導(dǎo)讀：盡管人工智能/機器學(xué)習(xí)在供應(yīng)鏈管理中的應(yīng)用并非新鮮事物，但迄今為止，機器學(xué)習(xí)主要用于提高多層供應(yīng)鏈的可視性、改進預(yù)測、模擬或假設(shè)分析。這些發(fā)展對供應(yīng)鏈計劃都沒有多大幫助，而供應(yīng)鏈計劃是建立供應(yīng)鏈敏捷性和彈性的關(guān)鍵要素。

Agrawal 的最新論文發(fā)表在《哈佛商業(yè)評論》上，介紹了一種與機器學(xué)習(xí)當前實際應(yīng)用方式截然不同的新方法。最佳機器學(xué)習(xí)(OML) 模型能夠用一步式?jīng)Q策引擎取代傳統(tǒng)的基于預(yù)測的兩步式預(yù)測然后優(yōu)化(PTO) 方法。通過繞過 PTO 系統(tǒng)有缺陷的第一步，OML 模型將歷史數(shù)據(jù)與符合公司關(guān)鍵績效指標 (KPI) 的決策聯(lián)系起來，直接從數(shù)據(jù)到?jīng)Q策。

OML 模型的第二個獨特組成部分是 Agrawal 所說的“數(shù)字孿生”，它是整個供應(yīng)鏈網(wǎng)絡(luò)的數(shù)字化表示，包括材料、財務(wù)和信息流。在這種數(shù)字孿生中使用高度精細的交易級數(shù)據(jù)，使公司能夠嚴格分析各種場景中的詳細結(jié)果，而這在傳統(tǒng)的情景規(guī)劃方法中幾乎是不可能的。這種能力對于評估和建立供應(yīng)鏈的彈性至關(guān)重要。

本文原文：https://hbr.org/2024/03/how-machine-learning-will-transform-supply-chain-management  編輯僅翻譯及校對

比利時攝影師迪迪埃-恩格斯（Didier Engels）拍攝了歐洲各地的碼頭、貨艙和集裝箱。在這些圖片中，他航拍了五顏六色的集裝箱，并對其進行處理，創(chuàng)造出引人注目的構(gòu)圖。

Covid-19 大流行病、俄烏沖突、貿(mào)易戰(zhàn)爭以及近年來發(fā)生的其他事件擾亂了供應(yīng)鏈，凸顯了企業(yè)改善供應(yīng)鏈規(guī)劃以提高靈活性和應(yīng)變能力的迫切需要。然而，企業(yè)在應(yīng)對這一挑戰(zhàn)時卻舉步維艱。其中一個主要原因是預(yù)測有誤，導(dǎo)致交貨延誤、庫存水平與需求嚴重脫節(jié)，以及財務(wù)業(yè)績令人失望。這些后果不足為奇。畢竟，在需求預(yù)測嚴重失準的情況下，如何才能有效地做出庫存和生產(chǎn)決策呢？

我們已經(jīng)開發(fā)出一種方法來解決這一不足。我們的新模式利用機器學(xué)習(xí)和歷史數(shù)據(jù)，為供應(yīng)鏈決策提供卓越的建議。當前的機器學(xué)習(xí)方法側(cè)重于嘗試創(chuàng)建更準確的預(yù)測，而我們的方法則側(cè)重于做出實際決策。我們將這種新方法稱為最佳機器學(xué)習(xí)（OML），它涉及使用人工智能技術(shù)創(chuàng)建一個數(shù)學(xué)模型，該模型將與供應(yīng)鏈相關(guān)的關(guān)鍵數(shù)據(jù)輸入（網(wǎng)絡(luò)節(jié)點、節(jié)點位置、銷售和裝運、財務(wù)參數(shù)、營銷推廣、物流和產(chǎn)能限制等）與規(guī)劃決策（例如，生產(chǎn)何種數(shù)量的產(chǎn)品，或在每個地點儲備何種水平的庫存）聯(lián)系起來。該模型可以考慮公司的優(yōu)先事項（如合同訂單規(guī)定的或希望達到的客戶服務(wù)水平）、預(yù)算限制和其他資源限制（如原材料和勞動力的可用性）。數(shù)據(jù)的存儲方式可以實現(xiàn)近乎實時的更新，并快速修改計算結(jié)果，為決策提供依據(jù)。

