数字双胞胎 ： 开启端到端供应链增长的关键

复杂性、COVID-19疫情以及竞争格局的变化已颠覆了供应链组织。通过部署基于人工智能的数字孪生技术，它们可以重新点燃收入增长并加深其韧性。 这篇文章是由阿尔贝托 · 奥卡,亚历克斯 · 科斯马斯,Cenk Tunasar，以及Ketan Shah与Lauren O’Neil代表QuantumBlack、麦肯锡的AI业务以及麦肯锡运营实践的观点。 数字双胞胎可以治愈供应链 新冠肺炎疫情后时代在供应链中造成了持久的裂痕。在全球化不断加深、客户期望不断提高以及航运量持续大幅增长的背景下，1供应链组织——不仅仅是制造商和供应商，还包括它们依赖的仓库和运输商——正承受着压力。它们面临与运营效率、需求预测、库存管理以及履行服务相关的问题。这种复杂性影响了每个行业供应链的每一个环节：零售、科技、汽车、工业、食品服务、电信等领域。结果是增长停滞和错失的收入机会。 在这种情况下 ， 不重新调整供应链运营的组织可能会落后。数字孪生可以帮助实现这一recalibration。领先公司已开始依赖这些方法以确保其供应链具有足够的灵活性、敏捷性和响应性，以克服意外中断。 数字孪生是虚拟复制对象、系统或过程的技术，用于模拟潜在情况和结果。数字孪生利用真实数据（有时以屏蔽或合成形式）提供分析洞察和可视化效果。许多组织使用数字孪生优化运营、规划情景并提供辅助支持。决策市场分析表明，未来几年数字孪生全球市场的年增长率将达到30%至40%，到2032年市场规模将达到1.25万亿美元至1.5万亿美元。5 多种竞争力量正在对供应链施加压力：消费者对通过快速免费配送的低价产品的需求；制造业、仓库和配送员工的工资上涨；以及对未来宏观经济冲击的模糊可见性。麦肯锡的研究显示，超过90%的美国消费者现在期望两到三天送达购买的商品，而三分之一的消费者期望当天送达。2自疫情扰乱了面对面销售以来，B2B公司期望其供应商通过在线市场、移动设备、视频会议和聊天等方式提供全渠道销售。3 数字孪生可以用于建模供应链中物理过程和数字过程之间的交互——从产品构思和制造到仓储和分发，从店内或在线购买到发货和退货的整个过程中。因此，数字孪生描绘了一个端到端最优供应链过程的清晰图景。更重要的是，结合当今预测AI的进展，数字孪生可以变得既是预测性的又是指导性的。它们可以预测未来场景以建议改进或增长的领域，最终导致一个自我监控和自我修复的供应链。换句话说，数字孪生赋能了从基于经验的供应链管理向动态和精细优化的转变，提供了价值和性能损失的全方位视角。 满足这些预期比以往任何时候都更具挑战性。劳动力成本居高不下——仓储工资在2020年7月至2024年7月期间上涨了超过30%。4- 在满足利润率的同时难以维持低价格。制造业劳动力短缺削弱了稳定库存流动的能力，而意外的经济冲击如近期通货膨胀则进一步复杂化了需求预测。即使供应链运作良好，履行订单仍面临挑战；仓库存储率依然受限，导致产品延迟送达接收方。 为了了解自愈供应链在实际中可能如何运作，让我们来看一个例子：零售商利用数字孪生技术为每个履行中心设定动态的商品级别安全库存目标，这些目标会根据本地情况进行动态调整。 —端到端连接:数字孪生可以连接供应链中的SCM工具，提供整体性能视图及上下游决策影响的综合视角。这消除了各自为政的方法，即每种工具仅优化其本地变量，彼此之间缺乏协调。例如，一家零售商利用数字孪生技术连接了其计划、库存部署和运输管理工具。 并且应用于季节性需求模式。此外，这种精细优化不仅应用于库存管理，还贯穿于整个端到端供应链的每一个环节——从采购和产品设计到制造和需求预测。例如，零售商的精细生产计划可以与下游运输决策和库存定位协调进行。动态规划可能会识别出一种高销量的商品，并具有交叉销售潜力，尽管该商品的制造成本较高，但通过捆绑运输和提高客户转化率，整体物流成本降低，从而实现更高的利润率。这类复杂的预测建模正是数字孪生擅长的。