AI比以往任何時候都更加普及，它在各行業(yè)的再制造領(lǐng)域蘊含著巨大的潛力，尚待發(fā)掘。

各行業(yè)企業(yè)正在加速推進(jìn)再制造，以此緩解供應(yīng)鏈短缺、通過產(chǎn)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(yōu)化其再制造業(yè)務(wù)的企業(yè)面臨著獨特的挑戰(zhàn)，如大量SKU的定價以及準(zhǔn)確的核心預(yù)測——即預(yù)測可用于再制造的回收產(chǎn)品(核心)的數(shù)量、時間和質(zhì)量。這時，AI就派上了用場。隨著云存儲和處理成本以及預(yù)包裝工具成本的降低，AI對于各企業(yè)而言變得更加觸手可及，能夠幫助他們提高效率、產(chǎn)量和利潤率。

在本文中，我們研究了AI在再制造領(lǐng)域的三個應(yīng)用場景，以及來自重型設(shè)備再制造和高科技裝配領(lǐng)域的真實案例。這些應(yīng)用場景展示了領(lǐng)導(dǎo)者如何利用這些工具激發(fā)創(chuàng)新、提高效率并創(chuàng)造競爭優(yōu)勢。

釋放再制造中的AI潛力

AI是分析數(shù)據(jù)、預(yù)測結(jié)果和生成見解的前沿技術(shù)和方法的總稱。雖然AI和通用AI技術(shù)備受矚目，但它們只是AI領(lǐng)域的一部分。

下文，我們將深入探討三個AI應(yīng)用場景——核心預(yù)測、定價優(yōu)化和保修管理——以及相應(yīng)的案例研究，這些案例說明了AI如何解決再制造領(lǐng)域中的一些獨特挑戰(zhàn)。

核心預(yù)測

核心部件供應(yīng)的不確定性是再制造商面臨的一項挑戰(zhàn)，而傳統(tǒng)的分析工具缺乏進(jìn)行預(yù)測分析所需的精細(xì)度。

引入一個專業(yè)系統(tǒng)，如預(yù)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(yù)測工具可以通過歷史零部件性能數(shù)據(jù)進(jìn)行訓(xùn)練，以評估以下內(nèi)容：

• 零部件的預(yù)計使用壽命
• 零部件的歷史使用率(如每天的小時數(shù)或英里數(shù))
• 可能影響換購時間線的區(qū)域和行業(yè)宏觀經(jīng)濟(jì)狀況

采用AI工具進(jìn)行核心預(yù)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?shù)某杀緛砉?jié)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(shù)原始設(shè)備制造商(OEM)難以使核心部件的區(qū)域供應(yīng)與需求相匹配。翻新團(tuán)隊利用了一個AI生態(tài)系統(tǒng)，其中包括預(yù)測層、采購算法和估值算法。

在客戶層面，該團(tuán)隊能夠識別出客戶的終身價值和歷史購買記錄。在產(chǎn)品層面，他們跟蹤電池健康狀況、服務(wù)歷史和使用率。然后，他們利用所有這些數(shù)據(jù)為每位客戶創(chuàng)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(yōu)化

由于SKU數(shù)量眾多且種類繁雜，以及產(chǎn)品層次結(jié)構(gòu)(如OEM級或二級產(chǎn)品)、狀態(tài)代碼、子核心和機(jī)器型號年份等因素，定價分析本身就復(fù)雜而繁瑣。AI為企業(yè)提供了多種優(yōu)化定價的機(jī)會，包括：

• 通過AI優(yōu)化產(chǎn)品組合價格(如微觀細(xì)分和跨SKU需求優(yōu)化)
• 減少自相殘殺式的競爭(即一種產(chǎn)品搶占同一品牌另一種產(chǎn)品銷售的情況)
• 實現(xiàn)更精細(xì)化的定價(例如，按SKU、按客戶細(xì)分、按型號年份和狀況)
• 采用智能數(shù)據(jù)填充(如將類似SKU組合起來以彌補數(shù)據(jù)缺口)

