麦肯锡在最近的一份报告中表示:“在实施新的计划和调度系统后，一家制药公司的规划者每天收到超过200条异常信息。”这种现象是系统不智能的结果。换句话说，系统无法理解每个事件对供应链运作有什么影响。系统应该能够处理和响应高频率和低影响的事件。此外，通过高影响和低频率事件来增强和加快决策制定。

不幸的是，目前大多数供应链技术都是基于提供可见性，而不了解什么是重要的。了解和评估每个事件的影响，并制定解决方案需要大量的专业知识。一个供应商发送了一条消息，指出他们的交付延迟了2天。这会有什么关联呢？是否会导致停产或延迟交货给你的最终客户？如果延误2个小时或2个星期该怎么办？使系统能够解读接收到的消息并根据需要作出反应，这需要供应链系统的深度建模能力和智能。例如，如果供货晚到，那么我们是否可以推迟另一个订单，以补充那个晚到的订单，或者是否可以使用替代部件，或者是否可以支付溢价从另一个供应商那里获得部件?

对这些可能性的探索表明，该系统可以更好地作出反应。然而，智能系统可以预测许多此类问题的发生并采取预防措施。在上面的例子中，它可能是供应商在某个季节的一种行为模式，这是可以预料到的，也是可以考虑的。另一个例子可能是某个客户在某个时间点下了一个大订单，导致了这种延迟。智能系统使您能够提前预测此类模式，并以更低的成本提供更好的承诺日期，从而降低供应链风险。

利用机器学习技术发现供应链中的行为模式有助于使供应链更具弹性和可预测性。

你的预测能力越强，你需要做出的反应就越少！

此外，拥有一个使用智能传感器来检测、解释和处理事件的分布式环境，可以防止发送数百个异常报告，造成系统紧张。