Erzielung von Geschäftsergebnissen mit Big-Data-Projekten und KI

Was ist die wichtigste Entwicklung, die die Zukunft beeinflusst, wie Unternehmen ihren Geschäftswert aus ihren Daten- und Analysefähigkeiten steigern?

Laut MIT Sloan Management Review ist es die Konvergenz von Big Data mit künstlicher Intelligenz. Doch viele Unternehmen äußern angesichts der daraus resultierenden Geschäftsvorteile dasselbe Zögern:„Dafür haben wir nicht die Daten. Es ist zerstreut und unorganisiert. Unsere Daten sind nicht sauber.“

Es ist verständlich, dass die Leute diese Besorgnis verspüren. Verstreute, isolierte und umfangreiche Daten sind auch heute noch eine gemeinsame Herausforderung für Unternehmen aller Branchen. Infolgedessen könnten Führungskräfte denken, dass sie nicht bereit sind, Spitzentechnologien wie KI einzusetzen. In Wirklichkeit ist jedoch das Gegenteil der Fall:KI hilft bei der Bereinigung, Integration und Rationalisierung von Daten, um einen enormen Geschäftswert zu erzielen.

Die größten Möglichkeiten zur Nutzung von KI für Big-Data-Projekte zeigen sich in vier Hauptanwendungsfällen im Lieferkettenmanagement und im Geschäftsbetrieb.

Anwendungsfall 1:Transformieren von Prognosen durch Einbeziehung von Nachfragetreibern und Frühindikatoren.

Normalerweise basieren Unternehmen statistische Prognoseprozesse auf historischen Verkaufs- und Versanddaten. Auf dem zunehmend volatilen Markt von heute sind vergangene Ereignisse jedoch nicht immer die besten Prädiktoren für zukünftige Ereignisse. Big Data und KI-basierte Modelle schaffen das Potenzial für eine zukunftsfähige Umgebung, in der Unternehmen von Prognosen, die hauptsächlich auf historischen Sendungsdaten basieren, zu Prognosen übergehen können, die verschiedene Nachfragetreiber berücksichtigen. Zu diesen Faktoren gehören externe Ereignisse, einschließlich wettbewerbsfähiger Preise, Marktbedingungen und wettbewerbsfähiger Sortimente, sowie interne Faktoren im Zusammenhang mit Werbeaktionen und Preisen.

Unternehmen, die heute ohne maschinelles Lernen und KI Nachfragetreiber in statistische Prognosen einbeziehen möchten, müssen erhebliche Anstrengungen unternehmen, um Daten basierend auf Ausreißern zu normalisieren. Beispielsweise könnte ein Umsatzrückgang aufgrund eines Bestandsmangels aufgetreten sein, der durch eine Lieferkettenbeschränkung verursacht wurde. Aber woher soll der Prognosealgorithmus wissen, dass dieser Umsatzrückgang auf ein Lieferkettenproblem und nicht auf ein Nachfrageproblem auf dem Markt zurückzuführen ist? Bei einem traditionellen Ansatz müsste menschlicher Aufwand betrieben werden, um das „Warum“ einzugeben und den Verlauf effektiv zu korrigieren, bevor die Daten an statistische Modelle übergeben werden.

All das ändert sich, wenn ein Unternehmen eine KI-basierte Plattform für die Bedarfsprognose einsetzt. Algorithmen des maschinellen Lernens (ML) erstellen Modelle basierend auf Mustern in Daten, ohne sich auf explizite Anweisungen zu verlassen. Das bedeutet, dass Dateneingaben, die die Nachfrageprognosen vorantreiben, bereinigt, korreliert und den Ergebnissen mithilfe von ML richtig zugeordnet werden können. Auf der Grundlage der im Laufe der Zeit beobachteten Muster werden wiederum präskriptive bedarfsbasierte Entscheidungen generiert.

Anwendungsfall 2:Fahrplanung mit Lernsystemen statt Stammeswissen.

Heute bleibt die Modellierung von Wissen in vielen Organisationen weitgehend tribal. Ein Großteil der Entscheidungen für die Planung liegt heute in den Köpfen und dem Urteil einzelner Planer. Wenn ein Planer beispielsweise eine Verkaufsprognose erhält, die angibt, dass das Lieferkettenbudget für die Beschleunigung verwendet werden sollte, was werden Planer dann tun? Vertrauen sie darauf, dass die Nachfrage zuverlässig ist? Sind sie bereit, viel Geld auszugeben, um diese Nachfrage zu befriedigen, oder werden sie zögern? Die Entscheidung, zu beschleunigen oder nicht, ist oft die beste Vermutung des Planers, basierend auf einer persönlichen Geschichte mit dem Vertriebsleiter oder Kunden.

Wenn KI in diesem Szenario angewendet wird, wird Stammeswissen zu institutionellem Wissen. Historische Daten zu Prognosen im Vergleich zu Verkäufen ermöglichen es dem KI-basierten System, zu lernen, wie eine zuverlässige Nachfrage aussieht und wer bei ihren Prognosen wahrscheinlich genau ist (oder nicht). Eine Entscheidung, die Nachfrage zu beschleunigen oder zusätzliche Kosten zu verursachen, basiert jetzt auf einer intelligenten Empfehlung:Ja, automatisieren Sie diese Anfrage, da sie äußerst zuverlässig ist. Oder gehen Sie mit Vorsicht vor, da dieser Kunde in der Vergangenheit unzuverlässig war und die Genehmigung dieser Entscheidung durch das Management erforderlich ist.

