Грузовые перевозки

Организации должны определить роль автоматизации в процессе планирования, чтобы обеспечить более гибкое принятие решений.

Бренда Уэстбрук и Калеб Томсон

 Как ИИ может оптимизировать планирование цепочки поставок

Организации цепочки поставок, которые Если не внедрить процессы планирования с поддержкой искусственного интеллекта и машинного обучения, это окажется в невыгодном положении с точки зрения конкуренции, пишут Бренда Уэстбрук и Калеб Томсон, старшие директора-аналитики подразделения Gartner Supply Chain Practice. MF3d через Getty Images

Бренда Уэстбрук и Калеб Томсон — старшие директора-аналитики подразделения Gartner по цепочке поставок. Все мнения принадлежат автору.

Всплеск энтузиазма, который мы наблюдаем в связи с недавними разработками в области генеративного искусственного интеллекта, породил определенные ожидания того, что руководители цепочек поставок начнут использовать ИИ и другие передовые технологии для обеспечения новых уровней эффективности и роста своих организаций.

< р>Это событие, возможно, также пролило нежелательный свет на мир планирования цепочек поставок, где многим еще предстоит овладеть необходимыми строительными блоками, чтобы в полной мере воспользоваться преимуществами как решений искусственного интеллекта следующего уровня, так и устоявшихся инструментов планирования, которые в них уже встроены возможности искусственного интеллекта. Хорошей новостью является то, что планирование цепочки поставок сегодня созрело для экспериментов с различными вариантами использования искусственного интеллекта и машинного обучения, и небольшие шаги могут привести к большим результатам — если начать сейчас.

По данным респондентов исследования Gartner «Влияние цифрового бизнеса на цепочку поставок», проведенного Gartner, еще до недавней волны ажиотажа вокруг ChatGPT и генеративного искусственного интеллекта руководители цепочек поставок считали ориентированный на данные искусственный интеллект и машинное обучение своим главным цифровым приоритетом среди технологий, которые они пилотируют или внедряют. . Опрос проводился с марта по апрель 2022 года. 

Намерение реализовать очевидно, но когда дело доходит до того, с чего начать, руководители цепочек поставок сталкиваются с двойной проблемой. Им необходимо улучшить существующие методы управления данными, чтобы эффективно использовать технологии искусственного интеллекта и машинного обучения, а также определить подходящие возможности для внедрения этих решений в процессы планирования.

Для лидеров, сталкивающихся с этими проблемами, сейчас настало время действовать. Организации цепочки поставок, которые не внедряют процессы планирования, поддерживаемые искусственным интеллектом и машинным обучением, окажутся в невыгодном положении с точки зрения конкуренции, изо всех сил пытаясь получить представление о динамике рынка, которое могло бы поддержать соответствующее гибкое принятие решений.

Как найти точку входа для ИИ и машинное обучение

Не усложняйте первоначальное использование технологий искусственного интеллекта и машинного обучения. Вместо этого попробуйте использовать существующие технологии для планирования аналитики, которые могут не требовать дальнейшей разработки системы или данных. Это сводит к минимуму любые финансовые риски, может обеспечить первоначальную выгоду от автоматизации и создает организационный импульс для дальнейших инвестиций и развертывания. Системы, уже установленные в вашей организации, также обеспечивают хорошую среду обучения для специалистов по планированию обучения.

Хорошей отправной точкой для развертывания искусственного интеллекта и машинного обучения является поддержка постоянной проверки и управления качеством данных, которая может включать очистку данных истории продаж и эксплуатации, а также анализ и согласование взаимосвязей продуктов. Помимо проверки и очистки данных, существующие решения могут предоставить планировщикам явные возможности для повышения комфорта и осведомленности за счет автоматизации принятия решений. Постарайтесь определить возможности для более широкого использования вариантов автоматизации принятия решений, рассмотрев, какие данные могут быть наиболее достоверными или полезными, а затем проверив, являются ли они или могут ли они быть легко доступны.

При этом крайне важно привлекать планировщиков как конечных пользователей технологий для рассмотрения рекомендуемых результатов искусственного интеллекта и машинного обучения, чтобы укрепить доверие к соответствующим методам и стимулировать внедрение соответствующих дополнений в процесс принятия решений.

Как согласование ожиданий может улучшить процесс принятия решений

Старайтесь не думать об искусственном интеллекте и машинном обучении при планировании как о самоцели, а скорее как об инструменте повышения эффективности принятия решений в цепочке поставок. Часто ожидания организации могут не совпадать из-за неопытности или отсутствия принятия отраслевых вариантов использования коллегами-организациями. Четкое изложение целей улучшения решений и автоматизации, определение целей и согласование ожиданий руководителей бизнеса и технологий и специалистов по планированию помогут сделать усилия более целенаправленными и продуктивными.

