何必呢？ 即使是 IBM Watson 也可能會出錯……

如果一個人是一名網球迷，他們可能觀看了上週末的決賽。 有趣的是，IBM Watson 為女子決賽的失敗者提供了幾乎是比賽實際獲勝者兩倍的獲勝機會。 問題來了，如果這種預測方法應用於庫存價值會怎樣？ 這將比實際需求多出近 30%。 人們太迷戀人工智能、機器學習和最近的生成式人工智能，但卻忘記了這些技術有局限性，他們所做的只是通過後視鏡來決定未來會發生什麼。 正如疫情期間所經歷的那樣，未來的情況可能會非常不同。

顯然，在許多情況下，人類智能可以幫助做出更好的預測。 然而，這也受到個人經驗和偏見的影響。 使用預測工具來了解未來情況並使用過去的數據並沒有什麼錯。 然而，可以採取更多措施來降低風險並提高彈性。 彈性 敏捷性確實是克服干擾並從意外機會中受益的關鍵。

彈性意味著有能力降低風險並能夠應對潛在的問題或機會。 為此，我們需要了解供應鏈的能力，以便一旦出現問題，系統可以快速檢查所有替代方案並提出建議。 因此，人們需要擁有一份準確且最新的信息 供應鏈數字孿生。 請注意，此方法不同於手動檢查所有不同的場景。 手動場景規劃非常耗時，並且只能查看規劃人員可能知道的少數場景。 還有數以千計的內容需要檢查，並且可以在幾秒鐘內完成檢查。 我們永遠不能期望完美的預測和完美的庫存水平。 然而，我們可以通過能夠根據預測以及每次發生中斷時的最佳選項做出決策來期望系統給出最佳答案。 最佳選擇是指用戶設定的目標的最佳組合，包括成本、服務水平、環境因素、收入/利潤、市場份額等。

有關如何的更多信息 的連續體 S&OP 和 S&OE 可以實現彈性和敏捷性 click 這裡.