我們對供應(yīng)鏈管理進行了數(shù)十年的研究，并在半導(dǎo)體設(shè)備制造、航空航天與國防、電信和計算機等多個行業(yè)的公司實施了我們的想法，在此基礎(chǔ)上，我們開發(fā)了 OML。在這篇文章中，我們解釋了為什么現(xiàn)有的供應(yīng)鏈計劃方法（包括其他機器學(xué)習(xí)技術(shù)）都失敗了，我們的方法是如何工作的，以及實施這種方法需要對計劃團隊和衡量標準做出哪些改變。我們重點介紹了在兩家財富500 強企業(yè)中測試 OML 的經(jīng)驗。

其中一家公司生產(chǎn)和銷售用于制造半導(dǎo)體的資本密集型設(shè)備。為了確?？蛻舻脑O(shè)備能夠正常運行，該公司必須管理成千上萬的備件庫存。但在過去，該公司經(jīng)常面臨關(guān)鍵部件短缺的問題，這導(dǎo)致了昂貴的加急裝運或破壞性的等待時間，從而造成客戶所在地代價高昂的停機。沮喪的經(jīng)理們經(jīng)常爭先恐后地推翻企業(yè)資源計劃（ERP）系統(tǒng)提供的庫存建議。經(jīng)理們依靠自己的經(jīng)驗，使用現(xiàn)有計劃軟件中沒有明確納入的數(shù)據(jù)輸入，但他們的推翻是主觀的、臨時的，而且設(shè)計起來非常耗時，這往往使他們的問題更加復(fù)雜。

我們要討論的另一家公司是一家消費電子產(chǎn)品公司，該公司通過數(shù)千家零售商的商店銷售由亞洲合同制造商生產(chǎn)的先進虛擬現(xiàn)實設(shè)備套裝。這家公司正在建立其銷售和運營計劃流程，并面臨著來自不同利益相關(guān)者（供應(yīng)商；公司內(nèi)部銷售、生產(chǎn)、物流和供應(yīng)采購職能團隊；以及擁有數(shù)千家零售店的復(fù)雜供應(yīng)鏈的客戶）的各種方法和數(shù)據(jù)輸入的挑戰(zhàn)。消費者需求的高度不確定性導(dǎo)致一些零售點持續(xù)短缺，而另一些零售點則庫存過剩。

為什么敏捷性和應(yīng)變能力仍然難以實現(xiàn)

各行各業(yè)的公司都未能制定有效的戰(zhàn)略，使其供應(yīng)鏈做好準備，以抵御不可預(yù)見的中斷。這是因為現(xiàn)有計劃方法存在三個重大缺陷：有缺陷的預(yù)測驅(qū)動流程、與數(shù)據(jù)相關(guān)的挑戰(zhàn)以及無效的情景規(guī)劃。

預(yù)測驅(qū)動型計劃

最廣泛使用的供應(yīng)鏈計劃方法包括兩個步驟。在預(yù)測步驟中，需求預(yù)測是根據(jù)有關(guān)銷售和訂單的歷史數(shù)據(jù)、有關(guān)經(jīng)濟狀況和競爭對手行動的信息以及主觀判斷生成的。在優(yōu)化步驟中，這些預(yù)測被輸入供應(yīng)鏈網(wǎng)絡(luò)的數(shù)學(xué)模型，以生成最終的庫存決策。這種方法被稱為預(yù)測-優(yōu)化（PTO），失敗的原因有很多。

