過去幾年，所有行業的供應鏈高管都在開發數字化戰略。他們積極采用集成技術，包括基于移動、協作和云平臺技術上的物聯網（IoT）。他們不斷在以更快的速度將預測性分析應用到所有供應鏈流程中，包括資產、庫存、車隊和能源管理流程。他們還積極利用機器人和無人機，進一步實現數字制造、客戶服務和配送自動化。
　　在當今這個認知時代，這些數字化運營實踐在人工智能（AI）的作用下不斷得到加強。當與高級自動化、思考與學習功能相結合時，供應鏈可以得到訓練，進而增強人類決策能力，將卓越運營提高至全新水平。

未來已來

　　
　　科幻電影和文學作品中描繪的未來場景已經成為現實，現在機器人不斷推動學習型供應鏈實現自動化和物聯化。新一波技術浪潮-人工智能（AI）能夠理解來自大量設備和云應用的海量運營數據流。這一技術還應用高等數學，創造出具有適應和學習能力的產品、流程和系統。
　　2010年，我們就預見了這些飛躍發展，當時我們將其稱之為未來的智慧供應鏈。我們預言，智慧供應鏈需要具備以下特征：
　　物聯化。過去由人類創造的信息將會越來越多地由機器生成-傳感器、RFID標簽、計量器、執行器、GPS等等。庫存將能自動盤點。集裝箱可以自行檢測其內部的貨物。如果托盤被送至錯誤的地方，則會自動報告。
　　互聯化。整個供應鏈將連為一體-不僅僅包括一般意義上的客戶、供應商和IT系統，還包括用于監視供應鏈的部件、產品和其他智能工具。這種廣泛的互聯互通將支持全球供應鏈網絡協同規劃和決策。
　　智能化。供應鏈決策也將變得更加智能。高級分析和建模技術將幫助決策者更好地分析一系列極其復雜多變的風險和制約因素，以評估各種備選方案。智能系統甚至可以自動制定決策-提高響應速度，減少人為干預。“短短不到十年時間，我們的預言就已成真。
　　自適應機器人能夠根據物聯網（IoT）設備信息以及海量結構化和非結構化數據采取行動，以進行學習和自主決策。自然語言處理（NLP）工具可以理解人類的語言，并就此作出回應。預測性分析可以應用于需求響應、庫存和網絡優化、預防性維護和數字制造。搜索和模式識別算法-不僅能進行預測，還能劃分層次-分析實時數據，幫助供應鏈對不斷增多的機器生成的信息做出響應，從而提供即時的可視性和透明度。
　　UPS前工程、戰略和供應鏈業務高級副總裁BobStoffel說：“我們談及供應鏈可視性時，并不僅僅是指您自己的供應鏈的可視性。還包括合作伙伴中的可視性，這才能更密切地針對客戶的需求協同決策。這既是一種科學（如管理技術），也是一門藝術（如利用信息和指標來獲得競爭優勢）。”

　　人工智能成為供應鏈創新轉型的必備要素。46%的供應鏈高管預計，人工智能、認知計算和云應用將成為他們未來三年在數字化運營方面的投資重點。
　　為了更好地了解人工智能和認知計算解決方案對供應鏈和運營的影響，我們對各行各業和不同地區的運營高管進行了調查。我們采訪了超過1,600位首席運營官（COO）、首席供應鏈官（CSCO）以及產品開發高管、采購高管和生產制造高管，了解他們當前對于人工智能、認知計算、優先任務的看法以及他們預期實現的價值。
　　我們的研究表明，COO和CSCO們正在積極重塑業務模式、戰略和技術能力。他們堅定地協助CEO確定敏捷的業務模式，并與CMO開展合作以支持營銷戰略，同時還大力投資和積極探索優化供應鏈運營的新方法。
　　■超過一半的業績出眾企業的受訪供應鏈高管表示他們未來三年將重點投資認知計算或云計算
　　■86% 業績出眾企業的受訪供應鏈高管表示認知計算將會轉變他們的需求規劃和預測能力
　　■92% 業績出眾企業的生產制造高管表示人工智能和認知計算將提升他們在生產規劃方面的表現
　　開拓性企業正在將這些人工智能和認知技術應用到他們的產品和日常運營當中。一些企業已經迎來美好未來；而另一些則剛剛踏上這一征程。

