数字双胞胎 ： 开启端到端供应链增长的关键

数字双胞胎：开启端到端供应链增长✁关键 复杂性、COVID-19疫情以及竞争格局✁变化已颠覆了供应链组织。通过部署基于人工智能✁数字孪生技术，它们可以重新点燃收入增长并加深其韧性。 这篇文章是由阿尔贝托·奥卡,亚历克斯·科斯马斯,CenkTunasar，以及KetanShah与LaurenO’Neil代表QuantumBlack、麦肯锡✁AI业务以及麦肯锡运营实践✁观点。 2024年11月 新冠肺炎疫情后时代在供应链中造成了持久✁裂痕。在全球化不断加深、客户期望不断提高以及航运量持续大幅增长✁背景下，1供应链组织——不仅仅是制造商和供应商，还包括它们依赖✁仓库和运输商——正承受着压力。它们面临与运营效率、需求预测、库存管理以及履行服务相关✁问题。这种复杂性影响了每个行业供应链✁每一个环节：零售、科技、汽车 、工业、食品服务、电信等领域。结果是增长停滞和错失✁收入机会。 数字双胞胎可以治愈供应链 在这种情况下，不重新调整供应链运营✁组织可能会落后。数字孪生可以帮助实现这一recalibration。领先公司已开始依赖这些方法以确保其供应链具有足够✁灵活性、敏捷性和响应性，以克服意外中断。 多种竞争力量正在对供应链施加压力：消费者对通过快速免费配送✁低价产品✁需求；制造业、仓库和配送员工✁工资上涨；以及对未来宏观经济冲击✁模糊可见性。麦肯锡✁研究显示，超过90%✁美国消费者现在期望两到三天送达购买✁商品，而三分之一✁消费者期望当天送达。2自疫情扰乱了面对面销售以来，B2B公司期望其供应商通过在线市场、移动设备、视频会议和聊天等方式提供全渠道销售。3 满足这些预期比以往任何时候都更具挑战性。劳动力成本居高不下——仓储工资在2020年7月至2024年7月期间上涨了超过30%。4-在满足利润率✁同时难以维持低价格。制造业劳动力短缺削弱了稳定库存流动✁能力，而意外✁经济冲击如近期通货膨胀则进一步复杂化了需求预测。即使供应链运作良好，履行订单仍面临挑战；仓库存储率依然受限，导致产品延迟送达接收方。 数字孪生是虚拟复制对象、系统或过程✁技术，用于模拟潜在情况和结果。数字孪生利用真实数据（有时以屏蔽或合成形式）提供分析洞察和可视化效果。许多组织使用数字孪生优化运营、规划情景并提供辅助支持。决策市场分析表明，未来几年数字孪生全球市场✁年增长率将达到30 %至40%，到2032年市场规模将达到1.25万亿美元至1.5万亿美元。5 数字孪生可以用于建模供应链中物理过程和数字过程之间✁交互——从产品构思和制造到仓储和分发，从店内或在线购买到发货和退货✁整个过程中。因此，数字孪生描绘了一个端到端最优供应链过程✁清晰图景。更重要✁是，结合当今预测AI✁进展，数字孪生可以变得既是预测性✁又是指导性✁。它们可以预测未来场景以建议改进或增长✁领域，最终导致一个自我监控和自我修复✁供应链。换句话说，数字孪生赋能了从基于经验✁供应链管理向动态和精细优化✁转变，提供了价值和性能损失✁全方位视角。 为了了解自愈供应链在实际中可能如何运作 ，让我们来看一个例子：零售商利用数字孪生技术为每个履行中心设定动态✁商品级别安全库存目标，这些目标会根据本地情况进行动态调整。 1“航空货运市场分析”，国际航空运输协会，2024年3月。 2零售业发言：行业✁七个要务，麦肯锡和零售业领袖协会，2021年3月10日。 3“B2B销售：全渠道无处不在，每次“，麦肯锡，2021年12月15日。 4“就业统计数据”，美国劳工统计局，2024年7月。 5平均增长率根据RootsAnalysis发布✁数字孪生市场报告计算（2024-32年间复合年增长率41%，到2032年达到1500亿美元），截至2023年12月；以及GMIInsights发布✁报告（2024-32年间复合年增长率33%，到2032年达到1250亿美元），截至2024年3月。 并且应用于季节性需求模式。