2020年供应链技术趋势：年轻技术在成熟度曲线上的位置如何?

 
有许多年轻的技术引起了很多关注。但是这些技术有多成熟?哪些技术可提供可靠的投资回报率，哪些值得试点，哪些应被忽略?
有些技术已被证明并被广泛采用。在供应链管理中，示例包括运输管理，仓库管理和其他知名的供应链应用程序。
还有一些老化的技术–这些技术可以带来好处，但是更新的技术可以提供更好的ROI，更快的价值实现时间或其他好处。例如一些传统形式的物料搬运设备。这些解决方案仍然存在，但诸如机器人技术之类的较新解决方案则更具适应性，可缩短投资回收期并降低风险。这些更新的机器人解决方案更适合越来越多的实现方案。
而且，当然，有一些年轻的炒作技术对用户几乎没有好处。
炒作技术获得了广泛的宣传，但价值不高。这些似乎是寻找解决方案的技术。
区块链–我们继续看到公司将其区块链解决方案推向供应链领域。这些公司通常在一年左右的时间内就消失了。据说区块链是可追溯性的强大解决方案，或者是在链接的供应链合作伙伴的一部分链接活动完成后向链接的供应链合作伙伴付款。我们继续要求区块链提供商提供每天使用他们的技术作为其新确立的业务方式的一部分的客户名称。区块链提供商无法提供这些参考。这肯定表明该技术仍处于炒作阶段。
除了食品和饮料行业的可追溯性之外，区块链可能成为整个供应链中运输货物的重要组成部分。大多数制药公司都有一个很小的窗口，可以在不改变温度的情况下从A点到B点获取产品。区块链监视谁有权访问温度数据，以及模式之间是否发生变化。
5G-5G是第五代无线技术。使用5G，您将看到指数级的下载和上传速度。延迟或设备与其他无线网络进行通信所花费的时间也将大大减少。对于想要在智能手机上下载电影并观看电影的消费者来说，好处显而易见。但是，供应链的好处是什么?
大型物流服务提供商GlobalTranz的首席技术官Greg Carter指出：“随着整个供应链和制造过程中越来越多的设备成为“物联网”的一部分，它们将产生难以置信的丰富数据流它将实时发送信号以触发各种事件。例如，使用5G网络，零件手提袋可以传达此SKU的零件手提袋已消耗80%，这将触发必要零件的重新订购。这将是整个供应链的触发因素，这将导致仓库移动，可能是零担，合并，最后是重新供应的分发和交付。”
但是我们在这里是炒作阶段。我们仍处于在全国范围内建设5G无线网络的初期阶段–这要求大规模，难以置信地昂贵地部署新的无线基础设施。因为我们还太早，所以我们不知道投资回报率是多少。供应链物联网设备是否真的需要这种带宽和速度才能有效地同步供应链?为了提高速度，我们还需要支付多少?额外的费用值得吗?我们只是不知道。
人工智能(AI)/机器学习平台-这些平台使公司可以获取存储在数据湖中的历史数据，进行数据处理，并查看将机器学习或AI算法和技术应用于该数据是否会为其提供有价值的预测商业。 ARC最近与AIoT公司Mnubo(源自IoT传感器的人工智能)的首席执行官Frederic Bastien进行了交谈。 Bastien先生指出，使用决策科学家和AI平台来发现价值非常困难。 “在AI中实现价值的时间很长，要花费大量时间才能产生业务价值。”此外，每个人都专注于机器学习算法。正如一组Google科学家指出的那样，只有一小部分AI / ML平台实际上专注于数学。数据收集，数据验证，功能提取和其他几个解决方案组件的基础架构“庞大而复杂”。此外，“出现了令人不舒服的趋势：开发和部署ML系统”比维护它们更加容易和便宜。时间。
一位ARC分析师告诉Bastien先生，他的信念是拥有一个数字卓越中心，数据科学家致力于开发专有的内部解决方案，这对100亿美元的公司来说可能有些道理，但大多数公司会认为这是徒劳的。令人惊讶的是，一家AI平台公司的首席执行官Bastien先生表示同意。他说，他为被AspenTech收购而感到兴奋的原因之一是这次机会将这些基于AI的功能添加到现有供应链和资产管理软件应用程序中。简而言之，就是要实现AI功能的产品化。
自动驾驶卡车–该行业的许多高管会以创纪录的方式表示，他们相信这项技术将在短短三年内变得可行。此外，从法规的角度来看，有些州目前对无人驾驶卡车非常开放，尤其是佛罗里达州和德克萨斯州。
但是，在自动驾驶卡车杀死无辜家庭造成的不可避免的第一次事故发生后，会发生什么呢?公众的强烈抗议很可能会使监管机构制止广泛部署。这是自动驾驶技术主要由初创企业驱动的原因之一。在此类事故发生后，成熟的跨国汽车公司将失去数十亿美元的市值。
如果无人驾驶汽车可以说无人驾驶卡车比人类驾驶的卡车更安全，那么无人驾驶汽车行业将处于更加强大的地位。从长远来看，自动驾驶卡车将更加安全!
