疫情后的供应链：如何在决策中建立弹性

从面向客户的订单管理流程到供应链的后端，供应链运营商面临的决策非常复杂。

无论您在整个供应链中面临什么决定，都可以通过一个或多个测量值来支持，这些测量值属于“理想供应链”的这六类属性之一：可靠、有弹性、敏捷、经济高效、可持续且符合道德规范。

让我们描绘一下领域驱动设计（DDD）和面向对象（OO）框架帮助实现这些属性的强大功能，重点介绍一个示例：弹性。

当我们建立与供应链业务流程和KPI的数据一致性时，我们将触及另一个正在变得至关重要的概念，称为特征工程。我们将讨论OO概念的应用，如多态性和抽象，如何与各种供应链业务应用程序中的特征工程功能相关，使AI/ML功能准备好实施。随着我们将供应链应用程序的成熟度从供应链运营参考（SCOR）基于模型的KPI的传统后视视角扩展到图2中涵盖的高级供应链数字应用程序和功能的类型，可重用的特征工程将至关重要。

弹性的传统定义是处理供应链中可变性和不确定性的能力/敏捷性，以满足响应能力测量（即订单周期时间）。传统的响应性测量是单一维度的测量。但是，当我们开始剖析响应性测量的促成因素时，我们发现概率和风险理论几乎适用于供应链的方方面面，特别是当我们考虑在COVID疫情中吸取的教训时。影响弹性指标的主要业务流程是采购、制造、物流和分销。

让我们更深入地研究分布函数对复原度测量的贡献，并评估如何部署DDD或OO原则。


评估弹性所需的数据包括客户订单、供应链容量、库存和现金流。其中每一个都提供多种业务分析功能；然而，新出现的需求中最关键的是情景规划。情景规划使我们能够预测和减轻整个供应链中所有维度（即资本、劳动力、能力、产能、宏观经济、地缘政治和需求）的风险。

从上图中，使用数据镜头（从右到左）分析业务流程，阐明了对基于DDD/OO的设计计划的需求。除了上图所示的内容外，订单数据支持的其他一些必要应用程序还包括：动态定价、新产品介绍、分销能力分析、费用优化、货运报告和分析、物流网络优化、多渠道客户需求与产品和服务交付协调、全渠道预测订单分析等。

这些用例中的每一个在应用于订单信息的范围、粒度或特定计算方面都可能略有不同。这些不同的子集可能因订单类型、时间范围、产品性质（按订单生产、按库存生产、按库存生产等）、定价条件和客户类型而异。支持订单数据的单独自定义数据馈送以满足上述每个用例的需求将是一项代价高昂的工作。但是，通过显式规划对订单信息的聚合数据管道的重用，并通过执行DDD/OO 原则，我们可以将订单视为可以广泛重用的基对象类。下面是两个示例：

• 抽象 – 始终表示可发货需求订单的订单类，或始终表示日历月中所有到期发货的订单类。这使您可以混淆合并订单标题、详细信息、行项目日期等的复杂性。最适合应用于动态定价和物流网络优化等用例。
• 继承和多态性 – 继承的最佳应用是方案规划。方案规划可能需要公开多个特征/变量，与基本变量相比，这些特征/变量可以提供可靠的继承应用。将此功能扩展到具有相互依赖性的100多个数据点，可最大限度地降低复杂性，并提高扩展方案建模功能的能力。

对制造和快消组织中数据点在数据/分析用例（供应链及其他）中的应用进行全面分析，揭示了这一点：最重要的“交易”对象对应于50多个分析用例中的应用程序。这些对象包括：订单、GL交易、货物移动、生产/采购订单和客户交互。成功部署基于DDD/OO的模型可以从根本上简化向下游/上游应用程序提供数据的数据管道和产品。这消除了巨大的技术债务、冗余治理和维护开销，这些费用是您曾在“典型供应链数据生态系统”中看到的冗余和重叠数据馈送的管道丛林中固有的。

基于收敛对象模型概念，特征工程的使用比以往任何时候都更加重要。随着人工智能和机器学习（AI/ML）应用程序变得越来越数据饥渴，DDD/OO架构可以基于以下技术，构建和重用具有相关和预计算功能的预填充功能存储：

• 异常值管理 – 预测和消除异常值。其中大多数都可以使用常见的统计技术来处理，如标准偏差、分层、百分位数等。在场景规划练习中对上一节中公开的对象进行异常值管理，可以获得现在可以训练适合的可靠数据。
• 插补 – 缺少数据和缺失临界值。数值插补和信息插补。这些算法非常可预测，对于某些用例，数据准备工作可以集成到对象表示中。
• 转型和标准化 – 再次花费大量资源和精力使机器学习工具包能够生成智能。用户启用的功能为参考数据带来了具有有限可能值的可预测结构，从而实现了有效的机器学习功能。

结论
我们描述的DDD/OO技术如果做得正确，将为构建更具弹性、成本效益和效率的数据和分析决策支持能力提供第一个基础步骤。这在疫情后的供应链中将是非常有价值的。

在本系列的后续几篇文章中，我的同事Cheryl Wiebe将探讨如何构建一个特定于领域的数据中心，以实施和支持未来更具弹性的数据驱动型数字供应链。