Zakelijke resultaten behalen met big data-projecten en AI

Wat is de allerbelangrijkste ontwikkeling die de toekomst vormgeeft van hoe bedrijven bedrijfswaarde genereren met hun data- en analysemogelijkheden?

Volgens MIT Sloan Management Review is het de convergentie van big data met kunstmatige intelligentie. Toch uiten veel bedrijven dezelfde aarzeling als ze de daaruit voortvloeiende zakelijke voordelen voorgeschoteld krijgen:“Daar hebben we de gegevens niet voor. Het is verspreid en ongeorganiseerd. Onze gegevens zijn niet schoon.”

Het is begrijpelijk dat mensen deze angst voelen. Verspreide, in silo's opgeslagen en omvangrijke gegevens blijven tegenwoordig een veelvoorkomende uitdaging voor bedrijven in alle sectoren. Als gevolg hiervan denken bedrijfsleiders misschien dat ze niet klaar zijn om geavanceerde technologie zoals AI in te zetten. In werkelijkheid is echter het tegenovergestelde waar:AI helpt bij het opschonen, integreren en rationaliseren van gegevens om enorme bedrijfswaarde te genereren.

De grootste kansen om AI te gebruiken voor big data-projecten zijn te zien in vier belangrijke use-cases in supply chain management en bedrijfsvoering.

Gebruikssituatie 1:prognoses transformeren door vraagfactoren en voorlopende indicatoren op te nemen.

Doorgaans baseren bedrijven statistische prognoseprocessen op historische verkoop- en verzendgegevens. In de steeds volatielere markt van vandaag zijn gebeurtenissen uit het verleden echter niet altijd de beste voorspellers van toekomstige gebeurtenissen. Big data en op AI gebaseerde modellen creëren het potentieel voor een toekomstbestendige omgeving, waarin bedrijven kunnen overstappen van prognoses die voornamelijk worden gebaseerd op historische op zendingen gebaseerde gegevens naar die waarin verschillende factoren van de vraag zijn verwerkt. Dergelijke drijfveren omvatten externe gebeurtenissen, waaronder concurrerende prijzen, marktomstandigheden en concurrerende assortimenten, evenals interne drijfveren met betrekking tot promoties en prijzen.

Bedrijven die vandaag de dag proberen om vraagstimulerende factoren op te nemen in statistische prognoses zonder het voordeel van machine learning en AI, moeten aanzienlijke inspanningen leveren om gegevens te normaliseren op basis van uitschieters. Er kan bijvoorbeeld een daling in de verkoop zijn opgetreden als gevolg van een voorraadtekort als gevolg van een beperking in de toeleveringsketen. Maar hoe zou het voorspellingsalgoritme weten dat deze verkoopdaling het gevolg was van een probleem in de toeleveringsketen en niet van een vraagprobleem op de markt? In een traditionele benadering zou een menselijke inspanning moeten worden geleverd om het 'waarom' in te voeren en de geschiedenis effectief te corrigeren voordat de gegevens aan statistische modellen worden gegeven.

Dat verandert allemaal wanneer een bedrijf een op AI gebaseerd platform voor vraagvoorspelling inzet. Machine learning-algoritmen (ML) bouwen modellen op basis van patronen in gegevens, zonder te vertrouwen op expliciete instructies. Dit betekent dat gegevensinvoer die de vraagprognose stimuleert, kan worden opgeschoond, gecorreleerd en met behulp van ML op de juiste manier aan resultaten kan worden toegeschreven. Op hun beurt worden prescriptieve, op vraag gebaseerde beslissingen gegenereerd op basis van de patronen die in de loop van de tijd worden waargenomen.

Gebruiksvoorbeeld 2:planning stimuleren met leersystemen in plaats van stamkennis.

Tegenwoordig blijft het modelleren van kennis in veel organisaties grotendeels tribaal. Een groot deel van de besluitvorming voor planning van vandaag ligt in de hoofden en het oordeel van individuele planners. Als een planner bijvoorbeeld een verkoopprognose heeft ontvangen die aangeeft dat het budget van de toeleveringsketen op bespoediging moet worden gericht, wat zullen planners dan doen? Vertrouwen ze erop dat de vraag betrouwbaar is? Zijn ze bereid harde dollars uit te geven om aan die vraag te voldoen, of zullen ze aarzelen? De beslissing om al dan niet te versnellen is vaak de beste gok van de planner op basis van een persoonlijke geschiedenis met de sales executive of klant.

Wanneer AI in dit scenario wordt toegepast, wordt tribale kennis institutionele kennis. Historische gegevens over prognoses versus verkopen stellen het op AI gebaseerde systeem in staat om te leren hoe een betrouwbare vraag eruitziet en wie waarschijnlijk nauwkeurig is (of niet) in hun prognoses. Een beslissing om te versnellen of extra kosten te maken om aan de vraag te voldoen, wordt nu gebaseerd op een intelligente aanbeveling:Ja, automatiseer dit verzoek omdat het uiterst betrouwbaar is. Of ga voorzichtig te werk, want deze klant was in het verleden onbetrouwbaar en goedkeuring van het management voor deze beslissing is vereist.

