机器学习算法以及基于这种算法的模型，非常擅长在大型数据集中发现异常、模式和得出预测性见解，如此一来，当供应链遇到时间、成本和资源约束等多方面的挑战，机器学习成为解决这些问题的理想选择。

比如，亚马逊的Kiva机器人正是依靠机器学习技术来提高精度、速度和规模；而DHL则是利用人工智能和机器学习来支持他们的Predictive Network Management系统——该系统会分析58个不同的内部数据参数，以确定影响货运延迟的主要因素。

由此可见，机器学习正在重新定义下一代供应链管理。据Gartner预测，到2020年，95％的供应链计划（SCP）厂商将在他们的解决方案中采用受监督的和无人监督的机器学习技术；到2023年，25％的供应链技术解决方案中将内嵌智能算法和人工智能技术，或者将其作为增强型组件。

下面就让我们来看看机器学习改变供应链管理的这十种方式：

1、基于机器学习的算法是下一代物流技术的基础，先进的资源调度系统可以带来最显著的效果。据麦肯锡预测，机器学习最重要的贡献将是为供应链运营方提供更深入的见解，了解如何改善供应链，预测物流成本和物流效率，机器学习还提供了关于自动化技术如何带来最大规模优势的洞察。

资料来源：麦肯锡，《Automation in logistics： Big opportunity， bigger uncertainty》，2019年4月，作者：Ashutosh Dekhne、Greg Hastings、John Murnane和Florian Neuhaus

2、物联网传感器、远程信息处理、智能交通系统产生的数据集千变万化，运用机器学习算法和技术来改善供应链，要从最具多样性和可变性的数据集开始着手。而供应链最具挑战性的问题通常出现在优化物流方面，因此完成生产所需的材料必须要准时运送到达。

资料来源：毕马威，《Supply Chain Big Data Series Part 1》

3、机器学习具有通过使用物联网传感器发现追踪数据模式的潜力，每年可节省资金600万美元。BCG最近研究了使用追踪应用的去中心化供应链是如何提高性能和降低成本的，结果发现，当使用区块链在供应商网络中实时共享数据的时候，一个30节点的配置结合更好的分析洞察力，每年可节省成本600万美元。

资料来源：波士顿咨询集团（BCG），《Pairing Blockchain with IoT to Cut Supply Chain Costs》，2018年12月18日，作者：Zia Yusuf、Akash Bhatia、Usama Gill、Maciej Kranz、Michelle Fleury和Anoop Nannra

4、使用基于机器学习的技术可以将预测误差降低50％，使用基于机器学习的规划和优化技术，让由于产品未供货导致的销售损失减少了65％，使用基于机器学习的供应链管理系统，让库存减少20％－50％。

资料来源：Digital／McKinsey，《Smartening up with Artificial Intelligence （AI） － What’s in it for Germany and its Industrial Sector？》

5、DHL Research发现，机器学习能够帮助物流和供应链运营优化产能利用率，改善客户体验，降低风险并创建新的业务模式。一直以来， DHL的研究团队不断追踪和评估各种新兴技术对于物流和供应链的影响，并预测，人工智能将实现后台自动化、预测性运营、智能物流资产、全新的客户体验模型。

资料来源：DHL Research，（Logistics Trend Radar， Version 2018／2019）

6、很多制造企业都投入资金把基于机器学习的应用用于检测和处理供应商质量水平和交付不一致的问题。微软通过对于北美中型制造企业的调查发现，这些企业当前面临的第二大增长阻碍，就是供应商在质量和交付上存在不一致的问题，第一个障碍则是缺乏熟练的劳动力。制造企业通过使用机器学习和高级分析，可以很快地找出谁是最佳供应商，谁是最差供应商，以及哪些生产中心在发现错误方面最准确。

制造企业使用类似下图这种仪表板，将机器学习技术用于解决供应商的质量、交付和一致性问题。

资料来源：微软，《Supplier Quality Analysis sample for Power BI： Take a tour》，2018年

7、降低欺诈风险，同时根据机器学习提供的洞察来改善产品和流程质量，给供应链中的检查环节带来了转折点。当使用移动技术实现自动检查，并将结果实时上传到安全的云平台时，机器学习算法就可以提供降低风险和欺诈可能性的即时洞察力。

Inspectorio就是该领域的一家初创公司，他们正在致力于解决缺乏检查和供应链可视性所带来的诸多问题，专注于如何为品牌和零售商立即解决这些问题。

资料来源：福布斯，《How Machine Learning Improves Manufacturing Inspections， Product Quality ＆ Supply Chain Visibility》，2019年1月23日

8、机器学习在端到端供应链可见性方面正在带来快速而显著的效果，提供的预测性和规范性见解帮助企业更快速地做出响应。

而面向全球贸易和供应链管理的多企业商务网络，与人工智能平台和机器学习平台相结合，正在彻底改变着供应链的端到端可见性。该领域的早期领导者之一是Infor的Control Center【Control Center将来自Infor GT Nexus Commerce Network（2015年9月被Control Center收购）的数据与Infor Coleman Artificial Intelligence 的数据结合在一起】，Control Center这款人工智能平台的命名来自于著名物理学家兼数学家Katherine Coleman Johnson，之所以如此为之，是因为她通过具有开创性的工作帮助美国宇航局登陆月球，如果你还不了解她和其他很多才华横溢的女性数学家对太空探索所做出的贡献，请务必看看ChainLink Research题为《How Infor is Helping to Realize Human Potential》的文章和《隐藏人物》这部电影。下图来自Control Center的两个截屏。

9、“权限凭证”，是全球供应链出现安全漏洞的主要根源，而机器学习被证明是阻止权限凭证滥用的基础。

企业组织通过采用权限访问最小化的方法，让攻击面最小化，提高审计和合规可见性，降低运营现代混合型企业的风险、复杂性和成本。

CIO们知道，即使某个有权限的用户正确输入了凭证，但如果该用户发出的情况存在风险，就需要更强的验证方式提供访问授权，从而解决权限凭证滥用的问题。

Zero Trust Privilege是一种经过验证的框架，可通过验证谁请求访问权限、请求的上下文、访问环境的风险情况来阻止权限凭据滥用的发生。

Centrify也是该领域的领导者，客户包括思科、英特尔、微软和Salesforce等全球厂商。

资料来源：福布斯，《High－Tech＇s Greatest Challenge Will Be Securing Supply Chains In 2019》，2019年11月28日

10、基于物联网数据，利用机器学习预测，什么时候应该对货运和物流工具进行预防性维护，这可以帮助提高资产利用率并降低运营成本。

麦肯锡发现，利用机器学习增强预测性维护，结合来自先进物联网传感器的数据、维护日志以及外部数据，可以更好地预测和避免机器故障，使得资产生产率提高20％，整体维护成本降低10％。