有关 COVID-19 大流行的统计数据。 “您将其用作 API 并将其带回系统中，以获得对全球‘联盟状态’的可见性，”他说。这对生产计划有很大帮助。

供应链数字孪生

将 Gartner 所说的“数字供应链孪生”视为另一种值得关注的技术，尽管它仍处于早期阶段。

分析师小组将数字供应链孪生定义为“最终构成物理供应链运作方式的数据对象之间各种关联的动态、实时和时间分段表示。”因此，它与产品寿命管理工具、模拟软件和统计模型的各个方面既相似又不同——就此而言，它与在日本退役的福岛核电站的海啸损坏反应堆中爬行的机器人相似。>

将数字孪生用于供应链可以模拟仓库运营和库存水平，并为不同供应链场景的假设分析提供测试平台。在 Salley 的估计中，数字供应链双胞胎需要一个模型，该模型使用从实际供应链环境中收集的数据构建以反映活动。天气和其他外部数据可以包含在建模中。

目前，为供应链构建数字孪生所涉及的软件类型多种多样。除了供应链中流砥柱外，Ansys、Dassault、GE、MathWorks、PTC、Siemens 等供应商也在寻找。

在供应链中实施数字孪生技术始于识别问题并选择首先解决的候选人。 Salley 和其他人建议，解决已知的业务问题是一个很好的起点。她说，预计数字供应链双胞胎项目将小规模启动，以证明技术和用例。

Salley 还警告说，遗留系统可能不会自然地采用这些新方法。可能需要一些新的基础设施。

“一个问题是数字供应孪生确实需要更新的基础设施，”萨利说。作为一个例子，她指出使用新兴的图数据库而不是关系数据库来映射供应链中网络对象之间的复杂互连。

与机器学习一样，为系统提供良好的数据是数字双胞胎的必要条件。 Salley 表示，数字供应链双胞胎的好处来自“高粒度和低延迟的数据”。这就是物联网特别发挥作用的地方。”

通过流式传输物联网设备数据，供应链经理可以预先警告装配线即将停机，需要零件来保持生产线运行，或者可以转移生产以补充生产线 - 所有熟悉的生产线迟到的场景。

Salley 说，供应链、运营和 IT 经理今天提出的问题是由“对更加数字化的渴望”驱动的。 “总会有一些中断。”现在需要的是与技术和人员合作，以获得更好的可见性、敏捷性和弹性——即使在压力下也能做出正确的决定。