AI比以往任何時候都更加普及，它在各行業的再制造領域蘊含著巨大的潛力，尚待發掘。
各行業企業正在加速推進再制造，以此緩解供應鏈短缺、通過產品的實惠價格開拓新客戶，并為零部件提供高利潤替代品，然而，那些希望建立或優化其再制造業務的企業面臨著獨特的挑戰，如大量SKU的定價以及準確的核心預測——即預測可用于再制造的回收產品(核心)的數量、時間和質量。這時，AI就派上了用場。隨著云存儲和處理成本以及預包裝工具成本的降低，AI對于各企業而言變得更加觸手可及，能夠幫助他們提高效率、產量和利潤率。
在本文中，我們研究了AI在再制造領域的三個應用場景，以及來自重型設備再制造和高科技裝配領域的真實案例。這些應用場景展示了領導者如何利用這些工具激發創新、提高效率并創造競爭優勢。
釋放再制造中的AI潛力
AI是分析數據、預測結果和生成見解的前沿技術和方法的總稱。雖然AI和通用AI技術備受矚目，但它們只是AI領域的一部分。
下文，我們將深入探討三個AI應用場景——核心預測、定價優化和保修管理——以及相應的案例研究，這些案例說明了AI如何解決再制造領域中的一些獨特挑戰。
核心預測
核心部件供應的不確定性是再制造商面臨的一項挑戰，而傳統的分析工具缺乏進行預測分析所需的精細度。
引入一個專業系統，如預測工具，可以幫助再制造商按SKU級別評估核心部件的可用性。該預測工具可以通過歷史零部件性能數據進行訓練，以評估以下內容：
· 零部件的預計使用壽命
· 零部件的歷史使用率(如每天的小時數或英里數)
· 可能影響換購時間線的區域和行業宏觀經濟狀況
采用AI工具進行核心預測可以幫助再制造商將核心安全庫存減少2%至4%，并通過減少加急運輸的成本來節省3%至5%的運費。AI工具還可以幫助再制造商減少加班費用、減少因缺貨而損失的銷售額，并確保他們擁有最終客戶所需的零部件。
案例研究：核心可用性激勵措施。一家頂級技術原始設備制造商(OEM)難以使核心部件的區域供應與需求相匹配。翻新團隊利用了一個AI生態系統，其中包括預測層、采購算法和估值算法。
在客戶層面，該團隊能夠識別出客戶的終身價值和歷史購買記錄。在產品層面，他們跟蹤電池健康狀況、服務歷史和使用率。然后，他們利用所有這些數據為每位客戶創建個性化的換購報價，以確保在OEM需要時有核心部件可用。
定價優化
由于SKU數量眾多且種類繁雜，以及產品層次結構(如OEM級或二級產品)、狀態代碼、子核心和機器型號年份等因素，定價分析本身就復雜而繁瑣。AI為企業提供了多種優化定價的機會，包括：
· 通過AI優化產品組合價格(如微觀細分和跨SKU需求優化)
· 減少自相殘殺式的競爭(即一種產品搶占同一品牌另一種產品銷售的情況)
· 實現更精細化的定價(例如，按SKU、按客戶細分、按型號年份和狀況)
· 采用智能數據填充(如將類似SKU組合起來以彌補數據缺口)
據麥肯錫分析，在再制造中引入AI進行定價可將利潤率提高2%至4%。
案例研究：使用機器學習工具為長尾SKU定價。一家獨立再制造商的產品組合中包含大量長尾、低周轉率、小眾SKU，這些SKU每年的交易量不足一次。它通常使用寬泛的基于規則的方法為這類SKU定價。該再制造商利用AI和機器學習工具來確定影響定價能力的主要因素，如制造商品牌、運輸要求和客戶特征。它使用分析型AI來確定單個SKU的最佳價格，并在各種場景下重新評估價格變動，以微調定價。
通過實施這些方法，該企業的利潤率提高了11%至15%，并且一個自動化的AI工具使其能夠實時為1.4億多個零部件定價。
AI賦能保修索賠管理
