他们开始向软件供应商寻求帮助。Trimble , Inc.数据科学副总裁 Christopher Orban 表示，绝大多数组织仍专注于找出导致他们花费最多金钱的因素，并利用技术帮助减少这些数字。Orban 表示，这实际上只是触及数据分析的表面，他将这种方法称为“直线分析”。
“我们仍然停留在过去，并对其进行报道，”Orban 表示。“这不是真正的机器学习，你无法真正利用过去来预测未来。”为了实现这一目标，他说软件供应商必须构建驻留在公司内部系统中的算法（并了解该公司的运作方式）。
例如，运输经理可能想知道为什么零担 (LTL) 运输公司与公路 (OTR) 运输公司不同，或者为什么燃料配 英国电邮清单 送公司与平板运输公司不同。“供应链软件制造商可能已经了解对此类数据的需求，”Orban 说，“但他们的系统内部不一定有解决方案，无法说：‘您需要以不同的方式做这三件事，因为这主要是平板公司’，或‘您应该做这四件事，因为您正在与区域汽车运输公司合作。’”
对于目前正在实施新软件或升级现有软件的供应链经理，Orban 表示，最好关注如何加快决策速度。“不要轻信某些解决方案会减少 50% 的订单管理人员，或声称能够将订单吞吐量提高两位数的说法，”Orban 警告说。“公司会做出这些声明，但他们并不总是能够证实这些声明。”
此外，要明白，没有哪个供应链软件平台是适用于所有公司的灵丹妙药。“你不能只安装任何供应链管理解决方案，然后奇迹般地就完成了，”Orban 说。“总是需要进行定制和配置，还要了解你的业务与其他人的业务有何不同。这就是 ML 算法发挥作用的地方，随着时间的推移，从你的操作中学习，并将指针推得越来越远。”
不再是奢侈品
Shaikh 表示，在供应链软件领域，人工智能、机器学习和物联网被视为实验性“附加功能”的时代已经一去不复返，对于一些公司来说，这是一个生存问题。“对于许多公司来说，这是一个战略任务。他们要么研究业务用例并利用这些技术，要么就会被颠覆。”
看看 Netflix 等公司如何推荐电影，亚马逊等电子零售商如何推荐产品，谷歌地图等应用程序如何找出 A 点和 B 点之间的最快路线。使用人工智能、机器学习、大数据和人工智能，
数据甚至面部识别，这些公司都将自己定位为各自行业的领跑者。