Jaymalya（"Jay"）Deb：以机器学习重塑供应链韧性
Jaymalya（"Jay"）Deb 目前担任派克汉尼汾（Parker Hannifin）工业过程过滤部门的分部物料经理。派克汉尼汾是一家《财富》250 强企业，也是全球领先的运动与控制技术专家，业务涵盖过滤、液压、气动、机电及其他相关工具，服务于工业、移动设备、能源和航空航天行业。在该职位上，他负责监督该分部的物料团队。Jay 在供应链和商品管理、工程、IT 以及制造领域拥有超过 20 年的领导经验和技术专长。
Jay 此前曾担任通用电气航空（GE Aviation）的 Oracle 顾问，他凭借在 Oracle R12 方面的深厚专业知识进行解决方案设计，实施了高级供应链计划模块（ASCP）并配置了制造执行系统（MES）模块。在此之前，他进一步拓展了自己的供应链管理职业生涯，为一家总部位于美国的为全球油气行业提供上游设备和技术的供应商领导物料管理、运营管理及供应商发展工作。
在其现任职务中，Jay 利用其在先进供应链技术方面的专业知识，设计和优化系统流程，以改善预测、生产、需求计划、交付和盈利能力结果。Jay 因跨不同职能部门设计创新解决方案而闻名，这些方案带来了可衡量的组织改进。在最近取得的成就中，他开发了用于需求计划的复杂统计模型，利用机器学习技术来缩短成品交付提前期；他还构建了一个自动化的车间调度系统，该系统持续根据已发布的工作订单优化可用产能，从而实现积极的准时交付成果。
Jay 毕业于印度班加罗尔的 R.V.工程学院，获得机械工程学士学位。二十年前移居美国后，他在威斯康星大学麦迪逊分校获得了制造系统工程硕士（MSEP）学位，并在德克萨斯大学奥斯汀分校麦库姆斯商学院获得了工商管理硕士（M.B.A.）学位。Jay 是《运营卓越的管理视角：利用精益理念与低成本国家竞争》一书的作者，该书采用案例研究方法介绍精益实施和变革管理，其中包括制造业中使用的机器人流程自动化概念示例以及用于解决运营管理问题的分析工具。他还撰写过关于其创新的机器学习方法的文章，旨在提高油气行业间歇性需求工业产品的预测准确性。
我们就当前需求计划和供应链管理中的挑战、加速技术的影响、他的解决方案设计方法以及对行业的预测采访了 Jay。
供应链韧性与数据稀缺的双重挑战
Ellen Warren：Jay，在你的职业生涯中，你领导了跨越不同行业（包括油气和工业过滤）的各种供应链优化举措。你认为当今供应链管理中最紧迫的挑战是什么？
Jaymalya Deb：在全球中断背景下，供应链韧性已成为当今行业面临的最紧迫挑战。外部冲击——地缘政治紧张局势、贸易关税、气候引发的延误以及原材料短缺——影响日益加剧，波及整个供应链，造成广泛的不稳定。值得注意的是，最近的证据表明，突发的供应商中断，特别是在油气部门内，导致供应链中断同比增加了 15%。在间歇性需求本身就带来重大规划挑战的油气工业市场中，这些中断加剧了对强大应急措施的需求。同时，可靠数据的稀缺迫使制造商维持较高的库存水平以满足严格的服务要求。随着客户无法预测自身需求，在缺货时寻求替代方案，这种方法变得越来越不可行，从而推高了持有成本并损害了客户忠诚度。
机器学习如何重构应对策略
EW：根据你的经验，技术，特别是机器学习，是如何改变公司应对这些挑战的方式的？你在设计企业解决方案时个人是如何采用新技术的？
JD：技术，尤其是机器学习（ML），正在彻底改变公司应对供应链挑战的方式，如全球中断下的韧性和数据稀缺问题。机器学习通过分析海量非结构化数据集——包括历史需求模式、实时市场信号以及地缘政治风险或气候数据等外部因素——增强了需求预测能力，即使在工业油气产品等间歇性需求场景下也能实现更准确的预测。高级算法识别需求可能性并优化库存水平，减少过度囤积的同时提高服务水平。此外，机器学习驱动的预测分析通过模拟供应链风险支持韧性建设，使公司能够模拟中断情景并制定敏捷的应急计划。来自新闻来源的实时洞察突显了这些工具日益广泛的采用，据报道，企业在供应链效率方面提高了高达 20%。
作为高级供应链经理，我个人拥抱这些技术，为油气工业产品设计量身定制的企业解决方案。我开创了一种混合预测框架，整合了先进方法，基于稀疏数据完善需求预测。这种方法受我在实地获得的见解启发，已在多个组织中实施，将库存优化提升并将缺货情况减少了 20-22%。我还融入了实时数据流和情景分析工具，以构建具有韧性的供应链，实现动态补货和主动的工厂调整。这些创新经过多年数据的验证，反映了我致力于利用尖端技术来解决紧迫的行业挑战的承诺。