1. 沒有一個各方都同意用于決策的單一預(yù)測

在這家消費電子產(chǎn)品公司，銷售經(jīng)理每月都要對總銷售額進行預(yù)測，同時還要對未來 12 個月內(nèi)每個零售客戶的銷售額進行預(yù)測。庫存計劃團隊也獨立制定了自己的客戶需求預(yù)測，但由于庫存訂單通常每周下達一次，因此庫存計劃團隊每周都要進行一次預(yù)測。為了管理與消費電子公司的訂單，并將庫存分配給其商店網(wǎng)絡(luò)，每個零售客戶也都制定了自己的預(yù)測。這些客戶的預(yù)測往往與電子消費品公司的預(yù)測大相徑庭。此外，所有預(yù)測都是在不同的時間點做出的，并隨著新的需求信息的出現(xiàn)而更新。而且，由于沒有人完全了解消費電子產(chǎn)品公司或零售商實施的市場促銷活動會如何影響銷售，因此對終端客戶需求的估計往往是失真的。在這種情況下，如果有多種預(yù)測，而每種預(yù)測都有自己的誤差，就不清楚哪種預(yù)測才是優(yōu)化供應(yīng)鏈計劃決策的理想預(yù)測。

2. 計劃過程中各利益相關(guān)群體的目標不一致，導(dǎo)致決策出現(xiàn)偏差，達不到最佳效果

在這家消費電子公司，銷售團隊通常傾向于高估預(yù)測，以確保供應(yīng)，而庫存團隊則傾向于降低預(yù)測，以確保盡量減少報廢。財務(wù)團隊主要關(guān)心與未售出庫存相關(guān)的陳舊成本。當然，高級管理層最關(guān)心的是實現(xiàn)季度收入目標和盡量減少庫存資金占用。公司的供應(yīng)商則面臨著生產(chǎn)能力的限制和多個客戶的競爭性需求；因此，公司常常要聽從供應(yīng)商的決定。與此同時，為了防止收到的所需電子產(chǎn)品數(shù)量不足，零售商經(jīng)常虛報訂單。

目標錯位也是半導(dǎo)體設(shè)備制造商面臨的一個問題。 庫存經(jīng)理們經(jīng)常庫存過少的零件，希望最大限度地降低庫存的總體投資，避免對未售出產(chǎn)品進行代價高昂的注銷。 這是因為高級管理層在提供投資資本和注銷目標時，并不清楚由此可能造成的收入損失。

3. 決定如何優(yōu)化庫存的方法存在缺陷

目前廣泛使用的傳統(tǒng)模型無法捕捉到供應(yīng)鏈動態(tài)的所有復(fù)雜因素。它們通常在 PTO 的優(yōu)化步驟中采用過于簡單的算法。即使使用了先進的 "優(yōu)化 "工具，預(yù)測、模型制定和優(yōu)化過程中的任何錯誤都會導(dǎo)致結(jié)果不佳。

計劃中的另一個挑戰(zhàn)是，即使有完美的預(yù)測也是不夠的。有關(guān)供應(yīng)訂單和向各地發(fā)貨的決策還必須考慮會影響關(guān)鍵財務(wù)和運營績效指標的各種因素。這些因素包括資源限制（如生產(chǎn)、運輸和存儲能力）、客戶特定需求、客戶和地區(qū)的盈利能力差異以及本地和全球服務(wù)水平要求。

數(shù)據(jù)挑戰(zhàn)?，F(xiàn)在，幾乎可以實時維護和訪問有關(guān)商店級銷售交易的大量數(shù)據(jù)。遺憾的是，對于擁有全球供應(yīng)鏈的公司來說，訪問和整合這些數(shù)據(jù)仍然是一個巨大的挑戰(zhàn)。

