转变供应链管理：人工智能和数据科学的影响
Vivek Anand- 2024年9月9日上午11:29发布
在供应链和物流领域，有效的库存管理对于维持平稳运营和确保客户满意度至关重要。在处理多层级系统时，库存管理变得更加复杂，这种系统在供应链的不同阶段维持多个层级的库存。“多层级”一词指的是在供应链的各个层级上管理库存，例如制造商、分销中心和零售商，其中一个层级的库存决策会影响整个系统的整体表现。
全球供应链的脆弱性
COVID-19 大流行从根本上改变了全球供应链管理的格局，暴露了全球供应链的脆弱性，并突显了需要更加韧性的库存管理实践。大流行引发的中断导致了包括婴儿配方奶粉和尿布在内的重要商品严重短缺，因为供应链受到封锁、工厂关闭和运输瓶颈的困扰。
在大流行期间婴儿配方奶粉和尿布的短缺突显了传统库存管理系统的局限性，这些系统在应对需求激增和供应链中断方面表现不佳。恐慌性购买和囤积进一步加剧了这种情况，使零售商无法满足需求。
另一件最近凸显全球供应链脆弱性的重大事件是2021年3月苏伊士运河的阻塞。当一艘巨型集装箱船Ever Given卡在运河中时，大约12%的全球贸易暂停了几天。这起事件造成了广泛的中断，延误了关键商品的运输，导致各行业的短缺和生产延误。
这些事件推动了零售商在库存管理方面的转变，多层级库存优化系统在构建更具韧性和适应性的供应链中变得至关重要，这些供应链能够更好地预测需求、优化库存水平，并动态应对意外中断。
多层级库存管理（MEIM）涉及解决不同层级的库存补充和分配挑战，以在确保高服务水平的同时最小化总成本。在经典模型中，库存通常使用传统的数学方法进行管理，如经济订购量（EOQ）、基库存模型或安全库存公式。然而，随着业务全球化和复杂化，这些经典模型在处理动态市场条件、无规律的需求模式和不可预测的供应链中断时往往表现不足。
这时数据科学和人工智能（AI）发挥了作用。随着AI驱动的算法、机器学习和预测分析的出现，企业可以增强其传统库存模型，使其更具韧性、响应性和灵活性，更适合当今动态的商业环境。
什么是多层级库存管理？
简而言之，多层级库存管理涉及优化供应链多个层级的库存水平。每个层级可以包括：
- 制造商：将原材料或组件转化为成品的地方。
- 分销中心：为区域市场储存库存的仓库。
- 零售商：供应链的最终节点，产品在此提供给终端客户。
在这样一个多层次的系统中管理库存带来了独特的挑战。目标是确保每个层级持有最优数量的库存，以最小化缺货（因商品缺失导致的销售损失）和过剩库存（占用资金并产生持有成本）。
要实现这一目标，企业依赖于经典的库存模型，如经济订购量（EOQ）和再订购点公式，这些方法对较简单的系统效果良好。然而，这些方法假设需求稳定且交货期固定——这一假设在当今波动的市场条件下很少成立。
经典多层级库存管理
多层级库存管理（MEIM）是指在供应链多个阶段或“层级”管理库存的过程。这些层级可以包括供应商、仓库、分销中心和零售地点。目标是在整个网络中保持所需服务水平的同时，最小化总库存成本。
关键概念
- 层级库存：这代表了特定阶段的总库存，包括上游库存。目标是优化整个网络的库存。
- 再订购点和交货期：每个层级都有一个再订购点，根据预期需求和交货期计算，用于驱动从上游层级或供应商处的补货订单。
- 需求传播：零售层级的需求向上游供应链传播。每个阶段累积下游阶段的需求，需要在每个层级平衡供需和库存。
库存策略
在MEIM中，经典策略通常基于确定性或随机需求模型。常见的策略包括：
- 基库存策略：确保每个需求周期后将库存补充到一定水平。在特定假设下，该策略在最小化持有和缺货成本方面是最优的。
- 订购至水平（OUT）策略：在此策略中，库存在低于再订购点时会补充到预定水平。该策略在需求可变但具有已知分布时常被使用。
经典的MEIM方法依赖于简化的假设。例如，经典基库存模型假设每个层级的库存持续被审查，并在库存水平低于某一阈值时下订单。再订购点根据交货期内的预期需求和用于缓冲需求或交货期变化的安全库存计算。
对于单一层级系统，基库存水平_S_被确定为：
S=μ⋅L+Z⋅σ⋅L
其中：
μ 是每周期的平均需求率，
L 是交货期，
Z 是对应于所需服务水平的z分数，
σ 是每周期需求的标准差。
在多层级背景下，管理库存变得显著复杂。经典的Clark-Scarf两层级模型引入了去中心化控制和集中化控制的概念。在去中心化控制中，每个层级独立决策，导致如牛鞭效应这类低效现象——这一现象是指客户需求的小变化导致上游层级需求的极大波动。而集中化控制则涉及在所有层级进行协调决策以最小化总成本。
Clark-Scarf模型通过联合优化多个层级的订购决策来最小化系统的总成本。基本问题被公式化为一个动态程序，其中：
- C(i,j) 是在层级1订购i单位和层级2订购j单位时系统的总成本。
- D 是需求分布。
- 目标是在所有层级最小化期望总成本。
