至顶网CIO与应用频道 11月10日 北京消息:从航空引擎到打印机,所有制造商和 OEM 都明白,相比于原始销售,在设备生命周期内提供服务可以让企业赚取多得多的收益。这样一来,优化和管理服务部件库存便成为在售后市场取得成功的关键所在。服务部件规划的低效率可能会导致高库存投资、低客户服务水平,以及高过剩成本和过时成本。为了完全实现库存优化的潜力,需要结合正确的业务目标对问题进行建模,同时适应特定的需求。需要谨记的部分事项:
优化位置与部件组合
考虑不同层级的交互作用
部件和位置折衷
在选择要储备的部件以及储备数量时,库存优化算法会考虑多种部件及多个层级之间的折衷。如果在一次折衷中同时考虑螺母、螺栓和发动机,则系统会将发动机视为昂贵的提议,因此可能会建议对其采取低库存或零库存。在大多数情况下,企业是不能接受这种解决方案的。一种有着商业敏锐性的方法是,对多个部件组或细分进行建模,使之各自处于一定的部件成本段内,因此,可以在成本相当的部件之间进行折衷。
为了根据业务需求进行有效的库存优化,重要的是要将部件分组成不同的细分段,而且这些细分段与业务保持一致。当细分段中的部件彼此为库存而竞争时,细分方案需要对部件进行适当的分组,使之能够用可接受的方式进行折衷并一起进行计量,这是一种 ERP 和电子表格达不到的高级功能。
例如,如果企业有 X 射线和 MRI 设备两个产品线,则可能无法接受将两种产品的部件组合到一个细分段内,X 射线业务需要独立于 MRI 业务之外,满足自己的目标。根据行业状况,细分方案可能基于很多不同的因素,例如,部件类型、寻购、重要性、预算等;但是,中心主题是,同一细分段中的部件应该具有共同的规划目标,还要能够彼此竞争。
实现潜力
当服务矩阵从交易性损后修理业务转变为由正常运行时间和资产供应情况组成的可用性矩阵后,部件与位置的相互依赖在全球制造运营中的作用将变得至关重要。制造商需要一种高等能力来了解如何储备服务部件(相比于组件和资产),还需要一种整体视角来了解各组件如何协同运行,这将依赖于包括位置在内的大量因素。
资本设备依赖于在适当的地点、适当的时机,储备适当的部件,而这需要在整个服务网络及其层次水平上具备全面的视角。除此之外,制造商还必须考虑不同位置的间断性需求,以及不同位置之间的依赖关系,以便做出准确、可盈利的库存和业务决策。行业领导者如何通过着眼于多级优化,来管理他们的全球服务运营呢?阅读这里的案例研究。
好文章,需要你的鼓励
随着大语言模型在人工智能时代展现强大力量,可穿戴设备成为收集人体数据的重要载体。通过实时监测血压、心率、血糖等生命体征,结合AI边缘计算能力,医疗正向个性化转型。基因治疗、数字孪生技术让每个人都能拥有专属的医疗数字化身,实现从"报销型医疗"向"创新循证医疗"的转变,为疾病预防和健康管理带来革命性突破。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。
在巴黎举办的欧洲开放基础设施峰会期间,专门用一整天时间讨论VMware迁移问题。博通收购VMware后许可证价格上涨,导致客户运营成本大幅增加。开源开发者展示了将VMware虚拟机迁移到开源替代方案的产品。Forrester分析师指出VMware客户对此感到信任破裂。OpenStack等开源解决方案虽然复杂度较高,但提供了健康的开源生态系统替代方案。
中国人民大学研究团队开发了Tool-Light框架,通过信息熵理论解决AI工具使用中的过度调用、调用不足和过度思考问题。该框架采用熵引导采样和两阶段自演化训练,让AI学会合理使用外部工具。在10个推理任务测试中,Tool-Light显著提升了AI的效率和准确性,为AI工具集成推理提供了新的解决方案。