Mendorong Hasil Bisnis Dengan Proyek Big Data dan AI
Apa perkembangan terpenting yang membentuk masa depan tentang cara perusahaan mendorong nilai bisnis dari kemampuan data dan analitik mereka?
Menurut MIT Sloan Management Review, ini adalah konvergensi data besar dengan kecerdasan buatan. Namun banyak perusahaan, ketika disajikan dengan keuntungan bisnis yang dihasilkan, menyuarakan keraguan yang sama:“Kami tidak memiliki data untuk itu. Itu tersebar dan tidak teratur. Data kami tidak bersih.”
Dapat dimengerti bahwa orang akan merasakan ketakutan ini. Data yang tersebar, tertutup, dan banyak jumlahnya tetap menjadi tantangan umum bagi perusahaan di semua industri saat ini. Akibatnya, para pemimpin bisnis mungkin berpikir bahwa mereka belum siap untuk menerapkan teknologi mutakhir seperti AI. Namun pada kenyataannya, yang terjadi adalah kebalikannya:AI membantu membersihkan, mengintegrasikan, dan merasionalisasi data untuk mendorong nilai bisnis yang luar biasa.
Peluang terbesar untuk memanfaatkan AI untuk proyek data besar dapat dilihat dalam empat kasus penggunaan utama dalam manajemen rantai pasokan dan operasi bisnis.
Kasus Penggunaan 1:Mengubah perkiraan dengan memasukkan penggerak permintaan dan indikator utama.
Biasanya, perusahaan mendasarkan proses peramalan statistik pada penjualan historis dan data pengiriman. Namun, di pasar yang semakin bergejolak saat ini, peristiwa masa lalu tidak selalu merupakan prediktor terbaik untuk peristiwa di masa depan. Data besar dan model berbasis AI menciptakan potensi lingkungan yang siap di masa depan, di mana perusahaan dapat beralih dari perkiraan yang terutama didorong oleh data berbasis pengiriman historis ke yang menggabungkan berbagai pendorong permintaan. Penggerak tersebut mencakup peristiwa eksternal, termasuk penetapan harga yang kompetitif, kondisi pasar, dan pilihan yang kompetitif, serta penggerak internal yang terkait dengan promosi dan penetapan harga.
Perusahaan yang mencoba memasukkan penggerak permintaan dalam peramalan statistik hari ini tanpa manfaat pembelajaran mesin dan AI harus menghabiskan upaya yang signifikan dalam menormalkan data berdasarkan outlier. Misalnya, penurunan penjualan mungkin terjadi karena kehabisan persediaan yang disebabkan oleh kendala rantai pasokan. Tapi bagaimana algoritma peramalan tahu bahwa penurunan penjualan ini terjadi karena masalah rantai pasokan dan bukan masalah permintaan di pasar? Dalam pendekatan tradisional, upaya manusia harus dikerahkan untuk memasukkan "mengapa", dan secara efektif mengoreksi riwayat sebelum data diberikan ke model statistik.
Semua itu berubah ketika perusahaan menerapkan platform berbasis AI untuk perkiraan permintaan. Algoritme pembelajaran mesin (ML) membangun model berdasarkan pola dalam data, tanpa bergantung pada instruksi eksplisit. Ini berarti bahwa input data yang mendorong perkiraan permintaan dapat dibersihkan, dikorelasikan, dan diberikan atribusi yang tepat untuk hasil menggunakan ML. Pada gilirannya, keputusan berbasis permintaan preskriptif dihasilkan berdasarkan pola yang terlihat dari waktu ke waktu.
Kasus Penggunaan 2:Mendorong perencanaan dengan sistem pembelajaran alih-alih pengetahuan kesukuan.
Saat ini, pemodelan pengetahuan sebagian besar masih bersifat kesukuan di banyak organisasi. Sebagian besar pengambilan keputusan untuk perencanaan saat ini berada di kepala dan penilaian masing-masing perencana. Misalnya, jika seorang perencana menerima ramalan penjualan yang menunjukkan anggaran rantai pasokan harus diarahkan untuk mempercepat, apa yang akan dilakukan perencana? Apakah mereka percaya bahwa permintaan itu dapat diandalkan? Apakah mereka bersedia menghabiskan banyak uang untuk memenuhi permintaan itu, atau akankah mereka ragu-ragu? Keputusan untuk mempercepat atau tidak sering kali merupakan tebakan terbaik dari perencana berdasarkan riwayat pribadi dengan eksekutif penjualan atau pelanggan.
Ketika AI diterapkan dalam skenario ini, pengetahuan suku menjadi pengetahuan institusional. Data historis tentang perkiraan versus penjualan memungkinkan sistem berbasis AI untuk mempelajari seperti apa permintaan yang andal, dan siapa yang cenderung akurat (atau tidak) dalam perkiraan mereka. Keputusan untuk mempercepat atau mengeluarkan biaya tambahan untuk memenuhi permintaan sekarang akan didasarkan pada rekomendasi cerdas:Ya, otomatiskan permintaan ini karena sangat andal. Atau, lanjutkan dengan hati-hati karena pelanggan ini sebelumnya tidak dapat diandalkan, dan persetujuan manajemen atas keputusan ini diperlukan.