　　供應鏈與人工智能天生一對

　　根據我們的全球研究數據，我們甄別出700多家業績出眾的企業（占樣本總量的12%)，并且它們的財務業績優于其他企業。這些企業分布在多個行業，過去三年的年度收入增長和利潤增長均在5%以上。我們根據效力和效率對公共部門企業進行了排名。
　　88%業績出眾企業的高管指出，人工智能是行業的大勢所趨。在這些受訪者中，足足有95%的業績出眾企業將人工智能視為他們創新成功的核心要素。

　　COO和CSCO們寄希望于人工智能和認知計算，來解決他們許多的端到端供應鏈流程挑戰，而財務業績出眾的企業對人工智能的投資力度更大。這些技術的最常見應用場景就是用于從供應到生產到客戶供給過程中的材料質量、預防性維護和風險管理工作。
　　機器學習逐漸發展成為運營技術產品組合中的主流。新產品的基線預測有助于確定新產品上市和營銷計劃。當用于檢測需求信號時，人工智能可以確定多變的需求行為，優化庫存水平和補貨計劃，支持實現連續循環的產品生命周期管理。
　　最后一個協同決策流程是銷售和運營規劃。企業可以將人工智能應用于銷售和運營規劃以及其他大量供應鏈數據池，以管理需求波動、供應約束、生產安排以及動態配送問題。人工智能可以通過分配資源、調派人力和安排流程，增進人類互動。
　　機器學習功能利用算法處理海量運營數據源，發掘相關洞察，跟蹤和預測供應鏈中斷情況，幫助更深入地了解日常運營狀況。這些功能還可以針對意外事件和運輸中斷提出備選行動方案建議。結合天氣數據和運營數據可以預測潛在問題，根據推薦的行動方案向運輸和物流服務人員發送警報。
　　在生產制造方面，配置人工智能軟件的協作機器人可以“看見”他們的工作環境，在生產過程中以安全的方式在協同工作的人類周圍進行移動。
　　在我們的研究中，我們針對以下三個不同復雜程度的供應鏈領域應用人工智能這一能力的優先任務、計劃和目標提出了一系列不同的問題。
　　■產品開發
　　■采購
　　■生產制造
　　優先任務表示影響企業運營狀況的業務和競爭挑戰以及最新趨勢。計劃即為企業正在開展以及未來三年打算開展的技術、流程和人員投資計劃。目標表示側重于智能的那些措施，高管們對這些措施劃分優先順序，旨在實現投資收益最大化。

　　未來發展：創新型產品開發

　　各行各業的高管們在適時向適當的客戶交付適當的產品問題上面臨著諸多挑戰。為了將創新產品推向市場，他們需要克服將各種新技術能力（比如物聯網、無人機和機器人）與企業云應用結合起來的挑戰。許多產品研發高管正在嘗試將認知計算能力嵌入到他們的產品和運營當中。認知計算可以為產品研發、市場分析以及產品生產提供支持。
　　利用圖像處理模型識別疑難問題
　　專家們知道，需要久經訓練的銳利雙眼，才能找出移動電話塔頂端的問題所在。在幾百英尺高的高空，問題可能是電纜磨損，可能是支架的輕微腐蝕，也可能是許多潛在警報信號中的任意一個出現錯誤。荷蘭某家無人機制造商將物聯網與認知計算的結合視為開發塔頂檢測新功能的良機。該公司的新產品使用經過訓練的圖像處理模型，能夠識別出無人機機載照相機拍攝到的高清圖像中的異常。這些智能無人機有助于最大限度地減少高風險塔頂事故，降低成本，并提高服務可靠性。

