【洞悉未来】供应链数字化的最终极目标 – 自主性供应链（上篇）

一、供应链中的自动化
从工业化以来，凡物自动化就是终极的目标。近几年的工业化 4.0 的发展加上如人工智能与机器学习等相关技术突破的席卷之下，各类自动化的进展与创新层出不穷。

自计算机在六七十年前开始发展以来，就是用来对数据进行更快更准确的处理，而各类大小不一，可以用在不同机械器具组件上具备计算能力的元件提供了即时收集数据以及运算数据的可能性，更进一步的催生了自动化的演进。到如今自动驾车以及自动运转的仓库等逐步实现了凡物自动化。所有的自动化，在收集数据以及分析数据之后，都是在执行预测以及做下决定这两个最基本的任务。也就是利用对数据做分析，以及分析后再加上对现有状况的解析而决定出下一个步骤应该是什么。

其实由制造生产销售等这一系列活动与流程构成的整条供应链，都是在自动化的探讨与实践的范围之内。包括前段已经提到的自动驾驶车的运输车辆以及自动化无人仓库以外还有自动生产的工厂或是销售端的无人商店，这些都是整串供应链中自动化的一小部份 (或可以说是一大部份，考虑到物流一般在供应链运作上扮演极关键的角色)。然而除了教导机器与设备自动化之外，还有很多的步骤与操作是必须对着计算机运作的软件系统下达的指令。

譬如采购单，一般是在 ERP 这一类的软件系统新增采购单，并借由网络的串联，买方的采购单甚至可以直接传输到卖方的系统里成为合作伙伴的订单。如果这个采购单是为了购买物料让工厂进行生产所需，那在决定下达采购单指令之前，人们必须知道要购买的物料以及其数量与需求的时间。而决定这些数据的指标是来自于这张生产订单的交期以及相关的物料尚有多少库存在库房或是仓库里。

除此以外其他需要考量的参数还包含安全库存量以及最小订购量等等。这些都是一个或是数个计算机内的软件系统必须要能掌握的数据。而如果让这些数据经过统整后直接给出结论（如订购数量与要求的期限），这样的结论就是一种分析数据后得到的结果，也就是透过所谓的数据分析或是商业分析所得出的结果。

二、数据自动化分析的奥秘   
  
不过当我们在谈数据分析或是商业分析，有三种分析包含在刚刚的情境里，一是描述性分析 (descriptive analytics)，一是预测性分析 (prescriptive analytics)，再一个就是指导性分析 (prescriptive analytics)。简单的说这一系列针对数据作出分析后得到的结论就是一个让人们可以做出决定的建议。以上述的情境来看系统给出的订购数量以及需求日期就是这一类的建议之一。

假设有这么个系统运作主要就是要给出这一类决定的建议，它的运作机制会是这个样子：

1.把相关联的数据都完整的收集；
2.经过商业分析中对现存数据本身意义做的较偏量化分析描述性分析后，系统可以掌握到现在状况的所有数据，如安全库存这样的条件以及生产订单这样的要求，同时找出现有的问题或是预计要增进的效率目标；
3.物料订购单的数量可能不会只考虑已经确认的生产订单的数量，也会考虑隔天或是下周甚至下个月的预计销售量来决定采购某物料的数量，这时计算出预计销售的数据就是预测性分析可以做到的其中一项的工作；
4.而综合考虑与整合计算现有的数据以及未来的预测数据就是指导性分析在处里的工作。这三类分析，最终的结果就是一个建议，让实际下达指令的人们做参考做出最后的决定。

如上图，想象在供应链的其他运作中，可能是规划，可能是执行当下需要做的决定 (包含生产、采购、运输、销售等各类简单到复杂的运作)，在没有系统协助的情况下，在考量了现有状况，包含问题与重要的议题以及预测了部分或是全部的未来数据，光是透过人力要做完这些分析，（伴随着实际状况的日趋复杂以及需要考虑的数据量的增加），将会让单靠人力做出决定变得越来越困难，常常必须花费无数十倍于系统运作计算的时间，但最终决策的正确性也有待提升。
如果系统都能在结合分析现有数据以及预测未来需要的数据后，再依据各类的条件限制与优先级别的参数，接着给出适当的建议，整个供应链的运作就可以更接近自动化。最后只差由人们根据建议下达最后的决定。这个决定可能跟系统给出的建议分毫不差，又或是参杂了一些已知的未来事件或是系统上没有掌握的限制而做出与系统的建议值有差距的决定。这样在供应链运作上由系统自动给出建议甚至做决定的自动化称为自主性供应链。

＋
未完待续

“联合智翔科技持续通过供应链需求预测领域创新型解决方案，帮助企业准确预知市场需求。可口可乐、嘉士伯、康师傅等100家全球500强企业已成功体验联合智翔科技的需求预测方案...”