Три критические технологические способности для поддержания конкурентного преимущества в новой нормальности

Поскольку бизнес продолжает свойmarsch к оцифровке, компании должны внедрять стратегии, обеспечивающие правильный фундамент для конкуренции. Ключевой компонент успеха как настоящего цифрового чемпиона — способность доставлять самые высокие уровни клиентского сервиса при наименьшей себестоимости поставки. И для этого необходимы полные и точные данные цепочки поставок. Данные стали валютой, которая увеличивает свою стоимость по мере приближения к реальному времени, и чем больше их можно делить среди торговых партнеров.

Стало очевидно, что данные должны быть в реальном времени и существовать только в одном экземпляре. Используя федеративный подход к управлению мастер-данными (MDM), информация может быть актуальной и согласованной, а не дублированной в множестве форматов и силосов, где она устаревает и становится латентной (независимо от того, используется озеро/хранилище данных или нет). Современные технологические подходы создают доверенное представление каждого элемента/позиции/единицы и затем могут свернуть эту точность в общее решение сети в реальном времени, которое оптимизирует планирование и исполнение по всем партнерам с использованием агентного прескриптивного аналитики. Эти сети поддерживают многостороннее сотрудничество, планирование и исполнение транзакций в реальном времени и помогают всем участникам исполнять в «следующей нормальности», при условии, что они учитывают три критические способности.

Обеспечение транзакций в реальном времени с сетевой архитектурой

Мы уже видели, как модель сервиса клиентов и использования активов на базе сети применялась в смежных отраслях. Uber, Facebook, Airbnb и Alibaba все внедрили сетевые архитектуры, обеспечивающие многосторонние возможности. Торговля происходит между всеми сторонами в сети. И поскольку закупка и доставка продукта охватывают множество сторон в сети, планирование и исполнение также должны быть в реальном времени и включать множество сторон, чтобы обеспечить максимальное использование активов, наименьшую себестоимость поставки и самые высокие уровни клиентского сервиса.

Этот уровень сотрудничества в сочетании с видимостью уровня контрольной башни, аналитикой, планированием и исполнением, является ядром будущей конкурентоспособности. Это неудивительно, учитывая, что даже простейшая транзакция включает множество сторон: клиента, бренд-менеджера, ко-пакера, поставщика, перевозчика, 3PL и дистрибьютора.

К сожалению, многие центрированные на предприятии технологические развертывания были спроектированы в звездообразной (hub-and-spoke) манере, что означает, что они действуют как центр вселенной для того узла в сети и относятся к своим процессам и данным как таковым. Эта хаб-технология предназначена для сбора данных в точечно-точечном/спице-ту-хаб стиле. Затем она решает, что делать с изменениями в спросе, мощности или поставке, основанных на переменных хаба в изоляции, а затем делится частью устаревших или латентных данных, после обработки, с некоторыми своими спицами, как входящими, так и исходящими. В результате в типовой торговой сети это может создать более 20 действий типа «храни-и-пересылай» через торговых партнеров, вверх и вниз по потоку, тратя время, человеко-часы и активы. Хуже всего, это влияет на уровни сервиса клиента, потому что стороны не согласованы как скоординированная сеть, обслуживающая конечного потребителя.

Установление единого доверенного представления

Если данные — ваша валюта, то множественные экземпляры ERP похожи на федерацию сущностей, где каждый источник действует как свой уникальный законный платежный средство. Данные попадают в ловушку ваших изолированных экземпляров ERP и затем обычно делятся в звездообразной манере в один-к-одному торговых отношениях с партнерами сети. Неудивительно, это субоптимальный подход, потому что даже если вы экспортируете данные в хранилище или озеро данных, вы создаете латентность и устаревание данных. Это обесценивает валюту в терминах принятия решений по партнерам сети.

В результате организации внедряют решения, включающие федеративное управление мастер-данными. Используя этот подход, торговые партнеры сети могут присоединиться к сети и делиться своими мастер- и операционными данными с другими торговыми партнерами. На основе безопасной структуры разрешений через сеть, данные существуют только один раз и федерируются торговым партнерам на основе предоставленных разрешений. Учитывая, что данные не копируются и не дублируются между эшелонами, уровнями или узлами через сеть, они по определению являются в реальном времени и легко доступны для оптимизации использования активов, клиентского сервиса и наименьшей себестоимости поставки.

Поддержка действенного и автономного прескриптивного аналитики

Учитывая многопартийную природу сетевых торговых отношений, финальный критерий — способность моделировать всю сквозную сеть цепочки поставок, чтобы правильно анализировать и действовать на разрешение проблем и создание возможностей. Поскольку проблемы или возможности, раскрываемые аналитикой, могут проявляться в стратегических, тактических или операционных временных горизонтах, фундамент должен быть бесшовным через эти горизонты времени. Он также должен предлагать сервисы, алгоритмы и анализ, которые работают через сетевое представление в реальном времени, независимо от того, используются ли они для решения проблем, предсказанных через шесть месяцев, или во время доставки, запланированной на сегодня днем. Хорошая новость в том, что если ваш подход включает оба критерия один и два, этот фундамент уже на месте.

Сквозная платформа сети поставок в реальном времени обеспечивает способность тестировать новые политики цепочки поставок, устойчивость сети, реализуемость стратегических или тактических планов, активировать альтернативные детали или поставщиков, модифицировать режимы транспортировки или даже добавить дополнительные смены на заводе.

Поскольку существует много способов решить проблемы, связанные со спросом, поставкой, логистикой и исполнением в сети, важно, чтобы аналитические верстаки имели доступ в реальном времени к каждой возможной материальной переменной. Традиционные системы обычно дают только один способ решить проблему, из-за статических лид-таймов и устаревших данных. В отличие от этого, ИИ-базированная аналитическая верстак — это прескриптивная среда, где организациям будут представлены топ-3 или 4 решения, которые лучше всего соответствуют их целям. Она также может поддерживать машинное обучение, которое является просто лучшим способом предсказывать результаты и крайне ценным при рекомендации прескриптивных действий. Не только это, машинное обучение улучшает свои предсказания со временем по мере предоставления больше данных.

Эти способности предоставят платформу и архитектуру, необходимые для обеспечения этого фундамента и предоставления способностей, необходимых для конкуренции вперед.

Джо Беллини — главный операционный директор в One Network Enterprises, провайдере программного обеспечения ИИ бизнес-сети.