大数据可能被破坏或中断,但供应链管理不在其中之列。这不是说供应链没有改变。人们如何收集和分析数据,改变了供应链的沟通方式。事实上,供应链发生了巨大变化,咨询机构德勤公司发布了一份报告,取消了线性链,声称技术中断导致了“数字供应网络的兴起”。
除了这些转变,供应链管理人员已经适应了不同的工作。就像Excel改变了供应链报告的方式,大数据平台允许专业人员专注于大项目,而不是死记硬背的任务。
工作任务和对象的变化并不表明供应链管理的变化。。相反,随着大数据的兴起,供应链管理(因为一直存在)的重要性上升。随着世界连通性的增长,零售,制造,以及物流公司都需要一个能够适应变化的管理者。
供应链管理者起到重要作用不是因为他们可以执行的任务,而是大数据仅仅实现的愿景:提高效率,降低风险和改善客户服务。AdamMussomeli就是一位供应链管理者。
不同的链,相似的转变
“我们发现,在今天的供应链世界中,有许多使用案例,我们现在大约追踪400个左右。”Adam Mussomeli说,“但是有六个主要的分类,供应链的行业人士正试图做,或在某种程度上跨越任何行业。”
Mussomel表示,第一个分类是可见性,也就是物流可见性,以便能够跟踪和知道物品何时进入,以及产品何时离开工厂。然而,同样重要的是多层次可见性,而供应链管理者能够在其供应商的工厂或其他地方看到这个问题,并能够立即解决。
“第二个分类是获得更好的需求和供应同步。”他补充说,“人们所生产的产品希望是市场需要的,但事实证明市场没有。”或者,许多高管将推动项目接收产品和销售点数据,可能帮助他们调整生产以更好地满足需求。
第三个分类,管理人员正在寻求优化他们使用的履行渠道,消费者和物流数据实现的任务。基于这些数据,供应链管理者可以调整特定产品的运输类型,取货地点或销售点。例如,水果的销售和运输策略就与电器产品不同。
后面这三个用例类别旨在通过生产工具提高效率。供应链管理者可能寻求建立一个“智能互联产品”(第四个分类),Mussomeli说。制造商,仓库经理和零售商现在可以从传感器集成的产品中受益,这些产品可以召回,并通知管理者有待更改或需要补充。
与此类似,供应链受益于增加的资产智能(第五个分类),其中连接的机器或机架可以产生数据以警告管理者条件变化。
“最后一个分类是工人安全和生产力的全部概念。”他说。““那是使用增强现实技术来帮助在仓库拣货的一个例子,或采有一些其他形式的增强现实技术告诉某人需要补充的产品。”
在供应链的每个阶段提供洞察力
无论这些用例的类别如何,每个大数据项目都旨在为供应链管理人员提供洞察力,而不是信息。换句话说,大数据项目不仅仅是收集数据,而是能够做一些事情。
在零售层面,RFID标签正在取代作为存储产品数据和提高补货能力的一种方式。而标签的产品数据优势可以与更好的库存管理功能和增加的在线销售联系起来,最近的一项研究显示,96%的服装零售商也在做同样的事情。
“如果你想想在一家特定的零售商店发生了什么,想要补充那家商店的库存,就会想知道通过那个地方销售的所有商品,”市场营销执行副总裁Karin Bursa Logility说,“这是能够补充并确保他们有计划的库存的唯一方法。”
“作为供应链专业人士,我们希望采用大数据,因为它开始创造产品之间的依赖性和相关性。”她补充说,“它帮助我们寻找模式,提高未来产品需求的可预测性。”
物流供应商也受益于大数据。2017年第三方物流研究发现,98%的受访第三方物流企业认为数据驱动的决策对未来供应链将是至关重要的,另外86%的受访者认为它将成为核心竞争力。早期采用者也比比皆是,因为端到端可视性的驱动力为具有远程信息处理的货运公司,具有高效通信的港口,甚至具有实时监控的运输线路提供了优势。
虽然制造业案例研究通常不公开,但该行业是大数据的最大受益者之一。毕竟,随着物流供应商扩大其知名度,零售商增加产品数据,制造商可以使用这些数据更接近需求驱动的供应链。
在最近的一个案例研究中,Software AG公司报告了一个价值700亿美元的家用消费包装产品,医疗保健和药品制造行业能够通过其平台推出1,800种产品75%,并实现超过4,000家物流供应商的可见性。案例研究发现,从止痛药到婴儿洗剂的任何产品都可以在数分钟内轻松追踪。“消费者甚至可以在线查看产品信息,满足他们对即时答案的需求,增强他们对公司品牌的信任。”
无论是零售商还是制造商,大数据都允许供应链通过将产品和外部数据与业务决策同步来提高服务和效率。此外,增加的可见性允许企业在不利情况下识别和调整风险。
怎么堆叠?
然而,大数据项目的功效可能不取决于用例,目标或解决的问题,而是取决于企业的数字能力。
Software AG的供应链和制造业全球行业总监Sean Riley表示:“数据项目有时是一个挑战,特别是当进入运输方面时。不是每个公司都拥有先进的远程信息处理能力的卡车。”
因此,供应链管理者被迫平衡各种不同的技术能力,甚至在内部,同时参与一个新的数据项目。为此,德勤咨询公司创建了一个“数字堆栈”,以帮助可视化的数据可以应用于洞察的各个阶段。
德勤公司将企业的数字能力分为两个部分:数字核心和数字堆栈。核心是处理大数据项目所需的基本基础设施,能够接收网络数据,将其转换为可用格式,并独立处理。同时,堆栈是指可以从大数据项目中获得的不同层次的洞察能力。
每个层建立在另一层上,因此,更多的数据是联网的,其在核心层的自动化的连接性和潜力越大。同样,企业供应链的可见性越大,他们就越可能使用数据进行决策支持,从而做出战略决策。
供应链的方式可以受益于大数据的项目是显著的但是一般来说,供应链管理者用于启动新项目的原因和方法是相同的。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。