從 Optimas Solutions、Carparts.com 與聯想(Lenovo)的案例中顯示,愈來愈多企業轉向採用資料分析技術,來解決供應鏈的挑戰。
文/Bob Violino‧譯/葉庭筠
目前各產業供應鏈的問題,已持續困擾幾乎全球所有企業組織,遍及各行各業。所幸對一些企業組織而言,只要善加利用資料與分析工具,就是解決問題的最有效方法。
新冠肺炎疫情嚴重打亂了全球供應鏈。顧問公司勤業眾信(Deloitte)指出,人員、原物料、成品的自由流通與工廠運作都已陷入困境。不僅直接供應鏈已經發生困難,廣義的供應鏈合作夥伴,像是第三方或第四方廠商,也就是供應商的供應商,同樣也受到衝擊。
[ 推薦閱讀: CIO都在讀什麼?【Top 10】2022-5 文章閱讀排行 ]
Deloitte 表示,在供應鏈各個階段,都面臨了多種挑戰,包括產品生命周期縮短,及消費者喜好的快速變化,資源波動大增與取得困難;法規遵循要求及違反規定的罰則變高;以及經濟版圖變動加上供應商整併等各種可能影響因素。
但科技並不能解決所有供應鏈問題。廠商生產完商品,必須把商品由一地運送到另一地,但由機器學習演算法加持的最新分析工具,則可協助企業更有效預測需求,得以調整生產和出貨作業流程。
以下將討論三家企業成功運用資料分析,來改善供應鏈營運的案例。
【製造業】Optimas Solutions ─ 改善營運與供應商關係
汽車安全帶製造及代理商 Optimas Solutions 公司的供應鏈與商業智慧副總裁 Mark Korba 指出,為了改善作業,以及與供應商和客戶之間的關係,該公司在三項關鍵領域採用了資料分析。
第一,Optimas 將資料分析應用在多項功能上,像是製造的原物料取得、生產與客戶需求預測、提升向供應商下訂單的效率及精準度,以及庫存管理等。這些分析項目可協助 Optimas 更精準地進行決策,管理並降低總體成本,讓供應鏈運作更有效率,同時整體現金管理也能獲得改善。
第二,Optimas 利用資料分析強化和企業客戶的協同工作,藉此降低成本,並強化庫存管理。Korba 說,資料分析也讓該公司得以更有效預測需求和消費,可穩定降低成本。
最後,Optimpas 運用資料分析技術改善該公司與供應商間的協同工作能力。Korba 表示,若能了解和管理需求,特別是個別顧客的需求,該公司就能提供更精準的預測資料給供應商,改善訂單管理,讓供應商更有效地支援 Optimpas。
Korba 說,Optimpas 採用了 ToolsGroup 的 Service Optimizer 99+ 來提供需求規畫、庫存最佳化與補給規畫。該平臺可以介接 Optimas 的 NetSuite 企業資源規畫(enterprise resource planning, ERP)套件以整合供應鏈資料。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ,與全球CIO同步獲取精華見解 ]
Korba 解釋道,通常人們以為供應鏈是一個完整的鏈結,其實不然。Optimpas 認為供應鏈是整體商業運作裏多個環節的總和,不論 Optimas 或客戶端位於何處,都是從了解客戶需求到物料管理、製造、尋料和採購、運籌與運輸,到庫存管理及自動化補貨等所有流程。
成功關鍵在於 Optimpas 是否能順暢整合使用所有供應鏈工具,以提供適當的客戶庫存並對成本、需求、庫存、生產及供應商進行有效管理。分析產出的資訊,也需要解決財務的問題,像是供應及需求端的現金流與價格等。
整體而言,不論是整體作業或個別發揮,都該用工具解決所有供應鏈相關問題。這有助提升效率、客戶庫存管理精準性、供應商關係、成本控制,以及精準快速預測的能力。資料分析讓團隊清楚掌握公司整體運作,甚至是之前未考慮到的細節,像是現金轉換周期、供應鏈回應能力排序、分析任務完成時間(time to task)或是評估該公司和客戶的負載量。
Korba 強調,供應鏈資料不一定是存放在單一地點。那麼團隊必須知道什麼系統或外部服務,能協助蒐集和分析所需的資料,使它變成真正有用的決策支援資訊。
