现代全球供应链是由规模来定义的——跨多个系统的数十亿次交易和数百万兆字节的数据，企业每时每刻都在产生更多的数据。传统的供应链管理(SCM)实践正迅速地被不断的信息冲击所取代。

当库存成本或可用性出现问题时，财务和需求规划人员会深入到Excel或传统的SCM工具中，试图找出问题所在。这种方法就像大海捞针。纯粹的体积、速度和各种各样的数据使人们难以理解船的动态和方向。纯粹的数据量，速度和各种数据无法理解人类为了解动态和正确使用船舶所做的努力。

AI正是为了应对这一挑战而成为供应链管理研究的一个热门话题。创新型组织正在应用人工智能和机器学习来对抗大量供应链数据，以发掘即使是最熟练的规划专业人员也无法实现的问题和性能的见解。

人工智能具有优化这些过程的巨大潜力。事实上，Gartner发现，截至2017年，25%的组织已经开始实施人工智能计划，而两年前只有10%。制药、消费品、制造业和其他行业的公司正寻求超越建立在静态业务规则基础上的相对简单的供应链管理SCM工具，这些工具阻碍了优化和扩展能力。

那我们应该如何开始呢?以下是三点建议：

1针对特定问题

对于第一个项目，最好确定一个可以通过AI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问题上，而不是将意大利面条扔在墙上。当然，您需要选择一个影响供应链效率，客户满意度和利润的重大痛点。

例如，假设一家全球CPG公司在满足其零售商客户的服务水平协议方面存在挑战。如果没有按时交付足额股票，公司可能面临SLA下的严厉处罚。将AI应用于特定问题使CPG公司快速解决其服务水平实现问题。

从计划到生产，包装，仓储，分销和物流，您可能有十几个潜在的AI项目。针对某个特定位置，您可以获得最佳结果，同时最大限度地降低不明确的实验最终被搁置的风险。通过选择一个独立的项目，您可以在最初的成功的基础上继续努力，将AI应用于其他领域。

2建立人工智能准备

数据是人工智能准备就绪的关键要素。理想情况下，公司将人工智能应用于深度粒度的大型数据集，例如，其粒度按SKU位置、订单、工厂、原材料、客户等三年的数据降至日常事务级别。

因为您可以从不同的系统(ERP、MRP、CRM和其他系统)中提取数据，所以理想的情况是在这些数据集之间具有时间框架一致性。换句话说，如果您有六个月的原材料数据、一年的库存数据和三年的销售数据，AI可能会成为问题。

最好确保数据收集和存储机制适合于高度细化的数据。即使您今天还没有准备好进行人工智能，随着AI成为一个具有竞争力的竞争者，你将准备好迎接挑战。

经常有人问我，一个组织是否需要一个数据科学团队来开始使用AI。这当然有帮助，但这不是一开始的先决条件。您需要的是具有源系统和领域专业知识的人员来帮助规划AI环境。

3考虑技术合作伙伴是否可以提供帮助

对于那些决定使用供应链人工智能的公司来说，这是合适的(这取决于规模、复杂程度等)。成功在很大程度上取决于他们选择的技术合作伙伴和提供商提供的服务。由于人工智能仍然是一项新兴创新，因此必须确保您选择的技术合作伙伴能够通过障碍与您合作，并设计满足您需求的解决方案。

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制，这最好通过每天抓取源系统数百次来完成。分析和底层技术的深度是需要考虑的其他方面。

人工智能合作伙伴关系是双向的。如果您的组织拥有富有远见的CIO和其他勇于接受创新的领导者，成功的可能性就会成倍增加。准备好大吃一惊吧，因为AI可以发掘出数据驱动的见解，这些见解可以消除你可能认为是福音的假设。

重要的是，要认识到供应链人工智能是一段通往未知领域的旅程。但毫无疑问，这是供应链几十年来最令人兴奋的创新。虽然并不是每个公司都需要它，但那些供应链AI能为其带来改变的公司应该考虑尽早开始。随着AI对供应链业务进行重组，采取这一举措的公司已经看到了巨大的红利。