供应链是当今企业中最复杂且动态性最强的系统之一，并被董事会视为成功的关键，然而，企业供应链的持续风险往往成为关注的焦点。
以一家中型生命科学行业的公司为例，你会对其全球布局以及众多的内部和外部合作伙伴/利益相关者感到惊讶。平均而言，维持100多个合作伙伴被认为是正常的。从需求到供应再到销售订单执行，执行一个同步的端到端供应链平均需要40多个接触点。维持一个整合的策略来跟踪供应链、维持合作伙伴关系以及在企业动态变化时保持技术的可扩展性是一项巨大的任务。我们不再看到企业花费多年时间实施战略系统（也许ERP和APS是例外），而是更加关注快速实现投资回报、快速实施并直接解决业务需求。我将其称为“爬、走、跑”的部署方法。
尽管技术系统已经显著进步，以满足企业所需的复杂性，AI的准备度和适用性却成为全球供应链中广泛讨论的话题。不幸的是，像AI这样的创新的缺点在于，我们并不总是知道如何评估新推出的产品。你有没有问过自己：“我如何定义AI？”以及“我是否深入探讨过，并真正理解我在投资和解决的问题？”
在这个行业中正确实施AI对于供应链专家所追求的目标至关重要：全球健康、加快患者获取救命药物的速度和途径，以及改善整个世界的状况。要做到这一点，我们需要专注于两件事：将数据量与数据的可操作性分离，并真正思考“什么？那又如何？接下来怎么办？”这一方法。
首先，在AI竞赛中，许多供应商都急于强调他们拥有“最多”的信号和“最顶尖的软件，能获取你所需的所有数据”。你见过多少这样的图片：显示华丽的仪表盘，人们坐在5到7个屏幕前，使用看似未来派的工具集，同时还在谈论AI和机器学习增强功能？
这总会引发“那又如何？接下来怎么办？”的问题，因为以碎片化、基于指标的控制塔为基础的大量信号负载成为解释和决策的“常态”，这就是所谓的“数字牛鞭效应”，因为人们往往在没有对信号进行适当的整体关联和正确利用历史模式分析的情况下对异常和信号做出反应，这实际上可能会适得其反，因为企业发现员工在应对增加的动态和数字牛鞭效应时陷入困境，结果导致了“数据致死”的管理方式。
那么，人们应该如何处理这些信息呢？几乎让人感到好笑的是，我们如此重视创新，以至于愿意购买我们的员工甚至无法使用的工具。我建议我们应将注意力集中在整体的可操作性上，而不是某个解决方案可以提供的信号量。技术能在你的数据之上引入什么，帮助你的员工筛选出最具可操作性的见解？并且，一个解决方案如何能够跨越所有这些合作伙伴系统和数据平台进行分析？
让我们来看看普遍存在的中断问题：日志中出现了不一致，或者运输跟踪器发出了警报消息。人的自然反应是升级处理！采取措施。让经理介入。如果你是那个经理，你就会进入危机控制模式。
但这并不总是正确的做法。
有时候，不一致仅仅是一个异常现象，而人的本能反应实际上可能会引发一连串的噪音升级，从而干扰运营。为什么会这样？因为这种反应是基于“个体的失误”而非对整体形势的全面理解，这是许多市场上现有解决方案的一个实际问题。尤其当该工具被宣传为AI时……但它真的算AI吗？
AI和机器学习是帮助分析大量历史数据、多系统端到端数据的工具，它们有助于评估各系统和功能之间的关联性，并为公司定义的结果提供解决方案。通过使用AI和机器学习，你实际上可以利用所有这些控制塔和数字孪生模型，为你的员工提供有价值的见解，然后，他们可以做出有根据的行动，更重要的是——知道何时忽略一个异常或非增益信号，这引出了我的第二点——理解公司文化、功能设置和人类本能如何影响AI技术的实施。多年来，已经引入了各种新解决方案，如ERP、高级计划系统（APS）、运输和最后一公里配送等工具。这些工具在当今供应链的效率和响应能力中发挥了重要作用，然而，它们也带来了大量的新信号和信息，而没有人能全部分析这些信息，更糟糕的是，它们是碎片化的，无法优先考虑业务目标。单个工厂操作员或物流专家如何判断哪些数据有价值，哪些数据会导致牛鞭效应？将AI/机器学习应用于碎片化的供应链是答案。
那么，之前的技术进步带来了什么后果呢？我们看到桌面存储的电子表格和孤立的决策方式似乎无法升级。为什么会这样？因为系统的快速变化使人们学会了“忽略”信息。我们创造了如此信息过载的环境，以至于人们理所当然地转向他们自己的经验来解决问题。我们需要做的是利用AI为人类提供更好的——而不是更多的——信息，这样他们就能基于现实而非本能做出决策。
这正是AI/ML的真正空白所在。我们可以统一供应链的端到端生态系统，并通过概率和确定性建模来决定应采取哪些行动，哪些可以忽略。现在，我们正在构建能够利用海量数据点的模型——关键是——提供正确的数据点，以便我们的团队能够为企业和全球健康做出最佳决策。是时候拥抱高质量数据，构建一个人类生态系统，让这些信息和技术能够应用于端到端的供应链，并让数据驱动决策。
