供应链可见性不仅仅是一个流行语； 这是势在必行的

时间戳：3年2023月12日上午00:XNUMX
源节点： 1939098

在供应链调查中，60% 到 80% 的公司将更好的订单、库存和发货可见性列为首要任务，这并不奇怪。 

制造商和零售商曾经根据可预测的历史和季节性模式开发、储存并向区域市场推出大量商品，而 D2C 电子商务可以通过互联网以拉动的方式向更广泛的受众开放。在劳动力市场紧张的情况下，几乎连续不断的小订单运输以及整体货运需求的不断上升，已经淹没了码头、仓库、设备和车辆的容量。 

客户期望的变化使困难变得更加复杂。对于存放在配送中心并按照托运人的指示逐步释放到工厂或商店的托盘货物，最后一英里的压力和成本与具有多个交付时间和地点选项以及准时和交货基准预期的限时订单有很大不同。全额交付。  

无论是新的流行病变体、天气事件，还是堵塞苏伊士运河的集装箱船，不可预见的情况都很容易提供一个临界点，使需求、供应和运力在一夜之间失去平衡。 

Visibility 的许多移动部件

大多数供应链在销售点 (POS) 的下游需求方、供应商采购和生产的上游以及运输过程中的运输过程中仍然缺乏足够的可视性。鉴于 D2C 稳定增长导致市场持续波动，且疫情、气候、乌克兰战争、全球通胀和其他外部压力加剧了市场波动，尽早感知需求尤为重要。  

需求信号比任何其他单一影响更能驱动供应链。它们决定了生产什么、数量以及运输地点——简而言之，从采购到资产、资源分配再到工作流程的一切。那么，大多数传统的分层供应链模型仍然没有以良性反馈循环将工厂和供应商直接与零售商和客户连接起来，这似乎是违反直觉的。

相反，大多数沟通都是从中心向外流动，合作伙伴的输入很少超出上一级或下一级，从而将关键数据困在组织孤岛内。营销中的第三方聚合器数据、销售中的客户关系管理 (CRM) 数据、运营中的生产数据以及高管层中的数据都处于停滞状态。如果发生中断，这会带来成本上升和业务损失的重大风险。 

供应链的复杂性使问题变得更加复杂，全球超过 60% 的消费者现在使用电子商务，全球开设了超过 25 万家零售店，过去十年每年上市的新产品增加了 10 倍，并且 XNUMX缺货商品的百分比。

Infosys 旗下全资子公司 EdgeVerve Systems 的 TradeEdge 平台负责人 Suresh Prahlad Bharadwaj 解释道：“在新兴市场，全球制造商通过分销商发货，他们的知名度就到此为止了。” “他们不知道自己的顾客是谁，大多是小型夫妻店。即使在现代贸易中，制造商通过批发商或直接向沃尔玛或塔吉特等大型商店销售，他们也没有能力处理返回给他们的销售点可见性。” 

苏雷什说，在去中心化的电子商务环境中，销售点可能分散在数百或数千个分销商、零售商和网站中，这些分销商、零售商和网站在收集和共享数据方面的成熟度不同，数据格式化和通信的方式也不同。 

“我的客户是谁，他们在哪里，他们订购什么？”苏雷什问道。 “要知道这一点，我需要与零售商合作，将销售点和商店库存的汇总信息快速返回给制造商，以便他们做出调整。”他补充说，目前这个过程可能需要三到四个星期，依靠尼尔森或 IRI 等第三方数据联合机构收集和协调来自一组商店的数据，然后为特定客户准备定制报告。 “在当今世界，”他说，“已经太晚了。”

Suresh 解释说，随着基于云的数据处理能力的增强和成本的下降，越来越多的零售商和中间商正在与客户公司达成直接数据共享协议，以将主要来源的销售数据分散到供应链中。但这只是开始。

大海捞针

基于软件的需求感知工具在人工智能和机器学习的帮助下，因其预测近期需求的能力而受到关注。这些工具模型针对内部和外部供应链异常（例如气候事件、港口拥堵、铁路罢工、燃油价格变动、利率上升和高失业率）汇总实时 POS 数据，所有这些都会影响购买决策。 

