供應鏈是當今企業(yè)中最復雜且動態(tài)性最強的系統(tǒng)之一，并被董事會視為成功的關(guān)鍵，然而，企業(yè)供應鏈的持續(xù)風險往往成為關(guān)注的焦點。

以一家中型生命科學行業(yè)的公司為例，你會對其全球布局以及眾多的內(nèi)部和外部合作伙伴/利益相關(guān)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(zhí)行，執(zhí)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(guān)系以及在企業(yè)動態(tài)變化時保持技術(shù)的可擴展性是一項巨大的任務。我們不再看到企業(yè)花費多年時間實施戰(zhàn)略系統(tǒng)（也許ERP和APS是例外），而是更加關(guān)注快速實現(xiàn)投資回報、快速實施并直接解決業(yè)務需求。我將其稱為“爬、走、跑”的部署方法。?

盡管技術(shù)系統(tǒng)已經(jīng)顯著進步，以滿足企業(yè)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(chuàng)新的缺點在于，我們并不總是知道如何評估新推出的產(chǎn)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(yè)中正確實施AI對于供應鏈專家所追求的目標至關(guān)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(shù)據(jù)量與數(shù)據(jù)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(diào)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(shù)據(jù)”。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(fā)“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(chǔ)的大量信號負載成為解釋和決策的“常態(tài)”，這就是所謂的“數(shù)字牛鞭效應”，因為人們往往在沒有對信號進行適當?shù)恼w關(guān)聯(lián)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(yè)發(fā)現(xiàn)員工在應對增加的動態(tài)和數(shù)字牛鞭效應時陷入困境，結(jié)果導致了“數(shù)據(jù)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?nèi)绱酥匾晞?chuàng)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(shù)能在你的數(shù)據(jù)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(tǒng)和數(shù)據(jù)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(xiàn)了不一致，或者運輸跟蹤器發(fā)出了警報消息。人的自然反應是升級處理！采取措施。讓經(jīng)理介入。如果你是那個經(jīng)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常現(xiàn)象，而人的本能反應實際上可能會引發(fā)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(xiàn)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(shù)據(jù)、多系統(tǒng)端到端數(shù)據(jù)的工具，它們有助于評估各系統(tǒng)和功能之間的關(guān)聯(lián)性，并為公司定義的結(jié)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(shù)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(jù)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(shè)置和人類本能如何影響AI技術(shù)的實施。多年來，已經(jīng)引入了各種新解決方案，如ERP、高級計劃系統(tǒng)（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(fā)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(yōu)先考慮業(yè)務目標。單個工廠操作員或物流專家如何判斷哪些數(shù)據(jù)有價值，哪些數(shù)據(jù)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(shù)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(tǒng)的快速變化使人們學會了“忽略”信息。我們創(chuàng)造了如此信息過載的環(huán)境，以至于人們理所當然地轉(zhuǎn)向他們自己的經(jīng)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(xiàn)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(tǒng)一供應鏈的端到端生態(tài)系統(tǒng)，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?，F(xiàn)在，我們正在構(gòu)建能夠利用海量數(shù)據(jù)點的模型——關(guān)鍵是——提供正確的數(shù)據(jù)點，以便我們的團隊能夠為企業(yè)和全球健康做出最佳決策。是時候擁抱高質(zhì)量數(shù)據(jù)，構(gòu)建一個人類生態(tài)系統(tǒng)，讓這些信息和技術(shù)能夠應用于端到端的供應鏈，并讓數(shù)據(jù)驅(qū)動決策。