Повышение бизнес-результатов с помощью проектов больших данных и искусственного интеллекта

Что является наиболее важным событием, определяющим будущее того, как компании извлекают пользу для бизнеса за счет своих данных и аналитических возможностей?

Согласно MIT Sloan Management Review, это конвергенция больших данных с искусственным интеллектом. Тем не менее, многие компании, когда им представляются получаемые выгоды для бизнеса, выражают те же колебания:«У нас нет данных для этого. Он разрознен и неорганизован. Наши данные не чистые ».

Понятно, что люди испытают это опасение. Разрозненные, разрозненные и объемные данные сегодня остаются общей проблемой для компаний во всех отраслях. В результате руководители предприятий могут подумать, что они не готовы к развертыванию передовых технологий, таких как искусственный интеллект. На самом деле, однако, все наоборот:ИИ помогает очищать, интегрировать и рационализировать данные, обеспечивая огромную ценность для бизнеса.

Наибольшие возможности использования ИИ для проектов с большими данными можно увидеть в четырех ключевых сценариях использования в управлении цепочкой поставок и бизнес-операциях.

Пример использования 1. Преобразование прогнозирования за счет включения драйверов спроса и опережающих индикаторов .

Обычно компании основывают процессы статистического прогнозирования на исторических данных о продажах и отгрузках. Однако на сегодняшнем все более нестабильном рынке прошлые события не всегда являются лучшими предикторами будущих событий. Модели на основе больших данных и искусственного интеллекта создают потенциал для среды, готовой к будущему, в которой компании могут перейти от прогнозирования, основанного на исторических данных отгрузки, к прогнозированию, учитывающему различные факторы спроса. Такие факторы включают внешние события, в том числе конкурентные цены, рыночные условия и конкурентоспособный ассортимент, а также внутренние факторы, связанные с рекламными акциями и ценообразованием.

Компании, пытающиеся сегодня включить драйверы спроса в статистическое прогнозирование без использования машинного обучения и искусственного интеллекта, должны приложить значительные усилия для нормализации данных на основе выбросов. Например, падение продаж могло произойти из-за дефицита, вызванного ограничением цепочки поставок. Но как алгоритм прогнозирования узнает, что это падение продаж произошло из-за проблемы с цепочкой поставок, а не из-за спроса на рынке? При традиционном подходе потребовалось бы задействовать человеческие усилия, чтобы ввести «почему» и эффективно исправить историю, прежде чем данные будут переданы в статистические модели.

Все меняется, когда компания развертывает платформу на основе искусственного интеллекта для прогнозирования спроса. Алгоритмы машинного обучения (ML) создают модели на основе шаблонов данных, не полагаясь на явные инструкции. Это означает, что вводимые данные, которые определяют прогноз спроса, могут быть очищены, коррелированы и должным образом отнесены к результатам с помощью машинного обучения. В свою очередь, директивные решения, основанные на спросе, генерируются на основе закономерностей, наблюдаемых с течением времени.

Вариант использования 2. При планировании используйте системы обучения, а не знания племен.

Сегодня моделирование знаний во многих организациях остается в основном племенным. Сегодня большая часть принятия решений по планированию находится в головах и суждениях отдельных плановиков. Например, если плановик получил прогноз продаж, в котором указано, что бюджет цепочки поставок должен быть направлен на ускорение, что они будут делать? Верят ли они в надежность спроса? Готовы ли они тратить твердые деньги на удовлетворение этого спроса или будут колебаться? Решение ускорить или нет часто является лучшим предположением планировщика, основанным на личной истории с руководителем отдела продаж или покупателем.

Когда ИИ применяется в этом сценарии, знания племен становятся институциональными знаниями. Исторические данные о прогнозах и продажах позволяют системе на основе ИИ узнать, как выглядит надежный спрос и кто, вероятно, будет точным (или нет) в своих прогнозах. Решение об ускорении или дополнительных расходах для удовлетворения спроса теперь будет основываться на разумной рекомендации:да, автоматизировать этот запрос, потому что он чрезвычайно надежен. Или действуйте осторожно, потому что в прошлом этот клиент был ненадежным и требуется одобрение этого решения руководством.

