人工智能术语框架 - 人工智能是一个广泛领域，专注于创造能执行需要类似人类智能任务的机器，如学习、推理或决策[4] - 机器学习是人工智能的一个分支，使计算机无需显式编程即可从数据中学习，能够识别模式并基于历史信息做出预测[4] - 深度学习是更高级的机器学习形式，使用多层人工神经网络，擅长处理复杂的高维数据，如图像、视频和自然语言[4] - 生成式人工智能旨在根据从大型数据集中学习到的模式创建新内容，包括文本、图像、音频甚至代码[4] 人工智能的商业重要性 - 人工智能正以前所未有的速度被广泛应用，因其直接关联企业的效率、盈利能力和竞争力，公司正积极将其融入日常运营以实现大规模快速决策[6] - 人工智能的真正影响力在于能够将预测转化为自动行动，如触发警报、推荐补货数量、优先选择配送路线或在供应风险演变成中断之前发出预警[6] - 人工智能在数据量庞大、决策可重复、信号嘈杂或快速变化的环境中尤其强大，非常适合市场营销和供应链运营[6] - 最有效的人工智能系统是在人工监督下运行的决策系统，旨在增强而非取代判断，需使用MAPE、MAE等传统统计精度指标进行持续评估[6] 人工智能在市场营销中的应用 - 个性化功能利用机器学习技术根据用户过去的行为定制内容，分析点击、购买记录、滚动模式和会话行为等信号以确定最可能促成转化的信息或产品[12] - 视觉推荐无需用户明确要求即可优化显示内容，利用余弦相似度等方法将用户与相似内容进行匹配，应用于亚马逊的产品轮播和Netflix的推荐板块[12] - 由生成式人工智能驱动的聊天机器人已成为标准客户触点，可回答问题、推荐后续步骤并全天候完成交易，必要时转接人工客服[12] - 预测分析利用机器学习模型在客户流失或营销活动效果等结果发生之前进行预测，通过比较线性回归和XGBoost等模型确定预测销售结果的最佳模型[12] 市场营销与供应链的协同 - 营销活动会引发需求冲击，成功的广告宣传、促销或产品发布可立即刺激需求，人工智能应帮助预测需求并自动标记其对供应链的影响[15] - 将市场营销和供应链联系起来的是共享数据，双方必须在SKU标识符、地理区域、销售渠道、日历和促销元数据方面保持一致[15] - 市场营销关注点击率和订单量，供应链关注订单满足率和准时足量交付率，当两者对绩效的看法不一致时会导致客户不满和运营效率低下[15] - 供应链漏斗是销售漏斗的运作镜像，始于市场营销活动产生的需求信号，经供应计划、生产或采购、物流配送，最终到达客户服务和交付绩效[16] 现代供应链挑战及人工智能应用场景 - 现代供应链面临复杂性、不确定性、速度和可持续发展四项普遍挑战，复杂性源于管理多层级网络、漫长交付周期及日益增多的限制因素[19] - 不确定性由促销需求激增、天气干扰、季节性变化及牛鞭效应等因素造成，需求的微小变化会在上游被放大[19] - 企业越来越依赖人工智能来更准确地预测需求并在问题发生之前采取积极主动措施，人工智能在预测和需求规划中发挥关键作用[19] 人工智能在预测和需求规划中的应用 - 现代人工智能预测模型通常将ARIMA或ETS等时间序列方法与XGBoost或神经网络等机器学习技术相结合，时间序列模型分析历史需求数据检测季节性和周期性模式[22] - 为评估模型可靠性，需使用平均绝对百分比误差以百分比形式衡量预测值与实际值的偏差，平均绝对误差以数据本身相同单位表示平均预测误差[22] - 偏差衡量预测是否持续高估或低估需求，长期高估导致库存过剩，低估导致缺货，F1分数在预测客户流失等事件时平衡精确率和召回率[22] - 企业通常先进行更高层次预测如全国总需求，再细化到特定地区、渠道或SKU，人工智能能够随新数据流入实时更新预测结果[23] 人工智能在库存优化中的应用 - 人工智能可根据产品重要性、周转率或利润贡献对其进行分类，自动确定合适的服务水平目标，并根据预测误差和交货周期波动计算安全库存[26] - 通过多级优化降低系统总库存，人工智能评估整个网络找出存放库存最佳位置，这种系统级视角可降低整体库存成本同时提高服务一致性[26] - 人工智能可根据最新需求数据、供应状况和绩效结果每周甚至每天自动更新补货点和订货量，消除人工库存盘点的滞后性和猜测性[26] - 人工智能模型可模拟不同场景，确定库存持有成本与缺货风险之间的理想平衡点，使领导者能够充分了解财务影响后再做决策[26] 人工智能在物流和运输领域的应用 - 