机器学习重塑供应链管理的10个途径

简介:
  1. 预测新产品的需求,包括最能推动新销量的因素,这是机器学习能发挥巨大作用的一个领域。从询问渠道合作伙伴、间接和直接销售团队他们将卖出多少新产品,到利用高级统计模型,企业有很多方法来预测新产品的需求。事实证明,机器学习能非常有效地考虑到以前未知的需求影响因素。

  2. 机器学习与高级分析、物联网传感器和实时监测的结合,可以让很多供应链首次实现端到端可见性。如今,很多供应链需要的是全新的操作平台或架构,这些平台或架构以实时数据为基础,能提供以前的分析工具发现不了的模式和洞见。机器学习是未来供应链平台必不可少的一个要素,将重塑供应链管理的各个方面。

原文翻译:

机器学习使人们可以发现供应链数据中的模式,依靠算法迅速确定对供应链成败最重要的因素,并在此过程中不断学习。

发现供应链数据中的模式,这有可能重塑任何企业。机器学习算法每天都在发现供应链数据中的这些新模式,不需要人为干预或者分类定义来指导分析。算法对数据进行迭代查询,很多算法利用基于约束的模型来发现核心因素集,预测准确性很高。影响库存水平、供应商质量、需求预测、从采购到付款、从订购到收款、生产计划、运输管理和其他方面的关键因素首次为人所知。因此,机器学习带来的新知识和新洞见正在重塑供应链管理。

以下是机器学习重塑供应链管理的10条途经:

1. 机器学习算法和运行此类算法的APP能迅速分析体量庞大、多种多样的数据集,提高需求预测的准确性。管理供应链的一大挑战是预测产品的未来需求。现有技术包括移动平均线等基线统计分析方法和高级仿真建模。事实证明,机器学习能非常有效地考虑到现有技术无法追踪或量化的因素。以下例子显示了有多少因素被用来完成需求预测和Lennox如何利用机器学习。

6a95b9f5ef314d589101254b2bdbd46dc53c5e19

2. 机器学习能为协同供应链网络带来很多好处,包括减少运输成本、改善供应商交货执行情况和最大程度降低供应商风险。以下是机器学习如何被用来识别多个托运人网络之间的横向协同。

12bf9f80b8995a63d5d9ea9c8aceef1a8c7105a2

3. 机器学习及其核心构造非常适合于提供以前技术无法提供的关于改善供应链管理表现的洞见。事实证明,结合非监督学习、监督学习和强化学习的优点,机器学习能非常有效地不断寻找最能影响供应链表现的重要因素。在以下分类中定义的每个端点,都是完全由基于算法的逻辑推导而出,确保算法可以在一家全球企业中推而广之。

d39868f63890daf09672ef3b03fcbb08d29c4b31

4. 机器学习擅长视觉模式识别,在整个供应链网络实体资产的物理检查和维护保养方面提供了很多潜在的应用。事实证明,利用在多个数据集中迅速找出类似模式的算法进行设计,机器学习还能非常有效地自动对物流枢纽进行入站质量检查,隔离受损的运输货物。IBM Watson平台的机器学习算法能确定集装箱和/或产品是否受损,根据受损时间进行分类,推荐最佳的纠正措施来修复资产。Watson结合视觉和基于系统的数据,进行实时追踪、报告和推荐。

5096221288a5b49d22acec1eaf6d8db7d65e478c

5. 把机器学习和相关技术结合起来,在整个供应链运营中获得更好的情景智能,这可以减少库存和运营成本,缩短对客户的响应时间。机器学习在物流控制塔运营中被采用,以提供如何改善供应链管理、协作、物流和仓库管理各方面的新洞见。下图显示了从机器学习获得的情景智能如何简化运营。

b8a221ea7b5bc737d2a80f487686f8708bc30110

6. 预测新产品的需求,包括最能推动新销量的因素,这是机器学习能发挥巨大作用的一个领域。从询问渠道合作伙伴、间接和直接销售团队他们将卖出多少新产品,到利用高级统计模型,企业有很多方法来预测新产品的需求。事实证明,机器学习能非常有效地考虑到以前未知的需求影响因素。

