人工智能和企业数据质量的兴起等技术的最新发展，正在帮助组织以前所未有的方式深入了解供应链。数据比以前更容易获取，从社交媒体平台上的公开信息到政府机构，再到专门从事特定原材料的公司。然而，事实证明，数据源是单一的，一些数据源侧重于中断风险，而另一些数据源则评估工作条件和制裁，因此需要使用多个数据源。通常，公司仅通过少数具有成本效益的数据供应商就可以访问数千个数据源以进行整体风险评估。有效地分析和整合来自数千个潜在数据源的信息，对于公司从噪音中获取信号来说，此前已被证明是一项挑战。
案例研究
监控
发生网络攻击后，一家二级制造商不得不重新设计其供应商风险监控计划。安永参与团队帮助评估了该实体的产品组合和相关供应商数据。安永专业人员识别并分析了涉及多个风险因素（例如网络、业务连续性）的关键采购类别的外部数据，重新设计了公司的供应商尽职调查流程，利用公开数据和专有工具来提高对供应商风险的可见性。
人工智能在定义行动导向型洞察方面正变得越来越有效，并最终利用机器学习模型预测随时间推移的中断，同时还能更准确地评估中断的驱动因素。虽然不如直接供应商集成那么精确，但人工智能解决方案可以立即实施，并避开许多现有的可追溯性挑战，包括供应商依赖性、网络安全风险和具有挑战性的多年实施。例如，领先的市场工具提供了来自日益复杂的生态系统风险的持续威胁流的多维概览，使组织能够持续评估战略、经济和运营相关威胁并实施缓解策略。
谁应该引领公司的追溯之旅？
为了引领公司的可追溯性之旅，首席供应链官 (CSCO)、首席采购官 (CPO) 和企业风险领导者应利用人工智能的力量。人工智能不仅可以预测供应链中的中断和风险，还可以支持战略决策。上述业务领导层可以通过实施强大的治理框架来推动这一转变，使他们能够重新设计组织，在供应商评估期间加强尽职调查并改进风险管理流程。
案例研究
中断预测
一家客户已将预测功能应用于其全球供应商群。在因意外冲击而多次遭受 Belarus电子邮件列表 供应链中断后，客户希望能够更积极主动地预测供应链风险。通过识别中断的驱动因素，安永团队创建了一个定制的监控平台，然后将其用于训练机器学习平台。随着时间的推移，数据平台不断调整，最终识别出 95% 的实际中断，总体预测准确率超过 70%。
通过识别关键风险驱动因素，公司可以利用第三方数据提供商来训练机器学习模型，从而生成针对其供应链的特定见解。人工智能驱动的预测能力在供应商风险发生之前预测供应商风险并针对各种风险因素对供应链进行全面评估方面非常有效。
结论
随着可追溯性程序成为一项业务需求，结合公开数据和 AI 工具的适当平台可以帮助公司超越基础级可追溯性。技术进步使企业能够识别其供应链中风险的根本原因，并随着时间的推移开始预测中断将在何时何地发生。供应链、采购和企业风险组织可以协作，在寻求降低供应商风险时主动使用这些信息，重新设计其供应商基础以更恰当地反映所需的风险状况。现在是公司采取行动的时候了，利用 AI 驱动的预测洞察并实施有效的治理来主动降低供应商风险。