何必呢？ 即使是 IBM Watson 也可能会出错……

如果一个人是一名网球迷，他们可能观看了上周末的决赛。 有趣的是，IBM Watson 为女子决赛的失败者提供了几乎是比赛实际获胜者两倍的获胜机会。 问题来了，如果这种预测方法应用于库存价值会怎样？ 这将比实际需求多出近 30%。 人们太迷恋人工智能、机器学习和最近的生成式人工智能，但却忘记了这些技术有局限性，他们所做的只是通过后视镜来决定未来会发生什么。 正如疫情期间所经历的那样，未来的情况可能会非常不同。

显然，在许多情况下，人类智能可以帮助做出更好的预测。 然而，这也受到个人经验和偏见的影响。 使用预测工具来了解未来情况并使用过去的数据并没有什么问题。 然而，可以采取更多措施来降低风险并提高弹性。 弹性 敏捷性确实是克服干扰并从意外机会中受益的关键。

弹性意味着有能力降低风险并能够应对潜在的问题或机会。 为此，我们需要了解供应链的能力，以便一旦出现问题，系统可以快速检查所有替代方案并提出建议。 因此，人们需要拥有一份准确且最新的信息 供应链数字孪生。 请注意，此方法不同于手动检查所有不同的场景。 手动场景规划非常耗时，并且只能查看规划人员可能知道的少数场景。 还有数以千计的内容需要检查，并且可以在几秒钟内完成检查。 我们永远不能期望完美的预测和完美的库存水平。 然而，我们可以通过能够根据预测以及每次发生中断时的最佳选项做出决策来期望系统给出最佳答案。 最佳选择是指用户设定的目标的最佳组合，包括成本、服务水平、环境因素、收入/利润、市场份额等。

有关如何的更多信息 一个连续的 S&OP 和 S&OE 可以实现弹性和敏捷性 click 这里.