2024敏捷供应链研究报告预测中断实现增长英文版

预测中断 ， 实现增长 关键要点 生成型人工智能可以抢占供应链中断的先机 ， 并释放增长机会。 生成 AI 使供应链处于不断变化之中。64% 的首席供应链官表示， Gene AI 正在彻底改变工作流程。 供应链团队必须以不同的方式工作。60%的运营和自动化 executives 表示，到2025年，AI助手将处理大多数传统的和交易性的流程。 更多的决策将自动化。运营和自动化高管表示，生成式AI将在未来两年内使数字助手的决策量增加21%。 预测将会改善 ， 点燃可持续创新。76%的供应链和运营领导者表示，通用人工智能将有助于创新产品设计，并使产品生命周期更加可持续。 让敏捷性成为供应链的超级大国 看看下周的头条新闻会改变你今天的供应链战略吗 ？ 这无疑是供应链领导者面临的一个重大问题，他们深知必须在当前投资下一代技术，以使运营在未来不确定的环境中更加灵活和韧性十足——从动态重新路由运输路线和实时调整生产计划，到在问题显现之前识别瓶颈和风险。 员工。第二部分阐述了如何通过加速供应链智能来帮助公司更快更有效地利用实时数据。在第三部分中，我们将探讨如何利用生成式AI驱动的数字孪生或虚拟模型，以帮助组织在竞争格局中以及在客户眼中提升自身位置。最后，我们将提供一份行动指南，概述如何规划、优先考虑并执行每一步，确保每一步都至关重要。 已经 adoption 和数据驱动创新的领导者——那些将通用人工智能能力视为其自动化投资主要驱动力的企业——已经开始获得超额回报。他们报告称，年度净利润高出竞争对手72%，年度收入增长率高出17%。 Andall我们调查的供应链领导者预计，未来三年内基于人工智能的操作将使他们的收入增长超过一倍。1 executives，以及当前正在实施AI驱动自动化的企业高管。我们发现，这些领导者专注于创建我们称之为“直观供应链”的体系——灵活、适应性强且始终准备就绪，以保护品牌声誉、客户满意度和底线。 在本文中，我们将阐述组织为实现这一目标所采取的步骤。在第一部分中，我们将探讨AI助手的作用，这些助手正迅速从类似于聊天机器人的形式转变为更加类似于全天候的助手。 如何通过生成式AI解决这些持续存在的供应链问题？为了找出答案，IBM商业价值研究院与牛津经济学院合作，对全球超过2,000名首席供应链官（CSCOs）和运营管理人员进行了调研。 查看这些数据，我们不难发现，在为IBM Institute for Business Value (IBM IBV) 调研的顶级CEO中，有72%的人表示赞同这一观点。2024 CEO 研究说现在竞争优势取决于谁拥有最先进的生成式人工智能。但为了实现短期目标而进行的快速竞争正在阻碍他们的进步。总体而言，全球CEO们一致认为，关注短期绩效是他们创新的最大障碍——66%的人表示，他们的组织目前正在通过从长期努力中重新分配资源来实现短期目标。2 供应链领导者需要今天投资下一代技术，以使他们的运营在未来不确定的环境中具备灵活性和韧性。 精益决策支持的权力 与 AI 助手配对的员工将比任何一个人提供更多的商业价值。 今天的供应链团队正淹没在孤立数据的海洋中。他们越来越能够访问到长期以来渴求的实时信息，以做出更加明智和迅速的决策——但面对如此多的数据需要筛选，许多机会往往直到为时已晚才被注意到。 询问他们需要的信息 - 并找出它的来源 - 只需一些简单的提示。 生成式人工智能驱动的数字助手正在带来这一切变革。凭借其几乎瞬间分析海量数据的能力，它们能够为供应链团队提供关键见解，使其能够轻松获取这些信息。此外，它们的自然语言技能使得员工使用起来更加简便。 例如，AI 助手可以分析哪些供应商对延误贡献最大，并识别导致中断的问题，如天气、财务障碍或运输瓶颈。然后，基于AI 的预测模型可以概述情况最有可能如何演变，使 AI 助手能够提供针对性的建议，帮助供应链团队为接下来的情况做好准备。 