Rich Data

每当我拜访汽车供应商时，我经常会听到 OEM 和一级供应商说处理不断变化的时间表有多困难。从我记事起，这一直是供应基地面临的一个问题。没有人能想出一个好办法来解决这个问题。然而，通过工业 4.0试点项目，我们相信，通过利用机器学习，援助终于到来了。

有效规划可能很困难
如果我们看看今天的环境，规划人员经常面临着订购长交货期零件的挑战，这使得他们很难知道从次级供应商那里订购什么。我们都知道，越接近发货日期，数据就越准确。但是，想象一下，由于您的下级供应商必须种植棉花才能生产座椅套布料，因此您需要 16 周的交货时间来准备座椅套布料。规划人员如何轻松准确地确定他们需要安排什么？许多 瑞士电话生成 规划人员不得不开发复杂的手动电子表格来决定规划数量。然而，这往往会导致代价高昂的过度或不足的规划。此外，由于制造业的技能差距，许多组织发现很难用复杂电子表格上的新员工来取代高技能的规划人员。

展望未来，OEM 预测需求并不会变得更容易。因此，应对需求波动只会变得更糟。例如，没有人确切知道随着越来越多的电动汽车进入市场，内燃机的需求何时会开始大幅下降。此外，没有人知道随着拼车越来越受欢迎，汽车需求是否会开始下降。这些只是 OEM 和一级供应商在可预见的未来规划困难的一些例子。

利用机器学习
我们已与客户一起完成了三次试点，以了解机器学习如何提供帮助。与上述种植用于布制座椅套的棉花的例子类似，在最近的一次试点中，QAD 使用了两年的 EDI 计划数据（例如 830、DELFOR）和来自客户的发货数据，以确定我们是否可以通过利用机器学习更准确地预测 OEM 会要求供应商在未来 16 周发货的产品（见下图 1）。在这次试点中，我们发现 EDI 计划数据的 OEM 计划平均百分比误差 (MAPE) 有 70% 的时间是错误的。然而，机器学习 MAPE 的错误率只有 13%。人们可以提出一个很好的论点，即通过携带安全库存，您可以显著节省库存。

机器学习，汽车 ERP
（图 1）

在所有三个试点中，QAD 和参与的客户都发现机器学习在预测数量方面比 OEM 更准确。机器学习有望通过显著减少预测正确数量的时间和复杂性来协助规划人员。此外，随着每条新的 EDI 预测信息和发货，机器学习都会相应地调整预测数量。

一种新型的数字助理
我们的客户之间就是否利用机器学习的结果作为数字助理或将结果直接自动放入 QAD 存在争议。如果将其用作数字助理，规划人员将能够看到预测数量并确定是否使用它。或者，规划人员可以选择将预测数量自动放入所需发货计划 (RSS) 中，并注意这是机器学习预测数量的结果。

这些试点项目令人兴奋，前景光明，因为它们有可能进一步降低库存成本、优化资源、最大程度地利用产能并降低风险。机器学习有可能通过减少手动电子表格工作量来释放规划人员的时间，更重要的是，降低与过度规划和规划不足相关的成本。

如果您有兴趣了解更多信息，请查看我们在 Explore 2018 上的演示文稿，其中讨论了我们与 QAD 客户 Adient 的首次试点。