在去年新冠疫情全面爆发之前，“供应链”并不是一个流行词。但直到人们发现再也买不到自己喜欢的酵母、面包，甚至是特定品牌的卫生纸时，大众才开始认真反思这三个词背后的深意。期间，大家通过社交媒体了解到，突如其来的需求激增和材料短缺传闻引发的抢购，如何歇斯底里地冲击着整个供应链系统，包括生产计划、输出和物流配送。作为反面教材，我们也见证了供应链跟不上需求变化，尤其是不能及时响应实时趋势时出现的混乱局面。2020年，COVID-19疫情给全球消费者上了重要一课，也让供应链成为焦点。理想情况下，组织应该通过数据全面了解整个供应链，以便在正确的时间将正确的产品和材料交付到正确的位置。但是这个世界并不是那么理想。供应链中的大数据（通常是企业几十年的积累）过于臃肿，无法有效利用。由此导致的对数据缺乏信心甚至导致它成为垃圾资产。为了应对这一挑战，企业传统上使用数据清理项目，即修复或删除语法不正确或无效文件的过程，以确保将原始数据简化为仅包含可操作和/或可用信息的形式。这个清洗过程通常涉及一系列需要不断重复的聚合、组织、分析和整合。单个工厂或车间的数据清洗已经是极其困难的，更何况是互不相连的工业网络数据的统筹规划。总而言之，数据清洗的过程成本极高，需要大量的时间、资源和外部支持，大量的投入并不一定能带来有效的回报。事实证明，大多数企业根本负担不起持续不断的数据清理操作。这种可行性挑战与数据清洗的必要性交织在一起，让运营商很头疼，但他们不能坐视，因为没有数据，业务提升、流程改进甚至成本节约都无从谈起。幸运的是，新冠疫情的蔓延成为技术发展和实际部署的重要推动力。供应链也因此迎来重大利好影响。企业开始借助AI和ML的力量，突破传统数据清洗的重围。无需传统数据清洗即可提升业务产出长期以来，制造业供应链面临着数据需求旺盛、数据供给不足、新技术难以采用的困境。COVID-19的意外到来带来了新的紧迫性，推动了对改进方法的深入研究。我们无法预测疫情的变化，但我们可以提供供应链系统的灵活性和敏捷性。经过几个月的试错，事实证明，只需将敏捷性注入供应链，就可以灵活应对实时动态。疫情背景下的运营经验告诉我们，供应链数据始终处于混乱状态。供应链部门不可能花几个月的时间清理数据。毕竟，这种完整和过时的状态不足以支撑当前的生产和交付需求。但如果没有数据控制，制造商将无法快速改变以满足门店和仓库的实际需求，也无法有针对性地优化库存和配送流程。通过总结，我们发现这种负面影响主要体现在三个层面。首先是数据质量问题，即“脏”、冗余和低质量的数据。此外，存放数据的设施往往相互隔离，无法相互“对话”。并且由于灵活性太差，往往会严重拖累实际生产效率。其次，传统数据往往只能人工清洗，无法跟上实时变化。正是因为供应链技术的更新迭代速度太慢，导致库存成本不断增加，库存绩效跟不上当前的需求。业务部门通常有孤立的目标和动机，导致在如何简化供应和需要什么数据方面严重脱节。这就带来了第三个问题——成本高。供应链数据管理不善每年可能导致数百万美元的运营损失。新冠疫情不仅让我们深刻认识到改善供应链流程的重要性，也唤醒了人们增强数据清洗能力的愿望。面对现实问题，我们必须求助于两股新生力量——AI和ML。人工智能有望“消除”数据清洗的需要：将速度和规模提升到新的水平设施规模扩大了5倍。”但我们不能等到2024年“革命胜利日”的到来自然而然，COVID-19已经证明，压力会一直存在，直到我们愿意积极作为，真正完成数字化转型。然而，供应链落后带来的严重影响，让任何企业都无法承受这种现实AI和ML的价值就在这里，虽然制造业和供应链行业一直把AI看成新鲜事物，但是这方面的成果已经有了，开始提供相对易用和易用的工具。-即用即用的解决方案在供应链中，人工智能和机器学习可以消除大数据中包含的各种“噪音”化。数据分析进程随时保持活跃，主动切入数据管道，响应即时需求。过去，数据清洗周期往往长达9到18个月，而且可能需要将数据插入到电子表格中；而现在在AI的帮助下，清洁时间有望从2年缩短到2个月。如此一来，浩瀚的数据海洋将第一次变得易于理解、易于使用、智能化和高度可操作。如果您长期沉迷于数据清理，现在是时候体验AI的力量了。事实一再证明，人工智能技术在数据可视化、去重、库存优化、数据驱动决策等方面具有无可比拟的优势。如今，将AI数据清洗能力引入供应链体系已成为必然，任何“逆来顺受”的组织都不可避免地会被历史的洪流吞噬。