Dalam lingkungan ini, pengorbanan keputusan dapat dibuat dengan kecepatan, akurasi, dan efektivitas biaya yang lebih besar. Bias manusia dihilangkan, dan kesinambungan dalam pengambilan keputusan dipastikan, terlepas dari perencana mana yang mengelola sistem.
Kasus Penggunaan 3:Membuat model perencanaan dan pengambilan keputusan terintegrasi dengan menghubungkan data yang tidak terhubung.
Hampir setiap perusahaan memiliki data yang terputus. Ini adalah tantangan yang meresap. Sebuah studi yang dilakukan oleh Vanson Bourne memperkirakan bahwa organisasi AS dan Inggris kehilangan total $140 miliar setiap tahun karena data yang terputus. Silo data ada karena berbagai alasan yang mencakup dinamika teknis, struktural, dan budaya perusahaan.
Salah satu masalah klasik terkait data perusahaan yang terputus berakar pada kenyataan bahwa banyak perusahaan telah tumbuh melalui merger dan akuisisi. Perusahaan yang bergabung mungkin menjadi satu kesatuan bagi dunia, tetapi di balik layar, divisi dapat tetap terlihat, seringkali selama bertahun-tahun. Kemungkinan ada beberapa perencanaan sumber daya perusahaan (ERP) dan sistem tertutup lainnya untuk penjualan, rantai pasokan, dan manajemen produk. Di bawah satu atap perusahaan, produk tunggal dapat dikenal dengan banyak nama di beberapa sistem yang berbeda.
Ini menciptakan tantangan yang signifikan dalam membangun gambaran yang terkonsolidasi untuk mendorong pengambilan keputusan yang diperlukan untuk tujuan perencanaan. Pendekatan korektif tradisional termasuk menerapkan sistem ERP tunggal, atau mengoreksi data di semua sistem sumber. Proyek tersebut mahal dan memakan waktu, membuat banyak perusahaan menyimpulkan, “Kami tahu itu rusak, tetapi kami tidak dapat memperbaikinya sekarang.”
Perusahaan yang tenggelam dalam data yang terputus pasti memiliki kekhawatiran tentang menangani perencanaan terintegrasi dan inisiatif pengambilan keputusan. Tetapi dengan AI dan pemrosesan bahasa alami, sistem dapat menentukan bahwa berbagai titik data sebenarnya adalah hal yang sama. Sebuah model dapat dibangun yang mengkorelasikan semua produk tersebut sehingga sumbernya tidak perlu diubah. Visibilitas inventaris, perencanaan, dan pengambilan keputusan kini saling terkait, karena sistem mengenali produk tersebut identik.
Gunakan Kasus 4:memecahkan tantangan data master dalam sistem perencanaan.
Kekuatan AI dalam menciptakan sistem perencanaan terletak pada mendorong pengambilan keputusan yang otomatis dan cerdas dengan lebih cepat. Namun hal lain yang biasa dilakukan oleh para pemimpin perusahaan adalah bahwa sebagian besar data yang diperlukan untuk membuat keputusan perencanaan tersebut adalah data induk yang tidak berada dalam sistem pencatatan apa pun.
Misalnya, pengecer besar menangani ratusan ribu SKU yang mengalir melalui pusat distribusi dan jaringan toko. Pengecer itu perlu memodelkan berapa banyak kapasitas yang dibutuhkan di berbagai dimensi, termasuk kapasitas penyimpanan dan tenaga kerja untuk menangani barang dalam perjalanan, di DC, dan di toko. Untuk menentukan persyaratan kapasitas, pengecer harus memahami apa yang dikonsumsi setiap SKU pada berbagai sumber daya yang tersedia. Waktu yang dibutuhkan seseorang untuk membongkar pengiriman televisi, yang padat karya, akan sangat berbeda dari waktu yang dibutuhkan untuk membongkar pengiriman ibuprofen, yang relatif ringan.
Data yang diperlukan untuk mendorong keputusan perencanaan yang baik dan akurat harus didasarkan pada volume produk tertentu yang mengalir melalui DC, dan persyaratan kapasitas yang sesuai. Tapi siapa yang menyimpan semua data? Di masa lalu, detail tersebut sulit untuk dimodelkan, karena harus dilakukan pada tingkat agregat, dan seringkali tidak ada yang menangkap dan memelihara data tersebut.
Sekarang, dengan data besar dan AI, pengecer dapat menggunakan data sensor transaksional internet of things (IoT) saat melakukan logging untuk menentukan kebutuhan kapasitas. Saat pekerja mengambil pengiriman produk dari truk, memindahkannya ke DC, dan seterusnya, sejumlah besar data transaksi dicatat. Menggunakan AI, pengecer dapat secara otomatis menghasilkan data master yang diperlukan untuk pengambilan keputusan. Mengetahui mereka memiliki pengiriman televisi yang tiba, mereka sekarang dipersenjatai dengan pengetahuan khusus yang dihasilkan secara otomatis tentang berapa banyak tenaga kerja yang diperlukan untuk memindahkan produk. Di sini, dan dalam semua kasus penggunaan yang diuraikan, AI memungkinkan perusahaan mengubah data mereka menjadi salah satu aset mereka yang paling berharga.
Chakri Gottemukkala adalah CEO o9 Solutions.
