Hoe AI het probleem van 'vuile' gegevens aanpakt

Vermindering van operationeel risico is de naam van het spel als het gaat om de supply chain. Om tot een betrouwbare en toch slanke aanpak te komen, moeten toeleveringsketens tegelijkertijd wendbaar en veerkrachtig zijn. Maar beide kwaliteiten waren historisch afhankelijk van "schone" gegevens. En veel organisaties waren niet voorbereid toen de behoefte aan persoonlijke beschermingsmiddelen (PBM) en toiletpapier omhoogschoot bij het begin van de wereldwijde COVID-19-pandemie afgelopen voorjaar. Bedrijfsleiders konden geen maanden wachten op een behoorlijke gegevensopschoning om aan het grote aantal verzoeken om onmiddellijke levering te voldoen. De gegevens moesten zowel beschikbaar als bruikbaar zijn. De efficiëntie van de toeleveringsketen werd noodzakelijk omdat fabrikanten moeite hadden om aan de veranderende vraag te voldoen.

In traditionele situaties zou een gegevensopschoning nodig zijn geweest, maar om dat handmatig te doen, is tijdrovend. Zelfs vóór COVID-19 belemmerde het proces de efficiëntie van de supply chain, maar toen de pandemie eenmaal in volle gang was, was langzaam geen optie meer. Traditionele gegevensopschoning heeft zijn nut overleefd en het is tijd om verder te gaan. Het is tijd om kunstmatige intelligentie en machine learning de ruis van Big Data te laten doorbreken.

Het hele bedrijf kennen

Doe een stap terug en kijk naar het geheel van de bedrijfsvoering. Hoewel er een grotendeels nauwkeurig beeld kan zijn van de voorraden van de huidige faciliteit, hoe is het zicht op andere aangesloten faciliteiten? Wat is er ook bekend over de voorraden van andere leveranciers en hoe snel kunnen ze aan de productiebehoeften voldoen?

Misschien is de I. T. afdeling heeft een tool die inzicht kan geven in zusterfabrieken op andere locaties, maar er is weinig manier om te weten wat uw leveranciers hebben. De enige manier om dat te omzeilen is om de beschikbare materialen tegen elkaar op te slaan om klaar te zijn, zelfs als ze niet precies zijn wat nu nodig is. Maar deze benadering leidt er vaak toe dat er te veel van het ene type inventaris is en te weinig van het andere. Er is niet genoeg realtime informatie om zinvolle inkoopaanpassingen te maken om aan de productiebehoeften te voldoen.

De al lang bestaande terugval om al die informatie te verzamelen, is het opschonen van gegevens.

Laat de algoritmen dicteren

Overal zijn organisaties geboeid door projectgebaseerde gegevensopschoning. Ze zijn duur, tijdrovend en schaden de ROI op de lange termijn. Het is geen duurzame strategie en het proces moet meestal om de paar jaar worden herhaald.

Zelfs vóór de pandemie vertraagde het opschonen van gegevens het supply chain-proces, waardoor de bedrijfsvoering verslechterde. Een half miljoen dollar uitgeven aan een data-opschoning, die naar verwachting een jaar zal duren, levert weinig voordeel op voor de organisatie. Zelfs met de beste technologie worden dezelfde slechte processen herhaald.

Voer AI en machine learning in. Kosteneffectief, snel en eenvoudig experimenteren is de sleutel tot innovatieve bedrijfsprocessen. In dit geval betekent dit dat de oude gegevensopschoning moet worden vervangen door machine learning-algoritmen, waardoor het proces van een jaar wordt teruggebracht tot slechts enkele weken.

AI wordt geïmplementeerd met bestaande gegevens om betere beslissingen te nemen en onmiddellijk intelligentie te creëren, zonder het gebruik van het data-opschoningsproces. Het AI-proces haalt gegevens uit de silo, zodat de organisatie van een-op-eenrelaties kan overstappen naar een totaaloverzicht van het hele supply chain-netwerk. De algoritmen die worden gegenereerd met machine learning bieden een nieuw niveau van zichtbaarheid en openen de deuren voor anderen binnen het supply chain-netwerk om waardevolle gegevens te delen.

Het gebruik van AI en machine learning biedt verschillende nieuwe mogelijkheden voor een beter datagebruik. Een daarvan is de mogelijkheid om meerdere taken tegelijkertijd met de gegevens uit te voeren. Als een manager bijvoorbeeld zegt dat het tijd is om de voorraad te verminderen, zou u normaal gesproken aarzelen om dit te doen vanwege het risico dat u niet over de voorraad beschikt wanneer dat nodig is. Maar in dit nieuwe model is dat niet langer een probleem, omdat u het werkkapitaal dat vastzit in de voorraad beter kunt optimaliseren - niet alleen in uw faciliteit, maar in alle organisaties binnen uw netwerk. Dit vermindert het risico, omdat je nu de intelligentie en het vertrouwen hebt dat je hebt wat je nodig hebt, wanneer en waar je het nodig hebt.

Dit paradigma zorgt voor een soepelere overgang naar Industrie 4.0-processen. Als er een sensorprobleem is op een machine, wordt de leverancier gewaarschuwd en levert het onderdeel. Het realtime gebruik van gegevens elimineert lange downtime.

Vuile en overtollige gegevens mogen de supply chain-activiteiten niet langer vertragen. Met algoritmen die zijn gegenereerd met machine learning, kunt u betere beslissingen nemen met uw gegevens, zodat de toeleveringsketen op alle niveaus blijft functioneren.

Paul Noble is oprichter en Chief Executive Officer van Verusen,