В этой среде компромиссные решения могут быть приняты с большей скоростью, точностью и рентабельностью. Человеческая предвзятость устраняется, и обеспечивается преемственность в принятии решений, независимо от того, какой планировщик руководит системой.

Пример использования 3. Создание интегрированных моделей планирования и принятия решений путем подключения разрозненных данных .

Практически каждая компания отключила данные. Это серьезная проблема. Исследование, проведенное Vanson Bourne, показало, что организации США и Великобритании ежегодно теряют в общей сложности 140 миллиардов долларов из-за отсутствия данных. Разрозненные хранилища данных существуют по разным причинам, которые охватывают техническую, структурную и культурную динамику компании.

Одна из классических проблем, связанных с отключенными корпоративными данными, коренится в том факте, что многие компании выросли за счет слияний и поглощений. Объединенные компании могут стать одним целым для всего мира, но за кулисами разделения могут оставаться очевидными, часто в течение многих лет. Вероятно, существует несколько систем планирования ресурсов предприятия (ERP) и других разрозненных систем для продаж, цепочки поставок и управления продуктами. Под одной корпоративной крышей один продукт может быть известен под несколькими именами в нескольких разрозненных системах.

Это создает серьезные проблемы при построении консолидированной картины для принятия решений, необходимых для целей планирования. Традиционные подходы к исправлению включают внедрение единой системы ERP или исправление данных во всех исходных системах. Эти проекты дороги и отнимают много времени, поэтому многие компании приходят к выводу:«Мы знаем, что он неисправен, но не можем исправить это прямо сейчас».

У предприятия, погруженного в разрозненные данные, неизбежно возникают опасения по поводу реализации инициатив по интегрированному планированию и принятию решений. Но с помощью искусственного интеллекта и обработки естественного языка системы могут определить, что различные точки данных на самом деле одно и то же. Можно построить модель, которая коррелирует все эти продукты, так что источники не нужно менять. Видимость запасов, планирование и принятие решений теперь связаны, потому что система распознает, что эти продукты идентичны.

Пример использования 4:решение проблем, связанных с основными данными в системах планирования.

Сила ИИ в создании систем планирования заключается в ускорении автоматизированного и интеллектуального принятия решений. Но еще один распространенный отказ корпоративных руководителей заключается в том, что большая часть данных, необходимых для принятия таких решений по планированию, - это основные данные, которых нет ни в одной системе записи.

Например, крупный розничный торговец обрабатывает сотни тысяч наименований товаров, проходящих через распределительный центр и сеть магазинов. Этому розничному продавцу необходимо смоделировать, сколько мощности требуется по разным параметрам, включая складские помещения и рабочую силу для обработки товаров в пути, в торговых центрах и в магазинах. Чтобы определить требования к емкости, продавец должен понимать, сколько SKU потребляет на различных доступных ресурсах. Время, необходимое человеку для разгрузки партии телевизоров, что является трудоемким процессом, будет значительно отличаться от времени, необходимого для разгрузки партии ибупрофена, который относительно невелик.

Данные, необходимые для принятия правильных и точных плановых решений, должны основываться на объеме конкретных продуктов, проходящих через DC, и их соответствующих требованиях к мощности. Но кто хранит все данные? В прошлом эти детали было сложно моделировать, потому что их нужно было делать на агрегированных уровнях, и часто никто не собирал и не поддерживал эти данные.

Теперь, с большими данными и искусственным интеллектом, розничные продавцы могут использовать данные транзакционного датчика Интернета вещей (IoT), поскольку они регистрируются для определения требований к емкости. Когда рабочие берут партию продукции из грузовика, перемещают ее в ЦОД и т. Д., Записывается огромное количество транзакционных данных. Используя ИИ, розничные продавцы могут автоматически генерировать основные данные, необходимые для принятия решений. Зная, что к ним прибывает партия телевизоров, они теперь вооружены особыми, автоматически генерируемыми знаниями о том, сколько труда требуется для перемещения продукта. Здесь и во всех описанных случаях использования ИИ позволяет компаниям превращать свои данные в один из самых ценных активов.

Чакри Готтемуккала - генеральный директор o9 Solutions.