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。