供应链和机器学习

在 MRO 组织中运行零件库存时，最大的挑战是在货架上保持正确的备件和材料.相反，存在在滞销或非滞销库存中占用过多资金的风险。对于供应链中的这类问题，机器学习提供了解决方案。

机器学习是人工智能的一种形式，专门处理大型数据集并寻找解决复杂问题的方法。在管理备件等供应链应用中，机器学习提供了一种降低成本和节省空间的方法，同时提高了零件的可用性并缩短了平均维修时间。

机器学习基础

计算机可以极快地处理数据，但需要一个程序来告诉它要执行哪些操作。人工智能 (AI) 是计算机编程的另一种方法，更多地依赖于模式识别和训练。机器学习是人工智能的一个子集，它在非常大的数据集中寻找模式。

大多数机器学习系统是通过向它们提供已经标记的数据来训练的。这可能是有关供应商绩效的数据或有关组件寿命的信息。其他类型的系统不受监督以在大型数据集中查找模式。这种方法对供应链管理的价值较小。

另一种训练方法是通过反复试验。这对于教计算机如何玩围棋等复杂游戏非常有效，但对改进库存管理、采购或物流的价值有限。

供应链管理中的机器学习与不可预测的需求问题密切相关，并且在较小程度上与高度可变的供应或可用性问题相关。 MRO 经理面临的挑战之一是他们持有的高使用率、低价值和低使用率、高价值的物品混合在一起。

这可以通过两个案例来说明。在典型的维护操作中，润滑剂和过滤器的消耗在一年中是可以合理预测的，并且可能与产量和产品组合相关。然而，可能很少需要大型泵、电机和齿轮箱，但在需要时必须立即可用，以尽量减少生产中断。

在这两个例子中，机器学习可以帮助找到可能隐藏的模式。在润滑剂和过滤器需求的情况下，了解和预测未来的时间表波动很重要。这些知识可以指导库存政策和采购。

同样，泵、马达或齿轮箱的故障也是可以预测的。机器学习可能会得出结论，故障率与产品组合、需求和当地天气条件的组合之间存在相关性——这可能会影响电力供应质量。

任何拥有工业设备和维护需求的制造商都可以从机器学习中受益。随着时间的推移，这项技术可以成倍地提高预测准确性并提高效率，从而带来重大的投资回报率优势。

典型行业包括：

供应链中的机器学习应用包括：

库存优化： 库存优化的目标是最大限度地减少库存物品的数量，同时确保在需要时100% 可用。这也可能与供应商位置、库存政策和营业时间有关。
机器学习在这里通过寻找使用和供应模式做出贡献。例如，可以得出结论，某些零件最好由供应商持有，而其他零件应保留在现场。它还可能会注意到，一些供应商比其他供应商更可靠，并根据历史数据分析建议适当的补货水平甚至价格。
采购成本控制： 采购成本不仅仅包括为一个或多个项目支付的价格。机器学习可以帮助识别整合订单以获得数量折扣的机会。它可以评估各种付款方式的优势，并帮助降低运费，例如节省优先运输费用。
资产寿命延长： 维护组织之间经常争论的话题是更昂贵但使用寿命更长的部件的优点，而不是更便宜、寿命短的部件。机器学习可以筛选来自不同来源的数据以得出结论，从而延长高价值资产的使用寿命。
运输管理： 机器学习还有助于识别和选择供应商以及优化交付时间表，从而使运输管理受益。这甚至可以考虑交付物流，例如比较海运与空运以及对可用性和成本的相对影响。

帮助客户最大限度地延长资产寿命和绩效

了解供应链管理的痛点和优势后，您就可以从有效的战略中获益。 ATS 为采购支持和其他 MRO 资产管理服务提供一站式服务。我们随时准备了解您的需求并提供解决方案。如需更多信息，请在此处与我们联系。

工业技术