供應鏈管理導入AI之應用價值與實例
科技產業資訊室 (iKnow) - May 發表於 2018年7月19日
圖、供應鏈管理導入AI之應用價值與實例
供應鏈管理（SCM）幾乎與所有行業有關，但與醫療保健、金融和零售業相比，較少得到AI新創公司和供應商公司的關注。企業越來越關注AI應用，從充分利用工業物流、倉儲和運輸系統收集的大量數據。
SCM導入AI之應用價值，在三方面：
- 需求預測分析
- AI倉庫管理
- 採購中聊天機器人
一、需求預測分析
LLamasoft供應鏈管理
LLamasoft成立於2003年，位於密歇根州安娜堡市，目前擁有500多名員工，專為供應鏈規劃及軟體設計、視覺化應用設計。
以下是Llamasoft供應鏈管理產品的行銷視頻：
影片來源:Vimeo
該公司開發Demand Guru平台，提供預測需求建模軟體，使用機器學習來識別隱藏模式（例如季節性需求或外部天氣、需求和其他影響之間的相關性）在歷史需求數據中，幫助企業確定降低成本和提高整個供應鏈營運效率的方法。
例如:
- 銷售家具企業(如IKEA)能夠使用Demand Guru平台，並預測其實體商店中展示的不同模型的日常需求。
- 使用所有模型的歷史銷售數據，包括購買日期和時間，購買的商品數量等信息，Demand Guru中的機器學習模型可能潛在地“學習”季節性特定趨勢（例如特定假期的銷售額增加）。此外，該平台能夠考慮天氣數據和新聞事件，以找到與銷售模式的相關性，例如確定工作日的天數占更多銷售額。
另一特色，Demand Guru提供LLamasoft數據立方體，該公司聲稱這是一個策劃天氣和經濟時間序列數據集的集合，可以讓平台的學習能力從識別因果關係開始，以預測未來需求。這可能是使用美國特定城市的溫度和降雨量等數據，或者是特定行業的併購數據。
以下視頻概述Llamasoft的Demand Guru平台在預測SCM需求的能力：
影片來源:Youtube
Schneider Electric全球供應鏈採用Llamasoft平台的應用案例：
挑戰：
- Schneider希望降低全球240個製造工廠和110個配送中心現有供應鏈流程的成本，並分析吸收他們剛收購的新業務部門的潛在機會
所採取的行動：
- Llamasoft與Schneider簽訂合同，建立供應鏈預測模型，為Schneider龐大的原材料供應鏈自動創建最佳路線選擇。
- Schneider最近收購的一些新業務部門的企業供應鏈數據（如運輸費率和政策、產品運輸路線數據等），該公司現有的供應鏈數據主要存在於27個傳統的ERP系統中。
- Schneider的數據工程師首先構建了一個數據提取工具，可以從所有ERP系統收集企業數據，驗證並“清理”數據，以便輸入Llamasoft平台。
結果說明：
- Llamasoft聲稱他們的定制模型需要大約2-4小時來分析200,000個運輸政策數據點，130,000個流量和路由限制，以及150多個初始方案（施耐德提供的數據），並且Schneider年度節省932萬美元。
- 例如，直接從製造工廠而不是通過其中一個配送中心重新配送貨物，以節省材料處理和庫存貯藏成本。
Aera Technology (FusionOps)
Aera Technology（前身為FusionOps）於1999年在舊金山成立，目前擁有約153名員工。該公司提供預測分析軟體，採用機器學習（由領域專家協助）用於供應鏈管理中的應用程式，協助企業進行自動化規劃和優化現有供應鏈流程。
例如:
- 美國的汽車製造商由於跨國生產零件，需要將其發送到配送中心和經銷商。Aera的供應鏈管理平台可以使製造商輕鬆追踪整個供應鏈，從微型螺絲到大型發動機等產品，並從平台獲得可操作說明，旨在降低成本和提高效率。
- 該公司聲稱其平台使用機器學習來查找供應鏈數據中的模式（例如歷史發貨記錄或配送中心的庫存記錄），這些模式可能有助於提供洞察力，使製造商能夠更快地交付零件並降低庫存。
以下Insight平台（現在是Aera平台的一部分）的視頻演示，企業如何使用該軟體操作的儀表板、報告和指標：
影片來源:Youtube
Aera與Mahindra USA（印度汽車公司Mahindra＆Mahindra在北美拖拉機製造部門）合作，幫助減少庫存，並更快地向客戶交付零件。
挑戰:
- 自2011年以來，Mahindra的產品組合從10個增加到55個左右，經銷商數量增長了4倍，超過500個。該公司認為，他們需要統一可操作介面，以提高這種規模的供應鏈效率。
所採取的行動:
- Aera的平台輸入了來自Mahindra的許多內部團隊的數據，包括財務、運營、規劃和業務管理。該公司聲稱，它的平台能夠使用機器學習技術，並提供有關降低Mahindra供應鏈成本。例如，該平台可以潛在地識別哪些國際和國內貨物可以合併以降低成本。
結果說明：
- Aera聲稱，該平台的整合幫助Mahindra將其庫存月減少了35％。
二、AI用於倉庫管理
