关于物流管理中机器学习的讨论很多。这个想法很简单：优化，推断，实现和重复。这是：机器学习和异常管理—物流技术的改变者。
物流管理的不同支柱包括哪些内容？
一个系统可以优化物流管理的不同支柱，包括订单计划；供应商绩效管理；机队容量优化（管理）；调度管理；在途货运跟踪；和交付管理。
接下来，系统推断这些支柱（物流过程）中的要点或瓶颈，这些要点或瓶颈可以被固定，改进或增强。然后，这些推断或分析将“实施”回物流设置中。学习机制从优化开始。随着时间的流逝，系统会不断发展并改善所有相关的物流管理流程。这是 物流管理中的机器学习.
物流中的异常管理是什么？
后勤例外（问题）是偏离计划或预期的流程执行。这里有一些例子。
- 货件负载未正确映射到可用的机队选项（造成容量不匹配以及装载/发货延迟）。
- 转运中的货物在现场被扣留了两个小时以上（或者违反了超速或紧急制动的服务水平协议）。
- 根据最初的采购订单，收货人未收到所有的SKU（库存单位）。
每个运输管理系统（TMS）都涉及一些或许多人类接触点。一个人监督这些系统或过程的交互（接触点）。这可以从检查装运分配计划以及确保搬运人员遵循计划的装载方式中进行。同样，许多其他接触点也可以确保计划与“实际”之间的差距最小。
异常管理的目标是最大程度地减少计划与常规之间的差距。 实地结果。总体而言，异常管理的机器学习方面会在公司和物流网络的文化中引发责任感和效率。可以是主管，仓库，货运代理，物流服务提供商，收货人（分销点）等。
启用了机器学习的6个阶段的异常管理系统。
这六个阶段是发现，分析，分配，解决，记录和升级。
发现：
它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的内扫描和外扫描）等实现。
分析：
它根据协议（或学习）分析和处理问题或异常。它对所有异常进行分类并推进–任务或升级。
分配：
它会将异常与合适的人员或部门进行匹配（最适合按时解决异常）。
解析度：
它可以跟踪此人（受让人）解决方案的速度和有效性。它会在令人满意的“完成”之前通过多种标准和验证来移动“解决方案”。
记录：
它记录并分析从发现到解决的每个异常权限。系统处理这些记录，以收集见识或最佳实践，以供将来使用。
升级：
这是动态异常管理的重要方面。系统不断跟踪系统中的每个问题。
- 如果主管（或系统）在分析或解决方案阶段认为问题是严重或复杂的，则可以通过特殊的“分析”和解决方案将其升级。它主要包括具有不同技能或权限的人员。
- 如果系统检测到问题仍未解决，则会再次升级。
通过这六个阶段，系统不断从自身内部清除低效率。它有助于传播更透明，负责，敏捷和响应迅速的文化。此外，它有助于减少错误和延误，从而提高利润率。一些新时代的TMS初创公司，例如Fretron，正在尝试使用这种6阶段异常管理来占领市场份额。
升级管理在物流中的实际应用
让我们考虑一个异常管理系统（EMS）的现实用例-一家印度快速成长的零售商，专注于2级和3级城市。
他们最大的挑战是没有组织的物流（供应商/货运代理）网络和脆弱的城市基础设施。即使零售商选择了全面的物流自动化，但他们仍然无法完全实施它。客户正在寻找 技术推动的流程 和文化的变化。
让我们以供应商绩效管理为例。
- EMS有助于减少账单和结算方面的差异。单个同步的TMS可以跟踪每个订单（在SKU级别）在板条箱，托盘，卡车，交叉配送和最终交货中的移动。外扫描可能会自动突出显示所有丢失的项目。
- EMS将处理该信息并标记出缺少该物品的确切偏差点。这有助于解决问题，也弥补了这些操作上的空白。它减少了发票级纠纷并加快了解决速度。
- EMS支持快速，无差错的发票，从而激励了承运人和货运代理以更有条理的方式工作。通过一个 迭代学习过程，系统对此有所改善。它为后勤部门（公司内部）带来了更高的透明度和责任感。
- 在支持机器学习的EMS的支持下，该公司能够交付准时价值 （更好的货架选择）给最终用户.
结论：物流中的异常管理是改变规则的游戏
EMS成功地弥合了技术带来的效率与现场员工效率之间的差距。在杂乱无章的“无组织”或传统市场中，这种方法尤其有效。
如果正确使用机器学习支持的EMS，那么许多中级公司可以在未来五年内快速扩展规模并改善其前景。在此时的COVID-19上，更快地扩展可能是拯救公司的唯一选择。