考慮一下這家消費電子公司。該公司的供應(yīng)鏈數(shù)據(jù)廣泛分散在組織內(nèi)部和外部的不同參與者之間。對內(nèi)，銷售團隊負責(zé)維護預(yù)測信息，市場營銷人員負責(zé)處理與促銷相關(guān)的信息，供應(yīng)計劃團隊負責(zé)管理庫存信息，財務(wù)部門負責(zé)財務(wù)信息，等等。對外，商店銷售數(shù)據(jù)以及從客戶配送中心到商店的發(fā)貨數(shù)據(jù)都屬于這些零售商的權(quán)限范圍。更糟糕的是，這些數(shù)據(jù)還以不同的格式和存儲方式存在--一部分是 Excel 文件，一部分是 Tableau 表格，一部分是電子郵件中的文本形式，等等。在某些情況下，數(shù)據(jù)被保存在匯總層面，而非決策所需的具體內(nèi)容。由于信息的分散性，根本無法利用細粒度的交易數(shù)據(jù)來支持高效補貨決策所需的分析。此外，由于不存在整個供應(yīng)鏈的單一代表，因此無法分析各種外部因素（如商業(yè)周期）和競爭因素（如競爭對手公司新產(chǎn)品的推出和定價）對端到端供應(yīng)鏈的影響。

無效的情景規(guī)劃。要制定使供應(yīng)鏈更靈活（能夠應(yīng)對中斷）和更有彈性（能夠反彈）的戰(zhàn)略，第一步就是針對可能影響供應(yīng)鏈的眾多風(fēng)險制定相應(yīng)的未來情景。黑天鵝事件--罕見的、影響巨大的中斷事件，如 2021 年集裝箱船堵塞蘇伊士運河--幾乎無法預(yù)測。其他可能對供應(yīng)鏈產(chǎn)生重大影響的威脅，如俄烏戰(zhàn)爭，雖然可以預(yù)見，但發(fā)生的可能性卻難以確定。

盡管許多公司已開始將情景規(guī)劃納入其供應(yīng)鏈計劃流程，但此類分析往往缺乏足夠的細節(jié)，難以發(fā)揮作用。例如，僅僅知道公司的整體銷售額會在一場戰(zhàn)爭中下降是不夠的，因為戰(zhàn)爭會限制主要供應(yīng)商的運營。我們需要的是深入了解戰(zhàn)爭對每種產(chǎn)品、客戶和地區(qū)的影響程度和時間安排，從而制定適當?shù)膽?zhàn)略來改善這種影響。這種了解對于創(chuàng)建定制供應(yīng)鏈--按地域、產(chǎn)品和客戶區(qū)分的供應(yīng)鏈--而不是采用 "一刀切 "的戰(zhàn)略也很重要。遺憾的是，如果沒有一個能夠提供精細洞察的機制，計劃工作往往會導(dǎo)致不理想的結(jié)果。

新范例

我們的優(yōu)化機器學(xué)習(xí)方法克服了現(xiàn)有供應(yīng)鏈規(guī)劃方法的重大缺陷。它有三個關(guān)鍵組成部分：決策支持引擎、數(shù)字孿生和端到端數(shù)據(jù)架構(gòu)。

決策支持引擎。OML 以一步到位的流程取代了基于預(yù)測的兩步規(guī)劃流程，將輸入數(shù)據(jù)直接與供應(yīng)鏈決策聯(lián)系起來。OML 方法結(jié)合了整個供應(yīng)鏈需求驅(qū)動因素的歷史數(shù)據(jù)（例如，實際銷售交易和影響交易的因素，如價格、促銷、客戶群的規(guī)模和構(gòu)成）和供應(yīng)驅(qū)動因素（如供應(yīng)商庫存、交貨時間、產(chǎn)能限制和運輸延誤）。該引擎以優(yōu)化關(guān)鍵績效指標（KPI）的方式，確定這些供需數(shù)據(jù)元素與供應(yīng)鏈決策之間的關(guān)系，這些決策涉及生產(chǎn)數(shù)量、補貨訂單、庫存儲備水平以及不同地點之間的庫存運輸。關(guān)鍵績效指標可能包括與總體利潤相關(guān)的指標；按地區(qū)、客戶或產(chǎn)品類別劃分的收入或利潤；產(chǎn)品可用性；庫存周轉(zhuǎn)率；從中斷中恢復(fù)所需的時間等。一旦獲得新數(shù)據(jù)或供應(yīng)商網(wǎng)絡(luò)發(fā)生任何變化，就可以重新計算。

