在我作為供應鏈從業者和領導者的整個職業生涯中，科學上完美的模型和引導公司做出舒適決策的商業工程模型之間一直存在著鬥爭。完美的供應鏈決策主要存在於學術文獻和教科書中，而現實世界的決策受到許多外部因素的影響，如生產中斷、訂單取消、勞動力短缺、質量控製、邊境延誤等。加劇這些擔憂的是，區域性和全球性的中斷隻會變得越來越頻繁，以至於它們已經使供應鏈成為普通公眾談論的話題。
由於前所未有的需求和供應波動水平，供應鏈問題現在是CEO和董事會層麵的話題，而與此同時，客戶的期望仍然存在，因此滿足這些期望比以往任何時候都更難。供應鏈規劃需要利用新的分析技術，同時滿足比以前更廣泛的關注範圍。在職業生涯早期，我曾周遊世界，向公司的供應商介紹更好的庫存模型，但如今，庫存優化不再是假設哪個需求分配，而是在增長戰略、成本壓力和貿易政策的背景下看待。我們應該進行範式轉換，以納入規劃的複雜性和波動性的增加。
整合優化、人工智能和機器學習(AI/ML)的分析供應鏈模型傳統上是針對規劃豎井中的特定功能問題開發的，盡管在某些情況下，優化一個豎井會對其他所有地方產生負麵影響。即使是S&OP過程也隻處理聚集的問題，而不能處理從中斷中恢複所需的鏈的各個部分的細節。每件事都需要以一種同時考慮整個供應鏈的方式進行計劃，而不是將其視為互不相連的部分。雖然優化和AI/ML方麵的進步可以使我們的模型更加智能，但它們也必須以業務的速度交付，並使用適當的業務上下文使其具有相關性。應對這一挑戰需要新的數據源，但也需要融合不同方法的長處。
優化、AI/ML和自定義啟發式的結合必須能夠實現實時、全麵的決策支持，並在某種程度上產生對供應鏈整體影響的理解和信任。它不能孤立地專注於單個問題的產出。為了解決業務問題，融合必須結合為業務實際量身定製的規則，並具有模擬多種潛在未來的能力。隨著問題變得越來越複雜，我們需要能夠解決規模問題的方法，並且聰明而快速地減少解決方案空間。融合需要為理解輸出提供可解釋性，並授權規劃者控製最終結果。正如我們的一位客戶明確表示的那樣，“沒有可解釋性，機器學習將無法工作。”對決策者來說，行動的明確性來自於對獨特專注於其業務的模式的信心。供應鏈分析需要成為自信決策的推動者。
分析技術現在正以新的方式融合，利用每種技術的優點來創建新一代先進的決策支持。某些關鍵的權衡決策最好通過優化解決，其他最好通過AI/ML解決，而定製啟發式提供了圍繞這些輸入的框架，並支持實時適應。規劃人員對關鍵需求的微調必須是整個模型的一部分，以避免他們盲目地覆蓋他們不了解的負麵影響的最終結果。可視化和與結果的交互是決策者支持所提供輸出的關鍵。
新一代的供應鏈規劃正在到來。供應鏈中斷並沒有減緩，不同的分析技術正以針對每一項業務的新方式結合在一起，而人為規劃人員為所有潛在未來做好準備的作用隻會越來越大。這是我所期待的規劃未來。
注:我要特別感謝Dwayne Smith、Jessie Lamontagne和Carsten Jordan，感謝他們在這篇文章背後的一些想法，以及我在最近的INFORMS Analytics大會上發表的相關演講。
留下一個回複