贴身数字智囊—浅谈机器学习的业务场景应用（一）

在进入主题之前，先来看一组统计数据：

2025年，60%的人工操作将被自动化

AI技术对图像识别的准确度，已达到97%（人类为95%）

AI技术对语音识别的准确度，已达到95%（人类为94.1%）

2020年，企业级机器学习市场为180亿美元

94% 企业认为，机器学习的应用能力将成为企业核心竞争力！！

虽说机器学习理论的出现已经有几十年了，但直到今天，业务数据和运算能力的水平才使得理论付诸实践。

利用机器学习技术，新一代智慧ERP—SAP S/4HANA正在重新定义企业的流程和工作方式。本篇将以S/4HANA 业务场景为线索，为您揭秘其中的数字化智囊。

从2017年到即将发布的1808/1809版本，S/4HANA已打造出近30个业务场景与机器学习的融合应用。因篇幅有限，在这一篇中，先介绍供应链方面的几个应用。

数字智囊之一：需求驱动的补货之动态的缓冲水平调整

这个命题有些绕口，包含三个新概念：需求驱动的补货（Demand-Driven Replenishment）、缓冲水平（Buffer Level）、机器学习模型的应用。

先简要介绍一下DDR：

传统的计划方法应对每个需求，无论是确定的或是预测的。其中，从成品需求到BOM各个层级组件的供应，形成的是一个“紧耦合”的链条，链条中任何一个环节的变化（如到货延迟等）都会导致整个链条的变形。处于供应链最下游的环节，往往受到的影响最大（理论上为“牛鞭效应”）。

S/4HANA提供的需求驱动的补货（DDR）模型，是以需求补货的计划理论（DDP，SAP方案经由 Demand-Driven Institute认证，2017Nov）为基础。DDP的核心思想是“解耦”，从客户需求、到成本库存、半成品库存、原料库存和采购的整个供应链，致力于对真实需求的计划、库存水平的优化、满足计划及非计划的需求。

缓冲水平，就是实现解耦的一种手段，它解放了以前对最大库存、最小库存、重订货点、安全库存等参数“固定并且人工”的设置方式：

机器学习在DDR场景下的应用：

需求驱动的补货（DDR）是S/4HANA 新增的一类计划手段，其中的一个关键要素是对“缓冲水平”的动态调整，补货提前期又是用于计算“缓冲水平”的主要输入。因此，提前期的准确度对缓冲空间尺寸的准确度有重要影响。

通过机器学习模型：

对历史发货的提前提进行评估

对当前采购订单的业务内容进行分析，识别相关因素

最低供应链成本，最优客户服务水平

数字智囊之二：供应商延迟交货预测

在生产计划下达后，因供应商不能如期交货造成的材料短缺，是影响生产节奏的主要因素，增加生产调度的难度和成本。非生产物料的采购延迟到货，同样也会影响相关管理流程或服务水平。

在没有智能算法之前，物料的采购提前期，是要靠人工经验判断，然后维护到物料主数据，之后在采购流程中被采用。

现在，通过S/4HANA 与机器学习智能服务的结合，可根据多种因素和供应商的行为数据，提前识别供应商延迟交货的可能性和概率，为采购管理提供针对供应商的个性化智能建议：

预测更加可靠的采购提前期，并在采购申请/订单中采用；

预测货物的到货日期，并分级管理不同程度的延迟；

机器学习模型给出到货日期预测；

将预测出来的更准确的交货提前期及其他相关采购参数，更新到物料主数据中

对于工厂/仓储之间的在途库存，S/4HANA 全新的 “在途库存” Fiori 应用，提供了所有需要供应链人员关注的在途发货单的信息。同样，通过与机器学习模型的完美结合，这个应用还能担任“数字智囊”的工作，帮助预测每一笔交货的到货日期，及时调整后续的发货或者生产计划，变被动为主动。

数字智囊之三：采购合同生命周期预测

当企业采购部门的采购范围从物料种类、供应商数量上扩大到一定程度时，采购合同的管理难度增加。此时，如果能够对采购合同生命周期的状态进行智能的预测与预告，能够为企业采购管理者带来以下收益：

智能化的预测，提升采购业务的可视化管理

先行发起供应商谈判，变被动为主动

更多的空间谈下更优的价格

更大的余地，保证采购的合规性

基于机器学习模型，SAP的采购合同生命周期预测提供以下能力：

预知合同何时需要重启续约流程

机器学习模型，利用S/4HANA业务数据进行场景化训练

预置相关KPI

数字智囊之四：物料采购的流程建议

与采购合同相关的另一个场景下，尤其对于统谈分采的采购模式，机器学习模型能够发现哪些将要大量采购的物料未在统筹的范围，并建议启动招采或合同谈判流程，以获得最优的采购条件。

数字智囊之五：付款解锁的智能处理

大家可能已了解，SAP已通过机器学习模型实现了自动清账的应用场景。

除此之外，在现实业务中，时常会出现一些例外情况，如额外产生的费用、运输损耗、收货差异等，致使付款被冻结，等待管理者进行处理，而这项工作往往耗时耗力。

SAP的智能化付款解锁模型，提供了以下能力：

预告、跟踪、分析付款过程中的例外情况

提示需要关注的问题，同时提供所有相关的信息及细节

机器学习模型利用数字化的历史采购行为，建议可采取的行动

确保付款条件（如现金折扣）的如期生效

数字智囊之六：采购目录的智能匹配

自由文本的采购物料（Free-Text Items) 出现频率高的情况下，采购管理员会花费大量精力在匹配或新建采购目录上，如果处理的不及时，还会影响采购成本分析的准确性。

SAP 利用机器学习能力，可以智能建议可匹配的采购目录，或建议新的采购目录。采购管理人员会收到系统自动产生的通知，包含详尽的分析数据，如该物料在近几个月内发生采购的次数。如下图所示，智能模型已发现“3D VR眼镜”在近期已在采购订单中出现了40次，建议添加到采购目录中。同时，模型还可建议新目录的名称，管理人员只需“一键式”确认，系统即可启动后续采购流程：

显著提升工作效率及降低人工成本

降低错误率

加速采购流程

结束语：

开篇提到，从2017年到2018年即将发布的1808/1809版本，S/4HANA已打造出与近30个业务场景相融合的机器学习应用。小编也将不遗余力的继续揭晓！想看后续更新，请毫不吝啬地点赞哦！