中盈网:AI零售供应链中的预测分析和机器学习
中盈网讯 在零售方面，供应链效率至关重要。库存管理，采购，包装和运输都是时间和资源密集型流程，可以对业务的底线产生巨大的影响。问题是这些都是复杂的过程，尤其是涉及到多个出口和地区的大规模业务。事实上，他们往往依赖于外部力量——供应商、服务提供商，甚至是天气，让供应链效率提高变得更加困难。
这就是为什么零售商——无论是大公司还是较小的公司——都热衷于采用大数据驱动的分析技术。在复杂系统中创造效率，通常是划分的是这个技术擅长的领域。简而言之，这是关于机器能够节省大量的储蓄和效率的能力，它们加起来就是非常强大的。
为工业提供预测系统的Splice Machine首席执行官蒙特•兹韦伦(Monte Zweben)通过三个关键领域表示，这些领域的零售商正越来越多地寻求数据驱动分析，以提高供应链的效率。他们还讨论了为什么这种方法在所有想要保持领先地位和促进创新的行业中变得越来越重要。
更快地满足客户的需求
今天的物联网行业意味着一切都是联网的，能够收集和共享数据的运作方式。这意味着一切都可以通过使用先进的分析工具（如机器学习）来衡量和实现——严格地询问，直到它放弃其工作的所有秘密，而且至关重要的是，它如何与操作的其他部分交互。所有这些数据都可以收集在一个清单上——起源、运输路线、扫描的时间，或者它的位置和状态被射频（射频）标签报告。“所以，现在你可以建立一个机器学习模型。这个模型可以根据它所得到的数据来预测操作的任何方面。”兹韦伦表示，“这种顺序你不会迟到的可能性有多大?你有可能迟到一天吗?五天?这基本上是一个分类问题。”
这意味着可以运行深入的模拟，允许在它们成为问题之前评估延迟或错过最后期限的影响和连锁效应，即使它们不能完全消除，因为依赖于外部影响。在这种情况下，可以采取补救措施，给客户带来不便，他们很可能会在货物被推迟的情况下收到一封电子邮件道歉，而不是简单地等待。
减少因故障和破损导致的停机时间
技术总是会出错、磨损或下降——这在工业应用中当然是正确的，它依赖于复杂的机器，移动部件执行专门的任务。兹韦伦表示，“如果您可以构建机器学习模型，预测部分的平均故障间隔时间，在大型工程网络和学习真正的领先时间替换这些部分，你可以得到一个实时仪表板告诉你应该买什么，基于这些预测的打破，和需要多长时间来取代它。”
这种预测维护最初是在重工业中率先使用的，在这个行业中，停机时间可能会带来灾难性的成本影响。在供应链物流中，它开始应用于技术驱动的“拣货包装”业务以及卡车和轮船的运输车队。