不是Jetsons：供应链中认知学习的十个用例

记住 杰森斯？  摩登原始人以鸟类和恐龙为动力的石器时代大家庭编年史的同时，Jetsons象征着未来。该节目在1962年至1963年间播放了引人入胜的音乐，随后在1985年至1987年间又联合发行了新剧集。打火石在装有石轮的粗糙载具中滚来滚去，而Jetsons则乘坐高空飞行器飞越城市建筑物。机器人和自动化丰富了Jetsons’ lives.

上周，我与一家领先的软件供应链管理公司的首席执行官共进早餐。当我在2001年担任分析师时，我喜欢和他说话。那时，他积极追求自动化，并积极测试新技术。二十年后，他变得更加保守。当我们给烤面包涂黄油时，他嘲笑我。 “Lora，您撰写的有关认知计算的文章经常指出它将迎来《供应链计划第三部法案》。我不’t get it. Isn’这样像杰森一家吗？我正在为这个概念而苦苦挣扎。这是真的吗？如何使用？帮助我解决用例。”

我笑着说“天啊！是。今天’供应链就像打火石时代。计划人员辛苦工作了许多小时，却很少完成。我们试图通过线性优化使非线性系统自动化。它就像一个圆孔中的方钉。对于可能的规划存在有限的愿景。在1990年’我们设计了传统流程。受内存限制，我们讨论了32位架构。今天，我们不受记忆的束缚。” 他微笑着点了点头。然后我拿起餐巾纸开始画画。 （最好的讨论发生在餐巾纸上。）

图1.概念之间的关系

第一个讨论是关于分析的进展。我画了这里共享的同心圆图。首席执行官’解决方案是预测分析。我们讨论了模式识别软件和规范分析的发展。 （这包括AIMMS，Opalytics，SAVI和Terra Technology等解决方案。）在每个示例中，我们都讨论了引擎如何工作以及解决了问题。然后，我们讨论了机器学习的发展。我使用的示例是RuleX / ToolsGroup合作伙伴关系和自校正供应链的演变。 （读取提供给计划引擎和基于机器学习的自我调整的数据模式。）然后，我们讨论了认知分析的发展：基于语义推理的机器学习的扩展。这些示例是IBM / Watson，Enterra Solutions和FusionOps。每一个环节，供应链就越来越接近成为一个自主的供应链。

餐巾上满是涂鸦。这是讨论的用例的提要：

1. 数据映射。 一般公司有5到7个企业资源计划解决方案（ERP）。虽然解决方案来自同一提供商，但每种解决方案都有不同的数据定义。很难将数据从一个映射到另一个。将认知学习与基于规则的本体结合使用，可以映射具有不同上下文的数据。
2. 主数据管理的自动化和数据标准的替代。 今天 master data is hard-coded. The data definitions are manually determined and mapped. They are inflexible. As the business changes, the data becomes obsolete. With cognitive learning we redefine master data. It is adaptive.
3. 重新定义规则。 在第一代规划技术中，规则是单一的“ifs” to single “thens.” Rule sets –如ATP，VMI，运输路线，分配和分类逻辑–是简单的规则集。太简单，无法满足业务需求。问题在于它们不够坚固。订单不是订单。客户不是客户。一个项目不是一个项目。每个状态都需要根据业务规则进行映射。认知学习将重新定义供应链规则。今天’供应链不遵守规则；但是，我们试图通过限制可能性的规则定义来限制和限制选项。
4. 重新思考需求管理。 如今，公司试图对不精确的数据进行非常精确的处理。行和列定义预测。公司对模式和需求流失去了可见性。认知学习解决方案提供的见解系统可以将配置文件模式识别与对非结构化数据的学习相结合。例如，谷歌搜索某种疾病或症状的次数，这是疾病传播和随后处方销售的预测指标。 推特和Facebook上的社交情绪与销售点数据相结合，可以推动洞察力，以了解几天之内的区域销售情况。今天要花几个星期。
5. 规划主数据。 我只知道少数几家公司拥有计划主数据层，这些数据层为他们的供应链计划引擎提供了支持。大多数公司会安装供应链计划解决方案，稳定其实施，然后再忽略它们。交货时间，周期时间和费率的数据参数很快就过时了。在大多数情况下，此数据是变量而不是常量。例如，冬天在芝加哥穿铁路与夏天不一样。根据季节的不同，在长滩卸下集装箱的情况也有所不同。但是，计划系统具有固定的价值。
6. 重新考虑决策支持。洞察系统 认知计算，基于现有决策支持工具—收入管理，贸易促进管理，需求计划，生产计划，运输计划和供应网络计划–带来更深刻的见解。目标是稳定当前的解决方案，并在诸如Logility，JDA和SAP APO的更传统的解决方案之上分层认知解决方案。
7. 听的帖子。 今天’的分析功能可为我们所知道的问题提供答案，但我们无法跟踪回答我们所不知道的问题的重要数据。例子很多。消费者为什么对质量提出担忧？模式告诉我们什么？
8. 质量。 许多生产环境–冷却器，干燥器和蒸馏塔–非常复杂，有很多变量。一旦变量超过5到7，就很难在没有共线性的情况下对结果建模。认知学习可以提供新形式的见解，从而更好地控制质量。
9. 以客户为中心的供应链。 认知学习是将客户政策映射到实现的理想选择。库存到订单匹配的动态性质很难。这是一个巨大的机会领域。
10. 网络网络。 贸易伙伴之间的数据连接是一个使我兴奋的用例。 在这个播客节目中，我将解释一些计划的测试。有关此重要计划的更多信息，请加入我们 2017年1月11日的网络研讨会。我们将测试通过结合Apache Spark，Blockchain和认知学习来取代EDI消息传递的潜力。简而言之，今天’的业务网络缺乏敏捷性，而且成本太高。我们认为认知学习可以改善数据映射并提供对不明显的数据关系和推断的见解。

我希望这有帮助。我们需要摆脱打火石时代。我们仍不是Jetsons时代，而是认知学习 ’创造价值的潜力令人兴奋。随着球在2017年1月1日在时代广场落下，它迎来了认知学习的时代。

如果您与认知学习提供者交谈，请意识到有很多选择。大多数人知道数据，但不知道供应链流程。花时间思考并意识到它并没有’不会在一夜之间发生。五年之内，我们将重新定义供应链计划。供应链将随着我们的睡眠而学习，洞察力将随着更少的人而变得越来越深。它来了。是真的。你准备好了吗？我将在此博客中提供案例研究，技术概述和培训以帮助您。我的目标是通过独立和开放的研究帮助全球供应链领导者。