TechTarget 原创
使用传感器和大数据，获取供应链中物品的实时信息，这种技术现在已经得到了广泛的应用，如今，一些公司开始使用机器学习来更准确的预测ETA,这是一项全新的技术。
在过去的几年里，随着传感器价格下降和物联网技术发展，制造商实现供应链可视化变得更加容易。现如今，你可以知道货物的实时位置，以及货物所处的状态。
但是，如果你能更进一步地应用这种能力吗？毕竟，知道产品位置是不错，但是确切地知道物品的详细信息不是更好吗？随着物联网和传感器数据越来越多地与机器学习和新一代的分析结合，上述情况变成可能，这些技术能够预测物流，帮助制造商获得比供应链可视化更进一步的洞察力。
（图片来源于网络）
ChainLink Research的首席研究员Bill McBeath表示，
供应链领域新兴的预测物流趋势之一是精确ETA概念，一家公司能够准确预测产品何时何地到达的能力
。McBeath说，虽然有自动识别系统或者AIS等技术，能以小时为单位跟踪一艘船的位置，但这些信息并不一定有用。
“有很多意外会影响到物品实际到达的时间——它需要多长时间才能卸货？要花多长时间才能通过海关? 在运输卡车来之前是否会在港口停留一段时间等，”他解释说，“现在，还有很多盲点，而且在信息获取方面进展缓慢。因此，直到物品没有到达时，才发现问题，然后才开始打电话询问。”
（图片来源于网络）
与许多物联网或工业物联网问题一样，供应链可见性的问题并不在于缺乏数据，供应链存在很大的易变性。解决这些问题在于，寻找让数据变得更有价值的方法。现在，一些供应商提供诸如传感器之类的服务和设备，这些传感器正在接收数据，并将其与下一代技术(如机器学习算法)结合，他们给物流客户提供的不仅仅是供应链可见性。
Savi Technology在1989年开始为U.S. Department of Defense提供物流服务，通过传感器追踪到发送到世界各地的物品，这些物品上的传感器通过无线电进行短距离传输或使用无线电话网络进行远距离传输。Savi执行副总裁Jim Hayden说，在过去的几年里，Savi进入了商业市场，其传感器捕捉的数据包括时间戳和位置，以及温度、晃动和光线等环境数据。
他表示，Savi捕获大数据流，围绕这些数据，使用机器学习算法构建物流预测应用，准确预测三个主要的供应链可视化场景：
工厂发起物流
物品从工厂到配送中心
物品从配送中心到最终客户
这样做提高了效率，提升了流程的可见性，有效减少了制造商在等待零件或检查物流状态时消耗的时间。Hayden解释说：“这样做就构建了一个从供应商到工厂的可视化流，这对于那些依赖于原料供应的生产商是非常重要的。有了传感器，你就能知道货物在运输流中的确切位置，此外，我们还拥有用于构建ETA模型的机器学习算法。所以，每次我们从传感器上得到位置更新时，我们也会调用一个不断更新ETA的预测模型。工厂里的人都确切的知道货物何时抵达。”
Hayden说，这些传感器还能确保货物在运输过程中的安全，这一点在制药、化工、石油和天然气等高价值产品尤其有用。在某些情况下，他们可以生成警报，例如，运输大门没有经过授权就被打开等。他补充说： “这在物品转运交接时特别有价值。”
两年前，生物技术公司Biogen在其全球供应链上开始使用Savi传感器和软件，以实现供应链可视化，并增加的安全性，Biogen全球产品和供应链安全主管Lee Spach说道。
（图片来源于网络）
Spach说：“我们有一个内部流程，来识别高价值、高风险的产品运输线路——无论是原材料、中间产品、成品。我们在Global Security Operations Center使用Savi可视化工具，选择我们想要追踪的路线。然后，我们将传感器放在产品上，并监控这些货物的实际运输情况。”
Savi传感器和可视性平台允许Biogen跟踪物流，如果货物没有按照预定的方向走，或者他们偏离既定的区域，如不正常的远离运输港口或机场，传感器就会发出警报。Spach说，生物技术公司还使用了其他类型的传感器，如果这些传感器发现集装箱信息被篡改，并监测影响货物质量的环境条件，就会发出警报。