　　未來發展：智能采購

　　首席采購官（CPO）關心的是如何維持全球供應鏈網絡的健康運營，他們面臨著越來越大的監管和安全風險壓力，同時還要轉變自身的運營模式以實現收入增長。但是在他們的企業內部，有大量數據埋沒在內部合同和交易系統中；在外部，海量寶貴數據則掌握在監管機構手中，而這些數據可以用來獲取更深入的采購洞察。借助認知計算功能來解析非結構化數據（比如，新聞訂閱源和社交網絡），可以增加對供應風險評分和供應商業績的了解。
　　CPO們表示，他們未來三年的三大技術投資重點領域將是認知計算、云計算以及預測性數據分析。進一步而言，超過三分之一的CPO將在此期間通過這些投資開展供應鏈管理轉型。他們正在尋求利用“尋源到結算”流程安全實時地處理交易，同時提高預測性分析在全球庫存優化方面的應用水平。我們發現，對于許多行業，尤其是制造和配送行業，獲取有關采購和供給職能部門的可視性、洞察力和理解力非常關鍵。
　　這些投資的預期回報包括運營效率提升、收入增長和運營模式轉型。認知技術可以提供所需要的全面可視性，幫助獲得有關供應鏈中斷和風險的真實洞察。在理解能力得到提升之后，采購專業人員可以預測異常事件，提前布置計劃。事實上，40%的CPO預計，認知計算將在風險緩解、費用分析、全球物流和配送方面帶來更多價值。
　　認知采購能力支持優化供應鏈
　　高效低成本的供應鏈對于合同制造企業的重要性再怎么夸大都不過分。美國某家電子產品合同制造服務提供商明白，要推動采購專家更多地根據數據驅動制定決策，就需要利用智能方法對待所有供應商-不單單是大型供應商。這就意味著解決如下現實問題-采購人員沒有時間挖掘和分析有關成千上萬個小型供應商關系的海量數據和定價詳細信息 - 與供應商關系本身同樣重要。
　　所以該公司開發了一種人工智能解決方案，對所有供應商關系進行一站式細致管理。該解決方案將公司內外部各種不同的非結構化數據整合起來，并將其進行可視化處理，以幫助專家快速制定準確的決策。通過獲得有關所有供應商關系的相同細粒度的洞察，該公司將供應鏈能力提升到了全新水平。

　　未來發展：學習型自動化制造

　　生產制造領域的高管正在致力于與產品開發同事攜手并進，將創新產品推向市場，推動企業實現發展和盈利。他們迅速地實施基礎的物聯網和云技術，并大力利用自適應機器人此類的自動化技術。現在，該行業正在積極采用新一代自動化創新技術-利用人工智能實時制定生產決策。
　　舉例來說，在汽車生產中，當傳感器發現缺陷時，它會將數據反饋給云生產應用，而該應用則將立即請求將缺陷部件脫離生產線，并替換為已安排好的備用部件。
　　利用能夠與乘客交談的自動駕駛公交車填補公共交通領域的缺口
　　為了將自己的公共交通車輛擴展到傳統公共交通服務水平低下的地區，該公司開發出了全新的隨需應變車輛，可以與乘客談論目的地、搭乘建議等等。借助協作設計，該制造商開發出了一款小型高效的車輛，可以自動駕駛并與乘客溝通。為了使這款車輛充滿“活力”，該公司集成了三十多個機載傳感器。該物聯網解決方案可以理解和響應來自這些傳感器的海量數據，并在運行期間將信息反饋給這些車輛。乘客可以通過手機應用提出服務請求，還能夠直接與車輛對話。在車輛探索最佳路線選擇、提供有關當地景點的建議以及了解每位乘客的喜好時，乘客的溝通內容可以變成導航決策和對話互動。

　　人工智能和認知計算支撐未來自動化技術發展

　　隨著自動化技術受到COO和CSCO越來越多的關注和投資，人工智能和認知計算旅程也隨之向前推進。自動化技術包括軟件機器人，比如應用編程接口(API)、算法以及機械機器人。最新成果是自適應機器人-與認知物聯網互聯的智能機器-可以用于幫助打造個性化產品和服務，改善運營，降低成本并提高效率。

　　當與更加強大的物聯網生態系統相結合時，自適應機器人可以從其他互聯設備中學習，定期改進自己的行動。為了改革供應鏈，財務業績出眾的企業不斷加大對基礎技術的投資力度，同時繼續投資自動化技術。
　　認知服務支持解放雙手、解放生產力
　　德國某家高級耳機制造商看到了一個可以同時提升自身消費產品和提高工人生產力的機會。該公司將來自認知物聯網平臺的服務整合到新產品中，支持工人利用簡單的口頭命令召集復雜信息，進行有針對性的溝通，幫助他們完成棘手的任務。這項技術支持無需人工干預的溝通，幫助工人在獲得所需技術和學習信息的同時維持生產效率水平。

　　認知計算大大助力數字化運營

　　人工智能和認知計算在不同程度上提高了供應鏈各個環節的管理水平。在當前的應用場景中，最為顯眼的當屬自動化技術在事件和緊急響應、資產管理和全球網絡設計中的應用-所有這些都是為了實現積極主動的預測性響應能力。但是在不久的將來，運營高管會制定一系列重大計劃，以全面轉變他們在需求、風險和安全管理以及客戶體驗方面的能力，這也驗證了未來事業要以客戶為中心的觀點。
　　以上各種成功案例證明了應用人工智能來進一步實現設備和運營流程自動化可以帶來的潛在價值和創新機會。簡而言之，開拓型領導者正在打造更加智慧的運營，以期實現以下目標：
　　■增加收入，打入新市場
　　■提高運營效率和敏捷性
　　■提高創新能力，獲得競爭優勢
　　過去幾十年間，我們已經將供應鏈流程從“感知和響應”模式轉變為“預測和行動”模式。現在，供應鏈具備了感知、理解、響應和學習能力。人工智能是新一代供應鏈管理工具，將支持實現無與倫比的卓越運營。