具有时间窗口和实时重新规划功能的路径规划意味着人工智能可根据交付时间承诺不断解决车辆路径问题，并在途中出现交通、天气或新订单时立即重新优化路线[29] - 预计到达时间预测利用人工智能结合实时交通状况和历史驾驶员表现，比依赖通用估计更准确地预测到达时间[29] - 预测性维护可监控车队和物料搬运设备，在故障发生之前检测到故障，减少停机时间并防止意外故障[29] - 码头动态调度功能使人工智能能够根据当前拥堵情况、货运量和紧急程度，自动将卡车分配到最有效的装卸位置以保持作业顺利进行[29] 人工智能在供应商和风险管理中的应用 - 供应商评分卡使人工智能能够追踪多个供应商的准时交付率、百万分之质量缺陷率和交货周期差异，持续评估数据并自动标记问题[33] - 预警系统利用人工智能技术监测新闻、天气预报、港口活动和地缘政治数据，在潜在干扰影响运营之前发现并应对，使企业能够提前制定备选方案[33] - 自然语言处理可以读取供应商合同，提取重要条款如交货周期、违约金条款或排他性限制，并提醒决策者当前绩效是否偏离约定范围[33] 人工智能在仓储和自动化领域的应用 - 计算机视觉利用摄像头和人工智能技术实时检测错拣商品、损坏商品或库存数量错误，在商品到达顾客手中之前减少错误，比人工盘点有显著进步[37] - 任务编排通过根据当前需求和可用产能自动协调人类工人和自主机器人，来确定谁应该做什么以及何时做[37] - 任务优化通过分配优先级、管理队列以及优化任务在设施内的执行地点来改善工作流程，仿真软件可利用机器学习模拟不同优化方案[37] - 货位优化根据ABC周转率对库存进行排序，人工智能将周转率最高的商品放置在靠近包装或装货区的位置，以减少运输时间并提高吞吐量[37] 人工智能在可持续发展和ESG中的应用 - 按发货或SKU进行碳核算可以让人工智能计算每次产品运输对环境的影响，并在做出决策之前评估减少燃料排放的替代路线[40] - 减少浪费利用人工智能对退货进行分类，优先考虑哪些产品可以重新入库、回收或翻新，还可根据保质期预测重新订购易腐烂商品[40] - 循环流程使人工智能能够推荐维修、翻新或再利用方案，而不是默认丢弃，有助于向循环供应链转型使产品重新循环利用[40] 机器学习技术分类 - 监督学习在预期结果已知时使用，人工智能通过对已标记示例进行训练并学习预测未来值，常用于需求预测、预计到达时间预测和质量评分[44] - 无监督学习不需要预先标记结果，人工智能自行寻找数据中的结构，如将相似门店或SKU聚类在一起或检测设备传感器数据中的异常情况[44] - 强化学习通过反复试错做出决策，并随时间从行动结果中学习，在不确定性较高环境中如动态定价或调整库存策略时尤其有用[44] 机器学习模型演进 - 线性回归是应用最广泛、最基础的机器学习模型之一，根据过去行为预测未来结果，速度快、易于解释，广泛应用于高管仪表盘和财务建模[47] - 决策树根据简单决策规则将数据划分为多个分支，具有很强的可解释性，适用于预测和表格形式的业务数据[50] - XGBoost是一种先进集成方法，构建多个小型决策树并将它们组合提高准确率，擅长处理结构化供应链和营销数据中多种输入因素的交互作用[50] - 神经网络在识别复杂模式方面非常强大，适用于非结构化数据或基于传感器的数据，如图像、音频或实时物联网数据流[50] 大型语言模型与迁移学习 - 大型语言模型利用海量公共文本数据进行训练，学习人类语言结构和含义，能够理解并回应从未见过的句子，具有泛化能力[56] - 迁移学习利用规模较小、特定于业务的数据集对预训练的语言学习模型进行微调，使人工智能在保留广泛语言理解能力的同时针对特定领域进行专门化训练[56] - 检索增强生成技术使人工智能不仅依赖于训练期间学到的知识，还会主动从可信来源实时检索外部知识后再生成响应[59] 人工智能统一视角与新兴趋势 - 分层模型中，营销需求信号如点击率、营销活动效果、网站流量和预购意向被实时捕捉为意向信号，输入到人工智能需求预测层[63] - 数字孪生是真实供应链的虚拟副本，可模拟港口关闭、供应商延迟或需求激增等中断情况，在实际发生任何事件之前测试应对措施[66] - 生成式人工智能智能体能够更主动地进行规划工作，如总结风险、制定采购建议，并根据运营数据创建标准操作流程，自主运行监控实时数据[66] - 大型语言模型副驾驶允许规划人员以对话方式与供应链系统进行交互，获得清晰易懂且基于公司内部数据的答案[67]