我們在半導(dǎo)體設(shè)備制造商和消費電子產(chǎn)品公司實施 OML 時，都利用了云計算的強大功能來運行決策支持引擎。盡管這兩家公司的供應(yīng)鏈網(wǎng)絡(luò)規(guī)模都很大，但都能在幾分鐘內(nèi)提出決策建議。我們的方法還可以納入管理人員指定的業(yè)務(wù)約束條件（例如，"我的預(yù)算是 X "或 "我的產(chǎn)量不能超過 Y "或 "我的產(chǎn)品可用性必須大于 Z%"）。很多傳統(tǒng)的機器學(xué)習(xí)方法都忽略了這些限制。因此，必須在事后 "修復(fù) "解決方案，這并不理想。OML 不存在這個問題。

數(shù)字孿生。OML 決策支持引擎工作的一個關(guān)鍵要求是對整個供應(yīng)鏈網(wǎng)絡(luò)、所有物料流和所有參與方的決策過程進行詳細的數(shù)字表示。通過以高度詳細的方式模擬供應(yīng)鏈在每筆交易中的表現(xiàn)，數(shù)字孿生系統(tǒng)使供應(yīng)鏈規(guī)劃人員能夠為過去和未來的供需情況量化準確的關(guān)鍵績效指標。

這種數(shù)字表示法有兩個優(yōu)勢。首先，它對歷史決策影響的計算可與現(xiàn)有業(yè)務(wù)系統(tǒng)計算的實際結(jié)果進行比較，從而驗證其準確衡量績效的能力，從而增強管理層對系統(tǒng)的信心。其次，它可用于測試其他供應(yīng)鏈方案或戰(zhàn)略對關(guān)鍵績效指標的影響。例如，如果由于特定航道的速度減慢而導(dǎo)致裝運前置時間翻倍呢？或者，配送中心的中斷會如何影響收入？或者，重新安排向該配送中心所服務(wù)的商店發(fā)貨的最佳方式是什么？歷史分析和預(yù)測能力這兩種能力結(jié)合在一起，使管理者能夠準確評估風(fēng)險緩解策略，如替代供應(yīng)和運輸來源、替代庫存地點、修改生產(chǎn)計劃和使用替代產(chǎn)品。因此，管理人員可以做出更好的決策。

端到端數(shù)據(jù)架構(gòu)。OML 決策支持引擎和數(shù)字孿生需要一個數(shù)據(jù)存儲系統(tǒng)，與整個供應(yīng)鏈（公司運營系統(tǒng)以及供應(yīng)商、分銷商和客戶的系統(tǒng)）中所有現(xiàn)有的數(shù)據(jù)庫管理系統(tǒng)協(xié)同工作。存儲系統(tǒng)應(yīng)能匯集跨團隊、跨地點和跨產(chǎn)品的數(shù)據(jù)，并能近乎實時地更新和訪問這些信息。

該架構(gòu)規(guī)定了要納入的各種數(shù)據(jù)元素、其存儲格式和組織、它們之間的聯(lián)系以及更新的頻率。選擇納入的數(shù)據(jù)應(yīng)受數(shù)字孿生中供應(yīng)鏈分析表述的驅(qū)動，并應(yīng)考慮最了解決策潛在驅(qū)動因素的管理人員的意見。換句話說，OML 方法需要收集和存儲能反映供應(yīng)鏈結(jié)構(gòu)的數(shù)據(jù)。我們建議使用圖形數(shù)據(jù)庫，在供應(yīng)鏈節(jié)點（如零售店或批發(fā)點）存儲數(shù)據(jù)，并捕捉重要關(guān)系（如哪個批發(fā)點為哪個零售店供貨）。這樣就可以按地點、客戶、產(chǎn)品或時間對數(shù)據(jù)和指標進行有意義的可視化。它還能讓供應(yīng)鏈規(guī)劃人員衡量與成本和服務(wù)相關(guān)的多個指標的績效，并識別觀察值超出預(yù)期范圍并需要進一步分析的情況。