破解间歇性需求预测难题
EW：你最近开发了一种创新的混合机器学习方法，用于预测油气行业的间歇性需求。你能告诉我们为什么传统预测方法在这些场景中会失败，以及你的混合模型如何更有效地解决这个问题吗？
JD：传统的预测方法，如简单移动平均法、指数平滑法和 ARIMA 模型，在涉及油气工业产品领域的间歇性需求场景中往往力不从心，这是由于它们固有的局限性所致。这些方法擅长处理稳定、连续的需求模式，但难以应对工业产品典型的零星、零值密集的时间序列。具体而言，它们在需求激增后表现出向上偏差，未能充分处理长期的零需求时期，并且缺乏纳入复杂协变量或识别潜在需求模式的能力，从而导致不准确的预测和过多的库存。
我的创新混合机器学习方法通过将 Croston 方法与先进的机器学习技术（特别是 XGBoost）相结合，解决了这些不足。该框架像 Croston 模型一样将需求规模和到达间隔分开，并通过引入分类模型来预测需求发生的可能性，利用历史数据和外部因素作为特征。如果预测的可能性超过优化后的阈值，回归模型将估算需求规模。这种双重方法利用了 Croston 的统计基础，同时发挥机器学习处理多维数据的能力，从而产生更精确且更具适应性的预测。经过多年每日数据的验证，该模型使准时交付率提高了 10-14%，缺货率降低了 20-22%，为石油和天然气行业的间歇性需求挑战提供了更有效的解决方案。
机器学习与 S&OP 流程的深度融合
EW：在您当前的职位中，您主导开发了一个基于销售与运营规划（S&OP）的月度预测审查流程。在这种情况下，机器学习如何融入 S&OP 流程以提高预测准确性和促进跨团队协作？
JD：在我担任多个组织职务期间，我主导开发了根植于销售与运营规划（S&OP）的月度预测审查流程，利用我的经验增强协同一致性和决策能力。机器学习通过提高预测准确性和促进跨团队协作融入 S&OP 流程。我的混合预测模型分析历史销售数据、来自网络源的市场趋势以及运营输入，以预测石油和天然气工业产品等产品的间歇性需求——实现了准时交付率双位数百分比点的提升。
在 S&OP 周期中，机器学习提供数据驱动的基线预测，销售团队根据客户洞察进行细化，而运营团队则根据产能限制进行调整。这种迭代式输入由我实施的实时仪表板促进，显著减少了偏见并大幅提高了防止缺货的准确性。随着机器学习生成的情景（例如需求激增或供应风险）作为一种共同语言，促进了评审会议中的跨职能协同，协作得以改善。这种整合经过数月的实施验证，确保了预测和资源规划的主动、统一方法。
弥合技术与运营的鸿沟
EW：您的职业生涯和领导角色涵盖工程、IT 和供应链管理。在设计涉及机器学习或 ERP 系统等复杂技术的解决方案时，您如何弥合技术团队与运营团队之间的差距？
JD：我的职业生涯赋予了我弥合这一差距的独特视角。这种跨学科经验使我能够充当翻译者，将数据科学家和 IT 专家的技术专业知识与运营利益相关者的实际需求相协调。
我通过发起跨职能研讨会来促进协作，其中技术团队展示简化版的机器学习算法或 ERP 功能概述，而运营团队阐述现实世界的挑战，例如与石油和天然气相关的工业组件的间歇性需求。例如，在开发我的混合机器学习预测模型时，我确保关注算法的准确性，而供应链经理则强调库存约束，从而创建了共同的理解。包括使用运营数据进行试点测试在内的定期反馈循环进一步完善了这些解决方案，确保了可用性——我的模型持续减少缺货正是源于此类迭代输入。
驱动跨职能团队的共识与认同
EW：领导跨职能团队是您角色的重要组成部分。您如何确保销售、工程和运营团队与您实施的先进预测模型保持一致，并如何让不熟悉技术方面的利益相关者获得认同？
JD：领导跨职能团队确实是我角色的基石，这得益于我在工程、IT 和供应链管理方面的长期经验。为确保销售、工程和运营团队与先进预测模型保持一致，我采用了一种结构化但具有协作性的策略。我从跨职能研讨会开始，整合每个团队的视角——销售提供市场洞察，工程确保技术可行性，运营突出执行挑战。例如，在为石油和天然气工业产品实施预测模型时，我主持了会议，以对齐销售的需求信号与运营的库存目标，并利用工程部门来验证基于高级机器学习的预测模型集成。