联邦汽车运输安全管理局衡量每行驶1亿英里的卡车死亡人数。 Waymo说，它的车辆已经收集了来自25个城市超过1000万英里自动行驶里程的数据，但是这些测试涉及方向盘驾驶员准备接管。没有其他自动驾驶汽车公司能够达到这个里程数。
从统计上讲，在业界能够得出统计上有效的证据表明无人驾驶卡车更安全之前，需要行驶几千万英里?有效性问题还需要检查什么才算是对可靠性的公平测试。例如，如果以驾驶员为后盾的自动驾驶卡车在驾驶员进行干预之前走了100万英里，而公司又更改了算法以防止此类事件发生，那百万英里算得上吗?在亚利桑那州进行的测试是否适用于明尼苏达州冬季更为艰苦的驾驶环境?
有希望
有前途的技术似乎将提供强大的ROI或其他明显的好处。承诺的利益将出现是很合乎逻辑的。但是这些技术还太年轻，以至于ARC无法与参考文献进行对话并验证所承诺的收益是真实的。
嵌入在供应计划，WMS和TE中的机器学习
在供应计划中，OMP告诉我们他们已经使用机器学习来更新交货时间或机器运行速度等参数，以改善基于约束的供应计划。在这里，节省是显而易见的。如果没有适当的参数化，则优化引擎将得出未达到最佳计划的计划。
同样，AspenTech的解决方案可以预测关键生产设备中的机器故障。将这些预测整合到计划引擎中后，就会得出更可行的计划。在某些行业，例如石油和天然气或化工行业，存在昂贵，繁重和复杂的制造资产。关闭然后重新启动过程非常昂贵，耗时(花几天时间而不是数小时)，并且对环境，健康和安全都有影响
WMS中的机器学习
机器学习适应不断变化的条件的能力使其特别适应当今电子商务仓库的动态性质。 Manhattan Associates在其WMS中利用机器学习来确定在给定条件下(例如历史持续时间和项目特征)在一定条件下完成某项任务所需的时间。作为另一个示例，JDA Software正在探索机器学习来模拟多个属性的相关性跨观察以及这些属性对订单处理时间的影响，因为拥塞和资源需求增加或减少。
机器人自动存储和检索
最近，一种新的商品到人的自动化形式进入市场。这些“机器人穿梭系统”是传统穿梭系统和免费漫游机器人的混合体。当前有少数提供商提供了适合此分类的解决方案。并且每个人以不同的方式解决问题。但是，由于机器人的动态移动，它们都具有高存储密度和高度灵活性的优点。该漫游器敏捷性消除了吞吐量和排序约束，提供了更高的生产力潜力。这些解决方案符合许多行业的运营需求。但是，它们正在市场上投放，就像当天在线订购的需求正在加速增长一样。需求的激增在电子杂货配送中尤为普遍。这些解决方案可能会满足您下一次在线订购苹果和面包的需求。
TMS和TES中的机器学习
公司购买运输管理系统的主要原因是为了节省运费。这些运费节省可归因于仿真和网络设计，负载合并和低成本模式选择以及多站路线优化。机器学习使TMS能够更好地处理相互竞争的目标，并发现对性能的明显影响。
机器学习使公司能够保持高服务水平，同时节省成本。托运人可以了解哪些承运商达到了准时服务水平，哪些没有，按时间划分的通道通常会带来更多的延误机会，以及在延迟发货之前是否有最佳的停靠数量。机器学习可以帮助托运人更好地了解如何提高效率而又不牺牲服务水平。