虽然这样的经典模型提供了一个起点，但由于其依赖的限制性假设，它们在实际应用中往往变得不切实际。
经典MEIM模型的挑战
- 需求波动：经典模型通常假设需求恒定，但实际上需求因季节性、促销或经济状况而波动。模型无法动态调整以应对这些变化。
- 交货期不确定性：传统模型假设交货期固定。然而，实际上，交货期可能因运输延误、供应商问题或生产瓶颈而变化。
- 库存集中化：经典模型本质上是去中心化的，导致增加供应链总成本的次优决策。
- 数据稀疏：传统模型依赖于历史数据进行预测，但在许多情况下，由于商业条件的快速变化，数据不足或不相关。
解锁库存优化的未来：数据科学和AI在多层级管理中的革命性影响
数据科学和AI技术提供了一种革命性的方法来克服经典MEIM模型的局限性。通过整合实时数据、先进的机器学习算法和预测分析，企业可以构建更智能的库存系统，这些系统能够动态响应变化的市场条件。
1. 使用机器学习进行需求预测
准确的需求预测对于有效的库存管理至关重要。经典模型依赖于历史平均值和简单的预测方法如指数平滑。然而，这些方法通常不足以处理波动或非平稳的需求模式。
通过整合更广泛的变量，机器学习模型可以显著改进需求预测，包括：
- 历史销售数据，
- 季节性，
- 促销，
- 诸如经济指标、天气数据和社交媒体情绪等外部因素。
用于需求预测的流行机器学习模型包括：
- 随机森林：一种基于决策树的集成方法，考虑输入变量之间复杂、非线性关系。
- 梯度提升机（GBM）：另一种处理高度复杂数据结构的树基方法。
- 神经网络：特别适用于捕捉非线性关系和时间依赖性，非常适合时间序列预测。
例如，神经网络模型可能预测时间_t_的需求yt：
yt=f(xt,xt−1,…,xt−n)
其中xt 表示时间_t_的各种因素，如历史销售、定价和营销活动。
通过不断在新数据上重新训练这些模型，企业可以实时更新其预测，确保补货决策基于最新信息。
2. 使用强化学习进行库存优化
强化学习（RL）是一种强大的AI技术，使库存系统能够通过试验和错误学习最佳策略。在RL框架中，一个代理（库存经理）与一个环境（供应链）互动，采取行动（例如订购库存）并获得奖励（例如最小化持有成本或缺货）。
目标是学习最优策略π\piπ，使期望累积奖励最大化。数学表达为：
π∗=argmaxπE[∑t=0Tγtrt]
其中：
- _rt_是时间步_t_的奖励，
- γ 是折扣因子，
- T 是时间范围。
在多层级系统中，RL特别有效，因为随着层级数量的增加，库存决策的复杂性呈指数增长。通过训练RL算法，企业可以学习最优补货策略，以应对交货期变异、需求不确定性和层级之间的相互依赖性。
3. 使用AI进行安全库存优化
在经典模型中，安全库存使用基于需求波动的固定安全因子计算。然而，这种方法常常导致过量库存或不足库存。AI可以帮助优化安全库存水平，通过基于实时数据动态调整缓冲。
结合机器学习和统计模型，AI系统可以持续监测交货期、需求模式和服务水平，以推荐最优的安全库存。例如，概率优化算法可能最小化预期的缺货成本和持有库存：
minE[Cstockout⋅P(stockout)+Cholding⋅I]
其中：
- Cstockout 是缺货的成本，
- P(stockout) 是缺货的概率，
- Cholding 是持有库存的成本，
- I 是库存水平。
这种实时调整确保企业保持足够的库存以满足需求而不过度投资于过量库存。
4. 通过PMI分析增强供应链韧性
在自然灾害、地缘政治紧张局势或全球大流行等因素导致供应链中断成为常态的时代，供应链韧性比以往任何时候都重要。分析采购经理人指数（PMI）数据可以通过信号经济活动的变化，提供潜在供应链中断的早期洞察。PMI下降表明生产减少和交货期延长，使企业能够提前调整库存水平并确保替代供应商。通过全球跟踪PMI趋势，公司可以更好地预测和缓解供应链风险，确保运营的连续性和韧性。此外，通过AI驱动的PMI数据分析，企业可以通过分析大数据提前预测和缓解中断。
AI算法可以通过分析各种因素预测供应商延误的可能性，例如：
- 供应商在地缘政治或经济事件期间的历史表现。
- 在关键航线上的潜在运输瓶颈。
- 可能影响农业原材料（如棉花）生产的天气模式。
这些洞察使企业能够通过调整安全库存水平、重新安排发货或寻找替代供应商，主动应对供应链中的潜在中断。
结论
多层级库存管理是在当今全球供应链中一项复杂但至关重要的任务。虽然经典模型提供了基础，但它们往往不足以处理现代供应链的复杂性。通过结合数据科学和AI，企业可以增强其库存系统的韧性和灵活性，使其更能响应动态市场条件。
高级需求预测、强化学习和实时优化可以将MEIM从反应性的孤立过程转变为主动的数据驱动功能，确保高服务水平、最小化成本并改善整体供应链效率。多层级库存管理的未来在于将经典模型与尖端AI技术相结合，以应对当今快速变化、相互连接的世界的复杂性。
来源网站：Data Science Central