在这种情况下，典型的结果包括消费者承诺履行率提高20%（即达到与消费者沟通的交货日期），劳动力成本降低10%，以及收入提升5%。 —动态市场中的弹性 ：在COVID-19之后，随着市场波动性不断增加，供应链运营商必须不断更新其政策，以应对需求波动和间歇性的供应冲击，如港口中断或材料供应问题。结合数字孪生技术，供应链管理（SCM）工具可以提供实时的细粒度性能可见性，并配以预测性和规范性分析，以动态识别风险并推荐政策变更以实现快速解决。例如，一家原始设备制造商利用自动化感知和响应的数字孪生能力，识别承运人表现和附加费的变化，有效降低了最后一公里运输成本5%。 数字孪生优化了当今的 SCM软件 今天的供应链管理（SCM）软件——包括高级计划与排程（APS）工具、仓库管理系统（WMS）和运输管理系统（TMS）等一系列产品——在过去十年中已经自动化了供应链的大部分类别，显著简化了供应商、买家和承运商之间的交互过程。 —多个目标 ：数字孪生可以优化跨竞争优先事项和复杂约束条件，以快速响应市场变化。例如，一家汽车制造商利用数字孪生动态调整需求，基于供应可用性的变化和运营复杂性，综合解决了销售和运营双重目标。 数字孪生可以与现有的供应链管理（SCM）工具集成，作为技术栈之上的创新层。通过这种方式，数字孪生可以优化输入到SCM工具的数据输入，生成预测性分析以应对和回应多种潜在场景。例如，一家全球原始设备制造商创建了一个数字孪生，以优化其向运输管理系统（TMS）平台输入的物流政策。结果，该制造商降低了8%的运费和损坏成本。 —可变性:数字孪生与供应链管理工具结合可以测试潜在场景的分布，通过分析诸如交货时间、需求和供应商可靠性等指标，同时考虑假设情景的结果。例如，一家消费品公司测量了仓库内的可变需求和劳动力，并识别出降低总分销中心成本15%的机会。这体现了网络韧性。 深入了解数字双胞胎 看到数字孪生在实际应用中的效果是理解它们如何在供应链的关键点创造价值的最佳方式。探索以下潜在应用场景，以了解数字孪生如何在整个供应链中解决实际痛点，从而提高效率和韧性。 预测需求 预测和需求规划 痛点 数字孪生用例 • 不准确的预测导致库存过剩或缺货，并造成非最优的成本结构 • 缺乏实时数据阻碍了对市场变化的响应 • 概率性需求预测与假设分析 •情景测试及动态单品层级上游需求规划 • 动态优先级设置，尤其是在供应受限的情况下 优化供应 采购和生产计划 数字孪生用例 痛点 • 全球生产计划优化以实现端到端库存流动• 平衡生产成本、物流支出和客户体验的生产计划• 实时和预测性的供应商可靠性视图 • 缺乏对采购和供应商的了解 • 生产停机时间或生产能力不足 网络设计 配送中心网络 数字孪生用例 痛点 • 网络设计每五年至十年重新评估一次，并采用新的模型（例如，模型是一次性的）•难以规划未知的供需场景 • 基于自下而上的模型，能够代表所有网络的复杂性和相互依赖关系 • 永不过时的模型，连接实时数据源以优化网络设计和库存管理 库存管理和定位 配送中心网络 (续) 数字孪生用例 • 库存水平与需求不符（例如，缺货或高库存水平）• 升高的中端和末端运输成本• 延长的客户前置时间 • 对网络、订单及运营限制（例如，冷藏存储）的详细库存视图• 基于实时供应和需求的快速动态政策优化（例如，安全库存）• 支持新产品发展的冷链网络设计 仓库优化 • 运营效率低下（例如，配送中心[DC]对冷链存储的需求不够明确）• 仅解决平均值问题，导致人员配置不足或过剩 最终客户 Fulfillment • 概率权衡的可见性 ， 以确保以最佳成本实现最高的服务水平• 通过对粒度约束的可见性优化运输 • 最后一英里运输成本高 逆向物流 数字孪生用例 • 从下往上的仿真测试新的逆向物流流程模式• 简化门店和DC网络的能力 • 高服务成本（例如，手动流程以验证再销售的可行性）•无法全面了解逆向物流网络中的可用库存 尽管供应链组织认识到数字孪生所能提供的价值，但很少有组织能够大规模实施。