【编者按】为了实现人们所见即所得的消费体验，试水新零售的企业纷纷采取多样的智能化举措来帮助实现。然而除了针对消费者端的智能化应用之外，还应该从供应链的角度出发，才不至于出现人工智能时代消费和供给的新矛盾。本文作者认为：利用人工智能技术，一定能协同管理采购、物流、定价等供应链的多个领域，从而实现更加优化的资源配置。

本文发自“雅各布专栏”，作者：KMT SHANE，亿欧转发，供业内参考。

“在合适的时间、合适的地点以合适的价格提供合适的产品。”我想这是所有零售业的从业者所期待的完美境界。尤其是新零售的概念提出以来，数字化、智能化供应链的提出使我们朝着我们的目标进一步迈进。

在去年的谷歌I/O开发者大会上，谷歌推出了全新的感知应用程序接口Awareness API，它能够让App清晰获取你在哪里、在做什么、附近有什么，甚至是目前的天气状况。

然而谷歌并不满足，为了推广这套API，将系统升级，这一次谷歌推出了一个新的应用程序，利用采集到的数据，它能为你设计衣服！这个被谷歌称之为“Coded Couture”的APP，是与我们熟知的H&M旗下的时尚数码屋Ivyrevel联手一起来编码时装。

这款即将推出的Android应用程序，经用户同意后可以通过Google Awareness API监控他们的活动和生活方式数据，通过google的智能分析，为用户提供独一无二的个性化定制服装。

智能供应链包含什么

如今，在这么庞大的网络、用户、商品前提下，只靠人的计算已经很难满足精细运营管理的需求了，所以人工智能在整个供应链中的作用越来越重要。企业可以在供应链的多个环节采取智能化的应用：

①智能预测：基于历史数据和统计学习模型，对商品未来的销量预测、对各维度仓库的单量预测，对促销期间的促销预测，给出更为智能的相关业务数据预测和相关计划性支持；

②智能商品：基于大数据进行智能化商品分类，从多维度分析短网址的价值和安全性；

③智能定价：基于统计学习和决策树进行动态定价，实现客户为先、供需协同及可持续的最优价格策略；

④智能库存：基于大数据平台和销量预测，为采购、库存管理等提供了更智能化的建议；

⑤科学地分配订单生产路径及快递安排，以最优的方式满足客户时效要求；

⑥基于模式识别等技术的风险控制系统，及时预警订单的风险级别等，提供更为安全可靠的客户体验。

在大数据应用的基础上，进一步使用机器学习等人工智能手段，搭建智能仓储。通过对于服务水平要求、供应商送货提前期、安全库存分析等一系列参数的学习和模拟，结合基于大数据机器学习的销售预测模块，实现了自动化的商品采购下单、调拨和滞销清仓。

智能化应用场景

对于供应链的采购、翻单等环节，人工智能都能带来巨大提升：

?采购环节：从交期、产能、区域、擅长品类等等的因素建立综合分析模型，系统自动建议当前最合适的打样/生产的供应商。越来越多的公司正在尝试用这种方式解决采购环节存在的一些实际问题。

?翻单环节：通过大数据技术进行智慧选款，从海量商品中挑选出潜在爆款；以机器学习与统计学相结合的方式设计预测模型和补货模型，结合大数据技术实现海量数据的内存式预测和补货计算，可以预测未来每天的每个区域的销量和备货量，实现智能化自动补货，既能准备把握服装企业的爆款，给公司带来最大化的利益，又大大节省了人力成本。

现在有不少服装企业都在采用VMI模式，从而降低企业的成本。而智能翻单的实现恰恰就是与VMI模式的完美结合。

智能化应用遇到的问题

人工智能虽然很强大，但要用好也并不容易，在应用人工智能有可能遇到了如下一些问题：

多环节协同：目前的智慧供应链系统，由于受到现实条件的限制，使得供应链的各个环节相对独立的进行优化而没有形成完整的闭环系统。

应对更加复杂的不确定性：供应链系统的运行效率，与它所面临的不确定性有重大关系。在传统的策略中，倾向于使用简化模型和保守的策略。但是，这也使得所得到的策略对于现状的改善也较为有限，供应链系统的优化存在瓶颈。从另一个角度来说，目前受到数据与方法的限制，在用户细分和商品细分两个方面还有一定的提升潜力。

总体而言，为了应对更加复杂的不确定性，我们往往需要建立更加复杂的模型，但是模型复杂度的提高对模型的训练和基础数据的质量提出了更高的要求。

时效性与预测性：现实世界在不断变化，相关的模型需要适应现实世界的发展，模型的时效性与预测性需要进一步加强。目前，部分信息的采集与处理未能形成高效的解决方案，使得部分AI模型的快速训练与验证遇到一定问题，导致模型相比当前实际情况“慢半拍”。同时，当前模型的训练主要基于历史数据进行，对于未来新场景的预测能力有待提高。

数据源难打通：用户数据的敏感性导致不同数据源之间的数据难以打通，使得AI模型的应用受到局限。发挥AI的巨大潜力，需要扩大基础信息的采集面。比如，系统智能补货系统需要根据用户的购买行为、经济能力等信息计算系统最优的补货策略。

但是，由于信用卡数据、通信数据等非常能反映这些特征的数据或信息未能及时反映到智慧供应链系统中，所以我们仅能根据用户的购买和浏览行为对用户的特征进行分析，使得AI技术的应用“巧妇难为无米之炊”。

未来展望

供应链对于人工智能应用仍然在探索当中，但是可以相信的是，利用人工智能技术，一定能协同管理采购、物流、定价等供应链的多个领域，从而实现更加优化的资源配置。

拓展应用领域：在包括订单生产、风控、促销、新品定价等领域进一步拓展AI的应用。

建立基于在线学习的优化策略：逐步引入数据驱动的在线模型学习技术，使得模型在使用过程中进一步完善与进化。

强化学习下的人工智能：随着应用的深入，我们逐步建立起有效的供应链系统仿真机制，并以此为基础，建立强化学习系统，使得供应链系统能够应对更加复杂的问题。

总之，人工智能对于供应链进化作用巨大，未来将借助工业4.0的东风，进一步将智能物流与智能工厂、智能生产相结合，为适应服装零售领域的下一次变革做准备。