各行业资产密集型企业由于拥有大量的设备、设施，企业的运作依靠大量设备、设施良好运行的支撑，而设备、设施之所以可以运行良好，则离不开备品备件的良性管理。

英诺森通过对企业以往项目实施中发现的问题进行了详细分析，发现企业均需要花费大量的人力、物力对设备的BOM（设备材料清单）进行阶段性的复盘和更新，才能保证备件在需求提报时更能满足维修需求，但恰恰是这个复盘和更新BOM的工作，就已经劝退很多企业。BOM的不完整、更新不及时一直在恶性循环，甚至很多新备件的维护、替换备件的关系均无法做信息化的及时更新以普及使用，大量的信息都保存在业务终端人员的“小笔记”本上。

而对于进一步的备件需求量决策，则更依赖人工通过长期在企业中的业务经验、“直觉”确认相关备件需求量的计算，这种判定能力至少需要相关人员有足够的BOM需求判断经验，比如对设备的运行状态及维修需求有专业的判定，结合企业的库存控制策略，在符合企业对库存各项指标要求的前提下进行合理的需求量判断，这个要求无形中框定了对人员的需求。同时，从需求角度对需求量的直觉性把握很难在提升库存有货率、降低积压库存的角度提供良性帮助，毕竟需求角度更希望对设备的稳定运行提供保障，而库存控制则需要在保障需求的同时尽可能降低库存，让备件的备货更贴合需求时间。

备件与设备本身是一体化，设备的运行健康度涉及到对备件的需求度，也决定了备件应该在提前多久开始着手备货，现在越来越多的企业意识到传统管理模式下的弊端，逐步将备件管理和设备管理进行职能合并，逐步推进备件与设备的统筹管理。

知识图谱在库存管理中的应用

此前，通过大数据和人工智能技术发展的启发，通过人工智能技术在知识图谱上的成功应用，我们尝试在备品备件与设备的关联关系上进行知识图谱的模型构建，构建成功后，图谱中的任意一点，均可带起一张关系网，比如，我们通过某个备件物资码，可以轻易的找到其相关设备、替代备件，此时如果有一个设备维修的需求，可以通过这张关系网快速的定位需要备件，再结合库存系统，获取相关库存信息，对无库存备件，通过其关系网可以快速定位出其有库存的替代备件，将该设备维修需求的相关备件库存清单、待采购清单、替代备件库存清单提供给终端业务人员，辅助人工进行快速决策。

当我们得到一张关系网以后，接下来需要考虑的则是备件需求的预测提升，得到一个尽可能贴合需求的预测结果才能更好的进行库存控制。设备维护通常分为三类：响应式维修、预防性维护、预测型维护。响应式维修又称修复型维修，基于“故障”，属于事后维修，预防性维护基于“时间”，更多依赖于经验判断，而预测性维护则根据设备实时的运行“数据”，对某些重要部件进行定期或者连续的状态检测和故障诊断。这三类中主要导致备件需求量预测偏差度大的就是响应式维修，此维修场景从常规需求量预测的角度来看，无法有效预测。因此，我们有了一个大胆的考虑，是否可以通过某些其他的关联现象，将响应式维修尽量避免。

伴随着人工智能（AI）、大数据（(Big Data）、云计算（Cloud Computing）等技术的发展，我们发现，如果通过传感器和物联网技术对设备运行数据进行实时采集、处理、分析，是否可以实现对设备故障前的征兆状态进行预警，进而实现对部分响应式维修的“避免”。这种方式将响应式维修转换为预测性维护，帮助企业实时洞察设备的运行状态，更加准确地定位潜在故障部件，结合备件关系网，实现在最需要备件的时候得到备件库存，这样既能降低“用而不备、备而不用”的风险，又能降低提前储备的风险，减少备品备件的库存积压，提高物资的周转效率。

备品备件的库存良性管理除上述提到的健全的关系网、设备运行的提前预警以外，同时离不开供应渠道的保障及协同，离不开在库物资的精细化管理，也同样需要企业内部各单位之间库存共享的打通，才能达到降低库龄、减少积压，真正实现降本增效。

英诺森在协助企业实现有效库存控制、降本增效的路上不断探索与前进，通过库房精细化、需求提报电商化、库存管理集中化、仓配园区智能化的全流程覆盖模式，为企业构建供应链“智能躯干”的同时，运用AI、大数据等领先技术在需求预测领域上搭建供应链的“决策中控室”，以全新的控制塔模式为企业的智慧供应链建设提供坚实基础。