供应链的优化难题，20年没有改变

每当有新的技术应用于供应链管理，都会促进供应链管理水平的提升，但是20年来，供应链的优化难题，一直都没有发生根本的改变。

在《哈佛商业评论》中文版2024年第5期有一篇文章《供应链管理 供应链难题解析新解：OML》，文章主要通过OML（优化机器学习）的决策方法解决供应链优化难题。

文中提到：

这种被称为“优化机器学习”(optimal machine learning, OML)的新方法，会利用AI技术创建一个数学模型，将与供应链相关的关键数据（网络节点、节点位置、销售和货运交易、财务参数、营销推广、物流和产能限制等）和计划决策（例如，生产什么数量的产品，或在每个地点储备多少库存）联系起来。该模型可以考虑公司的优先事项（如合同规定的或希望达到的客户服务水平）、预算限制和其他资源限制（如材料和劳动力的可用性等）。用这种方式存储的数据几乎可以做到实时更新和快速修改计算结果，为决策提供依据。《哈佛商业评论》中文版2024第五期

而20年前刚刚进入供应链管理领域时，APS主要解决的难题也是：

1、根据公司决策的优先级顺序；

2、根据资源限制（限制理论）；

3、为企业提供优化的生产计划、排产、采购计划、库存计划；

4、数据可以定时更新和快速修改结果。

此文的OML方法和APS解决的难题是非常类似的，唯一的差别是：OML实时更新和快速修改计算结果；而APS是可以每天给更新和修改计算结果，如果小部分修正可以即时更新。

所有供应链管理优化的难题20年没有改变。

而在最新的文章中，OML的方法，本质上和20年前的先进计划系统没有区别。OML方法需要要求：

1、要确定OML目标，捕捉业务限制因素，确定KPI和相关数据。

2、重新设计销售与运营计划（S&OP）流程，让团队成员共同制定销售、生产和库存计划的流程。

3、OML使企业能够根据历史和当前的供需信息做决策，而不仅是更准确地预测。

而文章中的两个例子：（1）半导体设备公司的备件库存与服务难题的解决；（2）消费电子的需求与库存优化。

这两个例子本质上都是需求管理与库存优化，原理与20年前的理论也基本上一致。

虽然文章中使用了机器学习的人工智能技术，但仅仅是提升了更新的数据频率。

而且现在的人工智能技术应用于供应链管理优化，与APS的效果是一样的：为供应链优化的新手赋能，让新手快速具有经验。