In deze omgeving kunnen beslissingen sneller, nauwkeuriger en kosteneffectief worden gemaakt. Menselijke vooroordelen worden weggenomen en continuïteit in de besluitvorming is verzekerd, ongeacht welke planner het systeem bedient.

Gebruikssituatie 3:Geïntegreerde plannings- en besluitvormingsmodellen creëren door losgekoppelde gegevens te verbinden.

Vrijwel elk bedrijf heeft data losgekoppeld. Het is een allesomvattende uitdaging. Een studie uitgevoerd door Vanson Bourne schat dat organisaties in de VS en het VK elk jaar in totaal $ 140 miljard verliezen als gevolg van niet-verbonden gegevens. Gegevenssilo's bestaan ​​om verschillende redenen die de technische, structurele en culturele dynamiek van een bedrijf overspannen.

Een van de klassieke problemen met betrekking tot niet-verbonden bedrijfsgegevens is geworteld in het feit dat veel bedrijven zijn gegroeid door fusies en overnames. De gefuseerde bedrijven mogen dan één entiteit voor de wereld worden, maar achter de schermen kunnen divisies duidelijk zichtbaar blijven, vaak jarenlang. Er zijn waarschijnlijk meerdere enterprise resource planning (ERP) en andere silosystemen voor verkoop, supply chain en productbeheer. Onder één bedrijfsdak kan een enkelvoudig product bekend zijn onder meerdere namen in verschillende ongelijksoortige systemen.

Dit zorgt voor aanzienlijke uitdagingen bij het construeren van een geconsolideerd beeld om de besluitvorming te voeden die nodig is voor planningsdoeleinden. Traditionele corrigerende benaderingen omvatten het implementeren van een enkel ERP-systeem of het corrigeren van de gegevens in alle bronsystemen. Die projecten zijn duur en tijdrovend, waardoor veel bedrijven moeten concluderen:"We weten dat het kapot is, maar we kunnen het nu niet repareren."

Een onderneming die ondergedompeld is in niet-verbonden gegevens, heeft onvermijdelijk zorgen over het aanpakken van geïntegreerde plannings- en besluitvormingsinitiatieven. Maar met AI en natuurlijke taalverwerking kunnen systemen bepalen dat verschillende datapunten in feite hetzelfde zijn. Er kan een model worden gemaakt dat al die producten correleert, zodat de bronnen niet hoeven te worden gewijzigd. Voorraadzichtbaarheid, planning en besluitvorming zijn nu aan elkaar gekoppeld, omdat het systeem herkent dat die producten identiek zijn.

Use Case 4:het oplossen van de uitdagingen van masterdata in planningssystemen.

De kracht van AI bij het maken van planningssystemen ligt in het sneller aansturen van geautomatiseerde en intelligente besluitvorming. Maar een ander veelvoorkomend onthouding van bedrijfsleiders is dat veel van de gegevens die nodig zijn om die planningsbeslissingen te nemen, stamgegevens zijn die in geen enkel systeem voorkomen.

Een grote detailhandelaar verwerkt bijvoorbeeld honderdduizenden SKU's die door het distributiecentrum en het winkelnetwerk stromen. Die detailhandelaar moet modelleren hoeveel capaciteit nodig is over verschillende dimensies, inclusief opslag- en arbeidscapaciteit om goederen in transit, in de DC's en in de winkels te verwerken. Om de capaciteitsvereisten te bepalen, moet de detailhandelaar begrijpen wat elke SKU verbruikt op de verschillende beschikbare middelen. De tijd die iemand nodig heeft om een ​​zending televisies uit te laden, wat arbeidsintensief is, zou aanzienlijk verschillen van de tijd die nodig is om een ​​zending ibuprofen te lossen, wat relatief licht is.

Gegevens die nodig zijn om goede, nauwkeurige planningsbeslissingen te nemen, moeten gebaseerd zijn op het volume van specifieke producten die door de DC's stromen en de bijbehorende capaciteitsvereisten. Maar wie houdt alle data bij? In het verleden waren die details moeilijk te modelleren, omdat ze op geaggregeerde niveaus moesten worden gedaan, en vaak was niemand bezig met het vastleggen en onderhouden van die gegevens.

Nu, met big data en AI, kunnen retailers transactionele sensor internet of things (IoT) data gebruiken om de capaciteitsvereisten te bepalen. Terwijl werknemers een zending producten uit de vrachtwagen halen, deze naar een DC verplaatsen, enzovoort, wordt een enorme hoeveelheid transactiegegevens geregistreerd. Met behulp van AI kunnen retailers automatisch de masterdata genereren die nodig zijn voor besluitvorming. Omdat ze weten dat er een zending televisies aankomt, zijn ze nu gewapend met specifieke, automatisch gegenereerde kennis van hoeveel arbeid er nodig is om het product te verplaatsen. Hier, en in alle geschetste use-cases, stelt AI bedrijven in staat hun gegevens om te zetten in een van hun meest waardevolle activa.

Chakri Gottemukkala is CEO van o9 Solutions.