Максимизация бизнес-ценности через интеграцию Big Data и AI

Какое единственное наиболее важное развитие формирует будущее того, как компании извлекают бизнес-ценность из своих данных и аналитических возможностей?

По мнению MIT Sloan Management Review, это слияние больших данных с искусственным интеллектом. Однако многие компании, столкнувшись с полученными бизнес-выгодами, выражают одно и то же сомнение: «У нас нет для этого данных. Они разрознены и неорганизованы. Наши данные нечисты».

Понимаемо, что люди испытывают такую тревогу. Разрозненные, изолированные и объемные данные остаются общей проблемой для компаний во всех отраслях. В результате бизнес-лидеры могут думать, что они не готовы внедрять передовой технологии вроде AI. В реальности же верно обратное: AI помогает очищать, интегрировать и рационализировать данные для получения огромной бизнес-ценности.

Наибольшие возможности использования AI для проектов больших данных видны в четырех ключевых сценариях использования в управлении цепочками поставок и бизнес-операциях.

Сценарий использования 1: Трансформация прогнозирования за счет включения драйверов спроса и ведущих индикаторов

Обычно компании основывают статистические процессы прогнозирования на исторических данных о продажах и отгрузках. В сегодняшнем все более волатильном рынке, однако, прошлое не всегда лучший предиктор будущего. Модели на основе больших данных и AI создают потенциал для среды, готовой к будущему, в которой компании могут перейти от прогнозирования, основанного в основном на исторических данных об отгрузках, к тому, которое включает различные драйверы спроса. Такие драйверы охватывают внешние события, включая конкурентное ценообразование, рыночные условия и конкурентские ассортименты, а также внутренние драйверы, связанные с промо-акциями и ценообразованием.

Компании, пытающиеся включить драйверы спроса в статистическое прогнозирование сегодня без пользы машинного обучения и AI, вынуждены тратить значительные усилия на нормализацию данных на основе выбросов. Например, провал продаж мог произойти из-за дефицита запасов, созданного ограничением цепочки поставок. Но как алгоритм прогнозирования узнает, что этот провал произошел из-за проблемы цепочки поставок, а не проблемы спроса на рынке? В традиционном подходе человеческие усилия должны были бы вводить «почему» и эффективно исправлять историю перед передачей данных статистическим моделям.

Все меняется, когда компания внедряет AI-платформу для прогнозирования спроса. Алгоритмы машинного обучения (ML) строят модели на основе паттернов в данных, не полагаясь на явные инструкции. Это означает, что входные данные, управляющие прогнозированием спроса, могут быть очищены, коррелированы и даны правильная атрибуция результатов с помощью ML. В свою очередь, прескриптивные решения на основе спроса генерируются на основе паттернов, наблюдаемых во времени.

Сценарий использования 2: Управление планированием с помощью обучающихся систем вместо племенных знаний

Сегодня моделирование знаний во многих организациях остается в основном племенным. Большая часть принятия решений для планирования находится в головах и суждениях отдельных планировщиков. Например, если планировщик получил прогноз продаж, указывающий, что бюджет цепочки поставок должен быть направлен на ускоренную доставку, что сделают планировщики? Доверят ли они, что спрос надежен? Готовы ли они потратить реальные деньги на удовлетворение этого спроса или будут колебаться? Решение ускорить или нет часто является лучшей догадкой планировщика, основанной на личной истории с руководителем по продажам или клиентом.

Когда AI применяется в этом сценарии, племенные знания становятся институциональными. Исторические данные о прогнозе против продаж позволяют AI-системе узнать, как выглядит надежный спрос, и кто, вероятно, точен (или нет) в своем прогнозировании. Решение ускорить или понести дополнительные затраты для удовлетворения спроса теперь будет основано на интеллектуальной рекомендации: Да, автоматизируйте этот запрос, потому что он крайне надежен. Или действуйте с осторожностью, потому что этот клиент был ненадежен в прошлом, и требуется одобрение менеджмента.

В такой среде компромиссные решения можно принимать с большей скоростью, точностью и стоимостной эффективностью. Человеческая предвзятость устраняется, а непрерывность принятия решений обеспечивается независимо от того, какой планировщик работает с системой.

Сценарий использования 3: Создание интегрированных моделей планирования и принятия решений путем соединения разрозненных данных

Практически у каждой компании есть разрозненные данные. Это всепроникающая проблема. Исследование, проведенное Vanson Bourne, оценило, что организации США и Великобритании теряют в совокупности 140 миллиардов долларов ежегодно из-за разрозненных данных. Данные в изолированных хранилищах существуют по множеству причин, охватывающим техническую, структурную и культурную динамику компании.

Одна из классических проблем, связанных с разрозненными корпоративными данными, коренится в том, что многие компании росли через слияния и поглощения. Объединенные компании могут стать единым субъектом для внешнего мира, но за кулисами разделения могут оставаться очевидными, часто на года. Вероятно, существует несколько систем ERP и других изолированных систем для продаж, цепочки поставок и управления продуктами. Под одной корпоративной крышей один и тот же продукт может быть известен под разными именами в нескольких разрозненных системах.

Это создает серьезные проблемы в построении консолидированной картины для питания принятия решений, необходимых для планирования. Традиционные корректирующие подходы включают внедрение единой системы ERP или исправление данных во всех исходных системах. Эти проекты дороги и трудоемки, оставляя многие компании с выводом: «Мы знаем, что это сломано, но не можем исправить прямо сейчас».

Предприятие, погруженное в разрозненные данные, неизбежно имеет опасения по поводу внедрения инициатив интегрированного планирования и принятия решений. Но с AI и обработкой естественного языка системы могут определить, что разнородные точки данных на самом деле — одно и то же. Может быть построена модель, коррелирующая все эти продукты, так что источники не нужно менять. Видимость запасов, планирование и принятие решений теперь связаны, потому что система распознает эти продукты как идентичные.

Сценарий использования 4: Решение проблем мастер-данных в системах планирования