人工智能影响供应链的8大方式解析

1. 人工智能能够分析大量数据，从而增强需求预测

有了人工智能技术，企业通过处理大量的数据——例如由传感器生成的数据——以了解现实情况，然后做出合理的决策，已经成为可能。的确，当供应落后于需求时，企业会蒙受损失。

人工智能的预测能力有助于网络规划和预测需求。这使得销售商能够变被动为主动。通过了解期望值和需求量，运输公司可以合理调整车辆数量，并将其重点放置在预计需求最大的位置上，此举可以帮助降低运营成本。

大数据的力量使得物流公司能够比以往更好地预测高度准确的前景，并优化未来绩效。此外，大数据技术还可以进行预测和复杂的情景分析，并可以进行精确的容量规划以及供应链和库存的优化。

2. 人工智能可以提供洞察力以提高生产力

通过自动计算更好的解决方案，人工智能极大地提高了仓库的生产率，尤其是对于在线零售商而言。

通过在供应链管理过程中应用人工智能技术，可以有效地分析供应链性能并找出影响同一领域的新因素。为了找出影响供应链绩效的因素和问题，人工智能还结合了强化学习、无监督学习以及监督学习等不同技术的能力。

3. 聊天机器人正在重新定义客户支持服务

根据埃森哲（Accenture）公司的调查结果显示，80%的客户服务都可以由机器人来处理。人工智能可以个性化客户与物流供应商之间的关系。

Pega公司也表示，38%的消费者认为人工智能可以增强客户服务。

最近的一个个性化客户体验示例是DHL公司与亚马逊公司的合作关系。通过使用Alexa应用程序跟踪DHL包裹行程，DHL客户可以要求Alexa与Amazon Echo或Echo Dot智能音箱连接，并确认包裹的状态。如果在交互过程中出现任何问题，Echo用户可以直接与DHL公司联系，以寻求其客户支持团队的帮助。

4. 智能仓库管理

在未来几年内，大面积的仓库管理将会完全实现自动化。人工智能技术越来越成为不可或缺的组成部分，尤其是在短期和中期预测方面。

智能仓库是一个完全自动化的设施，其中大部分工作是通过自动化或软件来完成的。在此过程中，繁琐的任务得以简化，操作也变得更具成本效益。

阿里巴巴和亚马逊公司已经通过使用自动化改造了他们的仓库。亚马逊公司正在物流中心内使用机器替代真人员工，这套自动化的打包生产线名为 CartonWrap（纸箱打包），由意大利公司 CMC 提供。该机器主要由分拣、裁切和打包三个核心模块，以及打单等辅助模块组成。据悉，CartonWrap 每小时可以完成600-700个订单的打包工作，效率远超人手打包。CMC 的网站则显示，该机器在理想状态下每小时可以输出多达1，000个包裹，打包效率获得了5倍的惊人提升。

阿里巴巴的智能仓库通过一整套自动化系统，每天可高效处理超百万级商品，人工仅需在条码复核、分拣机监护等环节投入，货品的运输、仓储、装卸、搬运等七个环节可一体化集成，效率至少提升30%，拣货准确率几乎可达100%。

5. 自动驾驶汽车

自动驾驶汽车是由人工智能提供供应链的下一个重要产品。拥有无人驾驶卡车可能还需要一段时间，但是物流行业现在正在利用高科技驾驶来提高效率和安全性。在辅助制动、车道辅助和高速公路自动驾驶方面，预计该行业将发生重大变化。

为了实现更低的油耗，企业不断研发出更好的驾驶系统，该系统可以将多辆卡车聚集在一起形成编队。物流公司通过计算机控制这样的编队，而且它们之间也相互连接。

6. 遗传算法正在缩短交货时间并降低成本

在供应链中，每一英里和每一分钟都很重要。企业可以使用基于遗传算法（Genetic Algorithms）的路线规划器来规划交付的最佳路线。

全球快递服务商UPS公司正在使用一款名为“Orion”的GPS工具，来帮助驾驶员及时、经济、高效地交货。据悉，Orion可以根据交通状况和其他因素来实时规划和优化路线。而这一技术已经帮助UPS公司每年节省了近5000万美元。

7. 机器人技术

如果不提及机器人技术，那么此次关于人工智能的讨论势必是不完整的。虽然它们听起来像是一种未来主义的概念，但事实上它们已经嵌入到了供应链之中。根据调研机构Tractica Research公司的说法，到2021年底，全球仓储和物流机器人的销售额将达到224亿美元。

如今，有些仓库的操作原理已不再为人类观察者所理解，因为它们是由人工智能管理的。它们的共同特征通常是机器人驱动，尤其是自动导引车（AGV）。

在仓库中，产品以混乱的方式存放在各种架子和过道中。对于人类拣选师而言，这就意味着不必要的移动和搜索时间，而这一过程对于自动驾驶机器人来说却并不存在问题：当收到订单时，第一个可用的自动拣选机将拾取最接近其位置存储的物品，并将其传送到仓库末端的人工包装工位。

8. 财务异常检测

供应链提供商通常依赖大量的第三方——包括公共航空公司、分包人员、特许航空公司以及其他第三方供应商——来运营其业务的核心功能。这就给物流会计团队增加了负担，导致他们每年要处理来自数千家供应商、合作伙伴或供应商的数百万张发票。

就该问题而言，诸如自然语言处理之类的人工智能技术，可以从企业收到的非结构化发票形式中提取关键信息，例如账单金额、帐户信息、日期、地址和相关方。

例如，咨询机构安永（EY）公司正在采用类似的方法来检测欺诈性发票。使用机器学习技术对国际方的发票进行彻底分类，并识别异常以供专家审核，可以帮助安永公司遵守制裁、反贿赂法规以及《美国反海外腐败法》的其他规定。安永公司的欺诈检测系统达到了97%的准确性，并已推广到了50多家公司。

类似的逻辑还可以应用于具有高频重复任务的任何其他业务流程中。