供應鏈是當今企業中最復雜且動態性最強的系統之一，并被董事會視為成功的關鍵，然而，企業供應鏈的持續風險往往成為關注的焦點。

以一家中型生命科學行業的公司為例，你會對其全球布局以及眾多的內部和外部合作伙伴/利益相關者感到驚訝。平均而言，維持100多個合作伙伴被認為是正常的。從需求到供應再到銷售訂單執行，執行一個同步的端到端供應鏈平均需要40多個接觸點。維持一個整合的策略來跟蹤供應鏈、維持合作伙伴關系以及在企業動態變化時保持技術的可擴展性是一項巨大的任務。我們不再看到企業花費多年時間實施戰略系統（也許ERP和APS是例外），而是更加關注快速實現投資回報、快速實施并直接解決業務需求。我將其稱為“爬、走、跑”的部署方法。 

盡管技術系統已經顯著進步，以滿足企業所需的復雜性，AI的準備度和適用性卻成為全球供應鏈中廣泛討論的話題。不幸的是，像AI這樣的創新的缺點在于，我們并不總是知道如何評估新推出的產品。你有沒有問過自己：“我如何定義AI？”以及“我是否深入探討過，并真正理解我在投資和解決的問題？” 

在這個行業中正確實施AI對于供應鏈專家所追求的目標至關重要：全球健康、加快患者獲取救命藥物的速度和途徑，以及改善整個世界的狀況。要做到這一點，我們需要專注于兩件事：將數據量與數據的可操作性分離，并真正思考“什么？那又如何？接下來怎么辦？”這一方法。 

首先，在AI競賽中，許多供應商都急于強調他們擁有“最多”的信號和“最頂尖的軟件，能獲取你所需的所有數據”。你見過多少這樣的圖片：顯示華麗的儀表盤，人們坐在5到7個屏幕前，使用看似未來派的工具集，同時還在談論AI和機器學習增強功能？ 

這總會引發“那又如何？接下來怎么辦？”的問題，因為以碎片化、基于指標的控制塔為基礎的大量信號負載成為解釋和決策的“常態”，這就是所謂的“數字牛鞭效應”，因為人們往往在沒有對信號進行適當的整體關聯和正確利用歷史模式分析的情況下對異常和信號做出反應，這實際上可能會適得其反，因為企業發現員工在應對增加的動態和數字牛鞭效應時陷入困境，結果導致了“數據致死”的管理方式。 

那么，人們應該如何處理這些信息呢？幾乎讓人感到好笑的是，我們如此重視創新，以至于愿意購買我們的員工甚至無法使用的工具。我建議我們應將注意力集中在整體的可操作性上，而不是某個解決方案可以提供的信號量。技術能在你的數據之上引入什么，幫助你的員工篩選出最具可操作性的見解？并且，一個解決方案如何能夠跨越所有這些合作伙伴系統和數據平臺進行分析？ 

讓我們來看看普遍存在的中斷問題：日志中出現了不一致，或者運輸跟蹤器發出了警報消息。人的自然反應是升級處理！采取措施。讓經理介入。如果你是那個經理，你就會進入危機控制模式。 

但這并不總是正確的做法。 

有時候，不一致僅僅是一個異?，F象，而人的本能反應實際上可能會引發一連串的噪音升級，從而干擾運營。為什么會這樣？因為這種反應是基于“個體的失誤”而非對整體形勢的全面理解，這是許多市場上現有解決方案的一個實際問題。尤其當該工具被宣傳為AI時……但它真的算AI嗎？ 

AI和機器學習是幫助分析大量歷史數據、多系統端到端數據的工具，它們有助于評估各系統和功能之間的關聯性，并為公司定義的結果提供解決方案。通過使用AI和機器學習，你實際上可以利用所有這些控制塔和數字孿生模型，為你的員工提供有價值的見解，然后，他們可以做出有根據的行動，更重要的是——知道何時忽略一個異?；蚍窃鲆嫘盘?，這引出了我的第二點——理解公司文化、功能設置和人類本能如何影響AI技術的實施。多年來，已經引入了各種新解決方案，如ERP、高級計劃系統（APS）、運輸和最后一公里配送等工具。這些工具在當今供應鏈的效率和響應能力中發揮了重要作用，然而，它們也帶來了大量的新信號和信息，而沒有人能全部分析這些信息，更糟糕的是，它們是碎片化的，無法優先考慮業務目標。單個工廠操作員或物流專家如何判斷哪些數據有價值，哪些數據會導致牛鞭效應？將AI/機器學習應用于碎片化的供應鏈是答案。 

那么，之前的技術進步帶來了什么后果呢？我們看到桌面存儲的電子表格和孤立的決策方式似乎無法升級。為什么會這樣？因為系統的快速變化使人們學會了“忽略”信息。我們創造了如此信息過載的環境，以至于人們理所當然地轉向他們自己的經驗來解決問題。我們需要做的是利用AI為人類提供更好的——而不是更多的——信息，這樣他們就能基于現實而非本能做出決策。 

這正是AI/ML的真正空白所在。我們可以統一供應鏈的端到端生態系統，并通過概率和確定性建模來決定應采取哪些行動，哪些可以忽略。現在，我們正在構建能夠利用海量數據點的模型——關鍵是——提供正確的數據點，以便我們的團隊能夠為企業和全球健康做出最佳決策。是時候擁抱高質量數據，構建一個人類生態系統，讓這些信息和技術能夠應用于端到端的供應鏈，并讓數據驅動決策。