AI-дорожные карты: стратегическое руководство для компаний цепочек поставок

Цепочка поставок, как мы ее знаем, стоит на краю перехода от десятилетий ускоряющейся динамики «толкания» (push) к новой модели «толкания и тягания» (push-and-pull).

Четыре основных фактора способствуют этому глобальному, отраслевому изменению:

Все более требовательные покупатели сегодня. Клиенты живут в цифровом мире и требуют бесшовного опыта. Если нет — они уйдут elsewhere. Это означает, что цепочка поставок — оптимизированная для «толкания» запасов клиентам — должна добавить оптимизацию для того, что клиенты хотят «тянуть» к себе.

Текущий геополитический климат. Будь то националистические тенденции глобально, тарифные споры между США и Китаем, Брексит или глобальный фокус на устойчивости — цепочки поставок больше чем когда-либо подвержены неопределенности и риску.

Неровные достижения в Индустрии 4.0 и цифровых цепочках поставок. Заводы, цепочки поставок и магазины становятся более связанными, позволяя разным системам делиться информацией и сокращать сроки выполнения — но только для компаний, способных действовать. Производство сближается с клиентами, нарушая устоявшиеся паттерны региональной торговли.

Существующая технология цепочек поставок подошла к концу жизненного цикла. Наследие программных решений, созданных для решения конкретной, изолированной проблемы, такой как прогнозирование или заводское планирование, больше не подходит для цели. Просто скажем: это ПО просто не справляется.

Входит искусственный интеллект для цепочек поставок. Будь то через предиктивное обслуживание на заводе, беспилотные грузовики в логистической цепочке или автоматизацию в магазине, AI-решения возникают для повышения эффективности и снижения операционных затрат для игроков цепочек поставок. Однако существует разрыв, как и в большинстве отраслей, вокруг того, как полностью реализовать ценность от AI.

Первый шаг — создать дорожную карту: портфолио проверенных AI-возможностей, приоритизированных для достижения стратегических бизнес-целей в краткосрочной и долгосрочной перспективе. Обучение через эксперименты остается критически важным для принятия AI, но наличие AI-дорожной карты — необходимая стратегия. Она позволяет тем, кто занимается улучшением логистики цепочек поставок, планировать и выбирать лучшие тактики для интеллектуального принятия AI.

Как разработать AI-дорожную карту для захвата импульса меняющейся цепочки поставок в вашем бизнесе? Во-первых, нужно определить работу на уровне бизнес-линии или функциональной области — не всего бизнеса, ни единственного процесса или задачи. На заводе, например, области управления запасами или качеством — хорошие отправные точки, потому что они представляют полные системы процессов, данных, ролей и целей.

После выбора фокуса вам нужно обучить ваших руководителей тому, как выглядит хорошая AI-возможность, затем работать через вашу команду, чтобы вникнуть в возможности сопоставления AI-возможностей с возможностями.

Хорошие AI-возможности одновременно практичны и ценны. Они касаются того, какое предсказание или решение будет принято AI, используя какие данные, и как этот вывод будет применен для создания ценности. В управлении качеством на заводе, например, AI-системы могут использовать данные производственной линии для предсказания дефектов, предписания обслуживания или усиления аналитиков в ответе на вопросы.

Открытие — это не только поиск этих вариантов, но и формирование гипотезы о том, какие из них стоит преследовать. После открытия ваша команда должна иметь набор кейсов, которые теперь нужно валидировать.

При оценке влияния AI-варианта использования смотрите не только на прирастительные улучшения точности или эффективности. Анализируйте созданную ценность сверх статус-кво.

Например, AI-вариант использования может быть построен вокруг помощи бухгалтеру по дебиторской задолженности, который регулярно читает отчеты и обрабатывает счета. С AI-возможностью, такой как интеллект документов, простые счета могут обрабатываться прямым сквозным процессом. Бухгалтер может затем обрабатывать оставшиеся счета быстрее, بمساعدة функций вроде автоматического резюме документа и извлечения информации, например для выявления расхождений. Начальная метрика для этой выгоды может быть просто количество обработанных счетов или сэкономленное время, но есть более широкая картина. Если бухгалтер по дебиторке получает лишний час в день, он может потратить его на анализ корневых причин и исправление проблем с заказами или управление своей нагрузкой для лучшего использования скидок поставщиков.

Фаза анализа завершается, когда каждый кейс определен до точки, что исполнительные лица, принимающие решения, имеют достаточно информации для принятия жестких выводов о приоритизации кейсов в видении и плане.

Наконец, с четко определенными вариантами использования в руках, ваша команда готова к последовательности AI-инвестиций для максимального воздействия, балансируя тремя целями:

• Настройка немедленных следующих шагов с ценными, действенными проектами,
• Настройка более крупных побед с планомерным планом построения и масштабирования возможностей со временем, и
• Разблокировка поддержки и бюджета путем согласования руководителей вокруг общего видения.

Первые две цели касаются баланса краткосрочной и долгосрочной ценности. Третья — о разблокировке прогресса путем обеспечения поддержки исполнительного руководства о реалистичных затратах и выгодах AI-инвестиций в цепочке поставок.

По мере того как цепочка поставок переходит к новой отзывчивой, push-and-pull норме, будет все более важно для принятия решений действовать быстро, чтобы захватить импульс. Однако сложности управления цепочками поставок диктуют, что перебалансировка равновесия цепочки поставок — не разовая активность. Уделение времени открытию, анализу и приоритизации ваших AI-инвестиций сделает всю разницу между опережением — или тратой времени впустую.

Картик Рамакришнан — вице-президент, руководитель консультационных и разрешающих служб, и Бен Хамфриз — руководитель глобальных предпродаж, в Element AI.