Hoe AI 'Vuil' Data-problemen in Supply Chains Oplost

Reductie van operationeel risico is de naam van het spel in de supply chain. Om een betrouwbare maar lean benadering te bereiken, moeten supply chains tegelijkertijd agile en resilient zijn. Maar beide kwaliteiten zijn historisch afhankelijk geweest van "schone" data. En veel organisaties waren niet voorbereid toen de behoefte aan persoonlijke beschermingsmiddelen (PBM) en toiletpapier in de lente van vorig jaar bij de aanvang van de wereldwijde COVID-19 pandemie in de hoogte schoot. Bedrijfsleiders konden niet maanden wachten op een proper data cleanse om het volume aan verzoeken voor directe voorraad te halen. De data moest zowel beschikbaar als actionable zijn. De efficiëntie van de supply chain werd imperatief toen fabrikanten worstelden om te voldoen aan verschuivende vraag.

In traditionele situaties zou een data cleanse zijn opgeroepen, maar dat handmatig te doen is tijdrovend. Nog voor COVID-19 belemmerde het proces de supply chain-efficiëntie, maar eenmaal de pandemie in volle gang was, was langzaam geen optie meer. Traditionele data cleansing heeft zijn nut uitgeleefd, en de tijd is gekomen om verder te gaan. Het is tijd om kunstmatige intelligentie en machine learning de ruis te laten doorsnijden die geproduceerd wordt door Big Data.

Het Hele Bedrijf Kennen

Maak een stap terug en kijk naar de gehele bedrijfsoperatie. Terwijl er misschien een redelijk accurate visie is van de huidige faciliteit's voorraden, wat is de staat van zichtbaarheid in andere verbonden faciliteiten? Ook, wat is bekend over andere leveranciers' voorraden, en hoe snel ze productiebehoeftes kunnen voldoen?

Misschien heeft de IT-afdeling een tool die enig inzicht kan geven in zusterplanten in andere locaties, maar er is weinig manier om te weten wat uw leveranciers op hetzelfde moment hebben. De enige manier daaromheen is om materialen op hand te verhogen om klaar te zijn, zelfs als ze niet precies wat nu nodig is. Maar deze benadering leidt vaak tot te veel van de ene soort voorraad en niet genoeg van een andere. Er is niet genoeg realtime informatie om betekenisvolle sourcing-aanpassingen te maken om productiebehoeftes te halen.

De langdurige terugval om al die informatie te verzamelen is de data cleanse.

Laat de Algoritmen Bepalen

Organisaties overal zijn geboeid door project-gebaseerde data cleanses. Ze zijn duur, tijdrovend, en schaden lange termijn ROI. Het is geen duurzame strategie, en het proces moet meestal elke paar jaar herhaald worden.

Nog voor de pandemie vertraagde data cleansing de supply chain-processen, wat bedrijfsoperaties degradeerde. Een half miljoen dollar uitgeven aan een data cleanse, die verwacht wordt tot een jaar te duren, brengt weinig voordeel voor de organisatie. Zelfs met de beste technologie, worden de slechte processen herhaald.

Kom AI en machine learning. Kosteneffectief, snel en gemakkelijk experimenteren is de sleutel tot innovatieve bedrijfsprocessen. In dit geval betekent het het vervangen van de oude data cleanse door machine learning algoritmes, waardoor het jaarlijks proces wordt teruggebracht tot slechts weken.

AI wordt geïmplementeerd met bestaande data om betere beslissingen te nemen en direct intelligentie te creëren, zonder het data-cleanse proces. Het AI-proces haalt data uit de silo, zodat de organisatie kan bewegen van één-op-één relaties naar een groot-plaatje overzicht van het gehele supply chain-netwerk. De algoritmes die gegenereerd worden met machine learning bieden een nieuw niveau van zichtbaarheid, en openen de deuren voor anderen binnen het supply chain-netwerk om waardevolle data te delen.

Het gebruik van AI en machine learning opent diverse nieuwe kansen voor beter data-gebruik. Een is de mogelijkheid om meerdere taken met de data tegelijkertijd te doen. Bijvoorbeeld, als een manager zegt dat het tijd is om voorraad te reduceren, zou u normaal terughoudend zijn om dat te doen vanwege het risico om de voorraad niet te hebben wanneer nodig. Maar in dit nieuwe model is dat geen probleem meer, omdat u de working capital gebonden in voorraad beter kunt optimaliseren — niet alleen in uw faciliteit, maar over organisaties in uw netwerk heen. Dit verlaagt risico, omdat u nu de intelligentie en het vertrouwen heeft dat u wat u nodig hebt, heeft, wanneer en waar u het nodig hebt.

Deze paradigma stelt een gladde overgang naar Industry 4.0 processen mogelijk. Als er een sensorprobleem is op één machine, wordt de leverancier gealarmeerd en levert het onderdeel. Het realtime gebruik van data elimineert lange downtime-periodes.

Vuil en redundante data mogen supply chain-operaties niet langer vertragen. Algoritmes gegenereerd met machine learning laten u betere beslissingen nemen met uw data, om de supply chain op alle niveaus functionerend te houden.

Paul Noble is founder en Chief Executive Officer van Verusen.