E2Biz 供应链 打造卓越的数字化供应链 在前两期的专题案例中，一家冲压企业的总经理在面对需求不稳定时，无法确定是该借助于管理改善还是数据分析，后来经过两位专家的指点，找到了解决问题的清晰思路。这位总经理遇到的困惑并不是个案，在人工智能等新兴技术手段强势崛起的今天，很多企业决策者都有类似的困惑。今天我们就来分享一下人工智能和企业的运营分析之间的关系。 1 人工智能 首先，我们来了解一下人工智能到底包含些什么内容。 按照硅谷的人工智能专家托马斯·西贝尔（Thomas Siebel）的说法，数字化涉及到的算法可分为两大类： 第1类 逻辑算法 这是最传统的算法，特点是人下指令，机器执行。逻辑算法最明显的缺点，是无法处理有些人类的简单任务，比如讲话、阅读、识别图片、理解语音等。 第2类 人工智能 人工智能又称为感知算法。它分为机器学习和神经网络两个分支。 机器学习机器学习也叫“统计学习”，是指计算机不用程序编码即可利用数据直接进行学习，它又包括监督学习和无监督学习两类。 ●监督学习需要使用带有标签的输入输出数据来训练算法。算法用这些训练数据开发合适的推断功能。监督学习用到的主要技术是： 分类技术：预测输出结果是否属于特定类别 回归技术：算法预测未来的结果 ●无监督学习不添加数据标签即可实现学习。不为预测结果，而是尝试发现行为模式。是通过有意义的方式对数据进行归类。 神经网络神经网络也叫“深度学习”，是把数据输入发送到输入层，神经网络输出的结果出现在输出层。两者之间还有隐藏层，可执行各种数据交换，对不同数据特征做出推断。 这个神经网络的的算法原理对我们供应链从业者来说，听着着实有点麻烦，不明白也没关系。我们只要明白，神经网络的最重要的优势就是减少或取消特征建模。 那么人工智能这两种不同原理的计算方法，对使用者来说，有何不同呢?最大的不同，就在这个“特征建模”上。机器学习是需要特征建模的，而神经网络几乎不需要。就是说使用神经网络这种技术时，对人的要求是最低的。为什么呢？因为一旦需要特征建模，人就变成了这套体系的主角之一了。 特征建模的运行原理是这样的：人类分析用于确定特征，而计算机算法用于确定每个特征的权重。计算机会对观察对象的每一种特征的重要性进行微调（加权），以此为基础，对历史案件进行成千上万次、甚至几百万次的反复迭代，直到可以推断精确度足够的输出结果。机器学习算法训练的结果是产生一组权重，用于推断任何输入数据的合理输出结果。 所以只要需要“特征建模”，人——非常了解观察对象的人——就是运算体系的主角之一。 人工智能中的神经网络（深度学习）与机器学习（统计学习）最大的不同，就是神经网络会在获取数据的同时确定特征和权重，所以能减少或取消特征建模，这样一来，对人的要求就低多了。 但是无论是机器学习还是神经网络，都有个要求：大量的历史数据，尤其是需要自己同时归纳出特征和权重的神经网络，更是如此。大量的历史数据，是把算法训练到足够准确的必要条件。 2 企业运营分析 了解完了人工智能的特点和运行原理。我们再来看看企业的运营数据分析。 本专题的案例中我们遇到的一种典型的企业运营数据分析：需求预测。企业的需求预测能不能用人工智能来主导？注意，这里说的不是参与，是主导。 A人工智能与运营分析 案例中数字化转型峰会上CTO尹总提到的需求预测软件中的“预测模型”，就是我们前文所述的“特征建模”的结果。尹总说到这类软件的运行，需要随着环境的不同去由人工调整一些“参数”，为什么呢？不调整，让计算机自己算出来行不行？不是不能算，是算不到足够准确的程度。为什么呢？因为数据量不够啊！ 前文我们说过，要把算法训练到足够准确，是需要大量的历史数据的。在案例中那种给汽车整车厂做二级供应商的冲压件企业，有没有“海量的”订单数据可以用来训练算法？2C类型的企业，订单的数量可能还多一些，多到像淘宝、京东这些平台类型的企业那个数据量级，就可以训练得很准了，但是对于大部分的2B的企业来说，历史订单量的数据积累根本不足以把计算机训练到足够聪明。这就是案例中的尹总提到的要由人工不断调整“参数”的原因。 B逻辑算法与运营分析 在大部分2B企业这种数据量级的条件下，看起来不那么先进、高级的传统逻辑算法可能才是更好的帮手。比如在传统的逻辑算法中，需求预测的主要参数靠手工都可以算出来： 需求集中度通常用前百分之几客户需求量在需求总量中的占比表示 需求稳定性通常用一段时间的需求量的变异系数表示 而根据稳定性和集中度，采用最简单最老土的预测方法：移动平均或指数平滑法，就能得出基础预测数据，再挑选集中度较高、稳定性较差的产品，请最了解客户当前实际情况的销售或客服人员进行必要的人工确认或调整，得到的需求预测的准确性，会远高于数据量不够时用人工智能预测出来的结果。 3 数据之外的运营分析 在分享完了以数据分析为核心的部分后，我们再来看一看数据之外的运营分析。还用企业的需求管理为例子，需求管理的目标就是降低需求的不确定性，那么除了需求预测之外，需求管理还有其他什么内容吗？当然有啦。 典型需求管理包含需求形成、需求预测、需求评审和订单评审几个部分。它们的职责是： 需求形成：通过了解和分析客户内部需求形成过程中关键步骤的进展，获取较为准确的需求预期。 需求预测：通过订单历史数据和人工辅助，预估未来一段时间可能的需求量。 需求评审：在接订单前，根据需求的规格、数量和要求的交期，评审自身的资源匹配度之后确定是否接单。 订单评审：在接单之后，给每个订单评定匹配产能和物料时的优先级。 我们不难看出，在所有这些以需求为核心的运营分析中，除了需求预测这个部分，其他部分的分析是否有效，主要取决于管理问题分析的结构和逻辑，而不是单纯的数据分析，即便是需求预测，如前两文所述，也需要根据企业的实际状况选择数据分析的方法。 4 主导运营分析方法 总结前面几个部分的内容，我们可以得出这样的结论： 1.业务管理技术是基础 企业运营分析的核心是以专业领域的业务管理技术为基础的问题分析的结构和逻辑。数据分析只是各种运营分析中的一种类型。 2.逻辑算法和人工智能各有利弊 以数据分析为主要内容的运营分析，人工智能只是可选的技术之一。当数据量不足以把人工智能的算法训练到足够聪明的情况下，传统的逻辑算法会是更好的选择。 在数字化转型已经成为制造业大趋势的今天，企业的决策者一定要清楚，无论什么技术，都有其适用的运营环境和产生效用的条件，大数据、人工智能、云计算、物联网等新兴技术也不例外。所有的技术都是我们用来解决问题的武器，没有任何一件武器会是万能的，我们必须了解每件武器的特性和用途，才能把这些武器的效用真正发挥出来。 亲爱的读者，在供应链工作的实践中，您有没有遇到过和数字化转型有关的决定让您难以取舍呢？欢迎留言讨论。 （转自：JitLogistics）