　　認知供應鏈旅程

　　實現成功的認知型或學習型供應鏈之路似乎很漫長，乍一想會令人灰心氣餒。這個旅程與大多數旅程一樣，必須進行戰略規劃，根據路線圖執行計劃，進而實現價值。通過與全球各個行業成功實現數字化變革的企業開展合作，并對他們的變革之路進行調查，我們制定了一套行動方案。
　　未來展望
　　根據財務業績出眾的企業和最高運營高管的描述，我們了解到將業務戰略與運營模式整合起來有多么重要。但是許多企業缺乏有關數字化運營的清晰戰略愿景和計劃。我們的分析表明，大多數經濟實力強大的企業都會遵循轉型路線圖。
　　該路線圖應該包括一個包含諸多創新和啟動項目的計劃。想象一下，研討會利用設計思維，通過頭腦風暴會議和可視化的運營用例，了解消費者、客戶和同事。此外，還要確保這些措施與目標運營模式和生態系統戰略保持一致。
　　運用人工智能的供應鏈用例示例可能包括：
　　■可承諾量：利用實時客戶需求和環境數據，更好地協調承諾日期、實際日期與要求日期的一致性。
　　■上架策略：結合互聯化材料處置機器數據、空間和位置數據以及現有的產品數據，優化庫存儲備規則和策略。
　　■生產路線確定：利用機器數據、能源消耗、客戶細分、需求和銷售活動數據，加強先進流程控制(APC)，從而排列和安排生產流程和路線，并在必要時快速響應市場變化。
　　■安全庫存規劃：利用來自供應商和客戶的其他獨立系統信息，更加細致地優化安全庫存水平。
　　利用敏捷開發方法，根據用例創建原型。提高能力，繼續構建和部署企業云應用支持的物聯網產品和運營控制設備，以便獲得實時洞察。清晰闡述影響和業務用例。此外，還要開發記分卡，以監視原型實施過程。

　　了解您的數據

　　數據-一切始于數據。制定數據戰略，鎖定需要的數據，解決用例中確定的運營問題。確定合適的數據集以解決挑戰。我們根據不同職位的高管們的回答了解了哪些是最重要的數據集。
　　現在，天氣以及其他非結構化數據可以得到自動分析，以提供深刻洞察，甚至是行動方案。舉例來說，英國某家建筑管理公司利用認知物聯網解決方案，幫助客戶預測天氣情況，遠程調整他們的建筑系統，將采暖成本降低達50%，實地考察次數減少90%。

　　培養人工智能技能

　　這項工作本質上具有多變性，數字化技術與此有重大關系。企業和機構將需要具備數字問題解決技能的員工，提高績效水平和創新能力，以推動在競爭激烈市場中實現發展、增長和成功。基礎計算技術和數學背景構成大部分人工智能方案的基礎。常用的知識和技能集包括：
　　■不同水平的數學知識，包括概率、統計、代數、微積分、邏輯和算法
　　■貝葉斯網絡或圖形建模，包括神經網絡
　　■物理學、工程學和機器人學
　　■計算機科學、編程語言和編碼
　　■認知科學理論
　　此外，了解數據分析和機器學習工程之間的不同也非常重要。數據分析通常側重于傳播-圖表、模式和視覺效果-將這些呈現給人類，以獲取切實可行的洞察。而機器學習工程帶來的最終結果是高效運行的軟件，受眾通常是其他軟件組件，可以自動運行，最大程度減少或無需人為干預。切實可行的情報可以轉變為由機器制定的決策，同時這些機器會影響產品或服務的性能。
　　本文中的許多公司表示，他們通過與認知能力中心進行互動(CCoC)，幫助樹立意識，培養技能，構建最佳實踐并制定溝通計劃，從而更加高效地部署他們的人工智能和認知項目。認知能力中心是企業中的共享服務部門，能夠提供有關認知技術和認知應用的專業知識。其終極目標是支持路線圖，傳達人工智能和認知議程，推動實現更卓越的供應鏈。