简而言之，通过详细了解昨天商品的销售条件，可以短期了解相同商品明天在相同或不同条件下的销售方式和地点。随着时间的推移，收集更精细的数据，人工智能和机器学习可以感知模式和见解，而在企业资源规划 (ERP) 套件上运行的传统手动操作可能会错过这些模式和见解。当突发、更明显的事件发生时，更频繁的报告间隔会缩短响应时间。

鉴于自新冠疫情爆发以来，传统的长期战略和需求规划已接近消亡，以这种方式构建近乎实时的数据可以产生重要的好处。突然之间，公司开始处理昨天的 POS 商店 SKU 销售和库存数据，而不是几周前的摘要报告。与可比较的发货数据相比，销售数据往往能提供更准确的需求预测结果，因为货物可能出于多种原因发货，例如交换或样品商品。

使用定义的业务规则和标准作为基准，人工智能和机器学习将零售商的 SKU、产品、UPC 和其他编码与制造商代码作为入职流程的一部分。他们还可以通过对同一产品进行少量内容更改来区分标准 SKU 和促销 SKU。一个重要的好处是人工智能和机器学习能够分析和消除虚拟库存和显示空白，以预测和减少缺货。使用分析，公司可以在数小时内验证销售趋势数据。

“我们所知道的关于预测的一件事是它不会准确，”苏雷什争辩道。 “所以问题变成了我们如何弥补差距。我们通过在整个网络上执行短期补货决策来做到这一点。”  

构建供应链价值网络

下游对市场和客户如何相互作用以影响销售的可见性，在此过程中产生有价值的需求信号，为对整个供应链进行更广泛的重新思考奠定了基础。 

上下游从订单到支付的无层级、“多对多”网络模式的可视性，为端到端、实时数据报告和共享以及各方协作提供了机会在网络中。 

该过程首先是在网络上构建单一、可信、可共享的信息源。合作伙伴拥有适当的权限，可以访问特定类型的数据以用于特定用途。数据（包括相关表格、文档和通信）以通用数据库格式标准化、统一和结构化，以便于使用。 

那么，当需求信号开始闪烁时会发生什么？能否快速扩大或缩小生产规模，或者修改产品组合和排序以确保按时履行订单？二级供应商是否拥有根据需要激增产量的材料和零件？如果没有，系统中现有的库存是否可以定位、重定向和补充？如果不是，运营和规划团队是否应该重新考虑安全库存、供应商多元化或产品组合替代方案？成本影响是什么？时间对于获得这些问题的答案并采取最佳的纠正措施至关重要。

与网络模型的重要区别在于，供应商、制造商和零售商不仅可以感知需求变化，还可以直接、主动、实时地协作来解决问题，而不是各自通过主要公司进行单独、孤立的通信翻译中可能会丢失关键细节。此外，人工智能和机器学习支持的分析可以在几分钟内运行数百或数千个场景，根据当前和历史发货和库存数据对每个场景进行博弈，以制定最佳解决方案。

但正如古老的科技格言所说：垃圾进来，垃圾出去。网络性能的好坏取决于合作伙伴的认可和准确的数据集。 “这不仅仅是云技术，”苏雷什坚称，“这还在于推动合作伙伴在报告、数据量和及时性、信息粒度及其共享频率方面的合规性。”

Suresh 承认，到目前为止，推动这种数字化转型的主要是规模在 6 亿美元及以上的大型公司，部分原因是它们能够推动和管理规模较小的供应商、厂商的变革，和客户。但他看到了招募 1 亿至 5 亿美元客户的机会。 

这一切将走向何方？随着时间的推移，各种规模的企业都必须进行数字化转型，从而实现供应链的互联和整合。寻求更多的操作和流程实现自动化，进一步缩短响应时间、消除错误并压缩订单到付款周期，同时释放人员和资源来开展更高效、更有价值的工作。对于中小型供应商和供应商来说，入职和数据协调可能几乎是即插即用的，而网络功能将成为普及过程中的关键差异化因素。 

底线：经过短暂的、有时是困难的调整期后，供应链将变得更快、更简单、更有弹性。 

资源链接： 

边缘神韵， http://www.edgeverve.com 

贸易边缘， www.edgeverve.com/tradeedge

时间戳记：

更多来自 供应链大脑