与许多即插即用的SCM解决方案不同，数字孪生可能需要定制构建才能实施。由于数字孪生经常处理大量专有、掩码或合成数据，它们几乎总是需要定制构建，这需要相当长的时间和投资。供应链组织必须拥有内部数据科学和开发团队，能够构建使用先进AI算法的数字孪生，或者与在这些领域具有专业知识的外部供应商进行合作。 供应链组织正在利用数字孪生技术优化其长期战略和日常运营。我们观察到的供应链公司最常用的数字孪生应用方式包括库存定位与预测、管理仓库和工厂内部的货物流动以及辅助生产规划。但这些仅是数字孪生在整个供应链中应用的一部分。无论数字孪生如何使用，其带来的好处都是明显的： —战略:数字孪生可以通过模拟潜在结果来降低长期规划和更广泛的数字化转型的风险。这种“如果-如何”预测建模使公司在其战略计划的端到端影响方面更具信心。例如，一家零售商使用其分销网络的精细数字孪生来测试新分销中心设计的自下而上的影响。该公司之前曾使用自上而下的分析来确定新建交叉转运中心的规模和位置。但当团队使用数字孪生来模型所有潜在的交叉转运中心放置约束时，他们发现可以在仅需50%的实际土地面积的情况下重新调整和重新定位该交叉转运中心而不影响其功能。 渴望踏上数字孪生旅程的组织应专注于成功的五个关键原则 ： —北极星路线图 ：确定以数据和科技为基础的未来供应链运营愿景。识别支持北极星愿景的端到端应用场景，然后通过优先考虑影响（利润与亏损或交付）和可行性来构建用例路线图。通常，公司会首先优先考虑具有快速价值实现速度的用例，以便在旅程早期证明其价值。 —数据可见性:对于端到端路线图中的每个应用场景，识别所需的数据输入和输出。构建一个支持应用场景路线图的企业数据产品配套路线图，并优先考虑将在多个高影响实施中共享的数据元素。采用敏捷开发方法逐步开发这些数据产品。要开始时，数字孪生需要半定期的数据管道，包含数字化和标准化的数据，但可以通过更静态的数据源（例如，仓库的日均吞吐量与每日人员配置水平）填补数据空白。 —运营:超越单一的战略决策，数字孪生可以作为“一模型统管所有”，优化不同运营领域的日常决策。换句话说，而不是一套独立的预测模型，数字孪生可以结合多种模型进行集成预测和决策——动态比较供应链中竞争性的权衡，建议具体的运营变更。例如，同一零售商利用其数字孪生不仅优化了其分销中心的交叉卸货面积，还优化了其每日库存定位决策——预测每周天数的供应政策以平衡成本、服务水平和可持续性。结果是在区域分销中心利用率方面提高了10%，并在履行成本方面降低了5%。 —技术架构 ：数字孪生架构主要由现有的数据源和技术组成，并通过API和中间件进行整合。通常，支持一个数字孪生体所需的计算能力仅需小幅增加，因此确保技术团队能够满足这些需求。 具有根据需要扩展当前计算资源的灵活性。 捕捉早期影响 ， 然后在以后整合这些模块。 —天赋:评估所需团队成员的技能水平，包括产品经理、数据工程师、数据科学家、用户界面/用户体验设计师以及全栈开发人员，以交付数字孪生。数字孪生最适合采用敏捷方法进行快速开发周期，因此产品管理团队可能需要接受敏捷方法的相关培训和技能提升。 端到端供应链优化不仅需要实施技术，还需要在领导层和整个组织内推动思维模式的转变。内部，使用数字孪生的公司必须努力消除内部孤岛，并用数据驱动的决策取代零碎的机构知识。外部，公司应该仔细分析他们在互联互通全球供应链中的角色。在一个日益复杂且相互关联的世界中，供应链上的组织可以通过数字孪生预测潜在的中断以及可能影响其业务的“假设情景”。虽然没有人能准确预测下一次疫情、战争或经济冲击，但数字孪生可以帮助公司应对这些不确定性并作出适应。 —优化和仿真 ：识别公司的首个数字孪生应用场景并部署。基于数据产品创建优化和模拟模块，以捕捉应用场景的影响。然后，逐步扩展应用场景并结合模块进行集成模拟和端到端优化。请注意，在数据产品完成之前，团队可以