Как ИИ решает проблему «грязных» данных в цепочках поставок

Снижение операционных рисков — имя игры в цепочке поставок. Для достижения надежного, но бережливого подхода цепочки поставок должны быть одновременно гибкими и устойчивыми. Но оба качества исторически зависели от «чистых» данных. И многие организации не были готовы, когда потребность в средствах индивидуальной защиты (СИЗ) и туалетной бумаге взлетела в начале глобальной пандемии COVID-19 прошлой весной. Бизнес-лидеры не могли ждать месяцы для правильной очистки данных, чтобы удовлетворить объем запросов на немедленную поставку. Данные должны были быть и доступны, и пригодны для действий. Эффективность цепочки поставок стала императивной, пока производители боролись с меняющимся спросом.

В традиционных ситуациях требовалась бы очистка данных, но сделать это вручную — затратно по времени. Даже до COVID-19 процесс тормозил эффективность цепочки поставок, но когда пандемия набрала силу, медленное больше не было опцией. Традиционная очистка данных отработала свой срок, и пришло время двигаться дальше. Пришло время позволить искусственному интеллекту и машинному обучению пробить шум, порождаемый Big Data.

Знание всего бизнеса

Отойдите назад и посмотрите на всю бизнес-операцию целиком. Хотя может быть более-менее точный взгляд на запасы текущего объекта, какова видимость в другие связанные объекты? Также, что известно об инвентарях других поставщиков и как быстро они могут удовлетворить производственные потребности?

Возможно, IT-отдел имеет инструмент, дающий некоторую видимость в сестринские заводы в других локациях, но нет способа знать, что у ваших поставщиков в тот же момент. Единственный обходной путь — увеличить запасы на руках, чтобы быть готовыми, даже если они не точно нужны сейчас. Но этот подход часто приводит к избытку одного типа инвентаря и нехватке другого. Недостаточно информации в реальном времени для значимых корректировок закупок под производственные нужды.

Давно устоявшийся запасной вариант для сбора всей этой информации — очистка данных.

Пусть алгоритмы диктуют

Организации везде были связаны проектными очистками данных. Они дорогие, долгие и вредят долгосрочному ROI. Это не устойчивая стратегия, и процесс обычно приходится повторять каждые несколько лет.

Даже до пандемии очистка данных замедляла процесс цепочки поставок, ухудшая бизнес-операции. Потратить полмиллиона долларов на очистку данных, которая займет до года, приносит мало пользы организации. Даже с лучшей технологией те же плохие процессы повторяются.

На сцену выходят ИИ и машинное обучение. Стоительно-эффективное, быстрое и легкое экспериментирование — ключ к инновационным бизнес-процессам. В данном случае это значит замену старой очистки данных алгоритмами машинного обучения, сокращая годовой процесс до недель.

ИИ внедряется с существующими данными для принятия лучших решений и создания интеллекта немедленно, без процесса очистки данных. Процесс ИИ выносит данные из силоса, так что организация может перейти от один-к-одному отношениям к обзорной картине всей сети цепочки поставок. Алгоритмы, сгенерированные машинным обучением, предлагают новый уровень видимости и открывают двери для других в сети цепочки поставок для обмена ценными данными.

Использование ИИ и машинного обучения открывает несколько новых возможностей для лучшего использования данных. Одна — возможность выполнять множество задач с данными одновременно. Например, если менеджер говорит, что пора сократить запасы, вы обычно бы колебались, из-за риска не иметь инвентарь при необходимости. Но в этой новой модели это больше не проблема, потому что вы можете лучше оптимизировать оборотный капитал, замороженный в запасах — не только на вашем объекте, но и по организациям в вашей сети. Это снижает риск, потому что теперь у вас есть интеллект и уверенность, что у вас есть то, что нужно, когда и где нужно.

Эта парадигма позволяет более плавный переход к процессам Индустрии 4.0. Если есть проблема с датчиком на одном оборудовании, поставщик уведомлен и предоставляет деталь. Использование данных в реальном времени устраняет длительные периоды простоя.

Грязные и избыточные данные больше не должны замедлять операции цепочки поставок. Алгоритмы, сгенерированные машинным обучением, позволят вам принимать лучшие решения с вашими данными, чтобы цепочка поставок функционировала на всех уровнях.

Пол Нобл — основатель и CEO Verusen.