Drie Essentiële Tech-mogelijkheden voor het Behoud van Concurrentievoordeel in de Nieuwe Normaliteit

Naarmate bedrijven hun mars naar digitalisatie voortzetten, moeten bedrijven strategieën implementeren die de juiste basis bieden om te concurreren. Een sleutelcomponent van succes als een echte digitale kampioen is de mogelijkheid om de hoogste klantenserviceniveaus te leveren tegen de laagste gelande kosten. En om dat te doen, is complete en nauwkeurige supply-chain data essentieel. Data is een valuta geworden die in waarde toeneemt naarmate het real-time benadert, en hoe meer het gedeeld kan worden onder handelspartners.

Wat duidelijk is geworden is dat data real-time moet zijn en maar één keer mag bestaan. Met een gefedereerde master data management (MDM) aanpak kan informatie actueel en consistent zijn, in plaats van gedupliceerd in meerdere formaten en silo's, waar het verouderd en latent wordt (of er nu een data lake/warehouse gebruikt wordt of niet). Moderne technologiebenaderingen creëren een vertrouwde representatie van elk item/unit niveau en kunnen die fideliteit dan opschalen naar een algehele real-time Netwerk oplossing die planning en uitvoering optimaliseert over alle partners met behulp van agent-gebaseerde prescriptieve analytics. Deze netwerken ondersteunen multi-party samenwerking, planning en transactie-uitvoering in real-time en helpen alle deelnemers om in de “next normal” te executeren, mits ze rekening houden met drie kritieke mogelijkheden.

1. Real-time transacties mogelijk maken met een netwerkarchitectuur

We hebben al gezien hoe een netwerk-gebaseerd klantenservice en asset leverage model is toegepast in aangrenzende industrieën. Uber, Facebook, Airbnb en Alibaba hebben allemaal netwerk-gebaseerde architecturen geïmplementeerd die multi-party mogelijkheden bieden. Handel vindt plaats over alle partijen in een netwerk. En aangezien product sourcing en levering meerdere partijen in het netwerk omspannen, moeten planning en uitvoering real-time zijn en ook meerdere partijen omvatten, om maximale asset leverage, laagste gelande kosten en hoogste klantenserviceniveaus te bieden.

Dit niveau van samenwerking gecombineerd met control tower niveau visibiliteit, analytics, planning en uitvoering, is kern voor toekomstige concurrentiekracht. Dit is niet verrassend gegeven dat zelfs de eenvoudigste transacties meerdere partijen omvatten, zoals een klant, brand manager, co-packer, leverancier, vrachtvoerder, 3PL en distributeur.

Helaas zijn veel enterprise-centric technologie-implementaties ontworpen in een hub-and-spoke vorm, wat betekent dat ze fungeren als het centrum van het universum voor dat knooppunt in het netwerk en hun processen en data als zodanig behandelen. Deze hub-technologie is ontworpen om data in een point-to-point/spoke-to-hub manier te verzamelen. Het besluit dan wat te doen over veranderingen in vraag, capaciteit of aanbod gebaseerd op de hub-variabelen in isolatie, en deelt dan een deel van de verouderde of latente data, na verwerking, met sommige van hun spokes, zowel inkomend als uitgaand. Als resultaat kan in een typisch handelsnetwerk meer dan 20 store-and-forward type verwerkingsacties worden gecreëerd over handelspartners, up- en downstream, wat tijd, bemanning en assets verspilt. Ergste van alles, het beïnvloedt klantenserviceniveaus omdat partijen niet afgestemd zijn als een gecoördineerd netwerk dat de eindconsument dient.

2. Een enkele, vertrouwde visie vestigen

Als data je valuta is, dan zijn meerdere ERP-instanties vergelijkbaar met een federatie van entiteiten waar elke bron optreedt als zijn eigen unieke wettige betaalmiddel. Data raakt gevangen in je ERP-stovepijp-instanties en wordt doorgaans in een hub-and-spoke manier gedeeld in één-op-één handelsrelaties met netwerkpartners. Natuurlijk is dit een sub-optimale aanpak, want zelfs als je data zou exporteren naar een data warehouse of data lake, creëer je latentie en veroudering in de data. Dit devalueert de valuta in termen van besluitvorming over netwerkpartners.

Als resultaat adoptieren organisaties oplossingen die gefedereerd master data management bevatten. Met deze aanpak kunnen netwerkhandelspartners opt-in voor het netwerk en zowel hun master- als operationele data delen met andere handelspartners. Gebaseerd op een veilig permissiesframework over het netwerk, bestaat data maar één keer en wordt gefedereerd aan handelspartners gebaseerd op de verleende permissies. Gezien de data niet gekopieerd of gedupliceerd wordt tussen echlonnen, tiers of knooppunten over het netwerk, is het per definitie real-time en direct beschikbaar om asset leverage, klantenservice en laagste gelande kosten te optimaliseren.

3. Actionable en autonome prescriptieve analytics ondersteunen

Gegeven de multi-party aard van netwerk-gebaseerde handelsrelaties, is het laatste criterium de mogelijkheid om het volledige end-to-end supply-chain netwerk te modelleren om correct te analyseren en actie te ondernemen op probleemoplossing en kanscreatie. Aangezien de problemen of kansen onthuld door de analytics zich kunnen manifesteren in strategische, tactische of operationele tijdhorizonnen, moet de fundering naadloos zijn over deze tijdhorizonnen. Het moet ook diensten, algoritmen en analyses bieden die over de netwerkrepresentatie in real-time draaien, of gebruikt om problemen op te lossen die voorspeld worden over zes maanden of tijdens een levering gepland voor later deze middag. Het goede nieuws is: als je aanpak zowel criterium één als twee omvat, is deze fundering al aanwezig.

Het end-to-end, real-time supply netwerk platform stelt de mogelijkheid in om nieuwe supply-chain beleidsregels te testen, netwerk veerkracht, de haalbaarheid van strategische of tactische plannen, alternatieve onderdelen of leveranciers te activeren, transportmodi te wijzigen, of zelfs extra shifts op een fabriek toe te voegen.

Aangezien er veel manieren zijn om problemen op te lossen gerelateerd aan vraag, aanbod, logistiek en fulfillment in een netwerk, is het belangrijk dat de analytics workbenches real-time toegang hebben tot elke materiële variabele mogelijk. Traditionele systemen geven je doorgaans maar één manier om een probleem op te lossen, door statische lead times en verouderde data. In tegenstelling is een AI-gebaseerde analytische workbench een prescriptieve omgeving waar organisaties de top drie of vier oplossingen worden voorgesteld die het beste aan hun doelen voldoen. Het kan ook machine learning ondersteunen wat gewoon een betere manier is om uitkomsten te voorspellen en extreem waardevol is bij het aanbevelen van prescriptieve acties. Niet alleen dat, machine learning verbetert zijn voorspellingen over tijd naarmate je meer data aanlevert.

Deze mogelijkheden zullen het platform en de architectuur leveren die nodig zijn om deze fundering mogelijk te maken en de mogelijkheden te bieden die nodig zijn om vooruit te concurreren.

Joe Bellini is chief operating officer bij One Network Enterprises, aanbieder van AI business netwerk software.