7. 企业在物联网传感器收集的使用数据中寻找新的模式,以此延长机械、发动机、运输和仓库设备等供应链重要资产的生命周期。制造业每年产生的数据量超过其他所有行业。事实证明,机器学习能非常有效地分析通过机器得到的数据,确定哪些因素对机器性能的影响最大。另外,机器学习也提高了衡量设备综合效率(OEE)的准确性。OEE是很多制造商和供应链运营的一个重要指标。

8. 在自主的情况下找到供应商质量水平的模式,为每个供应商建立追踪数据层次结构,改善供应商质量管理和合规性。平均来看,普通企业80%的产品零部件依赖于外部供应商。对于航空航天、国防、食品饮料和医疗产品等受到严格监管的行业,供应商质量、合规性以及追踪数据层次结构至关重要。机器学习可以独立定义产品层次结构,简化追踪报告,节省制造商在这些方面投入的数千个人工工时。

9. 通过考虑和优化诸多限制因素,机器学习可以提高生产计划和工厂调度的准确性。对于采用接单生产和备货型生产流程的制造商来说,机器学习可以比人工操作更有效地平衡各自的限制因素。利用机器学习,制造商能减少定制产品所用零部件的供应链延迟。

10. 机器学习与高级分析、物联网传感器和实时监测的结合,可以让很多供应链首次实现端到端可见性。如今,很多供应链需要的是全新的操作平台或架构,这些平台或架构以实时数据为基础,能提供以前的分析工具发现不了的模式和洞见。机器学习是未来供应链平台必不可少的一个要素,将重塑供应链管理的各个方面。


原文发布时间为:2018-06-24

本文来自云栖社区合作伙伴“大数据地盘”,了解相关信息可以关注“大数据地盘”。

相关文章
|
机器学习/深度学习 运维 供应链
看不见的才最可怕?用机器学习“点亮”你的供应链盲区!
看不见的才最可怕?用机器学习“点亮”你的供应链盲区!
419 4
|
机器学习/深度学习 供应链 监控
看不见就管不好?——机器学习如何把供应链“照亮”!
看不见就管不好?——机器学习如何把供应链“照亮”!
536 2
|
机器学习/深度学习 算法 数据挖掘
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
2021 6
|
机器学习/深度学习 数据采集 人工智能
【机器学习算法篇】K-近邻算法
K近邻(KNN)是一种基于“物以类聚”思想的监督学习算法,通过计算样本间距离,选取最近K个邻居投票决定类别。支持多种距离度量,如欧式、曼哈顿、余弦相似度等,适用于分类与回归任务。结合Scikit-learn可高效实现,需合理选择K值并进行数据预处理,常用于鸢尾花分类等经典案例。(238字)
|
机器学习/深度学习 数据采集 人工智能
20分钟掌握机器学习算法指南
在短短20分钟内,从零开始理解主流机器学习算法的工作原理,掌握算法选择策略,并建立对神经网络的直观认识。本文用通俗易懂的语言和生动的比喻,帮助你告别算法选择的困惑,轻松踏入AI的大门。
1188 8
|
机器学习/深度学习 存储 Kubernetes
【重磅发布】AllData数据中台核心功能:机器学习算法平台
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。
|
机器学习/深度学习 人工智能 算法
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
2830 13
机器学习算法的优化与改进:提升模型性能的策略与方法
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
667 6
|
机器学习/深度学习 算法 数据安全/隐私保护
基于机器学习的人脸识别算法matlab仿真,对比GRNN,PNN,DNN以及BP四种网络
本项目展示了人脸识别算法的运行效果(无水印),基于MATLAB2022A开发。核心程序包含详细中文注释及操作视频。理论部分介绍了广义回归神经网络(GRNN)、概率神经网络(PNN)、深度神经网络(DNN)和反向传播(BP)神经网络在人脸识别中的应用,涵盖各算法的结构特点与性能比较。
|
机器学习/深度学习 算法 网络安全
CCS 2024:如何严格衡量机器学习算法的隐私泄露? ETH有了新发现
在2024年CCS会议上,苏黎世联邦理工学院的研究人员提出,当前对机器学习隐私保护措施的评估可能存在严重误导。研究通过LiRA攻击评估了五种经验性隐私保护措施(HAMP、RelaxLoss、SELENA、DFKD和SSL),发现现有方法忽视最脆弱数据点、使用较弱攻击且未与实际差分隐私基线比较。结果表明这些措施在更强攻击下表现不佳,而强大的差分隐私基线则提供了更好的隐私-效用权衡。
549 14

热门文章

最新文章