企业 AI 为钢铁行业颠覆提供解决方案

随着人工智能 (AI) 驱动的技术进步和数据湖的创建，组织开始认识到它们对工业生产的价值。

企业 AI 可以嵌入到基本业务模型中，以增强决策能力。它专注于成果而不是技术本身，使组织能够将数据转化为有价值的见解，以创造持续的客户价值。

金属工业是人类文明中最古老的工业之一，一直是现代工业增长的支柱。钢是当今使用最广泛的金属，而地壳中第四大最常见元素铁是其主要成分。

根据世界钢铁协会的数据，全球粗钢产量从 1950 年的 1.89 亿吨增加到 2018 年的 18 亿吨。过去二十年的快速增长来自中国的产能过剩，中国占世界钢铁产量的近 50% .由于中国制造商开始以低价出口过剩库存，这种不匹配对行业造成了重大干扰，尤其是在西方世界。

虽然这种不平衡可能会持续下去，但公司正在努力通过现代化钢铁制造技术来提高效率。在这个过程中，他们逐渐减少了对人工的依赖，有利于自动化。

与 25 年前相比，现代钢铁厂雇佣的人力要少得多。在全球钢铁产量增长两倍半的时期内，该行业已裁员超过 150 万。

钢铁供应链包含一些独特的行业核心要素：

• 多源入站供应链。 矿山产生源源不断的原材料。然而，铁矿石有多种形式和质量，在进入最终产品加工之前通常需要进行额外的加工。这可能会导致产生不一定与特定客户需求挂钩的各种钢种。
• 故障敏感的生产。 钢铁制造过程需要在生产阶段之间不间断的材料流动，包括高炉、氧气炉、连铸机和轧机。在炼钢过程中关闭和重新启动给定的操作可能代价高昂。因此，需要平衡生产和库存流，以避免重新加热成本、最大限度地减少转换并消除在制品库存的不必要的应计。
• 复杂的成品存储和分销网络。 由于最终产品的等级、重量和尺寸各不相同，因此存储、跟踪和分发很容易出现效率低下的情况。此外，钢铁行业跟踪技术的使用存在局限性，例如干扰钢铁物理特性的射频识别 (RFID) 标签。
• 多种销售渠道。 传统上，钢铁企业依靠各种间接销售渠道，如经销商、代理商和服务中心，都针对相同的市场。钢铁原始设备制造商 (OEM) 在市场上的控制有限，对最终消费者要求的可见性最低。此外，由于多次握手和间接费用的积累，例如代理佣金，间接渠道减慢了销售过程。随着互联网销售和直销渠道的出现，电子市场和电子拍卖已成为提高透明度、缩短销售周期和减少开销的流行手段。同时，电子市场平台让客户可以随时访问特定等级要求的市场数据和有竞争力的报价。这导致了钢种的激增，其中 75% 是在过去 20 年中开发出来的。以最短的订单履行周期和最具竞争力的价格满足客户的需求已成为销售流程的关键。
• 商品化和波动的市场。 在钢铁供应链中，原材料和成品都是商品化的。因此，企业在需求和供应点都面临价格波动的风险，从而导致盈利能力下降。

企业每天都在生成大量数据，而且数据呈指数级增长。数据有结构化和非结构化两种形式。随着内存计算、存储和数字技术变得可靠且价格合理，许多金属公司正在使用它们来开发高级分析并获得过程洞察。然而，到目前为止，大多数这些努力都缺乏整合供应链战略形式的组织范围的愿景。钢铁行业有很大的空间可以从提高其数字化实力中受益。

数字孪生是物理供应链流程的虚拟副本，是网络物理集成的支柱。它确保了数字世界和物理实体之间数据的无缝传输。要启用企业 AI，数字孪生的以下属性必不可少：

• 生态系统商务平台 通过商用现成软件与所有内部和外部业务合作伙伴交换信息。
• 收听平台和信息订阅， 捕获超出直接控制范围的信息。
• 物理设备连接和事件捕获 通过物联网 (IoT) 设备。数字孪生可确保在各个供应链节点连续、实时地收集数据，例如矿石存储（由矿工、供应商和船舶运营商）、生产（由焦炉、烧结厂、高炉、铸机和轧机）、产品存储和配送（通过堆场和货运商）以及销售渠道（包括电子市场、服务中心和经销商）。

大数据湖是所有企业数据以其原生格式的单一存储位置。它可用于多种用途，例如数据科学驱动的高级分析和机器学习。对于钢铁企业而言，大数据湖可以以原始格式存储来自各个供应链节点（包括矿坑、堆场、高炉、连铸机和轧机）的无关业务数据。大数据可用于获取以下领域的见解：

• 市场情报， 包括宏观经济、货币政策、关税、金属交易所、商品价格波动、竞争对手信息和地缘政治状况的信息。
• 钢厂数据， 提供各个阶段的产能和运营详情，例如钢铁制造、堆场管理和运输。
• 商业计划数据， 包括生产和发货计划。
• 合作伙伴生态系统数据， 由外部利益相关者（例如客户、代理机构、服务中心、矿工、货运代理和船舶运营商）产生。合作伙伴生态系统应提供对多企业业务网络（例如生态系统商务平台）中与钢铁公司有业务往来的外部组织的数据的访问。

企业人工智能包括以下功能：

• 感知钢铁供应链各个阶段的事件。 在到达消费者家门口之前，钢铁产品必须经历完整的制造生命周期。随着散装铁矿石被转化为离散的钢铁产品，原材料会通过多个设备和工艺步骤。供应链任何​​部分的任何中断或变化都会对生产的其他阶段产生重大影响。具有 IoT 等相关属性的数字孪生将立即识别更改并收集数据以进行进一步分析。
• 分析事件并确定它们在不同时间范围内对关键绩效指标 (KPI) 的影响。 一旦收集到事件数据，就会触发一个高级分析平台，以确定对计划活动的可能影响。此步骤在几分之一秒内创建了许多“假设”场景，从而可以比较整个供应网络中可能发生的变化的结果。评估可以确定对规划范围内各种 KPI 的影响。
• 推荐替代解决方案。 虽然数据收集和分析必不可少，但企业 AI 的真正价值在于它能够分析影响的全部范围并提供相关建议。如果影响超出某些 KPI 的阈值，则业务规则和先前认知经验的教训可以帮助企业 AI 推荐能够实现预期业务成果的解决方案。此类建议必须考虑整个供应链网络的影响，并推荐最佳计划。
• 通过持续的认知学习来优化结果。 大数据湖通过数据科学提供洞察力。反过来，企业 AI 使用这些信息来实现结果的持续优化。大数据湖是大量不相关的信息，需要一个人的一生才能理解。如果没有结构，这些信息就不能用于商业目的。数据科学技术可以过滤特定业务维度（例如时间范围、地理位置和产品）内的非结构化数据，并挖掘隐藏的联系以实现持续的自我学习。

企业人工智能通过减少手工劳动，用机器对机器的连接和规范分析取而代之，提高钢铁行业的可靠性、效率和生产力。它可以感知市场洞察力、需求波动以及生产和供应中断等因素。人工智能技术的工业应用，以及对大数据湖和数字孪生的投资，有望将钢铁公司转变为响应速度更快、利润更高的运营方式。企业 AI 的务实观点可以显着提高钢铁供应链效率，从而降低库存持有成本并缩短在动荡的钢铁市场中的上市时间。

Hiranmay Sarkar 是塔塔咨询服务 (TCS) 咨询和服务集成实践的管理合伙人。