Memaksimalkan Nilai Bisnis melalui Integrasi Big Data dan AI
Apa perkembangan terpenting yang membentuk masa depan bagaimana perusahaan mendorong nilai bisnis dari data dan kemampuan analitik mereka?
Menurut MIT Sloan Management Review, ini adalah konvergensi big data dengan kecerdasan buatan. Namun, banyak perusahaan, ketika diberikan manfaat bisnis yang dihasilkan, mengungkapkan ragu-ragu yang sama: “Kami tidak memiliki data untuk itu. Data tersebar dan tidak teratur. Data kami tidak bersih.”
Pantas jika orang merasa apresiasi ini. Data yang tersebar, terisolasi, dan volumetrik tetap menjadi tantangan umum untuk perusahaan di semua industri saat ini. Akibatnya, pemimpin bisnis mungkin pikir mereka tidak siap untuk menerapkan teknologi canggih seperti AI. Dalam kenyataannya, sebaliknya: AI membantu membersihkan, mengintegrasikan, dan merasionalisasi data untuk mendorong nilai bisnis yang luar biasa.
Peluang terbesar untuk memanfaatkan AI untuk proyek big data dapat dilihat dalam empat use case utama dalam manajemen rantai pasok dan operasi bisnis.
Use Case 1: Mentransformasi peramalan dengan menggabungkan driver permintaan dan indikator utama.
Biasanya, perusahaan mendasarkan proses peramalan statistik pada data penjualan dan pengiriman historis. Namun, di pasar yang semakin volatil saat ini, peristiwa masa lalu tidak selalu menjadi prediktor terbaik untuk peristiwa masa depan. Big data dan model berbasis AI menciptakan potensi untuk lingkungan siap masa depan, di mana perusahaan dapat beralih dari peramalan yang didorong terutama oleh data pengiriman historis ke yang menggabungkan berbagai driver permintaan. Driver tersebut mencakup peristiwa eksternal, termasuk harga kompetitif, kondisi pasar, dan asortemen kompetitif, serta driver internal yang terkait dengan promosi dan harga.
Perusahaan yang mencoba menggabungkan driver permintaan dalam peramalan statistik hari ini tanpa manfaat pembelajaran mesin dan AI harus mengeluarkan upaya besar untuk menormalisasi data berdasarkan outlier. Misalnya, penurunan penjualan mungkin terjadi karena kehabisan stok yang disebabkan oleh keterbatasan rantai pasok. Namun, bagaimana algoritma peramalan akan tahu bahwa penurunan penjualan ini terjadi karena masalah rantai pasok dan bukan masalah permintaan di pasar? Dalam pendekatan tradisional, upaya manusia harus digunakan untuk menginput “mengapa,” dan secara efektif memperbaiki sejarah sebelum data diberikan kepada model statistik.
Semua itu berubah ketika perusahaan menerapkan platform berbasis AI untuk peramalan permintaan. Algoritma pembelajaran mesin (ML) membangun model berdasarkan pola dalam data, tanpa bergantung pada instruksi eksplisit. Ini berarti bahwa input data yang mendorong peramalan permintaan dapat dibersihkan, dikorelasikan, dan diberikan atribusi yang tepat terhadap hasil menggunakan ML. Sebaliknya, keputusan berbasis permintaan yang ditentukan diresepkan dihasilkan berdasarkan pola yang dilihat seiring waktu.
Use Case 2: Menggerakkan perencanaan dengan sistem pembelajaran alih-alih pengetahuan suku.
Hari ini, pemodelan pengetahuan tetap sebagian besar bersifat suku di banyak organisasi. Sebagian besar pengambilan keputusan untuk perencanaan hari ini tinggal di kepala dan penilaian perencana individual. Misalnya, jika perencana menerima peramalan penjualan yang menunjukkan anggaran rantai pasok harus diarahkan untuk mempercepat, apa yang akan dilakukan perencana? Apakah mereka mempercayai bahwa permintaan tersebut andal? Apakah mereka bersedia mengeluarkan uang keras untuk memenuhi permintaan itu, atau mereka akan ragu? Keputusan untuk mempercepat atau tidak seringkali adalah tebakan terbaik dari perencana berdasarkan sejarah pribadi dengan eksekutif penjualan atau pelanggan.
Saat AI diterapkan dalam skenario ini, pengetahuan suku menjadi pengetahuan institusional. Data historis peramalan versus penjualan memungkinkan sistem berbasis AI untuk mempelajari bagaimana tampilan permintaan yang andal, dan siapa yang mungkin akurat (atau tidak) dalam peramalan mereka. Keputusan untuk mempercepat atau menimbulkan biaya tambahan untuk memenuhi permintaan sekarang akan didasarkan pada rekomendasi yang cerdas: Ya, otomatisasi permintaan ini karena sangat andal. Atau, lanjutkan dengan hati-hati karena pelanggan ini tidak andal di masa lalu, dan persetujuan manajemen terhadap keputusan ini diperlukan.
