物流在当今商业生态中扮演越来越重要的角色，无论传统物流企业还是科技巨无霸衍生出来的物流公司都开始下场角逐。
除了在人力和网点上的竞争，物流管理的也是影响最终结果重要因素之一。
如今，在物流管理中有很多关于人工智能（AI）和机器学习（ML）的讨论。其理念很简单：优化、预测、执行和重复。今天我们聊的话题就是一个物流技术的游戏规则改变者——机器学习和异常管理。
本文1069字，需要4分钟。
物流管理中的机器学习
物流管理的主要环节包括订单计划、供应商绩效管理、运力优化（管理）、调度管理、在途的货物跟踪以及交付管理。
接下来，系统推断出这些环节（物流流程）中哪些节点或瓶颈可以被修复、改进或增强。然后，这些推断或分析被实施到物流设置中。学习机制从优化开始。随着时间的推移，该系统演变和改善所有关联的物流管理流程。这是物流管理中的机器学习。
物流中的异常管理是什么？
物流异常（问题）是偏离计划的或预期的执行过程。例如：
货物装载没有正确地分配到可用的运力中（造成容量不匹配和装载/调度延迟），产生运力浪费或延迟。
在途中的货物被滞留在一个地点超过两个小时（或违反服务协议，超速或严重刹车）。
收货人订单和收货数量（或产品）不符。
异常管理的目标是尽全力缩小计划结果和实际结果之间的差距。异常管理的机器学习引入了责任和效率。可以作用到主管，仓库，货运代理，物流服务提供商，收货人（分配点）等。
机器学习支持的异常管理系统通过6个阶段完善和提升物流效能。它们是发现、分析、分配、解决、记录和升级。
发现：检测并报告流程中的问题或异常。这可以通过温度传感器（冷链物流）、实时运动跟踪、订单行程跟踪（每个SKU）等。
分析：根据协议（或学习）分析和处理问题或异常。它对所有异常进行分类并向前推进——无论是分配异常还是升级异常。
分配：将异常定位到正确的人员或部门（最适合及时解决异常的人或单位）。
解决方法：最佳的解决路径寻找和提供。
记录：记录并分析从发现到解决的每一个异常。该系统处理这些记录，以便为未来的应用可能出现的问题提供见解或最佳方案。
升级：这是动态异常管理的一个重要方面。系统不断地跟踪系统内的每个问题。如果在分析或解决阶段，主管（或系统）认为问题是关键的或复杂的，那么它将通过特殊的“分析”和解决升级。它主要包括拥有不同技能或权限的人。如果系统检测到一个问题没有在合理时间范围内得到解决，它将再次升级。
通过这6个阶段，该系统不断地剔除导致效率低下的问题。有助于减少错误和延误，从而提高利润率。
在物流领域，异常管理是一个游戏规则改变者。它成功地弥合了技术效率和现场员工效率之间的差距。在缺乏组织或传统的市场上，这种方法尤其有效，因为这些市场充斥着各种“意外”。
如果以正确的方式使用机器学习支持的异常管理系统(EMS-Exception Management System)，许多企业可以迅速扩大规模，提高效率。这不仅是盈利的前提，更可能是拯救公司的唯一选择。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
