Data Fabrics uitgelegd: Efficiëntie en veerkracht in toeleveringsketens verbeteren

Fabrikanten balanceren constant een complex web van functies die productinnovatie, engineering, planning, productie en logistiek omspannen. Deze hoog geïntegreerde processen strekken zich uit over de organisatie en haar partners, wat gaten in data, informatielatentie en barrières creëert die complexe associaties over operaties en constituties creëren.

Het afgelopen jaar aan storingen bracht veel wereldwijde toeleveringsketens aan de rand. Slechte datastrategieën waren de schuldige, omdat ze de toeleveringsketen behandelden als een rigide systeem terwijl het in werkelijkheid een complex netwerk van actoren is die in sync moeten zijn om snel aan verandering te adaptieren. Toen consumentenvraag een all-time high bereikte voor talloze producten tijdens de pandemie, vertraagde data-latentie van bron-systemen reacties die veel fabrikanten en leveranciers verhinderden om te reageren op de veranderende marktomgeving.

Traditionele datamanagementsystemen werkten goed toen toeleveringsketenprofessionals meer tijd hadden om zich aan te passen, en het enterprise data-landschap uniformer, gestructureerder en simpeler was. Maar de wereld is anders nu. Toeleveringsketendata moet herbruikbaar zijn, wat traditionele benaderingen niet kunnen gegeven ze non-herhaalbare data-extraheringen vereisen voor probleemidentificatie en voor het oplossen van vergelijkingen. Erger, de opkomst van het internet of things (IoT), de toename in ongestructureerde datavolume, toenemende relevantie van externe databronnen, en de trend naar hybride multi-cloud omgevingen zijn obstakels voor het voldoen aan elk nieuw data-verzoek.

De oude datastrategie die gecentreerd was om relationele datasystemen is fundamenteel gebroken, maar hoe kunnen fabrikanten verschuiven van een reactieve naar een responsieve datastrategie? Om informatievertragingen te overwinnen, adoptieeren fabrikanten nieuwe technologiebenaderingen zoals data fabrics om een gedigitaliseerd leveringsnetwerk te creëren dat data nauwkeurig vertegenwoordigt als het zich voortbeweegt langs de toeleveringsketen en de relaties die definiëren hoe werk gedaan wordt. Enterprise data fabrics weven data van interne silo's en externe bronnen samen en creëren een netwerk van informatie om zakelijke applicaties, kunstmatige intelligentie en analytics te voeden.

Ondersteuning van de volledige breedte van de huidige complexe en verbonden enterprise, omvat deze digitale representatie alle processen, producten, mensen, partners, beleid en derde-partij databronnen vertegenwoordigd in het leveringsnetwerk om een duidelijk beeld over de waardeketen te bieden. Met deze zichtbaarheid kunnen fabrikanten impact- en root cause-analyse creëren, gedistribueerde hiërarchieën managen en just-in-time besluitvorming uitvoeren door gebruik te maken van realtime en IoT-data.

Data fabrics bieden dataprofessionals de mogelijkheid om een composeerbare, machine-begrijpbare representatie te genereren van de sleutelentiteiten en relaties, alsook zakelijke logica en regels, die het bedrijf sturen. In tegenstelling tot oudere dataintegratietechnieken, zijn data fabrics expressief, wat fabrikanten in staat stelt vragen te stellen en de real-world effecten, gevolgen en eigenschappen van bepaalde acties te beschrijven. De fabric is uitbreidbaar en herbruikbaar over alle use cases/functies, en het is eenvoudig te onderhouden en uit te breiden naar partners zoals nodig.

Supply chain uitkomsten drijven

Om zakelijke waarde binnen de enterprise te creëren, moeten fabrikanten in staat zijn om alle data die ertoe doet te verbinden. Data fabrics veranderen de status quo door betekenis te leveren, niet alleen data, over de enterprise. Deze betekenis is samen geweven uit veel bronnen: data en metadata, interne en externe bronnen, en cloud- en on-premise systemen. Betekenis wordt vastgelegd binnen het datamodel, met alle context op elk data-asset volledig aanwezig en beschikbaar, in machine-begrijpbare vorm. Met een data fabric kunnen mensen en algoritmes betere beslissingen nemen terwijl ze ook de waarschijnlijkheid en risico van data-misbruik of misinterpretatie verminderen. Meer specifiek helpen data fabrics fabrikanten:

• Vraagsensing verbeteren. Het sluiten van de tijdvertraging om aan opkomende vraag te voldoen is cruciaal voor fabrikanten; echter, vraagsensing is moeilijk door data-latentie en onmogelijkheid om connecties te vinden over alles van sociale media tot POS-data. Data fabrics verwijderen deze gaten zonder bestaande ERP- of vraagvoorspellingsoplossingen te hoeven herbedraden.

Inzichten kunnen geleverd worden aan vraagplanningleiders die ze kunnen benutten om zakelijke planning te verbeteren.

• Operaties verbinden. Het hoge niveau van vraagvolatiliteit heeft een ripple-effect op fabrikanten die snel operationele prestaties, productbeschikbaarheid en trends die opbrengst beïnvloeden, moeten begrijpen. Helaas zijn meerdere MES of shopfloor operatingsystemen onstaat om realtime scenario trade-offs rond beschikbaarheid van aanbod te identificeren en te ondersteunen.

Met data fabrics kunnen fabrikanten eventuele veranderingen in aanbod identificeren en de noodzakelijke aanpassingen maken zonder additionele data lake silo's of operationele support/procurement analisten kosten aan te nemen.

• Root cause-analyse van klachten bieden. Klantklachten door productdefecten kunnen een reeks opvolgaansessessments ontketenen. Wat was de bron van het defect? Welke andere klanten zijn beïnvloed? Vereist dit een recall? Data fabrics stellen fabrikanten in staat een klantklacht over een defect product terug te traceren naar de grondstoffen, eenvoudig de relaties tussen eindproducten en grondstoffen te kruisrefereren.

Verder, omdat deze grondstoffen geproduceerd worden door meerdere productielocaties en door verschillende leveranciers verschillende namen kunnen hebben, stellen data fabrics traceerbaarheid mogelijk over klant, productie, veldondersteuning, product en andere datadomeinen. Dit stelt fabrikanten in staat het volledige bereik van de situatie te zien zodat ze adequaat kunnen handelen en de root cause-analyse van klantklachten kosteneffectief kunnen managen.

• Een digitale toeleveringsketentweeling creëren. De digitale toeleveringsketentweeling vereist voorspellende analytics, een model om bron-data te verbinden, en natuurlijk de bron-data zelf (bijv. ERP, CRM, MES, IoT, klantnetwerken) om besluitvorming te verbeteren, met name rond toeleveringsketensplanning. Een digitale tweeling moet in staat zijn honderden miljoenen relaties te vertegenwoordigen. Een data fabric, met de complexe zakelijke logica-mogelijkheden van semantische grafen en het vermogen gevarieerde data te vertegenwoordigen, biedt fabrikanten geautomatiseerde controle die hen in staat stelt zakelijke regels te managen die in staat zijn complexe logica en situatiegebonden besluitvorming aan te kunnen.

Data fabrics blijven aandacht trekken voor hun vermogen om bestaande datamanagementsystemen samen te voegen, alle verbonden applicaties en gebruikers in het proces verrijkend. Ze worden beschouwd als de volgende stap voorwaarts in de datamanagement-ruimte – ondersteunend de volledige breedte van de toenemend complexe, verbonden enterprise van vandaag.

Rob Harris is vicepresident oplossingen bij Stardog, een enterprise knowledge graph (EKG) platform-aanbieder.