已经有 60% 的高管表示 ， 到 2025 年 ， 人工智能助理将处理大多数传统和交易过程。3 90% 的人表示 ， 到 2026 年 ， 他们组织的供应链工作流程将纳入智能自动化和人工智能助理。4 它不仅仅是解释材料将如何从A点运送到B点。还需要衡量每个商业决策的供应链成本，并确保这些成本从一开始就得到考虑。超越新SKU所带来的销售，产品开发策略应考虑到总拥有成本，预测交付新商品的成本，并同时考虑到持有不畅销产品的损失成本。 当员工使用生成式AI助手快速查询其供应链平台以获取可信数据，而不是手动搜索多个系统时，他们可以更快地管理变更——并更精确地调整策略。例如，员工可以直接请求助手更改采购订单的交货日期，而无需使用专门的采购解决方案来进行此类更改。 通过利用AI助手，CSCOs可以聚合和提炼情报，在董事会迅速而自信地提供见解，并确保供应链影响继续指导策略的发展。在决策作出并接受市场检验时，AI助手可以加速反馈循环，为高管们提供实际世界、实时的数据，以判断其策略是否实现了预期效果——并在必要时迅速调整策略。 但这只是开始。借助AI助手的支持，供应链团队正在培养一种新的人机动态，这种动态将几乎影响供应链中的每一个环节，从规划到采购再到制造再到分销。事实上，64%的首席供应链官表示，通用人工智能正在彻底改变他们的供应链工作流程。而首席供应链官和自动化执行官表示，通用人工智能将在未来两年内使数字助手的决策数量增加21%。 然后是可持续性维度。随着消费者和监管机构要求更全面地报告环境影响，供应链领导者必须能够追踪可持续性指标直至最后一公里，并开展设计更环保的产品生命周期的艰难工作。这又是gen AI可以发挥作用的地方，76%的供应链和运营领导者认为它将帮助创新产品设计并使产品生命周期更加可持续。 借助 General AI 助手 ， 员工可以更快地管理变化 - 并更精确地进行调整。 案例研究 使用供应链 AI 助手构建智能供应链 IBM 在全球40个国家雇用供应链人员，并在超过170个国家进行数十万次客户交付和服务呼叫。IBM 还与其多级全球网络中的数百家供应商合作，根据客户要求构建高度可配置和定制的产品。历史上，IBM 的供应链依赖于分散在不同组织孤岛中的遗留系统，导致信息共享缓慢且不完整。员工们也经常使用电子表格来进行大量工作。 在高层次上，IBM供应链数字化转型围绕构建感知并响应的能力展开。这通过民主化数据实现——结合认知控制塔、认知顾问、需求供应计划和风险韧性解决方案，自动化并增强了决策过程。如今，认知控制塔已经演进为一个增强的生成式AI智能层，其中包括供应链数字助手。 该系统利用IBM的人工智能技术实现自然语言查询和响应，从而加快决策速度并提供更多纠正问题的选项。用户可以用自然语言询问零部件短缺、订单影响以及潜在权衡等问题。截至目前，IBM已节省了3.88亿美元，涉及减少库存成本、优化运输成本、加快决策过程以及时间节约（从天到小时再到分钟再到秒）。 这阻碍了协作和实时数据的透明度。 IBM供应链管理部门早在十多年前就制定了大胆的转型愿景，旨在构建一个认知智能的供应链。目标是建立一个灵活的供应链，广泛运用数据和人工智能来降低成本、超越客户期望、无情地消除或自动化非增值工作，并使供应链同事的体验成倍提升。5 第二部分 加速供应链智能 如果你的数据可以说话 ， 它会说什么？ 供应链团队即将发现。 事实上，我们在调研中发现，受访的高管们认为运营绩效、企业敏捷性和战略优势将是他们在供应链中投资通用人工智能（gen AI）的三大主要好处。并且，73%的受访者表示通用人工智能已经加速了他们的高影响自动化项目。 无论是由地缘政治冲突、气候灾难还是日益复杂性引发的颠覆如何，供应链领导者将根据他们找到有效替代方案的能力受到评判。他们正寻求通用人工智能（gen AI）来使供应链更加灵活、适应性强且具有前瞻性。 