像机器学习这样的技术将如何改变我们的供应链管理方法-工厂产品？

我最近阅读了19位机器学习和供应链专家对供应链管理未来的预测的execellent汇编，自然想知道其中有多少适用于我们这类行业。以钢铁行业为例：这不是"简单"的组装和明确定义的SKU。相反，我们处理的是一个复杂的多步骤制造过程，具有过程固有的偏差和高度灵活的产品定义。

我们能基于大数据和机器学习预测需求吗？

让我们先来看看建材行业（很多金属公司都向这个行业供货）。宏观经济趋势、立法和补贴、收入和天气数据——所有这些都是局部的——影响需求。合同消费和类似的B2B类型的预测可以添加到图片。Hailey McKeefry在上面提到的电子书中很好地总结了这一点：社交媒体和新闻源可以对可能影响供应链的事件提供早期预警：从并购活动、工厂火灾、天气等方面。

机器学习首先可以自动完成琐碎和重复的任务。它可以给非结构化数据带来真正的透明性，中国移动物联网，给人们、供应链专业人士提供做出更好决策的环境。

替代方法：模拟、感知和解耦

即使使用ML，263云通信企业版，未来也是不确定的。机器学习可以帮助你识别你想要准备的场景。但你可以很好地模拟供应链和财务影响，这种情况下，在销售和运营计划，并做好准备，为不测事件。T

像消费品中的需求感应，包括POS数据，在工厂产品中典型的B2B网络中不会走远。造纸和包装行业的几家公司在其客户处使用物联网传感器来测量"真实"消费。哪些等级，哪些卷已经消耗并且可能需要补充？在客户工厂内运行自己的包装机的包装公司可以随时获得这些信息。

需求驱动的方法承认，并非所有的需求都可以预测。相反，它使用这个概念来解耦需求，并引入战略缓冲。机器学习有助于确定最佳的解耦点，以及缓冲区的等级组合。SAP S/4 HANA 1709和SAP Integrated Business Planning支持需求驱动的方法。（有关SAP Integrated Business Planning的DDMRP的更多信息，请参见此处。

预测供应问题

许多金属和造纸公司在制造和工厂维护领域使用了ML和预测分析。预测性维护和预测性质量在稳定供应方面起着关键作用。

预测性维护可避免计划外停机，从而避免供应延迟。预测质量避免了质量偏差和低于计划产量的数量——再次导致供应延迟或交付不足。更稳定的质量直接导致更稳定的供应侧。

在最近的工厂访问中，我们讨论了不同类型的材料短缺。电弧炉需要特殊的石墨阴极。这类阴极的价格已经大幅上涨，返现，而且由于中国有关阴极生产的环境立法而出现短缺。

你预测到了吗？

同样，许多电弧炉需要废金属作为输入材料。根据原料来源和价格，数据与大数据技术，电弧炉可能不再盈利。在我看来，大数据分析是什么，这是应用基于场景的模拟的一个很好的用例。