Lear和4flow成功实施机器学习
对于供应链管理中一个最重要目标：运输过程稳定性，一个良好的异常管理系统是实现其的关键。中断事件（也称为异常事件）会中断事先计划好的供应链流程，导致工作量和成本增加、质量下降。在最坏的情况下，它们会产生交付瓶颈或导致生产停线。在此状态下，时间极其宝贵，所以异常状态的及时反应就变得尤为重要。
然而在不久的将来，及时反应都将不足以在确保你在竞争中保持领先。今天的数字化领跑者们已经在机器学习方面取得了相当大的进展。它们可以提前几天发现即将发生的中断，做好准备，或者使用适当的措施主动阻止中断发生。在与4flow的系统实施合作下，汽车供应商Lear就是这些成功实施了机器学习的数字化领导者之一。
Lear高度复杂的生产网络
总部位于美国密歇根州索斯菲尔德市的Lear Corporation是全球领先的汽车座椅和配电系统制造商之一，在39个国家的261个地区开展业务，拥有161，000名员工。多样且不断变化的生产网络对其供应链的规划、管理和运营提出了日益严峻的挑战。对于一家仅在欧洲和非洲就有70多座工厂相互供应零部件的公司来说，这绝非轻而易举。
4flow为Lear开发异常预测系统
2012年，4flow与Lear合作，对其流程进行标准化和优化。此后，作为第四方物流服务提供商（简称为“4PL”），4flow对Lear在欧洲和非洲的运输网络进行了优化、运营和管理。此外，4flow还为这家制造商部署了异常预测系统，使Lear能够对其运输过程中的异常情况进行预测。4flow应用不同的机器学习模型来分析Lear运输网络中存在的异常并找出那些可以预测的异常。
试点结果大有可为
从2017年底开始，基于大量数据，诸如装载时间框架等定性因素和相关性分析等定量因素被一一确定并进一步分析，以决定哪些因素将应用于机器学习系统。随后，系统采用了大量历史数据以进行试验和测试。通过基于测试结果的不断迭代开发，系统最终达到能够处理实际数据的质量水平。自2018年底以来，该系统已在Lear的五家工厂投入运行。“4flow利用人工智能识别明显异常情况的想法给我们留下了深刻的印象。”Lear公司的Vice President of Operations & Logistics Dennis Henning说。“而且试点阶段的结果都是大有可为的，甚至超出了我们的预期。”
机器学习比普通报表提供了更好的结果
借助于机器学习，算法——就像人类一——能够通过经验进行学习。不过系统的速度要快得多，可以识别许多更复杂的关系。一个典型的供应链计划员一般只要考虑几个可能导致中断发生的因素。而Lear的异常预测系统会考虑30多个因素来检测供应商发货详情中的偏差。这种算法的范围要大得多，进一步保证了预测的准确率。
举个例子，如果一个供应商连续三周每周都产生异常，那么人们可能会认为在第四周会再次发生异常。但如果导致前几周中断的因素实际上并不受供应商的影响，算法是能够识别到的。如果算法基于这一发现预测下周这一供应商不会出现异常，这很可能是正确的。
“与算法形成鲜明对比的是，我们人类经常会提出伪相关性。”4flow公司负责开发基于过程的机器学习模型的Niklas Bergner解释说。“例如，我们认为公共假日过后，在常规生活恢复之前，异常情况会增加。然而令我们惊讶的是，我们发现这并不明显。”即使一位经验丰富运输经理，也很难准确识别和考虑到所有相关因素。“我们的机器学习模型提供的结果明显优于常规报表提供的结果。”Niklas Bergner说。
数据量越多，精度越高
为了让机器学习发挥作用，向系统提供数据至关重要——越多越好。数据量越多、数据质量越高，那么预测越准确。计算基于概率。该系统是会学习的。这些算法不仅能找到正确的相关性，而且当识别出新的模式或条件发生变化时，它们会自动调整。然而，一个算法只有在被集成到一个能够规避识别到的中断情况的高效过程中才能成功。
遵循这一想法，4flow在Lear实施了一个系统自动检查已登记的下一周运输订单的流程。如果算法识别出异常的风险，则会自动向利益相关方发送电子邮件以采用适当对策。例如，要求供应商对其发货详情进行审核。
试点阶段的精度超过50％，确保运输过程更加稳定
Lear的异常预测系统已经处于试点阶段，其工作精度为51％，这意味着超过一半的预测异常实际上真的发生了。五个试点工厂的绝对异常率在最初10到12周内降低了11％。运营网络表现的显著提升节省了成本，并保证了更稳健的运输流程，Lear的供应商和承运商同样从中获益。Lear和4flow目前正在计划将系统推广至其他工厂。
作者：ANDREAS KICK，4flow的合作伙伴; FELIX KAEMMERER，4flow副总裁