Bagaimana AI Mengatasi Tantangan Data 'Kotor' di Rantai Pasok
Pengurangan risiko operasional adalah nama permainan ketika berkaitan dengan rantai pasok. Untuk mencapai pendekatan yang andal namun ramping, rantai pasok harus sekaligus cepat tanggap dan tahan lama. Namun kedua kualitas ini secara historis tergantung pada data "bersih". Dan banyak organisasi tidak siap ketika kebutuhan akan perlengkapan perlindungan diri (PPE) dan kertas toilet melonjak pada awal pandemi COVID-19 global musim semi lalu. Para pemimpin bisnis tidak bisa menunggu bulan-bulan untuk pembersihan data yang tepat untuk memenuhi volume permintaan pasokan segera. Data harus tersedia dan dapat ditindaklanjuti. Efisiensi rantai pasok menjadi sangat penting saat produsen berjuang untuk memenuhi permintaan yang berubah-ubah.
Dalam situasi tradisional, pembersihan data akan diperlukan, tetapi untuk melakukannya secara manual memakan waktu. Bahkan sebelum COVID-19, proses ini menghambat efisiensi rantai pasok, tetapi setelah pandemi berlangsung penuh, lambat bukan lagi opsi. Pembersihan data tradisional telah melebihi kegunaannya, dan saatnya untuk melanjutkan. Saatnya untuk membiarkan kecerdasan buatan dan pembelajaran mesin memotong kebisingan yang dihasilkan oleh Big Data.
Mengetahui Seluruh Bisnis
Mundur satu langkah dan lihat keseluruhan operasi bisnis. Sementara mungkin ada tampilan yang cukup akurat tentang persediaan fasilitas saat ini, bagaimana keadaan visibilitas ke fasilitas terhubung lainnya? Juga, apa yang diketahui tentang inventaris pemasok lain, dan seberapa cepat mereka dapat memenuhi kebutuhan produksi?
Mungkin departemen IT memiliki alat yang dapat memberikan beberapa wawasan ke pabrik saudara di lokasi lain, tetapi tidak ada cara untuk mengetahui apa yang dimiliki pemasok Anda pada saat yang sama. Satu-satunya cara untuk mengatasi itu adalah menambah stok bahan yang tersedia untuk siap, meskipun bukan tepat apa yang dibutuhkan sekarang. Pendekatan ini seringkali menghasilkan terlalu banyak satu jenis inventaris dan tidak cukup yang lain. Tidak ada cukup informasi waktu nyata untuk menyesuaikan sumber yang bermakna untuk memenuhi kebutuhan produksi.
Solusi jangka panjang untuk mengumpulkan semua informasi ini adalah pembersihan data.
Biarkan Algoritma yang Menentukan
Organisasi di mana pun telah dibelenggu oleh pembersihan data berbasis proyek. Mereka mahal, memakan waktu, dan merusak ROI jangka panjang. Ini bukan strategi yang berkelanjutan, dan proses biasanya harus diulang setiap beberapa tahun.
Bahkan sebelum pandemi, pembersihan data memperlambat proses rantai pasok, menurunkan operasi bisnis. Menghabiskan setengah juta dolar untuk pembersihan data, yang diharapkan memakan waktu hingga satu tahun, memberikan manfaat yang sedikit bagi organisasi. Bahkan dengan teknologi terbaik, proses buruk yang sama diulang.
Masuk AI dan pembelajaran mesin. Eksperimen yang hemat biaya, cepat dan mudah adalah kunci proses bisnis inovatif. Dalam hal ini, berarti mengganti pembersihan data lama dengan algoritma pembelajaran mesin, sehingga memotong proses sepanjang tahun menjadi hanya beberapa minggu.
AI diimplementasikan dengan data yang ada untuk membuat keputusan yang lebih baik dan menciptakan kecerdasan segera, tanpa menggunakan proses pembersihan data. Proses AI mengeluarkan data dari silo, sehingga organisasi dapat bergerak dari hubungan satu-ke-satu ke gambaran besar seluruh jaringan rantai pasok. Algoritma yang dihasilkan dengan pembelajaran mesin menawarkan tingkat visibilitas baru, dan membuka pintu bagi orang lain di dalam jaringan rantai pasok 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 beberapa tugas dengan data pada saat yang sama. Misalnya, jika manajer mengatakan saatnya untuk mengurangi inventaris, Anda biasanya mungkin ragu untuk melakukannya karena risiko tidak memiliki inventaris saat dibutuhkan. Namun dalam model baru ini, itu bukan lagi masalah, karena Anda dapat mengoptimalkan modal kerja yang terikat dalam inventaris bukan hanya di fasilitas Anda, tetapi di seluruh organisasi dalam jaringan Anda. Ini mengurangi risiko, karena sekarang Anda memiliki kecerdasan dan keyakinan bahwa Anda memiliki apa yang Anda butuhkan, kapan dan di mana Anda membutuhkannya.
Paradigma ini memungkinkan transisi yang lebih lancar ke proses Industri 4.0. Jika ada masalah sensor pada satu mesin, pemasok diberi tahu dan menyediakan bagian. Penggunaan data waktu nyata menghilangkan periode downtime yang lama.
Data kotor dan redundan tidak boleh lagi diizinkan untuk memperlambat operasi rantai pasok. Algoritma yang dihasilkan dengan pembelajaran mesin akan memungkinkan Anda membuat keputusan yang lebih baik dengan data Anda, untuk menjaga rantai pasok berfungsi di semua tingkatan.
Paul Noble adalah pendiri dan Chief Executive Officer di Verusen.
