Как ИИ решает проблему «грязных» данных

Снижение операционного риска - это главное в цепочке поставок. Для достижения надежного и вместе с тем экономичного подхода цепочки поставок должны быть одновременно гибкими и устойчивыми. Но оба качества исторически зависели от «чистых» данных. И многие организации не были готовы к тому, что потребность в средствах индивидуальной защиты (СИЗ) и туалетной бумаге резко возросла с началом глобальной пандемии COVID-19 прошлой весной. Руководители бизнеса не могли месяцами ждать надлежащей очистки данных, чтобы удовлетворить объем запросов на немедленную поставку. Данные должны были быть доступны и требовать принятия мер. Эффективность цепочки поставок стала обязательной, поскольку производители изо всех сил пытались удовлетворить меняющийся спрос.

В традиционных ситуациях потребовалась бы очистка данных, но на то, чтобы сделать это вручную, уходит много времени. Даже до COVID-19 этот процесс препятствовал эффективности цепочки поставок, но когда пандемия разразилась полным ходом, медленное движение перестало быть вариантом. Традиционная очистка данных изжила себя, и пришло время двигаться дальше. Пришло время позволить искусственному интеллекту и машинному обучению преодолеть шум, создаваемый большими данными.

Знание всего бизнеса

Сделайте шаг назад и посмотрите на бизнес-операцию в целом. Хотя может быть в основном точное представление о поставках текущего объекта, каково состояние видимости других подключенных объектов? Кроме того, что известно о запасах других поставщиков и как быстро они могут удовлетворить производственные потребности?

Возможно, I.T. У отдела есть инструмент, который может дать некоторое представление о дочерних заводах в других местах, но мало что можно узнать о том, что есть у ваших поставщиков в то же время. Единственный способ обойти это - собрать материалы под рукой, чтобы они были готовы, даже если они не совсем то, что сейчас нужно. Но такой подход часто приводит к тому, что одного типа инвентаря слишком много, а другого недостаточно. Недостаточно информации в реальном времени, чтобы внести значимые изменения в источники снабжения в соответствии с производственными потребностями.

Давний способ сбора всей этой информации - очистка данных.

Пусть диктуют алгоритмы

Организации повсюду скованы наручниками из-за проектной очистки данных. Они дороги, требуют много времени и вредят долгосрочной рентабельности инвестиций. Это неустойчивая стратегия, и обычно ее приходится повторять каждые несколько лет.

Еще до пандемии очистка данных замедляла процесс цепочки поставок, ухудшая бизнес-операции. Потратив полмиллиона долларов на очистку данных, которая, как ожидается, займет до года, мало пользы для организации. Даже при использовании лучших технологий повторяются одни и те же плохие процессы.

Войдите в ИИ и машинное обучение. Экономичное, быстрое и легкое экспериментирование - ключ к инновационным бизнес-процессам. В данном случае это означает замену старой очистки данных алгоритмами машинного обучения, что позволит сократить годовой процесс до нескольких недель.

ИИ реализуется с использованием существующих данных, чтобы принимать более обоснованные решения и немедленно создавать аналитические данные, без использования процесса очистки данных. Процесс AI извлекает данные из разрозненного хранилища, поэтому организация может перейти от личных отношений к общему обзору всей сети цепочки поставок. Алгоритмы, созданные с помощью машинного обучения, предлагают новый уровень прозрачности и открывают двери другим участникам сети цепочки поставок для обмена ценными данными.

Использование искусственного интеллекта и машинного обучения открывает несколько новых возможностей для более эффективного использования данных. Один из них - это возможность одновременно выполнять несколько задач с данными. Например, если менеджер говорит, что пора сокращать запасы, вы обычно не решаетесь сделать это из-за риска не иметь запасов, когда это необходимо. Но в этой новой модели это больше не проблема, потому что вы можете лучше оптимизировать оборотный капитал, связанный с запасами - не только на вашем предприятии, но и во всех организациях в вашей сети. Это снижает риск, потому что теперь у вас есть разум и уверенность в том, что у вас есть то, что вам нужно, когда и где вам это нужно.

Эта парадигма обеспечивает более плавный переход к процессам Индустрии 4.0. Если возникает проблема с датчиком на одной из частей оборудования, поставщик получает уведомление и предоставляет эту деталь. Использование данных в реальном времени исключает длительные периоды простоя.

Грязные и избыточные данные больше не должны замедлять работу цепочки поставок. Алгоритмы, созданные с помощью машинного обучения, позволят вам принимать более обоснованные решения с вашими данными, чтобы цепочка поставок функционировала на всех уровнях.

Пол Нобл - основатель и главный исполнительный директор Verusen,