鑒于大量的非結構化文本數據和高SKU數量，管理保修索賠對于再制造企業而言往往是一項重大挑戰。大型語言模型(LLM)可以幫助識別并評估文本數據中保修索賠的重復模式。借助通用AI，LLM可以找到最常出現的上下文詞組合，基于這些結果產生見解，并生成可由保修索賠團隊和研發團隊共同使用的報告。通用AI可以通過以下方式找到模式以降低保修成本，并幫助企業更好地為長期性能設計組件：
· 提取故障事件的詳細報告
· 實現對流程和研發故障的快速干預
· 識別服務公告中的并發狀況
· 識別長期部件故障點
· 為產品和退貨材料授權團隊生成專業報告
· 對長尾索賠進行具有成本效益的分析
據麥肯錫分析，在保修索賠中應用通用AI可使保修成本降低5%至10%。
案例研究：利用再制造保修索賠改進長尾部件性能并占據市場份額。一家尋求增加其在美國市場份額的全球OEM需要區別于在位企業。為此，該OEM利用再制造保修數據分析了再制造部件的長期磨損模式。然后，該OEM將分析結果反饋至研發部門，并提高了其新部件和再制造部件的長期可靠性。由此帶來的整體可靠性提升對終端客戶和OEM均有利。終端客戶因維護停機時間減少而能夠將正常運行時間提高約7%，OEM的保修準備金成本降低了約25%，并且OEM能夠為其產品爭取到更高的溢價。
實現更強AI能力的路徑
算法和數據只是利用AI創造真正價值所需的一部分。有效地增強分析能力通常需要在技術之外構建能力。事實上，根據我們的經驗，那些在企業和變革管理上投入與技術本身同樣多時間和資源的再制造團隊，最能充分利用AI的優勢。
再制造商可以通過以下步驟為AI奠定堅實基礎：
1. 關注用例實施。再制造商不要采用過于寬泛的方法，否則可能會使資源分配過于分散或不均衡，而是可以選擇并優先考慮在企業內部影響最大的用例和領域，然后將AI的實施限制在這些用例和領域。
2. 確保有業務贊助商。一位明確的領導者確保AI工具部署與企業的頂層戰略直接相關，可以確保優先考慮正確的領域。例如，企業可以設定一個將成本優化一定百分比的高級目標，然后將AI換班管理或物料管理解決方案與此目標直接聯系起來。
3. 與高層管理人員調整優先級。讓高管參與創意研討會可以幫助獲得支持，從而更容易獲得必要資源，并在整個企業內培養以數據為驅動力的決策文化。
4. 評估企業能力和需求。此評估應超越技術層面，還應包括公司的運營模式和人才。在評估人才能力時，領導者應審視企業結構以及角色和職責。對每個垂直領域的真正評估可以幫助核心實施團隊確定應在流程早期實施的任何更改。
5. 制定周密的實施路線圖。路線圖可以提供明確的方向、切實的里程碑和有效的資源分配。一旦配置好路線圖，高級領導層應在啟動前與其保持一致。
6. 加強對變革管理的投入。變革管理的一個重要方面是分享成功案例，通過慶祝勝利和激發進一步努力來培養和保持對變革之旅的熱情。
AI為各行業的再制造商提供了一個變革性的機會，以解鎖新的效率和盈利能力水平。通過利用數據和尖端分析技術的力量，企業可以克服再制造過程中的長期挑戰，并創造巨大價值。
企業網D1net(m.hfnxjk.com)：
國內主流的to B IT門戶，旗下運營國內最大的甲方CIO專家庫和智力輸出及社交平臺-信眾智(www.cioall.com)。旗下運營19個IT行業公眾號(微信搜索D1net即可關注)。
版權聲明：本文為企業網D1Net編譯，轉載需在文章開頭注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號