“在适合的日期、适合的所在以适合的代价提供适合的商品。临汾代收货款”我想这是全部零售业的从业者所期许的完善境界。吕梁代收货款尤其是新零售的概念提出以来，数字化、智能化提供链的提出使我们朝着我们的目标进一步迈进。
在去年的googleI/O开发者大会上，google推出了全新的感知运用程序接口Awareness API，它可以让App明确猎取你在何处、在做什么、周边有什么，甚至是当前的天气状态。
然而google并不满意，为了推广这套API，将体系升级，这一次google推出了一个新的运用程序，利用收罗到的数据，它能为你设计衣服！这个被google称之为“Coded Couture”的APP，是与我们熟知的H&M旗下的时髦数码房子Ivyrevel联手一起来编码时装。
这款即将推出的Android运用程序，经用户同意后能够通过Google Awareness API监控他们的活动和生活方法数据，通过谷歌的智能分析，为用户提供并世无双的本性化定制打扮。
智能提供链包含什么
现在，在这么巨大的网络、用户、产品前提下，只靠人的计算已经很难满意精致运营管理的需求了，所以人工智能在整个提供链中的作用越来越重要。企业能够在提供链的多个关键采取智能化的运用：
①智能展望：基于历史数据和统计学习模型，对产品未来的销量展望、对各维度堆栈的单量展望，对促销其间的促销展望，给出更为智能的相关业务数据展望和相关计划性支持；
②智能产品：基于大数据开始智能化产品分类，从多维度评估产品特征和代价；
③智能定价：基于统计学习和决策树开始动态定价，实现客户为先、供需协同及可持续的最优代价策略；
④智能库存：基于大数据平台和销量展望，为采购、库存管理等提供了更智能化的提议；
⑤科学地分派订单临盆路径及快递安排，以最优的方法满意客户时效要求；
⑥基于模式辨认等技术的危害节制体系，及时预警订单的危害级别等，提供更为安全靠得住的客户体验。
在大数据运用的基础上，进一步利用机器学习等人工智妙手段，搭建智能仓储。通过对于服务水平要求、提供商送货提前期、安全库存分析等一系列参数的学习和模拟，联合基于大数据机器学习的营销展望模块，实现了自动化的产品采购下单、调拨和滞销清仓。
智能化运用场景
对于提供链的采购、翻单等关键，人工智能都能带来巨大提高：
•采购关键：从交期、产能、地区、善于品类等等的身分创建综合分析模型，体系自动提议当前最适合的打样/临盆的提供商。越来越多的公司正在实验用这种方法处理采购关键存在的一些实际问题。
•翻单关键：通过量数据技术开始智慧选款，从海量产品中遴选出潜在爆款；以机器学习与统计学相联合的方法设计展望模型和补货模型，联合大数据技术实现海量数据的内存式展望和补货计算，能够展望未来每天的每个地区的销量和备货量，实现智能化自动补货，既能准备把握打扮企业的爆款，给公司带来最大化的利益，又大大节减了人力成本。
现在有不少打扮企业都在采取VMI模式，从而下降企业的成本。而智能翻单的实现恰好就是与VMI模式的完善联合。
智能化运用碰到的问题
人工智能即使很壮大，但要用好也并不容易，在运用人工智能有可能碰到了如下一些问题：
多关键协同：当前的智慧提供链体系，因为受到现实条件的限定，使得提供链的各个关键相对独立的开始优化而没有形成完备的闭环体系。
应对越发杂乱的不确定性：提供链体系的运行效率，与它所面临的不确定性有重大关系。在传统的策略中，偏向于利用简化模型和保守的策略。可是，这也使得所获得的策略对于现状的改进也较为有限，提供链体系的优化存在瓶颈。从另一个角度来讲，当前受到数据与要领的限定，在用户细分和产品细分两个方面还有一定的提高潜力。
总体而言，为了应对越发杂乱的不确定性，我们每每需要创建越发杂乱的模型，可是模型杂乱度的提高对模型的教练和基础数据的质量提出了更高的要求。
时效性与展望性：现实世界在持续改变，相关的模型需要顺应现实世界的发展，模型的时效性与展望性需要进一步加强。当前，部分信息的收罗与处置未能形成高效的处理方案，使得部分AI模型的快速教练与验证碰到一定问题，造成模型相比当前实际情况“慢半拍”。同时，当前模型的教练主要基于历史数据开始，对于未来新场景的展望能力有待提高。
数据源难打通：用户数据的敏感性造成不同数据源之间的数据难以打通，使得AI模型的运用受到范围。发挥AI的巨大潜力，需要扩大基础信息的收罗面。好比，体系智能补货体系需要根据用户的支付行为、经济能力等信息计算体系最优的补货策略。
可是，因为信用卡数据、通信数据等非常能反应这些特征的数据或信息未能及时反应到智慧提供链体系中，所以我们仅能根据用户的支付和阅览行为对用户的特征开始分析，使得AI技术的运用“巧妇难为无米之炊”。
未来预测
提供链对于人工智能运用仍然在摸索傍边，可是能够相信的是，利用人工智能技术，一定能协同管理采购、物流、定价等提供链的多个领域，从而实现越发优化的资源配备。
拓展运用领域：在包括订单临盆、风控、促销、新品定价等领域进一步拓展AI的运用。
创建基于在线学习的优化策略：渐渐引入数据驱动的在线模型学习技术，使得模型在利用过程中进一步完善与进化。
加强学习下的人工智能：随着运用的深入，我们渐渐创建起有效的提供链体系仿真机制，并以此为基础，创建加强学习体系，使得提供链体系可以应对越发杂乱的问题。
总之，人工智能对于提供链进化作用巨大，未来将借助工业4.0的东风，进一步将智能物流与智能工厂、智能临盆相联合，为顺应打扮零售领域的下一次改革做准备。