“在合適的時間、合適的地點以合適的價格提供合適的產(chǎn)品?！蔽蚁脒@是所有零售業(yè)的從業(yè)者所期待的完美境界。尤其是新零售的概念提出以來，數(shù)字化、智能化供應鏈的提出使我們朝著我們的目標進一步邁進。

在去年的谷歌I/O開發(fā)者大會上，谷歌推出了全新的感知應用程序接口Awareness API，它能夠讓App清晰獲取你在哪里、在做什么、附近有什么，甚至是目前的天氣狀況。

然而谷歌并不滿足，為了推廣這套API，將系統(tǒng)升級，這一次谷歌推出了一個新的應用程序，利用采集到的數(shù)據(jù)，它能為你設計衣服！這個被谷歌稱之為“Coded Couture”的APP，是與我們熟知的H&M旗下的時尚數(shù)碼屋Ivyrevel聯(lián)手一起來編碼時裝。

這款即將推出的Android應用程序，經(jīng)用戶同意后可以通過Google Awareness API監(jiān)控他們的活動和生活方式數(shù)據(jù)，通過google的智能分析，為用戶提供獨一無二的個性化定制服裝。

智能供應鏈包含什么

如今，在這么龐大的網(wǎng)絡、用戶、商品前提下，只靠人的計算已經(jīng)很難滿足精細運營管理的需求了，所以人工智能在整個供應鏈中的作用越來越重要。企業(yè)可以在供應鏈的多個環(huán)節(jié)采取智能化的應用：

①智能預測：基于歷史數(shù)據(jù)和統(tǒng)計學習模型，對商品未來的銷量預測、對各維度倉庫的單量預測，對促銷期間的促銷預測，給出更為智能的相關業(yè)務數(shù)據(jù)預測和相關計劃性支持；

②智能商品：基于大數(shù)據(jù)進行智能化商品分類，從多維度評估商品特征和價值；

③智能定價：基于統(tǒng)計學習和決策樹進行動態(tài)定價，實現(xiàn)客戶為先、供需協(xié)同及可持續(xù)的最優(yōu)價格策略；

④智能庫存：基于大數(shù)據(jù)平臺和銷量預測，為采購、庫存管理等提供了更智能化的建議；

⑤科學地分配訂單生產(chǎn)路徑及快遞安排，以最優(yōu)的方式滿足客戶時效要求；

⑥基于模式識別等技術的風險控制系統(tǒng)，及時預警訂單的風險級別等，提供更為安全可靠的客戶體驗。

在大數(shù)據(jù)應用的基礎上，進一步使用機器學習等人工智能手段，搭建智能倉儲。通過對于服務水平要求、供應商送貨提前期、安全庫存分析等一系列參數(shù)的學習和模擬，結合基于大數(shù)據(jù)機器學習的銷售預測模塊，實現(xiàn)了自動化的商品采購下單、調(diào)撥和滯銷清倉。

智能化應用場景

對于供應鏈的采購、翻單等環(huán)節(jié)，人工智能都能帶來巨大提升：

?采購環(huán)節(jié)：從交期、產(chǎn)能、區(qū)域、擅長品類等等的因素建立綜合分析模型，系統(tǒng)自動建議當前最合適的打樣/生產(chǎn)的供應商。越來越多的公司正在嘗試用這種方式解決采購環(huán)節(jié)存在的一些實際問題。

?翻單環(huán)節(jié)：通過大數(shù)據(jù)技術進行智慧選款，從海量商品中挑選出潛在爆款；以機器學習與統(tǒng)計學相結合的方式設計預測模型和補貨模型，結合大數(shù)據(jù)技術實現(xiàn)海量數(shù)據(jù)的內(nèi)存式預測和補貨計算，可以預測未來每天的每個區(qū)域的銷量和備貨量，實現(xiàn)智能化自動補貨，既能準備把握服裝企業(yè)的爆款，給公司帶來最大化的利益，又大大節(jié)省了人力成本。

現(xiàn)在有不少服裝企業(yè)都在采用VMI模式，從而降低企業(yè)的成本。而智能翻單的實現(xiàn)恰恰就是與VMI模式的完美結合。

智能化應用遇到的問題

人工智能雖然很強大，但要用好也并不容易，在應用人工智能有可能遇到了如下一些問題：

多環(huán)節(jié)協(xié)同：目前的智慧供應鏈系統(tǒng)，由于受到現(xiàn)實條件的限制，使得供應鏈的各個環(huán)節(jié)相對獨立的進行優(yōu)化而沒有形成完整的閉環(huán)系統(tǒng)。

應對更加復雜的不確定性：供應鏈系統(tǒng)的運行效率，與它所面臨的不確定性有重大關系。在傳統(tǒng)的策略中，傾向于使用簡化模型和保守的策略。但是，這也使得所得到的策略對于現(xiàn)狀的改善也較為有限，供應鏈系統(tǒng)的優(yōu)化存在瓶頸。從另一個角度來說，目前受到數(shù)據(jù)與方法的限制，在用戶細分和商品細分兩個方面還有一定的提升潛力。

總體而言，為了應對更加復雜的不確定性，我們往往需要建立更加復雜的模型，但是模型復雜度的提高對模型的訓練和基礎數(shù)據(jù)的質(zhì)量提出了更高的要求。

時效性與預測性：現(xiàn)實世界在不斷變化，相關的模型需要適應現(xiàn)實世界的發(fā)展，模型的時效性與預測性需要進一步加強。目前，部分信息的采集與處理未能形成高效的解決方案，使得部分AI模型的快速訓練與驗證遇到一定問題，導致模型相比當前實際情況“慢半拍”。同時，當前模型的訓練主要基于歷史數(shù)據(jù)進行，對于未來新場景的預測能力有待提高。

數(shù)據(jù)源難打通：用戶數(shù)據(jù)的敏感性導致不同數(shù)據(jù)源之間的數(shù)據(jù)難以打通，使得AI模型的應用受到局限。發(fā)揮AI的巨大潛力，需要擴大基礎信息的采集面。比如，系統(tǒng)智能補貨系統(tǒng)需要根據(jù)用戶的購買行為、經(jīng)濟能力等信息計算系統(tǒng)最優(yōu)的補貨策略。

但是，由于信用卡數(shù)據(jù)、通信數(shù)據(jù)等非常能反映這些特征的數(shù)據(jù)或信息未能及時反映到智慧供應鏈系統(tǒng)中，所以我們僅能根據(jù)用戶的購買和瀏覽行為對用戶的特征進行分析，使得AI技術的應用“巧婦難為無米之炊”。

未來展望

供應鏈對于人工智能應用仍然在探索當中，但是可以相信的是，利用人工智能技術，一定能協(xié)同管理采購、物流、定價等供應鏈的多個領域，從而實現(xiàn)更加優(yōu)化的資源配置。

拓展應用領域：在包括訂單生產(chǎn)、風控、促銷、新品定價等領域進一步拓展AI的應用。

建立基于在線學習的優(yōu)化策略：逐步引入數(shù)據(jù)驅動的在線模型學習技術，使得模型在使用過程中進一步完善與進化。

強化學習下的人工智能：隨著應用的深入，我們逐步建立起有效的供應鏈系統(tǒng)仿真機制，并以此為基礎，建立強化學習系統(tǒng)，使得供應鏈系統(tǒng)能夠應對更加復雜的問題。

總之，人工智能對于供應鏈進化作用巨大，未來將借助工業(yè)4.0的東風，進一步將智能物流與智能工廠、智能生產(chǎn)相結合，為適應服裝零售領域的下一次變革做準備。