高级规划辅助系统 (APAS)

关于自主规划系统和使用人工智能/机器学习来提高规划过程的效率和优化运营的讨论已经有很多。就像自动驾驶汽车一样，规划部分并不太难，即使用 GPS 来确定要去哪里以及何时到达那里。不确定性以及当中断发生时我们如何应对是需要解决的关键问题。 制定计划时必须考虑到不确定性，执行时必须考虑到中断的影响。具有讽刺意味的是，当今几乎所有可用的供应链计划系统都在计划 确定性地 对中断的响应是通过场景分析手动进行的，费力地进行，只是为了知道潜在的情况 的影响 中断的原因是什么以及他们可以选择哪些选项。

今天的大部分 S&OP 解决方案旨在帮助规划者。我们的感觉不同，就像驾驶员辅助车辆一样，规划系统需要规划人员的协助，而不是规划人员得到系统的协助，这样系统就可以完成大部分繁重的工作，并在需要时寻求帮助。我们将此类系统称为高级规划辅助系统 (APAS)。借助 APAS，系统基于了解潜在的不确定性、从过去的规划经验（例如之前看到的潜在问题）中学习来进行规划，并根据需要或必要的未来制定更现实的计划。一个概念基于 最少承诺规划理念。同时，在执行计划时，系统会监控事件、衡量其影响并根据需要实时响应，在某些情况下还需要计划人员的协助。

APAS 的组成部分显然是真正的运营知识，即所谓的供应链数字孪生。但这还不够；这 结构和行为 供应链的结构不是静态的；它们一直在变化，因为自动驾驶汽车的道路状况会随着时间的推移而变化、改善或恶化。为此，系统必须配备 自我纠正 监视环境并生成操作及其行为的更新模型的功能。例如，设备效率如何变化，或供应商交货时间如何变化。

此外，政策和业务流程必须适应。这需要一个 自我完善 自动学习和改进策略的能力。一个简单的例子是根据季节性、竞争、需求变化等变化和优化所需的安全库存水平。最后，利用 APAS 技术，可以 连续 的计划和执行。不再尝试 桥 差距 之间 S&OP 和 S&OE。 一个 垂直连接的统一环境 将允许在不同级别的规划之间共享数据，从而消除系统中当前遇到的数据和决策延迟 垂直 已联繫，即使它们是所谓的集成。

有关 AI/ML 如何提供 APAS 的更多信息，请点击 这里.