“高級管理人員必須確保所有各方都信任規(guī)劃系統(tǒng)提出的建議，并且不認為有必要對其進行審查。”

這種方法與不考慮業(yè)務(wù)相關(guān)性而使用所有可用數(shù)據(jù)的方法形成了鮮明對比。一些公司在開發(fā)機器學(xué)習(xí)模型時選擇 "無所不用其極"，認為模型會找出最重要的數(shù)據(jù)，然后對其進行適當加權(quán)。這種方法的問題在于，模型被認為是一個黑盒子，當決策者無法理解它為什么會產(chǎn)生這樣的結(jié)果時，他們往往不會信任它。

驅(qū)動結(jié)果

在這家半導(dǎo)體設(shè)備公司，OML 方法被用來確定具體的庫存政策，從而以較低的成本提高服務(wù)水平（填充率）。(在任何供應(yīng)鏈中，提高產(chǎn)品可用性都需要加大庫存投資，從而增加成本）。在部署 OML 之前，該公司的傳統(tǒng)計劃系統(tǒng)可以維持 77% 的滿載率，庫存投資略高于 1.35 億美元。當經(jīng)理們利用自己的專業(yè)知識推翻系統(tǒng)的建議時，他們就能在庫存投資略高的情況下將填充率提高到約 81%。OML 系統(tǒng)為公司提供了兩種選擇，一種是在實現(xiàn)更高填充率的同時，減少近 2000 萬美元的庫存支出；另一種是在將庫存投資保持在約 1.35 億美元的同時，將填充率提高到近 85%。此外，該系統(tǒng)還能讓管理人員騰出手來，專注于更具戰(zhàn)略性的問題。數(shù)字孿生的可視化功能幫助他們準確了解需要改變的內(nèi)容和原因，從而提高了他們接受建議的意愿。例如，一個關(guān)鍵的見解是，OML 的決策規(guī)則考慮了現(xiàn)有產(chǎn)品安裝數(shù)量和新產(chǎn)品安裝數(shù)量，并捕捉到了它們對庫存部署決策的影響--這些聯(lián)系以前都沒有考慮在內(nèi)。

在這家消費電子產(chǎn)品公司的案例中，OML 模型揭示了庫存管理方面的明顯缺陷。例如，為銷售量最高的地區(qū)提供服務(wù)的配送中心的庫存量歷來最少。這導(dǎo)致其所支持的商店經(jīng)常出現(xiàn)庫存短缺，并加快了向該中心發(fā)貨的速度。OML 模型正確識別了這一差異，并為該地點推薦了最佳庫存儲備政策。我們的分析還顯示，雖然大多數(shù)零售店的平均產(chǎn)品供應(yīng)水平是可以接受的，但也有相當數(shù)量的零售店出現(xiàn)了嚴重的產(chǎn)品短缺。值得注意的是，雖然 OML 模型捕捉到了整個網(wǎng)絡(luò)直至零售點的情況，但客戶配送中心和零售店庫存部署的所有決策都是由客戶而非消費電子公司做出的。然而，由于該模型對庫存部署的洞察力，該公司更有能力影響客戶的庫存決策。對話中的關(guān)鍵因素是模型決策建議的可視化，它易于理解，能準確顯示哪些驅(qū)動因素對決策建議負責(zé)。這種可視化對于確保所有利益相關(guān)者的認同至關(guān)重要。

成功采用新方法

要使 OML 這樣的分析工具有助于公司建立供應(yīng)鏈的靈活性和彈性，必須同時建立適當?shù)慕M織結(jié)構(gòu)、配備具備適當技能的人員、改變計劃流程，并詳細了解機器學(xué)習(xí)的潛力和陷阱。

