供應鏈管理需要機器學習大改造

近年來，企業的供應鏈不斷遭受各種因素干擾，但企業採取傳統的規畫方法，降低了供應鏈的敏捷性與韌性。本文提出一套「最佳機器學習」規畫方法，運用歷史與當前的數據，為企業提供更好的決策建議。

近年來，新冠疫情、烏俄衝突、貿易戰與其他事件干擾了供應鏈，凸顯出企業亟需改善規畫，以提高敏捷性與韌性（resilient，或譯復原力）。然而，企業疲於因應這項挑戰，一個主要原因是採用有缺陷的預測方式，導致交貨延遲、庫存水位（inventory levels）與需求嚴重脫節、財務績效令人失望。這些結果並不令人意外。畢竟，需求預測普遍不準時，怎麼可能有效做出庫存與生產的決策？

(##CONCEPT##

問題：有缺陷的規畫方法使公司很難保護自己不受供應鏈干擾的衝擊。

解方：最佳機器學習（OML）這種新方法可以促成更好的決策，不像現有的機器學習模型所產生的規畫建議那樣神祕。

要素：OML依賴一種決策支援引擎，它會把輸入數據直接連接到供應鏈決策，並將公司在績效方面的優先要務納入考量。其他功能包括—以「數位雙生」的方式呈現整條供應鏈；以及一個數據儲存系統，可以整合整條供應鏈的資訊，讓公司迅速取用及更新數據。

##CONCEPT##)

我們已經開發出一套解決這個缺陷的方法。我們的新模型是使用機器學習與歷史數據，來為供應鏈決策產生更好的建議。當前的機器學習法偏重於努力建立更準確的預測，而我們的方法則是偏重於做出實際的決策。我們把這種新方法稱為「最佳機器學習」（optimal machine learning, OML）。這是使用人工智慧（AI）科技來創造一個數學模型，該模型把有關供應鏈的重要輸入數據（網絡的節點、這些節點的地點、銷售額與出貨量、財務參數、行銷宣傳、物流限制與產能限制等等），連結到規畫決策（例如，要生產多少量，或每個地點要有多少庫存水位）。該模型可以把公司的優先要務（例如合約要求達到或公司希望達到的客服水準）、預算限制與其他資源限制（例如物料與勞力的可得性）納入考量。數據的儲存方式可以使數據近乎即時地更新，也可以迅速修改決策所依據的計算。