在这种情况下，输入数据就是软件所推荐的货位策略。输出数据是最终决定执行的策略。机器学习算法可以和货位分配软件结合，通过对实施最终货位摆放策略的员工的倾向性进行不断的学习，最终实现自动调整。

三、制定策略

明确仓储相关领域可以从人工智能技术获益之后，制定相关的应用策略将非常重要。在其发表于《哈佛商业评论》的文章中，Andrew Ng对高管们应该如何定位公司的人工智能策略提出了一些有益的看法。他写道，制定一个成功战略的关键是“理解在哪里创造价值，什么是很难复制的”。

Ng指出，人工智能研究人员经常发布和分享他们的想法，并公布他们的代码，因此我们可以很便捷地接触到最新理念及进展。相反，“稀缺资源”是数据和人才，而这两点对企业制定人工智能策略获取竞争优势极为关键。在数据源已经被精确连接到了对应的输出信息的情况下，复制一款软件比获得原始数据要简单的多。因此，具有鉴别与获取有价值的数据并有能力根据实际情况修改软件参数以最大化利用这些数据的人员，将是制定人工智能策略过程中关键而具有差异性的组成部分。也就是说，如果一个企业向推进人工智能在仓储场景下的应用，那么它就必须将重点放在提高数据和人才的质量这两方面。

关于数据，要明确的一个关键问题是：哪些数据是你的公司所独有而且可以用来提高与业务相关的KPI？这一点明确之后，就需要提高仓储管理系统中的数据的质量。这一步通常被称为数据管控，来确保供应链运作相关的数据具有一个可以“真实反映客观事实的来源”。

举例来讲。叉车司机的信息可以存储在不同的信息系统中，包括人力资源系统、员工管理系统、仓库管理系统、叉车车队管理系统等。如果司机信息被分别录入以上系统，那么同一员工的姓名及身份号码就可能出现不匹配的情况。比如，一个人可以在WMS中被标识为Jo Smith， #01425； 在LMS系统中为Joanne Smith， #1425； 而在车队管理系统中则只登记为Joanne Smith，同时没有认可身份号码。

对于跨系统整合数据的机器学习应用案例来说，数据必须是干净的。具有良好数据管控能力的企业可以将其中某一系统定义为存有主要数据的系统，并在需要时通过应用程序编程接口（API）将这一数据导入其他任意系统中。

如果需要整合来源于多个系统的数据，那接下来要面对的挑战就是数据集成。也就是说，要确保所有来源于不同仓储运作相关的系统中的数据可以被整合成一种可以用来机器学习的形式。这就需要与供应商紧密合作，以了解对方的运营能力以及整合来自车队管理、员工管理、仓库管理、企业资源管理等不同系统的数据的潜力。这就为支持数据分析以及客户定制化的人工智能应用奠定了数字化基础。在技术上具有挑战性，但许多系统中嵌入的API接口简化了这一任务。

一个更大的挑战可能来自于人才领域。在你的公司中有多少人专职进行管控、集成于抓取正在创建的数据信息？如果答案是“还不够”，那么你就要考虑设置一个高管级别的职位，致力于在董事会层面来积极推动以公司数据资产为来源来建立企业竞争优势。

这种高级别的助推策略，可以从确定公司如何在这一领域构建能力开始。对大多数公司来讲，也可以通过内部员工和外部顾问的组合来实现。甚至有一些众筹的机器学习平台（例如Kaggle和Experfy）可以协助你将你在数据方面要面对的挑战与世界各地的专家之间建立起联系。因为今天你所获得的数据可能会对未来的机器学习应用产生深远影响，因此建立数据能力是一个优先需要考虑的事项。许多大型企业已经在内部成立了专门部门来引导人工智能及数据分析方面的工作，这一需求也使得这一领域的专业人才变的炙手可热。

四、感想总结

虽然供应链经理需要评估各种技术以及指导以科技为基础的革新，但人工智能不应因此被忽略。但它也不应该被视作可以瞬间完成供应链变革的万灵药。相反地，人工智能应该被定义为一个可以提升与企业成功密切相关的KPI指标的工具。使用这一工具并不需要成为人工智能领域的专家，但必须确保你的企业满足了前文所提到的三个基本要求：确定与提升企业绩效相关的高价值应用案例；创立可以整合这些高价值数据的数字基础设施；开始建立一个由内部与外部专家组成的专业团队。