AI比以往任何时候都更加普及，它在各行业的再制造领域蕴含着巨大的潜力，尚待发掘。
各行业企业正在加速推进再制造，以此缓解供应链短缺、通过产品的实惠价格开拓新客户，并为零部件提供高利润替代品，然而，那些希望建立或优化其再制造业务的企业面临着独特的挑战，如大量SKU的定价以及准确的核心预测——即预测可用于再制造的回收产品(核心)的数量、时间和质量。这时，AI就派上了用场。随着云存储和处理成本以及预包装工具成本的降低，AI对于各企业而言变得更加触手可及，能够帮助他们提高效率、产量和利润率。
在本文中，我们研究了AI在再制造领域的三个应用场景，以及来自重型设备再制造和高科技装配领域的真实案例。这些应用场景展示了领导者如何利用这些工具激发创新、提高效率并创造竞争优势。
释放再制造中的AI潜力
AI是分析数据、预测结果和生成见解的前沿技术和方法的总称。虽然AI和通用AI技术备受瞩目，但它们只是AI领域的一部分。
下文，我们将深入探讨三个AI应用场景——核心预测、定价优化和保修管理——以及相应的案例研究，这些案例说明了AI如何解决再制造领域中的一些独特挑战。
核心预测
核心部件供应的不确定性是再制造商面临的一项挑战，而传统的分析工具缺乏进行预测分析所需的精细度。
引入一个专业系统，如预测工具，可以帮助再制造商按SKU级别评估核心部件的可用性。该预测工具可以通过历史零部件性能数据进行训练，以评估以下内容：
- 零部件的预计使用寿命
- 零部件的历史使用率(如每天的小时数或英里数)
- 可能影响换购时间线的区域和行业宏观经济状况
采用AI工具进行核心预测可以帮助再制造商将核心安全库存减少2%至4%，并通过减少加急运输的成本来节省3%至5%的运费。AI工具还可以帮助再制造商减少加班费用、减少因缺货而损失的销售额，并确保他们拥有最终客户所需的零部件。
案例研究：核心可用性激励措施。一家顶级技术原始设备制造商(OEM)难以使核心部件的区域供应与需求相匹配。翻新团队利用了一个AI生态系统，其中包括预测层、采购算法和估值算法。
在客户层面，该团队能够识别出客户的终身价值和历史购买记录。在产品层面，他们跟踪电池健康状况、服务历史和使用率。然后，他们利用所有这些数据为每位客户创建个性化的换购报价，以确保在OEM需要时有核心部件可用。
定价优化
由于SKU数量众多且种类繁杂，以及产品层次结构(如OEM级或二级产品)、状态代码、子核心和机器型号年份等因素，定价分析本身就复杂而繁琐。AI为企业提供了多种优化定价的机会，包括：
- 通过AI优化产品组合价格(如微观细分和跨SKU需求优化)
- 减少自相残杀式的竞争(即一种产品抢占同一品牌另一种产品销售的情况)
- 实现更精细化的定价(例如，按SKU、按客户细分、按型号年份和状况)
- 采用智能数据填充(如将类似SKU组合起来以弥补数据缺口)
据麦肯锡分析，在再制造中引入AI进行定价可将利润率提高2%至4%。
案例研究：使用机器学习工具为长尾SKU定价。一家独立再制造商的产品组合中包含大量长尾、低周转率、小众SKU，这些SKU每年的交易量不足一次。它通常使用宽泛的基于规则的方法为这类SKU定价。该再制造商利用AI和机器学习工具来确定影响定价能力的主要因素，如制造商品牌、运输要求和客户特征。它使用分析型AI来确定单个SKU的最佳价格，并在各种场景下重新评估价格变动，以微调定价。
通过实施这些方法，该企业的利润率提高了11%至15%，并且一个自动化的AI工具使其能够实时为1.4亿多个零部件定价。
AI赋能保修索赔管理
鉴于大量的非结构化文本数据和高SKU数量，管理保修索赔对于再制造企业而言往往是一项重大挑战。大型语言模型(LLM)可以帮助识别并评估文本数据中保修索赔的重复模式。借助通用AI，LLM可以找到最常出现的上下文词组合，基于这些结果产生见解，并生成可由保修索赔团队和研发团队共同使用的报告。通用AI可以通过以下方式找到模式以降低保修成本，并帮助企业更好地为长期性能设计组件：
- 提取故障事件的详细报告
- 实现对流程和研发故障的快速干预
- 识别服务公告中的并发状况
- 识别长期部件故障点
- 为产品和退货材料授权团队生成专业报告
- 对长尾索赔进行具有成本效益的分析
据麦肯锡分析，在保修索赔中应用通用AI可使保修成本降低5%至10%。
案例研究：利用再制造保修索赔改进长尾部件性能并占据市场份额。一家寻求增加其在美国市场份额的全球OEM需要区别于在位企业。为此，该OEM利用再制造保修数据分析了再制造部件的长期磨损模式。然后，该OEM将分析结果反馈至研发部门，并提高了其新部件和再制造部件的长期可靠性。由此带来的整体可靠性提升对终端客户和OEM均有利。终端客户因维护停机时间减少而能够将正常运行时间提高约7%，OEM的保修准备金成本降低了约25%，并且OEM能够为其产品争取到更高的溢价。
实现更强AI能力的路径
算法和数据只是利用AI创造真正价值所需的一部分。有效地增强分析能力通常需要在技术之外构建能力。事实上，根据我们的经验，那些在企业和变革管理上投入与技术本身同样多时间和资源的再制造团队，最能充分利用AI的优势。
再制造商可以通过以下步骤为AI奠定坚实基础：
- 关注用例实施。再制造商不要采用过于宽泛的方法，否则可能会使资源分配过于分散或不均衡，而是可以选择并优先考虑在企业内部影响最大的用例和领域，然后将AI的实施限制在这些用例和领域。
- 确保有业务赞助商。一位明确的领导者确保AI工具部署与企业的顶层战略直接相关，可以确保优先考虑正确的领域。例如，企业可以设定一个将成本优化一定百分比的高级目标，然后将AI换班管理或物料管理解决方案与此目标直接联系起来。
- 与高层管理人员调整优先级。让高管参与创意研讨会可以帮助获得支持，从而更容易获得必要资源，并在整个企业内培养以数据为驱动力的决策文化。
- 评估企业能力和需求。此评估应超越技术层面，还应包括公司的运营模式和人才。在评估人才能力时，领导者应审视企业结构以及角色和职责。对每个垂直领域的真正评估可以帮助核心实施团队确定应在流程早期实施的任何更改。
- 制定周密的实施路线图。路线图可以提供明确的方向、切实的里程碑和有效的资源分配。一旦配置好路线图，高级领导层应在启动前与其保持一致。
- 加强对变革管理的投入。变革管理的一个重要方面是分享成功案例，通过庆祝胜利和激发进一步努力来培养和保持对变革之旅的热情。
AI为各行业的再制造商提供了一个变革性的机会，以解锁新的效率和盈利能力水平。通过利用数据和尖端分析技术的力量，企业可以克服再制造过程中的长期挑战，并创造巨大价值。