首先，高級管理人員應(yīng)確保規(guī)劃團隊從一開始就包括廣泛的內(nèi)部和外部利益相關(guān)者。要確定 OML 目標、捕捉業(yè)務(wù)限制因素、確定關(guān)鍵績效指標和相關(guān)數(shù)據(jù)，就需要在供應(yīng)鏈管理問題建模方面有足夠經(jīng)驗的職能專家和運營研究分析師。這意味著團隊中應(yīng)包括來自市場營銷、銷售、財務(wù)、供應(yīng)鏈物流、生產(chǎn)和 IT 部門的人員；數(shù)據(jù)科學(xué)家和分析專家也至關(guān)重要。必要時，企業(yè)內(nèi)部的專業(yè)知識應(yīng)得到外部顧問和學(xué)術(shù)專家的補充。有些公司將機器學(xué)習(xí)項目完全委托給數(shù)據(jù)科學(xué)家。這是一個錯誤，因為數(shù)據(jù)科學(xué)家通常對供應(yīng)鏈領(lǐng)域的熟悉程度極低。

其次，OML 要求公司從多個來源識別、收集和獲取所需的數(shù)據(jù)輸入，并驗證機器學(xué)習(xí)模型生成的輸出。前者要求計算機科學(xué)家能夠利用現(xiàn)代數(shù)據(jù)庫系統(tǒng)構(gòu)建必要的端到端數(shù)據(jù)架構(gòu)，后者則要求供應(yīng)鏈規(guī)劃人員和管理人員具備足夠的領(lǐng)域知識和經(jīng)驗。

第三，必須重新設(shè)計銷售和運營計劃（S&OP）流程，即計劃團隊成員共同制定銷售、生產(chǎn)和庫存計劃的流程，以充分利用 OML 通過其分析速度和深度所提供的靈活性。S&OP 周期通常為一個月，因為處理上一周期的信息并就下一周期的行動達成共識需要如此長的時間。但這樣一來，企業(yè)就很難對供應(yīng)或物流中斷以及不斷發(fā)生的需求變化做出迅速反應(yīng)。他們需要做的是以更快、反應(yīng)更迅速的周期取代通常長達一個月的 S&OP 周期。這就需要投資能讓供應(yīng)鏈快速反應(yīng)的系統(tǒng)和流程，例如基于云計算的最先進的求解器軟件系統(tǒng)，它能在合理的時間范圍內(nèi)（例如，針對特定情景或政策分析，在幾分鐘內(nèi)）生成解決方案。因此，企業(yè)需要優(yōu)化和云計算方面的專業(yè)知識，而這可以分別從軟件和云解決方案公司獲得。

最后，計劃團隊應(yīng)與高級管理層協(xié)商，制定最終將推動供應(yīng)鏈決策的關(guān)鍵績效指標。這些指標可能包括按客戶、產(chǎn)品和地區(qū)劃分的填充率；成本和利潤率；以及庫存周轉(zhuǎn)率。了解內(nèi)部和外部利益相關(guān)者之間的沖突，并確保每個人的支持，對完成這一步非常重要。通過詳細分析各種決策對每個利益相關(guān)者的影響，OML 可以提供幫助。通常，影響供應(yīng)鏈整體績效的決策由多個利益相關(guān)方做出。如果每個利益相關(guān)者的績效指標都是透明的，并為各方所接受，那就最好不過了。我們的 OML 方法允許模型反復(fù)運行，直到找到各方都認可的解決方案。歸根結(jié)底，高級管理人員必須確保所有各方都信任規(guī)劃系統(tǒng)提出的建議，并認為沒有必要對其進行審查。

OML 使公司能夠根據(jù)歷史和當前供需信息做出決策，而不僅僅是更準確的預(yù)測。它為企業(yè)提供了一種工具，可以幫助企業(yè)降低成本，增加收入、利潤和客戶滿意度。它使他們能夠測試降低風(fēng)險的策略，從而更容易選擇最佳策略。通過所有這些，它提供了一種建立更靈活、更有彈性、性能更高的供應(yīng)鏈的方法。