自20世紀50年代以來，自動導引車（AGV）一直在工業環境中運行，直到最近幾年導入進行自主導航。隨著人工智慧和導航技術的逐步改進，例如同步定位和繪圖以及機器視覺，AGV可以在建築物之間移動來實現跨傳統製造邊界的自動化材料處理。現今AGV透過稱為倉庫執行系統（WES）的連接軟體層，將與來自現有倉庫管理和控制系統的數據結合在一起，具有更加自動化的潛力。
WES導入AI使現有的物流系統隨著時間的推移更加高效，成為許多頂級AGV運營商的戰略決策。
Dematic IQ (Former Reddwerks)
Dematic於1891年在密歇根州Grand Rapids成立，Dematic於1891年在全球擁有4400多名員工，專注於供應鏈管理應用提供自動化軟體。2015年Dematic收購了Reddwerks（WES空間的早期參與者），創立自己的品牌，幫助倉庫管理操作識別倉庫機器人有效率的揀選或優化訂單工作流程。
以下案例，Dematic與一家美國服裝零售製造商合作，通過使用Dematic IQ WES來支援他們的3,900家實體零售店（更換商店中的商品）。
挑戰：
- 服裝零售商需要將八個獨立商店品牌的商店進行改為一個配送中心，這意味著配送中心需要具有高密度的貯藏，同時確保快速的產品補充。
所採取的行動：
- Dematic WES用於優化整個配送中心的操作流程，從訂單接收（從客戶ERP系統中的數據）到裝運和調度（使用WMS的數據）。
結果說明:
- Dematic零售店補貨系統幫助零售商每天在其商店中補充多達600,000件，以滿足所有八個品牌（包括高峰時期）所有補貨的需求，該系統降低了處理成本並擴大貯藏容量。
以下Dematic視頻概述WES平台的功能：
影片來源:Youtube
Swisslog
Swisslog擁有118年歷史的公司，成立於瑞士Buchs，目前擁有2300多名員工，隸屬德國機器人製造商Kuka擁有，後來Kuka被中國電器商美的(Midea)集團所併購。
AI的新興應用領域在倉庫管理系統（WMS），用來監控和提高倉庫的靈活性。 AI增強的WMS機器學習具有發現和檢測異常來優化的潛力。Swisslog使用“倉庫學習”優化內部物流系統，透過從客戶訂購行為、公司的機器使用和資源使用等數據中學習並優化工作流程。
例如:
- Swisslog”倉庫學習”能夠考慮來自電子商務的營銷活動、特定日期的天氣狀況或生產物流等因素的數據，以預測客戶訂單的可能性，例如，如果電子商務公司在前一周為一家銷售雨傘的公司進行營銷活動。該平台可能會在未來一周（有陰雨天氣預報）提示庫存管理人員，他們的倉庫可能必須增加現有的雨傘庫存以滿足需求。
- 未來倉庫管理平台更接近完全自動監控，並且AI優化企業的運營。
以下Swisslog視頻展示了”倉庫學習”：
影片來源:Youtube
三、採購中的聊天機器人
Chyme by Univired
德州的新創公司Univired，推出了聊天機器人Chyme，可以打開人工操作員和銷售/營銷自動化服務之間的對話界面，如SAP的SalesForce。
根據Univired的案例研究，其聊天機器人用於飲料產業的採購管理。飲料製造商過去要求員工致電服務台操作員以獲取有關其採購需求的信息。
大多情況為等待時間來取得回音。據報導，向員工和供應商推出的Chymebot解決方案能夠提供有關訂單和發貨狀態、庫存情況、庫存價格、供應商狀態和承辦細節的查詢答案。
下面視頻顯示SAP Sales Assistant如何有助於自動化採購銷售：
影片來源:Youtube
聊天機器人在採購中的成功整合仍存在一定的局限性，包括聊天機器人的表達錯誤，由於系統的性質和明顯缺乏傳統人性化，可能會影響與客戶之間的關係。
希望利用聊天機器人進行採購的企業，可以考慮以下因素來做出更好的決策：
- 雖然這樣做相對簡單，但集成聊天機器人並不能保證人性化的通訊功能可以立即實現，還需要長期的努力，可能需要調整現有數據系統以確保準確的結果。
- 人類在未來兩到五年內仍可能被取代，聊天機器人可能有助於自動執行日常任務，或回覆更複雜的查詢需求。(2498字；圖1)
參考資料：
Artificial Intelligence in Supply Chain Management – Current Possibilities and Applications. Tech Emergence, 2018/7/2.
本站相關文章：
1.AI聊天機器人前景看好
2.2018年十大人工智慧趨勢及議題
3.台橡公司成功導入T³系列SCM智能製造供應鏈管理系統平台
4.經濟部打造具國際競爭力的智慧物流產業
5.蘋果未來十年令人擔憂, 影響遍及整體產業鏈
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述，僅為提供更多訊息，也不構成任何投資建議。
2.著作權所有，非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載，本中心保留一切法律追訴權利。
|