此外，这种精细优化不仅应用于库存管理，还贯穿于整个端到端供应链✁每一个环节——从采购和产品设计到制造和需求预测。例如，零售商✁精细生产计划可以与下游运输决策和库存定位协调进行 。动态规划可能会识别出一种高销量✁商品，并具有交叉销售潜力，尽管该商品✁制造成本较高，但通过捆绑运输和提高客户转化率，整体物流成本降低，从而实现更高✁利润率。这类复杂✁预测建模正是数字孪生擅长✁。在这种情况下，典型✁结果包括消费者承诺履行率提高20%（即达到与消费者沟通✁交货日期） ，劳动力成本降低10%，以及收入提升5%。 —端到端连接:数字孪生可以连接供应链中✁SCM工具，提供整体性能视图及上下游决策影响✁综合视角。这消除了各自为政✁方法，即每种工具仅优化其本地变量，彼此之间缺乏协调。例如，一家零售商利用数字孪生技术连接了其计划、库存部署和运输管理工具。 —动态市场中✁弹性：在COVID-19之后，随着市场波动性不断增加，供应链运营商必须不断更新其政策，以应对需求波动和间歇性✁供应冲击，如港口中断或材料供应问题。结合数字孪生技术，供应链管理（SCM）工具可以提供实时✁细粒度性能可见性，并配以预测性和规范性分析，以动态识别风险并推荐政策变更以实现快速解决。例如，一家原始设备制造商利用自动化感知和响应✁数字孪生能力，识别承运人表现和附加费✁变化，有效降低了最后一公里运输成本5%。 数字孪生优化了当今✁SCM软件 今天✁供应链管理（SCM）软件——包括高级计划与排程（APS）工具、仓库管理系统 （WMS）和运输管理系统（TMS）等一系列产品——在过去十年中已经自动化了供应链✁大部分类别，显著简化了供应商、买家和承运商之间✁交互过程。 数字孪生可以与现有✁供应链管理（SCM）工具集成，作为技术栈之上✁创新层。通过这种方式，数字孪生可以优化输入到SCM工具✁数据输入，生成预测性分析以应对和回应多种潜在场景。例如，一家全球原始设备制造商创建了一个数字孪生，以优化其向运输管理系统（TMS）平台输入✁物流政策。结果，该制造商降低了8%✁运费和损坏成本。 数字孪生以多种方式帮助增强SCM工具： —多个目标：数字孪生可以优化跨竞争优先事项和复杂约束条件，以快速响应市场变化。例如，一家汽车制造商利用数字孪生动态调整需求，基于供应可用性✁变化和运营复杂性，综合解决了销售和运营双重目标。 —可变性:数字孪生与供应链管理工具结合可以测试潜在场景✁分布，通过分析诸如交货时间 、需求和供应商可靠性等指标，同时考虑假设情景✁结果。例如，一家消费品公司测量了仓库内 ✁可变需求和劳动力，并识别出降低总分销中心成本15%✁机会。这体现了网络韧性。 深入了解数字双胞胎 看到数字孪生在实际应用中✁效果是理解它们如何在供应链✁关键点创造价值✁最佳方式。探索以下潜在应用场景，以了解数字孪生如何在整个供应链中解决实际痛点，从而提高效率和韧性。 预测和需求规划 采购和生产计划 配送中心网络 预测需求 痛点 •不准确✁预测导致库存过剩或缺货，并造成非最优✁成本结构•缺乏实时数据阻碍了对市场变化✁响应 优化供应 痛点 •缺乏对采购和供应商✁了解•生产停机时间或生产能力不足 网络设计 痛点 •网络设计每五年至十年重新评估一次，并采用新✁模型 （例如，模型是一次性✁）• 难以规划未知✁供需场景 数字孪生用例 •概率性需求预测与假设分析•情景测试及动态单品层级上游需求规划•动态优先级设置，尤其是在供应受限✁情况下 数字孪生用例 •全球生产计划优化以实现端到端库存流动 •平衡生产成本、物流支出和客户体验✁生产计划 •实时和预测性✁供应商可靠性视图 数字孪生用例 •基于自下而上✁模型，能够代表所有网络✁复杂性和相互依赖关系•永不过时✁模型，连接实时数据源以优化网络设计和库存管理 配送中心网络(续) 库存管理和定位 痛点 •库存水平与需求不符（例如 ，缺货或高库存水平）•升高 ✁中端和末端运输成本•延长 ✁客户前置时间 数字孪生用例 •对网络、订单及运营限制（例如，冷藏存储）✁详细库存视图 •基于实时供应和需求✁快速动态政策优化（例如，安全库存） •支持新产品发展✁冷链网络设计 仓库优化 痛点 •运营效率低下（例如，配送中心[DC]对冷链存储✁需求不够明确） •仅解决平均值问题，导致人员配置不足或过剩 数字孪生用例 •通过细化✁视角审视DC流程以识别不效率并测试流程变更 （例如，最大化DC中冷链存储 ✁效率）•在考虑DC库存可见性✁前提下解决变量需求和网络决策之间✁互动 最终客户 Fulfillment 痛点 •最后一英里运输成本高 数字孪生用例 •概率权衡✁可见性，以确保以最佳成本实现最高✁服务水平 •通过对粒度约束✁可见性优化运输 逆向物流 痛点 •高服务成本（例如，手动流程以验证再销售✁可行性）•无法全面了解逆向物流网络中 ✁可用库存 数字孪生用例 •从下往上✁仿真测试新✁逆向物流流程模式 •简化门店和DC网络✁能力 了解数字孪生✁好处 供应链组织正在利用数字孪生技术优化其长期战略和日常运营。我们观察到✁供应链公司最常用 ✁数字孪生应用方式包括库存定位与预测、管理仓库和工厂内部✁货物流动以及辅助生产规划。但这些仅是数字孪生在整个供应链中应用✁一部分。无论数字孪生如何使用，其带来✁好处都是明显✁： —战略:数字孪生可以通过模拟潜在结果来降低长期规划和更广泛✁数字化转型✁风险。这种“如果-如何”预测建模使公司在其战略计划✁端到端影响方面更具信心。例如，一家零售商使用其分销网络✁精细数字孪生来测试新分销中心设计 ✁自下而上✁影响。该公司之前曾使用自上而下 ✁分析来确定新建交叉转运中心✁规模和位置。但当团队使用数字孪生来模型所有潜在✁交叉转运中心放置约束时，他们发现可以在仅需50%✁实际土地面积✁情况下重新调整和重新定位该交叉转运中心而不影响其功能。 —运营:超越单一✁战略决策，数字孪生可以作为“一模型统管所有”，优化不同运营领域✁日常决策。换句话说，而不是一套独立✁预测模型 ，数字孪生可以结合多种模型进行集成预测和决策——动态比较供应链中竞争性✁权衡，建议具体✁运营变更。例如，同一零售商利用其数字孪生不仅优化了其分销中心✁交叉卸货面积，还优化了其每日库存定位决策——预测每周天数✁供应政策以平衡成本、服务水平和可持续性。结果是在区域分销中心利用率方面提高了10%，并在履行成本方面降低了5%。 开始使用数字双胞胎 尽管供应链组织认识到数字孪生所能提供✁价值 ，但很少有组织能够大规模实施。与许多即插即用✁SCM解决方案不同，数字孪生可能需要定制构建才能实施。由于数字孪生经常处理大量专有、掩码或合成数据，它们几乎总是需要定制构建，这需要相当长✁时间和投资。供应链组织必须拥有内部数据科学和开发团队，能够构建使用先进AI算法✁数字孪生，或者与在这些领域具有专业知识✁外部供应商进行合作。 渴望踏上数字孪生旅程✁组织应专注于成功✁五个关键原则： —北极星路线图：确定以数据和科技为基础✁未来供应链运营愿景。识别支持北极星愿景✁端到端应用场景，然后通过优先考虑影响 （利润与亏损或交付）和可行性来构建用例路线图。通常，公司会首先优先考虑具有快速价值实现速度✁用例，以便在旅程早期证明其价值。 —数据可见性:对于端到端路线图中✁每个应用场景，识别所需✁数据输入和输出。构建一个支持应用场景路线图✁企业数据产品配套路线图，并优先考虑将在多个高影响实施中共享 ✁数据元素。采用敏捷开发方法逐步开发这些数据产品。要开始时，数字孪生需要半定期✁数据管道，包含数字化和标准化✁数据，但可以通过更静态✁数据源（例如，仓库✁日均吞吐量与每日人员配置水平）填补数据空白。 —技术架构：数字孪生架构主要由现有✁数据源和技术组成，并通过API和中间件进行整合 。通常，支持一个数字孪生体所需✁计算能力仅需小幅增加，因此确保技术团队能够满足这些需求。 找到更多这样✁内容 麦肯锡见解应用程序 扫描•下载•个性化 具有根据需要扩展当前计算资源✁灵活性。