借助云支持的创新让您的供应链面向未来 生成人工智能与基于云的解决方案的融合也使自主自动化成为可能（详见“利用云端创新保护供应链未来”）。除了自动化工作流之外，生成人工智能助手还可以自动化工作流重塑的过程。它们可以从供应链指标和交易历史中学习，做出主动建议，并根据所学内容重新利用、重新定义或重新设计新的工作流。 关键是使整个生态系统更加灵敏响应。通过允许生成式AI助手直接与供应链系统的智能层（即从大量数据中提取洞察的认知核心）进行交互，内部和外部团队可以更顺畅地协作。 借助云计算和生成式AI的结合力量，公司可以加速供应链创新并改善业务成果，这是此前无法实现的。 部署生成性人工智能（gen AI）到云端使公司能够更快、更大规模地训练和部署模型，无需昂贵的硬件或基础设施。这使得多个团队能够协作开发gen AI模型，并且可以轻松地在不同的云环境之间进行迁移和与其他基于云的服务及应用进行无缝集成。 AI 助手的目标是持续向供应链团队的适当部分传达智能层的发现以及推荐的动作。尽管企业资源规划（ERP）系统仍然是记录系统和核心交易引擎，但供应链团队无需直接与其交互。这一方法同样适用于其他专门的供应链应用程序，从采购到仓储管理再到运输物流。这种方法让员工能够更深入地进行分析，允许在整个过程中实现实时分析和优化。 这有助于简化工作流程，使其更加高效、成本节约并具有环保责任。事实上，63%的供应链和运营领导者表示，将可持续性和循环利用整合到工作流程中是其组织投资自动化的关键原因之一。 然后当然要考虑成本问题。通过按需付费的定价模式，云基础设施可以缓解资本支出的压力，使企业能够专注于创新而非新科技投资的财务影响。当战略性地应用这一技术组合时，它可以提高效率、降低成本并增强灵活性。以下是供应链如何受益于由生成式AI驱动的云赋能创新的几种方式： –预测未来需求。优化库存水平 ， 减少缺货或积压 ， 改善现金流。 –优化交付路线。降低燃料消耗 ， 降低排放 ， 提供动态分配 ， 并改善交货时间。 –管理供应链风险。预测中断的可能性并建议主动缓解措施。 –提高供应链可见性。识别瓶颈并建议团队可以采取的纠正措施 ， 以防止运营中断。 案例研究 使用 AWS 供应链实现端到端可见性 供应链是由众多相互连接的网络组成的庞大系统。参与者众多、系统各异且缺乏无缝的数据共享使得准确预测未来需求、跟踪库存水平以及实现供需平衡变得困难。数据的碎片化阻碍了供应链规划者理解波动性、精确预测未来需求并把最优库存置于最需要的地方的能力。 基于云的AWS供应链业务应用直接解决了这些挑战。通过将分散的数据源整合到统一的供应链数据湖中，它为端到端的可见性提升、预测准确性提高、库存优化以及整体供应链韧性奠定了基础。6以下是迁移到此类基于云的解决方案的一些关键业务优势 ： 地址数据碎片 一个供应链数据湖将异构数据整合为一个灵活且可扩展的标准数据模型，并将供应链信息聚合和关联成统一的数据资产。通过引入基于生成式AI的数据导入代理，公司可以自动化地将任何原生格式的数据转换为数据湖的标准模型。客户可以无缝地提取和上传原始数据，代理利用大型语言模型通过引导式的模块化用户界面体验进行自动数据映射。 案例研究(续) 提高供应链可见性 提高预测准确性 改善供应商的可见性和协作 简化可持续性合规流程 AWS业务应用可以详细检查仓库、配送中心和门店，展示现有库存、在途库存和处于风险中的库存水平。然后，它使用机器学习算法自动生成、评分并排名多个库存再平衡建议以降低风险。通过对网络范围内库存水平、移动模式和潜在风险的洞察，组织能够优化库存位置并减少不平衡、过度库存和缺货现象。 机器学习驱动的预测能力可以帮助组织提高预测准确性并减少多余的库存水平。机器学习算法可以结合季节性、产品特性、供应商特性以及目的地-起始地等因素，同时利用历史订单记录来训练模型。 AWS应用程序分析供应商交货时间，与订单和预测进行未来 projections 对比，然后识别问题。它展示了所有相关的交易伙伴，