據(jù)麥肯錫分析，在再制造中引入AI進(jìn)行定價可將利潤率提高2%至4%。

案例研究：使用機(jī)器學(xué)習(xí)工具為長尾SKU定價。一家獨立再制造商的產(chǎn)品組合中包含大量長尾、低周轉(zhuǎn)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(guī)則的方法為這類SKU定價。該再制造商利用AI和機(jī)器學(xué)習(xí)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(diào)定價。

通過實施這些方法，該企業(yè)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?qū)崟r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(jié)構(gòu)化文本數(shù)據(jù)和高SKU數(shù)量，管理保修索賠對于再制造企業(yè)而言往往是一項重大挑戰(zhàn)。大型語言模型(LLM)可以幫助識別并評估文本數(shù)據(jù)中保修索賠的重復(fù)模式。借助通用AI，LLM可以找到最常出現(xiàn)的上下文詞組合，基于這些結(jié)果產(chǎn)生見解，并生成可由保修索賠團(tuán)隊和研發(fā)團(tuán)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(yè)更好地為長期性能設(shè)計組件：

• 提取故障事件的詳細(xì)報告
• 實現(xiàn)對流程和研發(fā)故障的快速干預(yù)
• 識別服務(wù)公告中的并發(fā)狀況
• 識別長期部件故障點
• 為產(chǎn)品和退貨材料授權(quán)團(tuán)隊生成專業(yè)報告
• 對長尾索賠進(jìn)行具有成本效益的分析

據(jù)麥肯錫分析，在保修索賠中應(yīng)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(jìn)長尾部件性能并占據(jù)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(qū)別于在位企業(yè)。為此，該OEM利用再制造保修數(shù)據(jù)分析了再制造部件的長期磨損模式。然后，該OEM將分析結(jié)果反饋至研發(fā)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(hù)停機(jī)時間減少而能夠?qū)⒄＿\行時間提高約7%，OEM的保修準(zhǔn)備金成本降低了約25%，并且OEM能夠為其產(chǎn)品爭取到更高的溢價。

實現(xiàn)更強(qiáng)AI能力的路徑

算法和數(shù)據(jù)只是利用AI創(chuàng)造真正價值所需的一部分。有效地增強(qiáng)分析能力通常需要在技術(shù)之外構(gòu)建能力。事實上，根據(jù)我們的經(jīng)驗，那些在企業(yè)和變革管理上投入與技術(shù)本身同樣多時間和資源的再制造團(tuán)隊，最能充分利用AI的優(yōu)勢。

再制造商可以通過以下步驟為AI奠定堅實基礎(chǔ)：

• 關(guān)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(yōu)先考慮在企業(yè)內(nèi)部影響最大的用例和領(lǐng)域，然后將AI的實施限制在這些用例和領(lǐng)域。
• 確保有業(yè)務(wù)贊助商。一位明確的領(lǐng)導(dǎo)者確保AI工具部署與企業(yè)的頂層戰(zhàn)略直接相關(guān)，可以確保優(yōu)先考慮正確的領(lǐng)域。例如，企業(yè)可以設(shè)定一個將成本優(yōu)化一定百分比的高級目標(biāo)，然后將AI換班管理或物料管理解決方案與此目標(biāo)直接聯(lián)系起來。
• 與高層管理人員調(diào)整優(yōu)先級。讓高管參與創(chuàng)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(yè)內(nèi)培養(yǎng)以數(shù)據(jù)為驅(qū)動力的決策文化。
• 評估企業(yè)能力和需求。此評估應(yīng)超越技術(shù)層面，還應(yīng)包括公司的運營模式和人才。在評估人才能力時，領(lǐng)導(dǎo)者應(yīng)審視企業(yè)結(jié)構(gòu)以及角色和職責(zé)。對每個垂直領(lǐng)域的真正評估可以幫助核心實施團(tuán)隊確定應(yīng)在流程早期實施的任何更改。
• 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(lǐng)導(dǎo)層應(yīng)在啟動前與其保持一致。
• 加強(qiáng)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(fā)進(jìn)一步努力來培養(yǎng)和保持對變革之旅的熱情。

AI為各行業(yè)的再制造商提供了一個變革性的機(jī)會，以解鎖新的效率和盈利能力水平。通過利用數(shù)據(jù)和尖端分析技術(shù)的力量，企業(yè)可以克服再制造過程中的長期挑戰(zhàn)，并創(chuàng)造巨大價值。