Целью может быть улучшение прогнозирования спроса за счет лучшего прогнозирования волатильности. Используя улучшенные методы с четко определенными и системно доступными дополнительными входными данными, вы, вероятно, продемонстрируете ценность этих методов для организации, повысив прозрачность и вовлеченность.

Дополнительные цели могут включать расширение использования до проверенного варианта прогнозного использования ИИ и машинного обучения, такого как определение спроса или оптимизация запасов. Другой вариант — сотрудничать с экспертами по науке о данных внутри вашей организации или за ее пределами и использовать их знания и опыт для определения наиболее очевидных возможностей повышения эффективности планирования цепочки поставок. Кроме того, интеллектуальные платформы принятия решений продолжают завоевывать долю рынка, обеспечивая постепенное усиление решений с использованием методов искусственного интеллекта и машинного обучения.

Как понять полную картину данных

Модели искусственного интеллекта и машинного обучения требуют существенного разнообразие соответствующих данных для обучения и тестирования, которые могут быстро стать объемными. Вам нужно будет создать широкий набор данных, включающий внутренние данные — из источников продаж, маркетинга, обслуживания клиентов, качества и финансов — чтобы понять межфункциональное влияние на спрос.

Это масштабное мероприятие, требующее координации с различными ведомствами. В качестве отправной точки заранее сообщите ключевым заинтересованным сторонам о цели, о том, что от них требуется и какую пользу это принесет их командам. Согласование между отделами поможет в процессе сбора данных.

Эти внутренние данные должны быть интегрированы с данными о клиентах и ​​поставщиках, где это возможно, чтобы получить более полную картину структуры спроса, запасов, объемов продаж и объемов. Кроме того, используйте сторонние данные, коммерческие или общедоступные, включая информацию о погоде, социальных сетях, макроэкономическую информацию, раскрытие финансовой информации или нормативную информацию.

Понимая моменты в процессе, которые больше всего зависят от человеческого опыта, например, когда ожидаемые предельные результаты не полностью представлены в наборах исторических данных, вы можете нацелить эти возможности на поддержку более эффективных решений, сохраняя при этом возможность для планировщиков игнорировать автоматизированную систему. решения и предложения.

Кроме того, сформулируйте существующую задержку данных и определите, как периодичность решений, которые необходимо принять, влияет на частоту обновлений данных, необходимых для поддержки оптимального принятия решений. Вы также можете обеспечить качество данных, сосредоточив внимание на управлении данными как на непрерывном процессе, поддерживаемом методами искусственного интеллекта и машинного обучения, чтобы гарантировать, что входные данные, доступные для инструмента планирования, имеют хорошее качество и в идеале низкую задержку — как на начальном этапе, так и в дальнейшем.

Как использовать ИИ как инструмент принятия решений

Чтобы максимально эффективно использовать планирование ИИ и МО, организации должны применять процессы принятия решений. Одним из ключевых преимуществ внедрения искусственного интеллекта и машинного обучения в приложениях для планирования является выход за рамки аналитики в реальном времени и переход к более автономным функциям планирования.

По данным исследования Gartner «Понимание моделей принятия решений в цепочках поставок», проведенного с мая по июнь 2022 года, более половины планирующих организаций используют анализ данных для принятия решений и действий. Остальные организации применяют более ограниченный подход, используя анализ данных, чтобы предложить понимание или генерировать рекомендации. Этим командам необходимо перейти от расширения решений и поддержки к автоматизации.

Организации должны определить, что означает автоматизация для их процесса планирования, какие решения они готовы автоматизировать и как они будут сочетать знания о человеческой деятельности и расширенную аналитику. Они позволят автоматизировать простые и, возможно, сложные решения, а также обеспечить лучшее расширение и поддержку сложных и хаотичных решений.

Чтобы получить максимальную выгоду от внедрения искусственного интеллекта и машинного обучения, необходимо стимулировать трансформацию процессов и признание организацией, чтобы использовать инструменты искусственного интеллекта и машинного обучения для более эффективного принятия решений и автоматизации. Это потребует институциональных знаний, правильных людей и культуры для применения технологии в рамках конкретной организации цепочки поставок и системной архитектуры.

Начните с изменения способов работы людей небольшими, но значимыми способами, такими как внедрение автономный процесс для простых решений, где причина и следствие четко установлены. Со временем вы сможете работать над автоматизацией сложных решений и добавлением элемента предметных знаний для улучшения выдачи предписаний и дальнейшего повышения эффективности решений.

Цепочки поставок сталкиваются с постоянными сбоями, а это означает, что будущее больше не будет отражать прошлое. . Традиционных методов планирования, ориентированных на внутренний мир и оглядывающихся назад, больше не будет достаточно. Руководители планирования цепочек поставок должны признать это и расширить свои возможности, включив в них искусственный интеллект и машинное обучение, чтобы лучше справляться с сбоями за счет более гибкого принятия решений на основе данных.

  • Как генеративный искусственный интеллект может стимулировать трансформацию цепочки поставок Ян Буриан • 4 апреля 2023 г.