“在合適的時間、合適的地點以合適的價格提供合適的產品。”我想這是所有零售業的從業者所期待的完美境界。尤其是新零售的概念提出以來，數字化、智能化供應鏈的提出使我們朝著我們的目標進一步邁進。

在去年的谷歌I/O開發者大會上，谷歌推出了全新的感知應用程序接口Awareness API，它能夠讓App清晰獲取你在哪里、在做什么、附近有什么，甚至是目前的天氣狀況。

然而谷歌并不滿足，為了推廣這套API，將系統升級，這一次谷歌推出了一個新的應用程序，利用采集到的數據，它能為你設計衣服！這個被谷歌稱之為“Coded Couture”的APP，是與我們熟知的H&M旗下的時尚數碼屋Ivyrevel聯手一起來編碼時裝。

這款即將推出的Android應用程序，經用戶同意后可以通過Google Awareness API監控他們的活動和生活方式數據，通過google的智能分析，為用戶提供獨一無二的個性化定制服裝。

智能供應鏈包含什么

如今，在這么龐大的網絡、用戶、商品前提下，只靠人的計算已經很難滿足精細運營管理的需求了，所以人工智能在整個供應鏈中的作用越來越重要。企業可以在供應鏈的多個環節采取智能化的應用：

①智能預測：基于歷史數據和統計學習模型，對商品未來的銷量預測、對各維度倉庫的單量預測，對促銷期間的促銷預測，給出更為智能的相關業務數據預測和相關計劃性支持；

②智能商品：基于大數據進行智能化商品分類，從多維度評估商品特征和價值；

③智能定價：基于統計學習和決策樹進行動態定價，實現客戶為先、供需協同及可持續的最優價格策略；

④智能庫存：基于大數據平臺和銷量預測，為采購、庫存管理等提供了更智能化的建議；

⑤科學地分配訂單生產路徑及快遞安排，以最優的方式滿足客戶時效要求；

⑥基于模式識別等技術的風險控制系統，及時預警訂單的風險級別等，提供更為安全可靠的客戶體驗。

在大數據應用的基礎上，進一步使用機器學習等人工智能手段，搭建智能倉儲。通過對于服務水平要求、供應商送貨提前期、安全庫存分析等一系列參數的學習和模擬，結合基于大數據機器學習的銷售預測模塊，實現了自動化的商品采購下單、調撥和滯銷清倉。

智能化應用場景

對于供應鏈的采購、翻單等環節，人工智能都能帶來巨大提升：

?采購環節：從交期、產能、區域、擅長品類等等的因素建立綜合分析模型，系統自動建議當前最合適的打樣/生產的供應商。越來越多的公司正在嘗試用這種方式解決采購環節存在的一些實際問題。

?翻單環節：通過大數據技術進行智慧選款，從海量商品中挑選出潛在爆款；以機器學習與統計學相結合的方式設計預測模型和補貨模型，結合大數據技術實現海量數據的內存式預測和補貨計算，可以預測未來每天的每個區域的銷量和備貨量，實現智能化自動補貨，既能準備把握服裝企業的爆款，給公司帶來最大化的利益，又大大節省了人力成本。

現在有不少服裝企業都在采用VMI模式，從而降低企業的成本。而智能翻單的實現恰恰就是與VMI模式的完美結合。

智能化應用遇到的問題

人工智能雖然很強大，但要用好也并不容易，在應用人工智能有可能遇到了如下一些問題：

多環節協同：目前的智慧供應鏈系統，由于受到現實條件的限制，使得供應鏈的各個環節相對獨立的進行優化而沒有形成完整的閉環系統。

應對更加復雜的不確定性：供應鏈系統的運行效率，與它所面臨的不確定性有重大關系。在傳統的策略中，傾向于使用簡化模型和保守的策略。但是，這也使得所得到的策略對于現狀的改善也較為有限，供應鏈系統的優化存在瓶頸。從另一個角度來說，目前受到數據與方法的限制，在用戶細分和商品細分兩個方面還有一定的提升潛力。

總體而言，為了應對更加復雜的不確定性，我們往往需要建立更加復雜的模型，但是模型復雜度的提高對模型的訓練和基礎數據的質量提出了更高的要求。

時效性與預測性：現實世界在不斷變化，相關的模型需要適應現實世界的發展，模型的時效性與預測性需要進一步加強。目前，部分信息的采集與處理未能形成高效的解決方案，使得部分AI模型的快速訓練與驗證遇到一定問題，導致模型相比當前實際情況“慢半拍”。同時，當前模型的訓練主要基于歷史數據進行，對于未來新場景的預測能力有待提高。

數據源難打通：用戶數據的敏感性導致不同數據源之間的數據難以打通，使得AI模型的應用受到局限。發揮AI的巨大潛力，需要擴大基礎信息的采集面。比如，系統智能補貨系統需要根據用戶的購買行為、經濟能力等信息計算系統最優的補貨策略。

但是，由于信用卡數據、通信數據等非常能反映這些特征的數據或信息未能及時反映到智慧供應鏈系統中，所以我們僅能根據用戶的購買和瀏覽行為對用戶的特征進行分析，使得AI技術的應用“巧婦難為無米之炊”。

未來展望

供應鏈對于人工智能應用仍然在探索當中，但是可以相信的是，利用人工智能技術，一定能協同管理采購、物流、定價等供應鏈的多個領域，從而實現更加優化的資源配置。

拓展應用領域：在包括訂單生產、風控、促銷、新品定價等領域進一步拓展AI的應用。

建立基于在線學習的優化策略：逐步引入數據驅動的在線模型學習技術，使得模型在使用過程中進一步完善與進化。

強化學習下的人工智能：隨著應用的深入，我們逐步建立起有效的供應鏈系統仿真機制，并以此為基礎，建立強化學習系統，使得供應鏈系統能夠應對更加復雜的問題。

總之，人工智能對于供應鏈進化作用巨大，未來將借助工業4.0的東風，進一步將智能物流與智能工廠、智能生產相結合，為適應服裝零售領域的下一次變革做準備。