如今，企業在利用機器學習預測錯誤率、需求規劃生產力、降低成本、準時出貨方面實現了兩位數的改進，從根本上變革了供應鏈管理。

機器學習算法以及基于這種算法的模型，非常擅長在大型數據集中發現異常、模式和得出預測性見解，如此一來，當供應鏈遇到時間、成本和資源約束等多方面的挑戰，機器學習成為解決這些問題的理想選擇。

比如，亞馬遜的Kiva機器人正是依靠機器學習技術來提高精度、速度和規模；而DHL則是利用人工智能和機器學習來支持他們的Predictive Network Management系統——該系統會分析58個不同的內部數據參數，以確定影響貨運延遲的主要因素。

由此可見，機器學習正在重新定義下一代供應鏈管理。據Gartner預測，到2020年，95％的供應鏈計劃（SCP）廠商將在他們的解決方案中采用受監督的和無人監督的機器學習技術；到2023年，25％的供應鏈技術解決方案中將內嵌智能算法和人工智能技術，或者將其作為增強型組件。

下面就讓我們來看看機器學習改變供應鏈管理的這十種方式：

1、基于機器學習的算法是下一代物流技術的基礎，先進的資源調度系統可以帶來最顯著的效果。據麥肯錫預測，機器學習最重要的貢獻將是為供應鏈運營方提供更深入的見解，了解如何改善供應鏈，預測物流成本和物流效率，機器學習還提供了關于自動化技術如何帶來規模優勢的洞察。

資料來源：麥肯錫，《Automation in logistics: Big opportunity, bigger uncertainty》，2019年4月，作者：Ashutosh Dekhne、Greg Hastings、John Murnane和Florian Neuhaus

2、物聯網傳感器、遠程信息處理、智能交通系統產生的數據集千變萬化，運用機器學習算法和技術來改善供應鏈，要從多樣性和可變性的數據集開始著手。而供應鏈挑戰性的問題通常出現在優化物流方面，因此完成生產所需的材料必須要準時運送到達。

資料來源：畢馬威，《Supply Chain Big Data Series Part 1》

3、機器學習具有通過使用物聯網傳感器發現追蹤數據模式的潛力，每年可節省資金600萬美元。BCG最近研究了使用追蹤應用的去中心化供應鏈是如何提高性能和降低成本的，結果發現，當使用區塊鏈在供應商網絡中實時共享數據的時候，一個30節點的配置結合更好的分析洞察力，每年可節省成本600萬美元。

資料來源：波士頓咨詢集團（BCG），《Pairing Blockchain with IoT to Cut Supply Chain Costs》，2018年12月18日，作者：Zia Yusuf、Akash Bhatia、Usama Gill、Maciej Kranz、Michelle Fleury和Anoop Nannra

4、使用基于機器學習的技術可以將預測誤差降低50％，使用基于機器學習的規劃和優化技術，讓由于產品未供貨導致的銷售損失減少了65％，使用基于機器學習的供應鏈管理系統，讓庫存減少20％-50％。

資料來源：Digital/McKinsey，《Smartening up with Artificial Intelligence (AI) - What’s in it for Germany and its Industrial Sector?》

5、DHL Research發現，機器學習能夠幫助物流和供應鏈運營優化產能利用率，改善客戶體驗，降低風險并創建新的業務模式。一直以來， DHL的研究團隊不斷追蹤和評估各種新興技術對于物流和供應鏈的影響，并預測，人工智能將實現后臺自動化、預測性運營、智能物流資產、全新的客戶體驗模型。

資料來源：DHL Research，（Logistics Trend Radar, Version 2018/2019）

6、很多制造企業都投入資金把基于機器學習的應用用于檢測和處理供應商質量水平和交付不一致的問題。微軟通過對于北美中型制造企業的調查發現，這些企業當前面臨的第二大增長阻礙，就是供應商在質量和交付上存在不一致的問題，障礙則是缺乏熟練的勞動力。制造企業通過使用機器學習和高級分析，可以很快地找出誰才是更好的供應商，誰是最差供應商，以及哪些生產中心在發現錯誤方面最準確。

制造企業使用類似下圖這種儀表板，將機器學習技術用于解決供應商的質量、交付和一致性問題。

資料來源：微軟，《Supplier Quality Analysis sample for Power BI: Take a tour》，2018年 

7、降低欺詐風險，同時根據機器學習提供的洞察來改善產品和流程質量，給供應鏈中的檢查環節帶來了轉折點。當使用移動技術實現自動檢查，并將結果實時上傳到安全的云平臺時，機器學習算法就可以提供降低風險和欺詐可能性的即時洞察力。

Inspectorio就是該領域的一家初創公司，他們正在致力于解決缺乏檢查和供應鏈可視性所帶來的諸多問題，專注于如何為品牌和零售商立即解決這些問題。

資料來源：福布斯，《How Machine Learning Improves Manufacturing Inspections, Product Quality & Supply Chain Visibility》，2019年1月23日

8、機器學習在端到端供應鏈可見性方面正在帶來快速而顯著的效果，提供的預測性和規范性見解幫助企業更快速地做出響應。

而面向全球貿易和供應鏈管理的多企業商務網絡，與人工智能平臺和機器學習平臺相結合，正在徹底改變著供應鏈的端到端可見性。Control Center這款人工智能平臺的命名來自于著名物理學家兼數學家Katherine Coleman Johnson，之所以如此為之，是因為她通過具有開創性的工作幫助美國宇航局登陸月球，如果你還不了解她和其他很多才華橫溢的女性數學家對太空探索所做出的貢獻，請務必看看ChainLink Research題為《How Infor is Helping to Realize Human Potential》的文章和《隱藏人物》這部電影。下圖來自Control Center的兩個截屏。

9、“權限憑證”，是全球供應鏈出現安全漏洞的主要根源，而機器學習被證明是阻止權限憑證濫用的基礎。

企業組織通過采用權限訪問最小化的方法，提高審計和合規可見性，降低運營現代混合型企業的風險、復雜性和成本。

CIO們知道，即使某個有權限的用戶正確輸入了憑證，但如果該用戶發出的情況存在風險，就需要更強的驗證方式提供訪問授權，從而解決權限憑證濫用的問題。

Zero Trust Privilege是一種經過驗證的框架，可通過驗證誰請求訪問權限、請求的上下文、訪問環境的風險情況來阻止權限憑據濫用的發生。

Centrify也是該領域的玩家，客戶包括思科、英特爾、微軟和Salesforce等全球廠商。

資料來源：福布斯，《High-Tech's Greatest Challenge Will Be Securing Supply Chains In 2019》，2019年11月28日

10、基于物聯網數據，利用機器學習預測，什么時候應該對貨運和物流工具進行預防性維護，這可以幫助提高資產利用率并降低運營成本。

麥肯錫發現，利用機器學習增強預測性維護，結合來自先進物聯網傳感器的數據、維護日志以及外部數據，可以更好地預測和避免機器故障，使得資產生產率提高20％，整體維護成本降低10％。

資料來源：Digital/McKinsey，《Smartening up with Artificial Intelligence (AI) - What’s in it for Germany and its Industrial Sector?》