In dieser Umgebung können Entscheidungen schneller, genauer und kostengünstiger getroffen werden. Menschliche Voreingenommenheit wird beseitigt und die Kontinuität bei der Entscheidungsfindung wird sichergestellt, unabhängig davon, welcher Planer das System bedient.

Anwendungsfall 3:Erstellen integrierter Planungs- und Entscheidungsmodelle durch die Verbindung getrennter Daten.

Praktisch jedes Unternehmen hat getrennte Daten. Es ist eine allgegenwärtige Herausforderung. Eine von Vanson Bourne durchgeführte Studie schätzt, dass US-amerikanische und britische Unternehmen jedes Jahr insgesamt 140 Milliarden US-Dollar aufgrund von nicht verbundenen Daten verlieren. Datensilos gibt es aus verschiedenen Gründen, die die technische, strukturelle und kulturelle Dynamik eines Unternehmens umfassen.

Eines der klassischen Probleme im Zusammenhang mit getrennten Unternehmensdaten liegt darin begründet, dass viele Unternehmen durch Fusionen und Übernahmen gewachsen sind. Die fusionierten Unternehmen mögen für die ganze Welt zu einer Einheit werden, aber hinter den Kulissen können Divisionen oft über Jahre hinweg sichtbar bleiben. Es gibt wahrscheinlich mehrere Enterprise Resource Planning (ERP) und andere isolierte Systeme für Vertrieb, Lieferkette und Produktmanagement. Unter einem gemeinsamen Dach könnte ein einzelnes Produkt in mehreren unterschiedlichen Systemen unter mehreren Namen bekannt sein.

Dies führt zu erheblichen Herausforderungen bei der Erstellung eines konsolidierten Bildes, um die für Planungszwecke erforderliche Entscheidungsfindung zu unterstützen. Herkömmliche Korrekturansätze umfassen die Implementierung eines einzigen ERP-Systems oder die Korrektur der Daten in allen Quellsystemen. Diese Projekte sind teuer und zeitaufwändig, sodass viele Unternehmen zu dem Schluss kommen:„Wir wissen, dass es kaputt ist, aber wir können es jetzt nicht reparieren.“

Ein Unternehmen, das von unzusammenhängenden Daten umgeben ist, hat unweigerlich Bedenken, integrierte Planungs- und Entscheidungsinitiativen anzugehen. Aber mit KI und natürlicher Sprachverarbeitung können Systeme feststellen, dass verschiedene Datenpunkte tatsächlich dasselbe sind. Es kann ein Modell erstellt werden, das all diese Produkte korreliert, sodass die Quellen nicht geändert werden müssen. Bestandstransparenz, Planung und Entscheidungsfindung sind jetzt verknüpft, da das System erkennt, dass diese Produkte identisch sind.

Anwendungsfall 4:Lösung der Herausforderungen von Stammdaten in Planungssystemen.

Die Stärke der KI bei der Erstellung von Planungssystemen liegt darin, automatisierte und intelligente Entscheidungen schneller zu treiben. Aber ein weiterer weit verbreiteter Fehler von Unternehmensleitern ist, dass viele der Daten, die für diese Planungsentscheidungen erforderlich sind, Stammdaten sind, die sich in keinem Aufzeichnungssystem befinden.

Ein großer Einzelhändler verarbeitet beispielsweise Hunderttausende von SKUs, die durch das Vertriebszentrum und das Filialnetz fließen. Dieser Einzelhändler muss modellieren, wie viel Kapazität in verschiedenen Dimensionen benötigt wird, einschließlich Lager- und Arbeitskapazität, um Waren während des Transports, in den DCs und in den Filialen zu handhaben. Um die Kapazitätsanforderungen zu bestimmen, muss der Einzelhändler verstehen, was jede SKU von den verschiedenen verfügbaren Ressourcen verbraucht. Die Zeit, die eine Person braucht, um eine Sendung mit Fernsehgeräten zu entladen, was arbeitsintensiv ist, würde erheblich von der Zeit abweichen, die eine Person benötigt, um eine Sendung mit Ibuprofen zu entladen, die relativ leicht ist.

Daten, die für gute und genaue Planungsentscheidungen erforderlich sind, sollten auf dem Volumen der spezifischen Produkte, die durch die DCs fließen, und ihren entsprechenden Kapazitätsanforderungen basieren. Aber wer pflegt alle Daten? In der Vergangenheit waren diese Details schwer zu modellieren, da sie auf aggregierter Ebene erfolgen mussten und oft niemand diese Daten erfasste und verwaltete.

Mit Big Data und KI können Einzelhändler jetzt transaktionale Sensor-Internet-of-Things-Daten (IoT) während der Protokollierung verwenden, um den Kapazitätsbedarf zu bestimmen. Wenn Mitarbeiter eine Produktlieferung vom LKW entgegennehmen, in ein DC transportieren usw., wird eine enorme Menge an Transaktionsdaten aufgezeichnet. Mittels KI können Händler automatisch die für die Entscheidungsfindung notwendigen Stammdaten generieren. Da sie wissen, dass eine Lieferung von Fernsehern ankommt, verfügen sie jetzt über spezifisches, automatisch generiertes Wissen darüber, wie viel Arbeit erforderlich ist, um das Produkt zu transportieren. Hier und in allen beschriebenen Anwendungsfällen ermöglicht KI Unternehmen, ihre Daten in einen ihrer wertvollsten Vermögenswerte zu verwandeln.

Chakri Gottemukkala ist CEO von o9 Solutions.