Rantai Pasok Otonom: Merevolusi Logistik dan Manajemen Risiko

Zaman mobil dan truk otonom hampir tiba. Bagaimana dengan rantai pasok otonom?

Selama beberapa dekade, teknologi telah menyisipkan diri ke dalam setiap aspek manajemen rantai pasok. Namun, sampai sekarang, kehadiran manusia untuk membuat keputusan kunci tentang produksi dan distribusi masih diperlukan.

Hal ini terutama berlaku ketika berkaitan dengan manajemen risiko, sebuah disiplin yang telah menjadi esensial bagi kelangsungan organisasi global modern. Manajer rantai pasok harus menimbang probabilitas berbagai gangguan potensi yang dapat terjadi, baik bencana alam seperti banjir, tsunami, dan gunung berapi, atau peristiwa yang disebabkan oleh manusia seperti aksi buruh dan serangan teror, dan mengambil tindakan yang tepat. Penentuan semacam itu dianggap di luar kemampuan mesin.

Sampai sekarang. Kecerdasan buatan, dengan kemampuannya untuk menyaring sejumlah besar data dan mendeteksi pola yang tidak terlihat oleh mata manusia, memainkan peran yang semakin besar dalam peramalan dan manajemen risiko. Hari mungkin segera tiba ketika mesin memiliki wawasan tentang masa depan yang lebih baik dari manusia yang membangunnya.

Menurut Fred Laluyaux, chief executive officer di Aera Technology, Inc., inovasi paling menjanjikan dalam AI saat ini terjadi di farmasi dan barang dikemas konsumen. Mereka berada di bawah tekanan terbesar dari Amazon untuk secara radikal mengubah cara mereka melayani pelanggan.

"Salah klien menggambarkannya kepadaku dengan cara yang eloquen," ingat Laluyaux. "Mereka bilang, 'Kami adalah yang berikutnya akan pergi jika kami tidak berubah.'"

Bagi pengecer tradisional, tantangannya terletak pada melindungi merek mereka pada waktu ketika konsumen lebih tertarik pada harga, kenyamanan, dan kecepatan. Berkat Amazon, kata Laluyaux, pergi ke toko semakin menjadi "tidak relevan." Untuk menandingi kemampuan raksasa e-commerce ini, penjual harus meningkatkan efisiensi di setiap tahap rantai pasok mereka. Dan itu termasuk melakukan pekerjaan yang lebih baik dalam mengelola risiko.

Banyak kemajuan AI terjadi di bidang analitik prediktif. Produsen dipaksa untuk mempercepat proses pengiriman produk kepada pembeli. Pada saat yang sama, ketersediaan "big data," sambil menyajikan gambaran pasar yang jauh lebih luas, membanjiri perencana dengan informasi. Tanpa bantuan sistem otomatis untuk menafsirkan masukan tersebut, mereka tidak dapat membedakan "sinyal" dari "kebisingan."

Perusahaan tidak lagi dapat melanjutkan dengan rencana promosi tahunan dan siklus perencanaan penjualan dan operasi (S&OP) enam bulan. Kondisi di pasar — khususnya, selera konsumen yang mudah berubah — berubah terlalu cepat untuk itu. "Anda harus mencapai tingkat kinerja berikutnya," kata Laluyaux. "Itu [tingkat] otomatisasi membawa Anda ke tempat di mana manusia tidak dapat mengikuti."

Tujuan akhir yang sulit dicapai adalah sistem yang merespons kondisi pasar secara real-time. Demand sensing bukanlah disiplin baru, namun lama diperlambat oleh alat dan proses legacy yang menunda tindakan yang diperlukan. Dalam bentuknya saat ini, kemampuan ini berluas jauh di luar mengakses angka penjualan untuk mencakup elemen-elemen seperti kemasan "cerdas."

Masukan terdiri dari segala hal mulai dari data point-of-sale (POS) hingga prakiraan cuaca, rating Nielsen, posting media sosial, dan intelijen kompetitif. Di dunia farmasi, tambahkan pembaruan tentang persetujuan pemerintah atas obat baru.

"Jaringan semakin luas," kata Laluyaux, "dan butirannya semakin halus."

Sebagai sistem mandiri, AI bernilai sedikit. Untuk efektif, ia harus menggabungkan aliran data yang berbeda dan menyebar di seluruh beberapa fungsi rantai pasok. Katakanlah seorang pengecer mengalami kenaikan penjualan 2 persen untuk item tertentu. Untuk memenuhi permintaan yang tidak terduga, ia perlu dapat mengidentifikasi sumber optimal untuk meningkatkan produksi, menilai kemampuan manufaktur, merevisi bill of materials, dan menyesuaikan tingkat inventaris sesuai dengan itu. Jika sistem transaksi tidak "berbicara" satu sama lain, proses itu dapat memakan waktu hari-hali — terlambat bagi pengecer untuk mengambil keuntungan dari tren yang sesaat.

Lebih dari itu, sistem AI perlu mencampur data melimpahnya dengan pakar manusia, yang masih bertanggung jawab untuk membuat keputusan akhir tentang kapan dan di mana produk harus dikirimkan.

Laluyaux menggambarkan konsep "cognitive workbench," di mana AI menafsirkan data dan memberikan rekomendasi, yang kemudian (paling tidak sebagian besar) dieksekusi oleh pakar manusia. Namun, itu hanyalah fase transisional dalam kemajuan AI. Sifat machine learning adalah sistem menjadi lebih baik dengan pengalaman dalam mencari tindakan yang tepat untuk diambil. Pada akhirnya, ia harus dapat membuat banyak keputusan kunci tersebut tanpa intervensi manusia. Pada titik itu, analitik "prediktif" menjadi "preskriptif."

Kita masih jauh dari titik tempat otomatisasi sepenuhnya mengambil alih dari manajer manusia. Jika progresi berjalan dari prediktif ke preskriptif ke sepenuhnya otonom, maka banyak perusahaan masih terjebak antara tahap satu dan dua, kata Laluyaux. Peluang untuk rantai pasok "otonom" cukup bagus; hanya saja waktu yang dipertanyakan. Untuk saat ini, terlalu awal bagi manusia untuk memikirkan melepaskan tangan dari stir.