Bedrijfswarde maximaliseren door integratie van Big Data & AI

Wat is de ene belangrijkste ontwikkeling die de toekomst vormt van hoe bedrijven bedrijfswarde halen uit hun data- en analysecapaciteiten?

Volgens MIT Sloan Management Review is het de convergentie van big data met kunstmatige intelligentie. Toch tonen veel bedrijven, wanneer geconfronteerd met de daaruit voortvloeiende bedrijfsvoordelen, dezelfde terughoudendheid: 'Wij hebben de data daar niet voor. Het is verstrooid en ongestructureerd. Onze data is niet schoon.'

Het is begrijpelijk dat mensen deze ongerustheid voelen. Verstrooide, gesiloode en volumineuze data blijft een veelvoorkomende uitdaging voor bedrijven in alle sectoren. Als gevolg daarvan kunnen bedrijfsleiders denken dat ze niet klaar zijn om high-tech technologie zoals AI in te zetten. In werkelijkheid is het tegenovergestelde waar: AI helpt data schoonmaken, integreren en rationaliseren om enorme bedrijfswarde te genereren.

De grootste kansen om AI in te zetten voor big data-projecten zijn te zien in vier cruciale use cases in supply chain management en bedrijfsoperaties.

Use Case 1: Voorspellingen transformeren door vraagsturende factoren en vooraanstaande indicatoren te incorporeren.

Doorgaans baseren bedrijven statistische voorspellingsprocessen op historische verkoop- en verzenddata. In de huidige steeds volatilere markt zijn verleden gebeurtenissen niet altijd de beste voorspellers van toekomstige gebeurtenissen. Big data- en AI-gebaseerde modellen creëren de potentie voor een toekomstbestendige omgeving, waarin bedrijven kunnen overstappen van voorspellingen gedreven door historische verzenddata naar voorspellingen die diverse vraagsturende factoren incorporeren. Zulke factoren omvatten externe gebeurtenissen, zoals concurrentieprijzen, marktomstandigheden en concurrent-assortimenten, alsmede interne drijvers gerelateerd aan promoties en prijsstelling.

Bedrijven die vandaag de dag proberen vraagsturende factoren in statistische voorspellingen te incorporeren zonder het voordeel van machine learning en AI, moeten veel inspanning steken in het normaliseren van data op basis van uitbijters. Bijvoorbeeld: een dip in verkoop kan zijn ontstaan door een stockout veroorzaakt door een toeleveringsketenbeperking. Hoe zou het voorspellingsalgoritme weten dat deze verkoopdip voortkwam uit een toeleveringsketenprobleem en niet uit een vraagprobleem op de markt? In een traditionele benadering zou een menselijke inspanning moeten worden ingezet om het 'waarom' in te voeren, en de geschiedenis effectief te corrigeren voordat de data aan statistische modellen wordt gegeven.

Alles verandert wanneer een bedrijf een AI-gebaseerd platform voor vraagvoorspelling implementeert. Machine learning (ML)-algoritmes bouwen modellen op basis van patronen in data, zonder te vertrouwen op expliciete instructies. Dit betekent dat datainput die vraagvoorspelling drijft, kunnen worden gereinigd, gecorreleerd en de juiste toeschrijving aan resultaten kunnen krijgen via ML. Op hun beurt worden voorschrijvende vraaggebaseerde beslissingen gegenereerd op basis van de patronen die over tijd worden gezien.

Use Case 2: Planning sturen met lerende systemen in plaats van tribale kennis.

Vandaag de dag blijft het modelleren van kennis grotendeels tribale in veel organisaties. Veel van de besluitvorming voor planning zit vandaag in de hoofd en het oordeel van individuele planners. Bijvoorbeeld: als een planner een verkoopvoorspelling ontvangt die aangeeft dat het toeleveringsketenbudget moet worden gericht op versnelling, wat zullen planners doen? Vertrouwen ze dat de vraag betrouwbaar zijn? Zijn ze bereid harde dollars uit te geven om die vraag te bevredigen, of zullen ze aarzelen? De beslissing om te versnellen of niet is vaak de beste gok van de planner gebaseerd op een persoonlijke geschiedenis met de verkoopmanager of klant.

Wanneer AI in dit scenario wordt toegepast, wordt tribale kennis institutionele kennis. Historische data over voorspelling versus verkoop stelt het AI-gebaseerde systeem in staat te leren wat betrouwbare vraag eruitziet, en wie waarschijnlijk accuraat (of niet) is in hun voorspelling. Een beslissing om te versnellen of extra kosten te maken om vraag te bevredigen, zal nu gebaseerd zijn op een intelligente aanbeveling: Ja, automatiseer dit verzoek omdat het extrem betrouwbaar is. Of, wees voorzichtig omdat deze klant in het verleden onbetrouwbaar was, en managementgoedkeuring van deze beslissing is vereist.

