Manhattan Active Platform 计算智能
基于计算的监控
对引擎、模型和其他系统行为进行连续算法监测。
学习型运营效率增强
自主在线感知、学习，并对运营动态变化做出最佳反应。
异常值去除
从几乎实时数据流到批量识别偏差，无缝处理大量数据，可排除任何异常数据特征、配送和预期业绩。
解决方案更明智
运用概率和分析机制，根据先前决策分析中的可用信息、实验和见解来评估和做出最佳选择。
假设模拟
上游操作和下游响应的假设分析和模拟，使系统自动选择最佳方案。
战略决策
在不确定条件下，采用一种系统量化型且通常可视化的方法，进行战术和战略业务决策。
有见地的数学方法
利用科学的数学方法，以最适宜地方式从数据中提取知识并提出独特见解，从而帮助您做出明智的决策并建立预测模型。
高级分析
提供描述性、预测性和规范性分析功能，以表征数据、预测未来活动、提供建议并确定应该做出哪些选择。
统计预测与学习
充分发挥统计建模、预测、自然语言处理和机器学习的全部优势。
精密的数学模型
运用精密且严谨的数学模型对分析任务和复杂业务问题进行框架设计。
实际数据使用
将实际数据与数学模型相匹配，并利用先进的技术和算法进行求解，从而产生最佳结果。
组合利用
采用组合性和连续性优化、启发式和元启发式技术。
全渠道商务智能
了解机器学习和算法如何促进应用智能。
-
适用于订单管理的自适应系统
履行寻源优化采用自适应算法，持续优先处理履行选择，尽可能减少分批发货，尽可能增加危机库存，并为每个订单打造总成本最低的履行计划。
-
订单管理中的数据科学
机器学习可改进订单承诺预测模型，在考虑缺货、现有库存和入库库存、保护水平、劳动生产力、运输次数、周日历、时间段、订单规模、商店/场所库存积压、服务水平、承运商和在途合并路线的情况下，估算发运和交货日期。
-
促销和商店系统优化
大量的优化算法和数学模型，可实现促销推荐、店内任务分配匹配等功能。
供应链计划智能
以下是曼哈特库存解决方案中（例如分配、需求预测、补货和计划）应用智能的示例。
-
适用于需求预测的自适应系统
通过持续的需求感知、需求预测和自动化政策调整，运用数据科学技术和自适应算法可靠地预测和应对需求变化，从而帮助更准确地管理库存位置。
-
库存计划中的决策科学
在确定安全库存、订单频率或预测策略之前，评估大量库存优化策略，以研究、实验和测试网络系统的影响。
-
需求预测中的数据科学
机器学习和先进的统计模型可确定商业活动对需求的影响，并据此优化预测模型。
供应链执行智能
以下是曼哈特供应链执行解决方案中应用智能的示例，包括仓库管理、人力管理和运输管理等。
-
人力管理中的数据科学
机器学习结合基于资源的持续分析结果，可提供更精确的任务时间估算，避免了静态平均标准所带来的误差。
-
运输管理优化
推测用于发运计划优化、采购优化、车队优化等的多种高级算法和模型。
-
适用于仓库管理的自适应系统
自适应工作发布算法，根据实时需求和预测的下游影响，不断重新评估订单和分配并确定其优先处理次序。
曼哈特解决方案，让您的事业更上一层楼
曼哈特提供完整宽广的解决方案，多策并用，完美覆盖您的供应链商业需求。
战略合作伙伴
曼哈特的技术合作伙伴，帮助曼哈特构建唯一云原生、永久、可扩展的供应链商务平台。