例如，在最后一英里路线中，完成工作所需的时间不仅取决于需要行驶的里程，还取决于交通拥堵，所交付产品的类型，居住的类型以及附加值在目的地提供服务。机器学习可用于“学习”这些约束，而不必进行时间研究并将这些约束硬编码到解决方案中。
机器学习在运输执行系统中也变得越来越重要。最引人注目的应用是为货运生成更及时，最新的估计到达时间(ETA)。机器学习正在与实时可见性解决方案一起使用，以了解有关约束(例如容量，法规和服务时间)的更多信息，然后使用该信息为运输到仓库，商店和最终客户的货物提供更好的预计到达时间。
公司还与数据聚合商合作，以更好地了解何时发货。这包括港口数据，SNEW数据，天气数据(一定程度上)，交通数据以及其他可用来源，以向仓库，商店和最终消费者提供准确的ETA。
投资回报率高，但未被广泛采用
嵌入在需求计划应用程序中的机器学习–供应商之间存在某种竞赛，它们需要应用机器学习来改善供应链计划和优化。这不是新的。自2000年代初以来，机器学习已用于改善需求管理。但是近年来，机器学习已使用下游数据(例如销售点数据)来大大提高用于补货的短期和中期预测的准确性。在这里，收益是真实的，并得到证明。但是，许多公司并未提供收集，清理和使用需求感知数据所需的基础架构。有大量公司可以使用这项技术，但实际上没有。
在供应计划中，OMP告诉我们他们已经使用机器学习来更新交货时间或机器运行速度等参数，以改善基于约束的供应计划。在这里，节省是显而易见的。如果没有适当的参数化，则优化引擎将得出未达到最佳计划的计划。
同样，AspenTech的解决方案可以预测关键生产设备中的机器故障。将这些预测整合到计划引擎中后，就会得出更可行的计划。在某些行业，例如石油和天然气或化工行业，存在昂贵，繁重和复杂的制造资产。关闭然后重新启动过程非常昂贵，耗时(花几天时间而不是几小时)，并且对环境，健康和安全都有影响。因此，这也是ROI显而易见的领域，但是很少有客户参考。
实时定位解决方案-实时卡车装载和低于卡车的可见性是由与电子日志记录设备(ELD)的连接驱动的，卡车司机必须使用它来向政府证明他们驾驶的时间不多。这些ELD提供GPS跟踪。这是一个快速增长的市场，但规模仍然很小。这些解决方案的客户(例如Land o-Lakes)愿意公开谈论他们所获得的收益。有趣的是，尽管能够实时了解哪里的货运具有已证明的ROI，但该细分市场的供应商也希望他们正在使用机器学习来改善预测性ETA。 ARC分析师尚未听到客户验证这些功能。我们认为可以在卡车装卸中实现更好的预计到达时间。但是，基于零担铁路和1级铁路的工作方式，我们预计预测性ETA在这些模式下不会增加太多价值。
物联网运输
为了获得更真实的ETA，公司正在使用卡车的IoT数据来更好地了解驾驶员的行为，例如典型的行驶速度和时间以及他们在交通拥挤的地区的运行方式。公司可以从卡车上获取传感器数据，并结合数小时的服务规则来了解驾驶员何时，何地以及需要停止多长时间。这些应用程序还了解，驾驶员在何时何地停车将对ETA产生影响。如果驾驶员在大城市之前停车并且一旦开始再次开车必须忍受高峰时间交通，则尤其如此。