In deze omgeving kunnen beslissingsafwegingen worden gemaakt met meer snelheid, nauwkeurigheid en kosteneffectiviteit. Menselijke bias wordt verwijderd, en continuïteit in besluitvorming is gewaarborgd, ongeacht welke planner het systeem bedient.

Use Case 3: Geïntegreerde planning en besluitvormingsmodellen creëren door losstaande data te verbinden.

Virtueel elk bedrijf heeft losstaande data. Het is een alomtegenwoordige uitdaging. Een studie uitgevoerd door Vanson Bourne schatte dat Amerikaanse en Britse organisaties samen $140 miljard per jaar verliezen door losstaande data. Datasilo's bestaan om diverse redenen die de technische, structurele en culturele dynamiek van een bedrijf omspannen.

Een van de klassieke problemen gerelateerd aan losstaande bedrijfsdata is geworteld in het feit dat veel bedrijven zijn gegroeid via fusies en overnames. De samengevoegde bedrijven kunnen naar de buitenwereld één entiteit zijn, maar achter de schermen kunnen divisies jarenlang duidelijk zichtbaar blijven. Er zijn waarschijnlijk meerdere enterprise resource planning (ERP) en andere gesiloode systemen voor verkoop, toeleveringsketen en productmanagement. Onder één bedrijfsdak kan een enkel product bekend zijn onder meerdere namen in verschillende disparatesystemen.

Dit creëert significante uitdagingen bij het construeren van een geconsolideerd plaatje om de besluitvorming te voeden die vereist is voor planningsdoeleinden. Traditionele correctieve benaderingen omvatten het implementeren van een enkel ERP-systeem, of het corrigeren van de data in alle bronsystemen. Die projecten zijn duur en tijdrovend, waardoor veel bedrijven concluderen: 'We weten dat het kapot is, maar we kunnen het nu niet repareren.'

Een onderneming gedoopt in losstaande data heeft onvermijdelijk zorgen over het aanpakken van geïntegreerde planning en besluitvormingsinitiatieven. Maar met AI en natural language processing kunnen systemen bepalen dat gevarieerde datapunten in feite hetzelfde zijn. Een model kan worden geconstrueerd dat al die producten correleert, zodat de bronnen niet hoeven te veranderen. Inventariszichtbaarheid, planning en besluitvorming zijn nu gekoppeld, omdat het systeem herkent dat die producten identiek zijn.

Use Case 4: De uitdagingen van masterdata in planningsystemen oplossen.

De kracht van AI in het creëren van planningsystemen ligt in het drijven van geautomatiseerde en intelligente besluitvorming sneller. Maar een ander veelgehoord klacht van bedrijfsleiders is dat veel van de data die vereist is voor die planningsbeslissingen masterdata is die niet in enig systeem van registratie woont.

Bijvoorbeeld: een grote detailhandelaar hanteert honderdduizenden SKU's die door het distributiecentrum en winkelsnetwerk stromen. Die detailhandelaar moet modelleren hoeveel capaciteit er vereist is over diverse dimensies, inclusief opslag- en arbeidscapaciteit om goederen in transit, in de DC's en in de winkels te hanteren. Om capaciteitsvereisten te bepalen, moet de detailhandelaar begrijpen wat elke SKU verbruikt op de verschillende beschikbare bronnen. De tijd die een persoon nodig heeft om een zending televisies los te laden, wat arbeidsintensief is, zou significant verschillen van de tijd die nodig is om een zending ibuprofen los te laden, wat relatief licht is.

Data die vereist is om goede, nauwkeurige planningsbeslissingen te drijven, moet gebaseerd zijn op het volume van specifieke producten die door de DC's stromen, en hun corresponderende capaciteitsvereisten. Maar wie onderhoudt al die data? In het verleden waren die details moeilijk te modelleren, omdat ze op geaggregeerde niveaus moeten worden gedaan, en vaak was niemand die data aan het vastleggen en onderhouden.

Nu, met big data en AI, kunnen detailhandelaren transactionele sensor internet-of-things (IoT) data gebruiken zoals die wordt gelogd om capaciteitsvereisten te bepalen. Terwijl werknemers een zending producten van de vrachtwagen halen, het in een DC verplaatsen, enzovoort, wordt een enorme hoeveelheid transactionele data vastgelegd. Met AI kunnen detailhandelaren automatisch de masterdata genereren die vereist is voor besluitvorming. Wetende dat ze een zending televisies verwachten, zijn ze nu gewapend met specifieke, automatisch gegenereerde kennis over hoeveel arbeid vereist is om het product te verplaatsen. Hier, en in alle use cases uiteengezet, stelt AI bedrijven in staat hun data te transformeren in een van hun meest waardevolle activa.

Chakri Gottemukkala is CEO van o9 Solutions.