各行業資產密集型企業由于擁有大量的設備、設施，企業的運作依靠大量設備、設施良好運行的支撐，而設備、設施之所以可以運行良好，則離不開備品備件的良性管理。

英諾森通過對企業以往項目實施中發現的問題進行了詳細分析，發現企業均需要花費大量的人力、物力對設備的BOM（設備材料清單）進行階段性的復盤和更新，才能保證備件在需求提報時更能滿足維修需求，但恰恰是這個復盤和更新BOM的工作，就已經勸退很多企業。BOM的不完整、更新不及時一直在惡性循環，甚至很多新備件的維護、替換備件的關系均無法做信息化的及時更新以普及使用，大量的信息都保存在業務終端人員的“小筆記”本上。

而對于進一步的備件需求量決策，則更依賴人工通過長期在企業中的業務經驗、“直覺”確認相關備件需求量的計算，這種判定能力至少需要相關人員有足夠的BOM需求判斷經驗，比如對設備的運行狀態及維修需求有專業的判定，結合企業的庫存控制策略，在符合企業對庫存各項指標要求的前提下進行合理的需求量判斷，這個要求無形中框定了對人員的需求。同時，從需求角度對需求量的直覺性把握很難在提升庫存有貨率、降低積壓庫存的角度提供良性幫助，畢竟需求角度更希望對設備的穩定運行提供保障，而庫存控制則需要在保障需求的同時盡可能降低庫存，讓備件的備貨更貼合需求時間。

備件與設備本身是一體化，設備的運行健康度涉及到對備件的需求度，也決定了備件應該在提前多久開始著手備貨，現在越來越多的企業意識到傳統管理模式下的弊端，逐步將備件管理和設備管理進行職能合并，逐步推進備件與設備的統籌管理。

知識圖譜在庫存管理中的應用

此前，通過大數據和人工智能技術發展的啟發，通過人工智能技術在知識圖譜上的成功應用，我們嘗試在備品備件與設備的關聯關系上進行知識圖譜的模型構建，構建成功后，圖譜中的任意一點，均可帶起一張關系網，比如，我們通過某個備件物資碼，可以輕易的找到其相關設備、替代備件，此時如果有一個設備維修的需求，可以通過這張關系網快速的定位需要備件，再結合庫存系統，獲取相關庫存信息，對無庫存備件，通過其關系網可以快速定位出其有庫存的替代備件，將該設備維修需求的相關備件庫存清單、待采購清單、替代備件庫存清單提供給終端業務人員，輔助人工進行快速決策。

當我們得到一張關系網以后，接下來需要考慮的則是備件需求的預測提升，得到一個盡可能貼合需求的預測結果才能更好的進行庫存控制。設備維護通常分為三類：響應式維修、預防性維護、預測型維護。響應式維修又稱修復型維修，基于“故障”，屬于事后維修，預防性維護基于“時間”，更多依賴于經驗判斷，而預測性維護則根據設備實時的運行“數據”，對某些重要部件進行定期或者連續的狀態檢測和故障診斷。這三類中主要導致備件需求量預測偏差度大的就是響應式維修，此維修場景從常規需求量預測的角度來看，無法有效預測。因此，我們有了一個大膽的考慮，是否可以通過某些其他的關聯現象，將響應式維修盡量避免。

伴隨著人工智能（AI）、大數據（(Big Data）、云計算（Cloud Computing）等技術的發展，我們發現，如果通過傳感器和物聯網技術對設備運行數據進行實時采集、處理、分析，是否可以實現對設備故障前的征兆狀態進行預警，進而實現對部分響應式維修的“避免”。這種方式將響應式維修轉換為預測性維護，幫助企業實時洞察設備的運行狀態，更加準確地定位潛在故障部件，結合備件關系網，實現在最需要備件的時候得到備件庫存，這樣既能降低“用而不備、備而不用”的風險，又能降低提前儲備的風險，減少備品備件的庫存積壓，提高物資的周轉效率。

備品備件的庫存良性管理除上述提到的健全的關系網、設備運行的提前預警以外，同時離不開供應渠道的保障及協同，離不開在庫物資的精細化管理，也同樣需要企業內部各單位之間庫存共享的打通，才能達到降低庫齡、減少積壓，真正實現降本增效。

英諾森在協助企業實現有效庫存控制、降本增效的路上不斷探索與前進，通過庫房精細化、需求提報電商化、庫存管理集中化、倉配園區智能化的全流程覆蓋模式，為企業構建供應鏈“智能軀干”的同時，運用AI、大數據等領先技術在需求預測領域上搭建供應鏈的“決策中控室”，以全新的控制塔模式為企業的智慧供應鏈建設提供堅實基礎。

審核編輯黃宇