Data Fabrics объяснены: повышение эффективности и устойчивости в цепочках поставок

Производители постоянно балансируют сложную паутину функций, охватывающих инновации продукта, инженерию, планирование, производство и логистику. Эти высоко взаимосвязанные процессы охватывают организацию и ее партнеров, создавая пробелы в данных, латентность информации и барьеры, создающие сложные ассоциации через операции и констуитуенты.

Прошедший год сбоев привел многие глобальные цепочки поставок к пределу. Плохие стратегии данных были виновниками, так как они относились к цепочке поставок как к жесткой системе, когда в реальности это сложная сеть актеров, которым нужно быть в синхронизации для быстрой адаптации к изменениям. По мере того как потребительский спрос достиг исторических максимумов для бесчисленных продуктов во время пандемии, латентность данных от исходных систем задержала ответы, запретив многим производителям и поставщикам реагировать на меняющуюся рыночную среду.

Традиционные системы управления данными работали хорошо, когда профессионалы цепочки поставок имели больше времени для адаптации, и ландшафт корпоративных данных был более унифицированным, структурированным и простым. Но мир другой теперь. Данные цепочки поставок должны быть повторно используемыми, чего традиционные подходы не могут сделать, учитывая, что они требуют неповторяемых извлечений данных для идентификации проблем и решения уравнений. Хуже того, появление Интернета вещей (IoT), рост объема неструктурированных данных, возрастающая релевантность внешних источников данных и тренд к гибридным multi-cloud средам — препятствия для удовлетворения каждого нового запроса данных.

Старая стратегия данных, центрированная вокруг реляционных систем данных, фундаментально сломана, но как производители могут сдвинуться от реактивной к отзывчивой стратегии данных? Для преодоления информационных задержек производители принимают новые технологические подходы вроде data fabrics для создания оцифрованной сети поставок, которая точно представляет данные по мере их движения вдоль цепочки поставок и отношений, определяющих, как работа выполняется. Корпоративные data fabrics плетут вместе данные из внутренних силосов и внешних источников и создают сеть информации для питания бизнес-приложений, искусственного интеллекта и аналитики.

Поддерживая полную широту сегодняшнего сложного и связанного предприятия, это цифровое представление включает все процессы, продукты, людей, партнеров, политики и сторонние источники данных, представленные в сети поставок, для предоставления четкого вида через цепочку создания стоимости. С этой видимостью производители могут создавать анализ воздействия и корневой причины, управлять распределенными иерархиями и выполнять just-in-time принятие решений, используя реальное время и IoT данные.

Data fabrics предоставляют профи данным способность генерировать компонуемое, машино-понятное представление ключевых сущностей и отношений, а также бизнес-логики и правил, управляющих бизнесом. В отличие от старых техник интеграции данных, data fabrics экспрессивны, позволяя производителям задавать вопросы и описывать реальные эффекты, последствия и свойства определенных действий. Ткань расширяема и повторно используема по всем вариантам использования/функциям, и ее легко поддерживать и расширять к партнерам по мере необходимости.

Стимулирование результатов цепочки поставок

Для создания бизнес-ценности внутри предприятия производители должны иметь возможность соединять все данные, которые имеют значение. Data fabrics меняют статус-кво, доставляя смысл, а не просто данные, через предприятие. Этот смысл сплетен из многих источников: данных и метаданных, внутренних и внешних источников, облачных и on-premise систем. Смысл захватывается внутри модели данных, со всем контекстом на каждом активе данных полностью присутствующим и доступным, в машино-понятной форме. С data fabric, люди и алгоритмы могут принимать лучшие решения, одновременно снижая вероятность и риск سوء использования или неверной интерпретации данных. Более конкретно, data fabrics помогают производителям:

• Улучшить сенсинг спроса. Закрытие временного лага для встречи возникающих спросов критично для производителей; однако сенсинг спроса труден из-за латентности данных и неспособности найти связи через всё — от соцмедиа до POS данных. Data fabrics удаляют эти пробелы без необходимости перепроводки существующих ERP или решений прогнозирования спроса.

Инсайты могут быть доставлены лидерам планирования спроса, которые могут использовать их для улучшения бизнес-планирования.

• Соединить операции. Высокий уровень волатильности спроса имеет ripple effect на производителей, которым нужно быстро понимать операционную производительность, доступность продукта и тренды, влияющие на выход. К сожалению, множественные MES или цеховые операционные системы не способны идентифицировать и поддерживать real-time сценарии компромиссов вокруг доступности поставок.

Используя data fabrics, производители могут идентифицировать любые изменения в поставках и делать необходимые корректировки без предположения дополнительных силосов data lake или операционных затрат на поддержку/аналитиков закупок.

• Предоставить анализ корневой причины клиентских жалоб. Клиентские жалобы из-за дефектов продукта могут запустить множество последующих оценок. Каков был источник дефекта? Какие другие клиенты были затронуты? Требует ли это реколла? Data fabrics позволяют производителям проследить клиентскую жалобу относительно дефектного продукта полностью обратно к сырью, легко перекрестно ссылаясь отношения между готовыми товарами и сырьем.

Более того, потому что эти сырье производятся множественными производственными объектами и могут называться разными именами разными поставщиками, data fabrics обеспечивают прослеживаемость через клиентские, производственные, полевые поддержки, продуктовые и другие данные домены. Это позволяет производителям видеть полный масштаб ситуации, чтобы они могли действовать адекватно и рентабельно управлять анализом корневой причины клиентских жалоб.

• Создать цифровой двойник цепочки поставок. Цифровой двойник цепочки поставок требует предиктивной аналитики, модели для соединения исходных данных и, конечно, самих исходных данных (например, ERP, CRM, MES, IoT, клиентские сети) для улучшения принятия решений, особенно вокруг планирования цепочки поставок. Цифровой двойник должен быть способен представлять сотни миллионов отношений. Data fabric, со сложными возможностями бизнес-логики семантических графов и способностью представлять разнообразные данные, предоставляет производителям автоматизированный контроль, позволяющий им управлять бизнес-правилами, способными обрабатывать сложную логику и ситуационное принятие решений.

Data fabrics продолжают получать внимание за свою способность стыковать существующие системы управления данными, обогащая все подключенные приложения и пользователей в процессе. Они считаются следующим шагом вперед в пространстве управления данными — поддерживая полную широту сегодняшнего все более сложного, связанного предприятия.

Роб Харрис — вице-президент решений в Stardog, провайдере платформы корпоративного графа знаний (EKG).