为了获得对技术方面不熟悉的利益相关者的认同，我专注于将复杂概念转化为切实的商业利益。我使用视觉辅助工具，如简化的流程图或显示模型在准时交付率上百分比点提升的仪表板，以使技术变得通俗易懂。我还进行有针对性的演示，例如使用真实数据进行试点运行，让利益相关者亲眼看到缺货率的降低（在我的案例中为 20-22%）。通过一对一讨论解决担忧，并将结果与他们各自的 KPI（例如销售的收入稳定性或运营的成本节约）联系起来，进一步建立了信任。这种方法经过多年领导经验的磨练，确保了全方位的协同一致和热情采纳。
数据驱动决策的战略路径
EW：根据您的经验，组织如何利用数据——无论是来自 Oracle EBS 等 ERP 系统还是外部来源——来驱动决策流程并提高供应链绩效？
JD：组织可以通过采用战略性、一体化的方法来最好地利用数据——无论其来源是内部还是外部。
首先，整合来自 ERP 系统的数据提供了坚实的基础。例如，Oracle EBS 提供了关于库存、采购和生产的实时洞察，我曾利用这些数据优化石油和天然气工业产品的再订货点。将其与外部数据（如市场趋势或供应商绩效指标）集成，可以丰富数据集。例如，我的混合预测模型结合了此类外部输入以及内部 ERP 数据，提高了需求准确性并减少了缺货。
其次，组织应投资于包括机器学习在内的先进分析技术来处理这些数据。通过在历史 ERP 数据和实时外部信号上训练模型，企业可以预测中断或需求激增，正如我在工作中所展示的那样。这需要干净、标准化的数据，这是通过我实施的治理框架来实现的，以确保数据质量。
最后，借助易于使用的可视化工具，决策过程得以改进。我已部署了将复杂分析转化为可操作见解的仪表板，使跨职能团队能够在战略上保持一致。这种全面的数据利用，经我的实地经验验证，推动了主动调整，增强了韧性，并提高了整体供应链效率。
AI 驱动的自主供应链未来
EW：作为机器学习和供应链管理领域的专家，您对需求预测的未来有何愿景？您是否预见 AI 驱动的解决方案将在自主管理供应链中发挥更大作用，如果是，公司应如何开始为这一转变做好准备？
JD：我对需求预测未来的愿景，源于我在机器学习和供应链管理领域的专业知识，其核心在于无缝整合由人工智能驱动的解决方案，从而彻底变革该领域。我预计需求预测将演变为一种高度预测性、自我适应的过程，利用来自物联网传感器、市场情绪和 ERP 系统等多样化来源的实时数据，以前所未有的精度预测需求，即使是石油和天然气工业产品中常见的间歇性模式也不例外。我的混合预测模型目前已将准时交付率提高了几个百分点，这是这一转变的先驱；我预见人工智能将通过自主优化算法并纳入地缘政治风险等外部变量，进一步扩展这一能力。
人工智能驱动的解决方案有望在自主管理供应链方面发挥更大作用，可能实现库存调整、补货决策和供应商协调的自动化。根据网络分析中的新兴趋势，这可能会减少高达 30% 的人工干预，同时增强对中断事件的韧性。企业可以首先投资于强大的数据基础设施——从 Oracle EBS 或类似系统获取干净、集成的数据集——为人工智能模型提供燃料。其次，他们应通过有针对性的培训提升团队技能，正如我通过跨职能研讨会所做的那样，以弥合技术与运营之间的差距。最后，在受控环境中试点人工智能工具（如我的缺货减少试验）将建立信心并完善流程。这种主动方法将使组织能够充分利用人工智能在供应链管理中的全部潜力。
精益原则与高级分析的协同效应
EW：您撰写了一本关于精益制造和卓越运营的书籍。您书中阐述的原则与您如今在供应链管理中应用的基于数据和机器学习的方法有何契合或互补之处？精益原则与高级分析如何协调以实现最优的供应链绩效？
JD：我的关于精益制造和卓越运营的书籍，源自我多年的行业经验，强调消除浪费、持续改进和价值流优化——这些原则与我如今在供应链管理中应用的基于数据和机器学习的方法无缝契合。精益注重减少过量库存和提高流程效率，这与我的混合预测模型相辅相成，后者通过利用精准的需求预测来最小化缺货和过度库存。例如，精益的准时制理念因机器学习预测石油和天然气工业产品间歇性需求的能力而得到增强，使生产与实际需求保持一致。
将精益原则与高级分析相结合，为最优供应链绩效提供了强有力的框架。精益提供了运营纪律——简化工作流程并培养改善文化——而分析技术（如混合预测模型）则提供预测智能以支持这些努力。企业可以通过使用数据识别浪费（例如，由 ERP 系统标记的过量库存），并应用价值流图等精益工具加以解决，同时以实时洞察为指导。我已通过将精益的拉动式系统与机器学习驱动的补货点相结合来实现这种协同效应，使准时交付率实现了显著的百分比提升。这种双重方法最大化了效率，降低了成本，并增强了韧性，构建了一个平衡且面向未来的供应链。