Di lingkungan ini, trade-off keputusan dapat dilakukan dengan kecepatan, akurasi, dan efektivitas biaya yang lebih besar. Bias manusia dihilangkan, dan kontinuitas dalam pengambilan keputusan dipastikan, terlepas dari siapa perencana yang mengelola sistem.
Use Case 3: Membuat model perencanaan dan pengambilan keputusan terintegrasi dengan menghubungkan data yang terputus.
Hampir setiap perusahaan memiliki data yang terputus. Ini adalah tantangan yang merajalela. Sebuah studi yang dilakukan oleh Vanson Bourne memperkirakan organisasi AS dan Inggris kehilangan secara agregat $140 miliar setiap tahun karena data yang terputus. Silo data ada karena berbagai alasan yang mencakup dinamika teknis, struktural, dan budaya sebuah perusahaan.
Salah satu masalah klasik terkait data perusahaan yang terputus adalah kenyataan bahwa banyak perusahaan tumbuh melalui gabungan dan akuisisi. Perusahaan yang digabungkan mungkin menjadi satu entitas bagi dunia, tetapi di balik layar, divisi dapat tetap terlihat jelas, seringkali selama tahun-tahun. Kemungkinan ada beberapa sistem perencanaan sumber daya perusahaan (ERP) dan sistem terisolasi lainnya untuk penjualan, rantai pasok, dan manajemen produk. Di bawah satu atap korporasi, satu produk dapat dikenal dengan berbagai nama di beberapa sistem yang berbeda.
Ini menciptakan tantangan signifikan dalam membangun gambar terpadu untuk mendukung pengambilan keputusan yang diperlukan untuk tujuan perencanaan. Pendekatan korektif tradisional melibatkan penerapan satu sistem ERP, atau memperbaiki data di semua sistem sumber. Proyek-proyek tersebut mahal dan memakan waktu, sehingga banyak perusahaan menyimpulkan, “Kami tahu itu rusak, tetapi kami tidak bisa memperbaikinya saat ini.”
Perusahaan yang tergelincir dalam data yang terputus pasti memiliki kekhawatiran tentang menanggulangi inisiatif perencanaan dan pengambilan keputusan terintegrasi. Namun, dengan AI dan pemrosesan bahasa alami, sistem dapat menentukan bahwa titik data yang bervariasi, dalam kenyataannya, adalah hal yang sama. Sebuah model dapat dibangun yang mengkorelasikan semua produk tersebut sehingga sumber tidak perlu diubah. Visibilitas inventaris, perencanaan, dan pengambilan keputusan sekarang terhubung, karena sistem mengenali produk tersebut identik.
Use Case 4: Mengatasi tantangan data master dalam sistem perencanaan.
Kekuatan AI dalam menciptakan sistem perencanaan terletak pada mendorong pengambilan keputusan yang otomatis dan cerdas lebih cepat. Namun, outrokan umum dari pemimpin korporat adalah bahwa banyak data yang diperlukan untuk membuat keputusan perencanaan tersebut adalah data master yang tidak berada dalam sistem catatan apa pun.
Misalnya, sebuah ritel besar menangani ratusan ribu SKU yang mengalir melalui pusat distribusi dan jaringan toko. Ritel tersebut perlu memodelkan berapa kapasitas yang diperlukan di berbagai dimensi, termasuk kapasitas penyimpanan dan tenaga kerja untuk menangani barang dalam perjalanan, di PDC, dan di toko. Untuk menentukan persyaratan kapasitas, ritel tersebut harus memahami apa yang dikonsumsi setiap SKU dari berbagai sumber daya yang tersedia. Waktu yang dibutuhkan seseorang untuk membongkar kiriman televisi, yang intensif tenaga kerja, akan sangat berbeda dari waktu yang diperlukan untuk membongkar kiriman ibuprofen, yang relatif ringan.
Data yang diperlukan untuk mendorong keputusan perencanaan yang baik dan akurat harus didasarkan pada volume produk tertentu yang mengalir melalui PDC, dan persyaratan kapasitas yang sesuai. Namun, siapa yang memelihara semua data? Di masa lalu, detail-detail tersebut sulit untuk dimodelkan, karena perlu dilakukan pada tingkat agregat, dan seringkali tidak ada yang menangkap dan memelihara data tersebut.
Sekarang, dengan big data dan AI, ritel dapat menggunakan data sensor transaksional internet of things (IoS) saat mencatat untuk menentukan persyaratan kapasitas. Saat pekerja mengambil kiriman produk dari truk, memindahkannya ke PDC, dan seterusnya, sejumlah besar data transaksional dicatat. Dengan menggunakan AI, ritel dapat secara otomatis menghasilkan data master yang diperlukan untuk pengambilan keputusan. Mengetahui mereka memiliki kiriman televisi yang tiba, mereka sekarang dilengkapi dengan pengetahuan spesifik yang dihasilkan otomatis tentang berapa banyak tenaga kerja yang diperlukan untuk memindahkan produk. Di sini, dan di semua use case yang diuraikan, AI memungkinkan perusahaan untuk mengubah data mereka menjadi salah satu aset paling berharga mereka.
Chakri Gottemukkala adalah CEO o9 Solutions.
