现代全球供应链的定义是规模——即跨越多个系统的数十亿个交易和tb级数据，企业每时每刻都在生成数据。传统的供应链管理(SCM)实践正迅速被信息冲击所取代。

当库存成本或者可用性出现问题时，财务和需求规划人员就会查询Excel或遗留的SCM工具，以查明问题。这种方法简直就是大海捞针，在庞大的体积、速度和各种各样的数据面前，这些努力都将会和初衷背道而驰。

人工智能已成为供应链管理中用以应对这一挑战的热门话题。创新型组织正在应用人工智能和机器学习来对抗大量的供应链数据，以挖掘出即使是最专业的规划专业人员也无法触及的问题和绩效考察。

AI一直在试图优化这些流程。事实上，Gartner发现，到2017年，25%的组织已经开始了人工智能计划，而前两年这一比例仅为10%。另外，制药、消费品、制造业和其他行业都在积极寻找超越那些基于静态业务规则的相对简单的SCM工具，这些工具阻碍了优化和扩展的能力。

我经常听到的一个问题是，“我们如何开始?”，对此，我想提出以下三点建议：

一. 针对特定问题

首先，最好能够确定一个可以使用人工智能解决的特定供应链问题。这有助于将精力和资源集中在一个单一问题上，而不是多点多投。当然，您将希望选择一个重要的痛点，它将影响您的供应链效率、客户满意度和底线。

例如，假设全球CPG公司面临与零售客户达成服务水平协议的挑战。如果股票没有按时交付，公司可能面临SLA下的严厉处罚。将AI应用于特定问题将使CPG公司快速改善其服务水平并解决问题。

从计划到生产、包装、仓储、分销和物流，您可能会在整个供应链中为AI提供十几个潜在项目。针对特定目标，您可以获得最佳结果，同时最大限度的减少不明确特性，进而规避背后的风险。通过选择一个独立的项目，你可以在最初的成功和学习基础上将AI应用于其他领域。

二. 构建人工智能准备

数据是人工智能准备的关键因素。理想的情况是，公司将人工智能应用于大型数据集团的深度粒度——例如，通过SKU的位置、订单、工厂、原材料、客户等等，将3年的数据细化到日常事务级别。

因为您可以从不同系统(ERP/MPR/CRM和其他系统)中提取数据，所以最好在这些数据集中有时间框架一致性。换句话说，如果你有六个月的原材料数据，一年的库存数据，以及三年的销售数据，人工智能可能会出现问题。

确保您的数据收集和存储机制适合高度细化的数据是一个好主意。即使你今天还未准备好AI，但随着AI成为一个具有竞争力的竞争者，你要做好迎接挑战的准备!

我经常被问到一个组织是否需要一个数据科学团队来开始使用AI。它当然可以提供帮助，但这不是一开始的先决条件。你需要的是具有源系统和领域专业知识的人员来帮助绘制出AI规划。

三. 考虑技术合作伙伴是否能提供帮助

对于决定供应链AI的公司来说，成功在很大程度上取决于他们选择的技术合作伙伴以及这些提供商提供的服务。由于人工智能仍然是一项新兴的技术，所以必须确保你选择的技术伙伴能够与你一起克服障碍，设计出满足需求的解决方案。

与任何企业软件选择一样，您应该进行尽职调查并找到一个能够积极满足您需求的合作伙伴。例如，您可能会发现AI软件无法处理必要的数据汇总和验证。其他人收集数据的能力可能有限，最好的方式便是每天通过数百次抓取源系统来获取。分析和底层技术的深度是需要考虑的其他方面。

AI合作伙伴关系是双向的。如果您的组织拥有富有远见的CIO和其他敢于创新的领导者，成功的可能性将呈指数级增长。准备好惊讶吧，因为人工智能可以挖掘数据驱动的价值，而这些价值将可能会抹杀你可能会认为是福音的假设。

认识到供应链AI是进入未知领域的一段旅程，这是非常重要的。但毫无疑问，这是几十年来供应链最激动人心的创新。虽然并不是每个公司都需要它，但供应链AI可以改变的那些公司应该考虑尽快开始，而不是晚些时候开始。随着AI重塑其供应链业务，采取这种行动的企业已经能够看到巨大回报了。

关于作者：Kaushal Dave是认知(AI)供应链解决方案atAera技术的副总裁，该技术是自动驾驶企业的一项认知技术。