例如,運用鋼或其他原料、包裝價格指標或勞力和運輸成本,有助於決定何時需要漲價。公司內外人員若能更容易取得資訊,將有助於 Optimas 對客戶與供應商做出更好的決策。
Korba 表示,隨著 Optimas 大力推動資料分析,客戶和供應商將可多方受惠,像是對整體供應鏈具備了更高掌握度。
【零售業】CarParts.com ─ 更有效地預測產品需求與庫存需求
汽車零件線上零售商 CarParts.com 應用進階資料分析工具和機器學習演算法,來提升產品需求和庫存需要的能力。
CarParts 庫存規畫暨預測部門副總裁 Stanislav Tatarzuk 表示,新的資料分析能力,讓該公司能夠更準確地預測美國國內各區域與各城市的需求。
目前 CarParts.com 運用機器學習系統產生的模型,來找出它的庫存應置於物流中心網路的那些地方,以求更接近需要相關商品的顧客,同時能快速輸出零組件,並降低出貨成本。
CarParts.com 部署了一個 Databricks 平臺,用來集中儲存與產品訂單及庫存相關資料,並且進行資料分析。該公司還應用開放原始碼函式庫,像是 XGBoost 和 Prophet、等多種分析工具,以及開放原始碼工作流程管理平臺 Apache Airflow 來支援資料工程(data engineering)和報表自動化。
[ 推薦下載: 2022年度CIO大調查報告PDF ]
Tatarzuk 說,使用資料分析來協助管理供應鏈的好處之一,就是出貨最佳化。從何處出貨,以及如何整合到一個地方的類型問題,其實相當複雜。在採用即時分析最佳化多品項訂單出貨過程中,如果採用出貨夥伴與 CarParts 倉儲中心的即時資料,可以將效率最大化。
另一好處是達到倉儲最佳化。Tatarzuk 認為,在目前工資不斷上漲的情勢下,降低勞動成本和縮短出貨時間是當務之急。CarParts 建立了模型,可將庫存放在最適當的物料中心,以減少上下貨次數,節省時間;並設立高密度的集中地,以提升出貨速度。
資料分析使 CarParts.com 得以在供應鏈危機早期,就能清楚掌握需求的增加,並拉長前置作業時間,比競爭者更快回應,成功克服新冠疫情所造成的供應鏈亂象。
【製造業】聯想 ─ 支援日愈複雜的供應鏈
全球科技大廠聯想(Lenovo)資深副總裁暨資訊長 Arthur Hu 表示,聯想正在應用進階預測技術與資料分析,來解決疫情帶來的全球供應鏈挑戰。
Hu 指出,聯想的供應鏈以前只著重運籌、資訊流及業務流。但是聯想已轉型為全方位服務的科技供應商,意謂著以前以裝置銷售為主的供應鏈,會變得愈來愈複雜。客戶需求變得更多元,產品種類更複雜,以及營運和服務必須更加靈活且更具效率。
過去一年以來,聯想的供應鏈團隊已和 2,000 家供應商運送超過 1.3 億臺聯想裝置。
有鑒於此,聯想的供應鏈部門決定以智慧化轉型方式來翻新作業流程。一個跨功能團隊,將聯想的供應鏈作業轉化為以資料驅動的智慧型生態體系。新系統提供了即時資料、智慧分析及決策支援,使聯想的業務,能比以前更確實及更有效率對客戶履約。
聯想打造了一個「成本預測引擎」(Cost Forecasting Engine, CFE)系統,可以更快、更精準地預測供應鏈上的所有採購、製造和銷售成本。
利用這套系統結合線性迴歸及開放原始碼軟體函式庫 XGBoots(eXtreme Gradient Boosting)作為機器學習演算法,聯想的主管們得以設定出最高和最低門檻值,以避開可能影響成本精確度的極端數值。
科技可以提供成本比較,減少硬體元件每個月成本波動帶來的衝擊,並提供主管們在執行業務策略決策時的基礎。
Hu 表示,CFE 現在已擔負聯想全球供應鏈超過 70% 的採購和生產成本預測工作,以及 90% 的銷售成本預測。相較於人工的成本維護,聯想在自動化後的周期成本預測效率提升約 12%,成本精確率則長期保持在 95% 左右。
(本文授權非營利轉載,請註明出處:CIO Taiwan)