Bagaimana AI Mengatasi Masalah Data 'Kotor'
Pengurangan risiko operasional adalah nama permainan ketika datang ke rantai pasokan. Untuk mencapai pendekatan yang andal namun ramping, rantai pasokan harus secara bersamaan gesit dan tangguh. Tetapi kedua kualitas secara historis bergantung pada data "bersih". Dan banyak organisasi tidak siap ketika kebutuhan alat pelindung diri (APD) dan kertas toilet meroket pada awal pandemi global COVID-19 musim semi lalu. Para pemimpin bisnis tidak dapat menunggu berbulan-bulan untuk pembersihan data yang tepat guna memenuhi volume permintaan pasokan segera. Data harus tersedia dan dapat ditindaklanjuti. Efisiensi rantai pasokan menjadi keharusan karena produsen berjuang untuk memenuhi permintaan yang berubah.
Dalam situasi tradisional, pembersihan data akan diperlukan, tetapi melakukannya secara manual memakan waktu. Bahkan sebelum COVID-19, proses tersebut menghambat efisiensi rantai pasokan, tetapi begitu pandemi berjalan lancar, lambat tidak lagi menjadi pilihan. Pembersihan data tradisional telah melampaui kegunaannya, dan waktunya telah tiba untuk melanjutkan. Saatnya membiarkan kecerdasan buatan dan pembelajaran mesin memotong kebisingan yang dihasilkan oleh Big Data.
Mengenal Seluruh Bisnis
Ambil langkah mundur dan lihat keseluruhan operasi bisnis. Meskipun mungkin sebagian besar tampilan akurat dari persediaan fasilitas saat ini, bagaimana keadaan visibilitas ke fasilitas lain yang terhubung? Selain itu, apa yang diketahui tentang inventaris pemasok lain, dan seberapa cepat mereka dapat memenuhi kebutuhan produksi?
Mungkin I.T. departemen memiliki alat yang dapat memberikan beberapa wawasan untuk pabrik saudara di lokasi lain, tetapi ada sedikit cara untuk mengetahui apa yang pemasok Anda miliki pada saat yang sama. Satu-satunya cara untuk menyiasatinya adalah dengan mengumpulkan bahan-bahan yang ada agar siap, bahkan jika itu tidak persis seperti yang dibutuhkan sekarang. Tetapi pendekatan ini sering menyebabkan terlalu banyak satu jenis inventaris dan tidak cukup yang lain. Tidak ada informasi waktu nyata yang cukup untuk membuat penyesuaian sumber yang berarti untuk memenuhi kebutuhan produksi.
Cadangan lama untuk mengumpulkan semua informasi itu adalah pembersihan data.
Biarkan Algoritma Mendikte
Organisasi di mana-mana telah diborgol oleh pembersihan data berbasis proyek. Mereka mahal, memakan waktu, dan merugikan ROI jangka panjang. Ini bukan strategi yang berkelanjutan, dan prosesnya biasanya harus diulang setiap beberapa tahun.
Bahkan sebelum pandemi, pembersihan data memperlambat proses rantai pasokan, menurunkan operasi bisnis. Menghabiskan setengah juta dolar untuk pembersihan data, yang diperkirakan akan memakan waktu hingga satu tahun, membawa sedikit manfaat bagi organisasi. Bahkan dengan teknologi terbaik, proses buruk yang sama akan berulang.
Masukkan AI dan pembelajaran mesin. Eksperimen yang hemat biaya, cepat dan mudah adalah kunci dari proses bisnis yang inovatif. Dalam hal ini, ini berarti mengganti pembersihan data lama dengan algoritme pembelajaran mesin, sehingga mengurangi proses selama setahun menjadi hanya beberapa minggu.
AI diimplementasikan dengan data yang ada untuk membuat keputusan yang lebih baik dan menciptakan kecerdasan dengan segera, tanpa menggunakan proses pembersihan data. Proses AI mengeluarkan data dari silo, sehingga organisasi dapat beralih dari hubungan satu lawan satu ke gambaran gambaran besar dari seluruh jaringan rantai pasokan. Algoritme yang dihasilkan dengan pembelajaran mesin menawarkan tingkat visibilitas baru, dan membuka pintu bagi orang lain dalam jaringan rantai pasokan untuk berbagi data berharga.
Menggunakan AI dan pembelajaran mesin membuka beberapa peluang baru untuk penggunaan data yang lebih baik. Salah satunya adalah kemampuan untuk melakukan banyak tugas dengan data secara bersamaan. Misalnya, jika seorang manajer mengatakan sudah waktunya untuk mengurangi inventaris, Anda mungkin biasanya ragu untuk melakukannya karena risiko tidak memiliki inventaris saat dibutuhkan. Namun dalam model baru ini, itu tidak lagi menjadi masalah, karena Anda dapat lebih mengoptimalkan modal kerja yang terikat dalam inventaris — tidak hanya di fasilitas Anda, tetapi di seluruh organisasi dalam jaringan Anda. Ini mengurangi risiko, karena Anda sekarang memiliki kecerdasan dan kepercayaan diri bahwa Anda memiliki apa yang Anda butuhkan, kapan pun dan di mana pun Anda membutuhkannya.
Paradigma ini memungkinkan transisi yang lebih mulus ke proses Industri 4.0. Jika ada masalah sensor pada satu bagian mesin, pemasok akan diberitahu dan menyediakan suku cadang tersebut. Penggunaan data waktu nyata menghilangkan periode waktu henti yang lama.
Data yang kotor dan berlebihan seharusnya tidak lagi dibiarkan memperlambat operasi rantai pasokan. Algoritme yang dihasilkan dengan pembelajaran mesin akan memungkinkan Anda membuat keputusan yang lebih baik dengan data Anda, untuk menjaga rantai pasokan berfungsi di semua tingkatan.
Paul Noble adalah pendiri dan Chief Executive Officer Verusen,
