供應鏈需求預測創新 AI落地應用沒有界線

新創Deepsense先以麥肯錫對導入AI進行供應鏈管理的效益當開場白；說明AI可有效降低企業市場需求預測誤差25~50%，故可對存貨補充方式進行優化，降低所需存貨水準25~50%的同時，也可降低因無存貨導致的65%銷售機會損失。Deepsense本身協助過許多企業、單位進行過市場需求預測；強調需求預測必須同時結合歷史銷售數據(對新產品而言則是類似屬性者的歷史銷售數據)，跟產品屬性兩類主要資料，最終希望獲得一定期間內銷售數量的機率分配模型，而不僅僅是一個銷售的點預測值。

從該新創協助英國國家健康服務(National Health Service，如台灣健保署)進行庫存血液分配最佳化的專案來看，最終除明顯降低20%的血液運輸成本外，也減少30%因過多地區倉儲造成到期報廢的血液量；輔助馬來西亞一家鋼鐵公司，除降低市場需求預測錯誤的6.4%，也將現金循環週期(Cash Conversion Cycle，從支付現金購買庫存起到最終收回銷售所得現金為止的天數)減少了21天；針對歐洲流行商品零售商的專案，除降低28%積壓在存貨的資金外，也讓客戶訂單達交率(Fulfillment)提高了11%。Deepsense也總結分享在建立市場需求預測模型時，常見的錯誤類型、應輸入資料的種類、產品屬性應含的資訊等如表一所示，讓與會者參考改進自身的模型。

綜觀各產業面的創新，我們發現AI的落地應用其實沒有界線，端看想像力可發揮到何種程度而已。以目前全世界AI應用領先標竿的Uber為例，該公司資料科學平台負責人談到推動數位轉型如何能獲更快更好結果時，採用的方式是一套的｢三部曲｣SOP進行擴散，可供國內廠商參考：

1. 先開發大量工具給資料科學家團隊加快創新循環－這些工具包含了初階的｢資料視覺化模組｣、配合TensorFlow自行開發的深度學習架構等；在探索過程中要給資料科學家｢端對端｣主導權(End-to-end ownership)，在產品化階段也要有專職全端(Full-stack)的資料科學家負責，在實行監督階段則要讓執行流程越簡單越好。

2. 給予資料科學家團隊足夠資源建置應用平台－讓一般員工也能做資料科學家的工作，最理想狀況是讓一般員工按一個鍵就能完成工作；目的是讓專業技能(Specialist skill set)可透過規劃好的平台跟工作流程，擴散複製到其他員工身上。在該公司有三套關於｢預測｣的案例系統皆是依此方式建立：搭車市場需求(Marketplace forecasting)、即時系統斷電偵測(Real-time system outage detection)、自有硬體容量規劃(Hardware capacity planning)。

最終在內部提供｢諮詢服務｣，公告成功的平台設計，並獲取早期成果(Early wins)－除了資料科學家要擔任內部顧問角色外，關於深度資料整合、自動化的資料/系統品質偵測、任務失敗(Job failure)的自動化偵測，都是要具備的先決條件。實際案例如讓Uber司機一鍵式智慧回答系統｢One-Click Chat｣推出後，解決了司機不方便一邊開車一邊打字的痛點；在獲得早期成果後，又借用衍生出的語意偵測(Intent detection)技術推行完全不須用手的語音回覆系統｢Hands-Free Pickup｣，跟可主動推薦解決方案的客服支援系統｢Customer Care｣。

AI落地決勝關鍵，透過AIdea用AI改變產業，帶領企業走向全新高峰！ 填寫問卷取得「企業轉型 | AI導入建議與案例說明」全攻略：https://bit.ly/3to7sKA