解决供应链中断问题归结为数学
物流混乱在供应链领域并不是一个新现象，但 COVID-19 引起的剧变规模是利益相关者以前从未见过的：据埃森哲称，94% 的财富 1000 强公司都经历了大流行的中断。
幸运的是，如今的企业可以使用一系列人工智能技术，例如数学优化，以帮助应对和克服供应链中断。
数学优化早已被确立为供应链规划和运营的首选技术。自 1980 年代以来，整个商业世界的公司都利用了大量现成的和定制的规划应用程序，不仅是为了提高效率和盈利能力，而且是为了管理和减轻中断。多年来，此类技术一直是培养供应链敏捷性和弹性的关键工具。
数学优化有助于规划人员和其他关键利益相关者进行两种类型的决策：
- 反应性。 他们可以实时感知中断并通过识别根本原因和动态重新分配资源来快速有效地做出响应，从而缩短恢复时间。
- 积极主动。 他们可以分析供应链风险并预测潜在的中断。
以下是数学优化如何推动最佳的被动和主动决策，并解决供应链中断问题。
三部分模型
每个数学优化应用程序本质上都由两个元素组成：求解器（基于算法的问题解决引擎）和模型（现实世界操作环境的表示或数字孪生体，具有所有复杂性和挑战）。
该模型可以封装供应链的特定要素（如供应商、生产、物流和仓库操作），也可以包含整个端到端网络。
每个模型由三部分组成：
- 决策变量。 在整个供应链的各个环节做出的决策；
- 限制条件。 必须遵守的业务规则；
- 业务目标。 众多（通常相互冲突）的业务目标，例如最大限度地降低成本和库存水平，或最大限度地提高资源利用率、准时交付绩效和客户满意度。
当发生中断时，数学优化应用程序建立在理解和体现实际供应链行为方式的模型上，使用户能够实现：
- 可见性。 立即确定中断的根源，例如容量瓶颈和供需突然波动；
- 灵活性。 通过进行调整甚至添加新的约束、决策变量和业务目标来修改模型，以反映整个供应链的当前运营状况；
- 敏捷性。 动态自动地重新优化计划和时间表，并确定最佳行动方案以尽可能快速有效地解决中断问题。
通过数学优化应用程序，公司可以保持对端到端网络的实时可见性和控制，以便在发生中断时，他们可以轻松查明根本原因，并迅速采取必要措施进行补救并保持业务连续性.
“持续智能”
机器学习可能是人工智能最著名的方面，它依赖于历史数据。相比之下，数学优化利用最新的可用数据来提供实时的规范分析，或者用 Gartner 的话说，是整个供应链网络的“持续智能”。
当严重的供应链中断发生时，就像在 COVID-19 大流行期间一样，公司不能依靠过去的数据来帮助应对前所未有的财务和运营挑战。
由于它们利用最新的可用数据和模型来捕获整个运营网络的当前状况，因此数学优化应用程序能够自动生成当前供应链问题的最佳解决方案，并实现持续智能和最佳决策。
探索风险
处理供应链中断的一个重要部分是评估风险、规划和为未来做好准备。借助数学优化的场景分析能力，企业可以：
- 探索 各种供应、需求、库存、产能、宏观经济、地缘政治和其他假设情景，并评估它们对业务的潜在影响。
- 发现 隐藏风险并衡量风险敞口和在发生自然灾害、生产或运输故障等中断事件时的恢复时间。
- 解锁 通过重新分配资源或重新配置供应链来降低风险并推动提高供应链弹性的机会。
Mathematical Optimization 的场景分析功能使公司能够在多个领域（包括资本投资、供应商选择、产能和库存计划以及生产和仓库设施位置）做出积极主动的战略决策，从而使其供应链免受未来中断的影响。
在 COVID-19 大流行期间，我们经历了前所未有的供应链中断浪潮，这在全球经济中造成了重大而持久的混乱，并对供应链专业人士构成了巨大挑战。数学优化已被证明是一种有效的武器，可以对抗此类中断，同时提高供应链效率和盈利能力。这个人工智能技术将继续成为供应链领导者在不断变化的商业环境中导航的重要工具。
Ed Rothberg 是 Gurobi 的联合创始人兼首席执行官。
工业技术