現代供應鏈想要成功，就必須能夠預知干擾，並將商業決策建立在可靠的智慧資料分析基礎上。我們都知道蝴蝶效應的故事：蝴蝶在巴西輕拍翅膀，可以導致一個月後美國德州的一場龍捲風，問題就是如何知道這些外界的變化？那些對我們有影響？影響範圍多大？預計何時開始產生影響？會影響多久？我們要怎麼因應。

        上圖是一個簡單的供應鏈系統，只有一家供應商、一個物流中心、一個客戶。假設發生了三個不同的供應鏈事件，可想像分別發生火山爆發(A)、水災(B)、罷工(C)。這三個事件中，僅有A、B二個事件會影響供應鏈運作，事件C則沒有直接影響。也就是說，只要供應鏈事件的影響範圍，觸及到目前供應鏈的節點(node)或是運輸途徑(route)，就會影響供應鏈。

        但是，事件C只是沒有立即的影響，不表示完全沒有影響，因為一般企業頂多知道自己第一階(tier 1)的供應商或客戶，說不定事件C影響到的是我們供應商的供應商的供應商，要做到這一點，一般中小企業現階段做不到，但是如果像是台積電這麼大的業者，就必須做好完整的供應鏈上下游調查，至少得掌握到tire 3這個層級。

        上圖搭配供應鏈電子地圖，以及不同事件的影響範圍、影響時間，可以讓我們很快地進行整體供應鏈衝擊評估，這也是現今主要的供應鏈事件管理的基本邏輯，當相關訊息整合於一張電子地圖上，很快就可知道任何供應鏈上面的異常。

        康寶濃湯(Campbell's Soup)以往一直有個困擾：湯品、義大利麵醬、雞湯等含水分商品可能在運輸過程結冰，使得該商品最後只能丟棄，儘管車輛出發前都會先預估天氣狀況，問題就是天氣變化速度很快，等到卡車司機或是IOT偵測到低溫，然後再進行因應作為通常已經來不及。

        因此，康寶濃湯使用了Ever-Steam的Resilience360，進行運輸過程監控與預測，針對卡車預計行駛的路線進行氣象監控，如果發現外面大氣溫度開始有降低或是下雪趨勢，在卡車還沒進入該路段前就會事先提醒進行必要的運輸商品防寒準備；如果卡車還待在轉運中心尚未出發，系統可能會建議「提前出發」或是「延後出發」以避開低溫帶。

        除了天候型態的供應鏈事件，包括森林野火、颱風、地震等也都能自動分析，AI模型可分析出直接受影響的地區，以及後續間接受到影響的採購單、訂單等。光是可完整、正確的對管理者提出預警，就已經可以解決很多問題。AI模型現階段或許還難以幫管理者決定遇到這些供應鏈事件後，應該如何轉單、要轉單給誰、要怎麼改變運輸路線等，但隨著資料越來越龐大，後續幫管理者做到自動因應也不會是太大問題。

        Resilience360 最初是由DHL創新中心開發，現已發展成為一家獨立的公司，員工在德國、新加坡和美國工作，可以全天候報導全球供應鏈中斷事件。

        除了Resilience360是目前比較成熟、完整的管理平台外，目前世界上也有比較大型的事件整合平台，例如：https://rsoe-edis.org/eventMap，整合包括各地的野火、颱風、火山爆發、罷工、社運、交通事故、核生化外洩、極端天氣預警等，每個事件都可提供其發生時間、影響範圍，可以透過API進行訊息整合，就可投射於自己的供應鏈電子地圖上。

        供應鏈之所以會有風險，其實主要有三大原因，分別是供應鏈網路設計，物流運輸，以及供應鏈節點所在的地理區域。

一、供應鏈網路設計

        先用最簡單的方式思考：如果我只有一個供應商、只有一家客戶、只依靠一家物流業送貨，這個甚麼都是唯一的供應鏈系統非常簡單，但是其風險最大，因為只要來自供應商、客戶、物流業三者之一發生問題，供應鏈馬上中斷；相對的，只要把供應商變成二家以上，整體供應鏈韌性就可提升。

        然而，供應鏈系統內，供應商不斷增加的結果，其實反而造成管理上的困難，因為可能每家供應商單據、資訊系統對接性，或是品質水準不同，而且現在有許多溫室氣體管理議題需要供應商配合，太多供應商只會造成我們自己管理成本增加，卻不見得能提高韌性。

【如欲閱讀全文，敬請訂閱】