Wie KI das Problem „schmutziger“ Daten angeht

Die Reduzierung des operationellen Risikos ist das A und O, wenn es um die Lieferkette geht. Um einen zuverlässigen und gleichzeitig schlanken Ansatz zu erreichen, müssen Lieferketten gleichzeitig agil und belastbar sein. Aber beide Qualitäten hingen historisch von „sauberen“ Daten ab. Und viele Organisationen waren nicht darauf vorbereitet, als der Bedarf an persönlicher Schutzausrüstung (PSA) und Toilettenpapier im letzten Frühjahr zu Beginn der globalen COVID-19-Pandemie in die Höhe schoss. Unternehmensführer konnten nicht monatelang auf eine ordnungsgemäße Datenbereinigung warten, um das Volumen der Anfragen nach sofortiger Lieferung zu erfüllen. Die Daten mussten sowohl verfügbar als auch umsetzbar sein. Die Effizienz der Lieferkette wurde unabdingbar, da die Hersteller Schwierigkeiten hatten, die sich ändernde Nachfrage zu befriedigen.

In traditionellen Situationen wäre eine Datenbereinigung erforderlich gewesen, aber dies manuell durchzuführen ist zeitaufwändig. Schon vor COVID-19 behinderte der Prozess die Effizienz der Lieferkette, aber als die Pandemie in vollem Gange war, war langsam keine Option mehr. Die herkömmliche Datenbereinigung hat ihre Nützlichkeit überlebt, und es ist an der Zeit, weiterzumachen. Es ist an der Zeit, dass künstliche Intelligenz und maschinelles Lernen den Lärm von Big Data durchdringen.

Das ganze Geschäft kennen

Treten Sie einen Schritt zurück und betrachten Sie den gesamten Geschäftsbetrieb. Auch wenn es einen weitgehend genauen Überblick über die Vorräte der aktuellen Einrichtung gibt, wie sieht es mit der Sichtbarkeit anderer verbundener Einrichtungen aus? Was ist außerdem über die Lagerbestände anderer Lieferanten bekannt und wie schnell können diese den Produktionsbedarf decken?

Vielleicht ist die IT. verfügt über ein Tool, das einen Einblick in Schwesterwerke an anderen Standorten geben kann, aber es gibt kaum eine Möglichkeit zu wissen, was Ihre Lieferanten gleichzeitig haben. Der einzige Weg, dies zu umgehen, besteht darin, vorhandene Materialien aufzustocken, um bereit zu sein, auch wenn sie nicht gerade das sind, was jetzt benötigt wird. Dieser Ansatz führt jedoch häufig dazu, dass von einer Art von Inventar zu viel und von einer anderen zu wenig vorhanden ist. Es gibt nicht genügend Echtzeitinformationen, um sinnvolle Anpassungen bei der Beschaffung vorzunehmen, um die Produktionsanforderungen zu erfüllen.

Der langjährige Ausweg, um all diese Informationen zu sammeln, ist die Datenbereinigung.

Lassen Sie die Algorithmen diktieren

Überall wurden Organisationen durch projektbasierte Datenbereinigungen in Handschellen gelegt. Sie sind teuer, zeitaufwendig und beeinträchtigen den langfristigen ROI. Es ist keine nachhaltige Strategie und der Prozess muss normalerweise alle paar Jahre wiederholt werden.

Schon vor der Pandemie verlangsamte die Datenbereinigung den Lieferkettenprozess und verschlechterte den Geschäftsbetrieb. Eine halbe Million Dollar für eine Datenbereinigung auszugeben, die voraussichtlich bis zu einem Jahr dauern wird, bringt dem Unternehmen wenig Nutzen. Selbst mit der besten Technologie wiederholen sich die gleichen schlechten Prozesse.

Geben Sie KI und maschinelles Lernen ein. Kostengünstiges, schnelles und einfaches Experimentieren ist der Schlüssel zu innovativen Geschäftsprozessen. In diesem Fall bedeutet dies, die alte Datenbereinigung durch maschinelle Lernalgorithmen zu ersetzen und so den jahrelangen Prozess auf nur wenige Wochen zu verkürzen.

KI wird mit vorhandenen Daten implementiert, um bessere Entscheidungen zu treffen und sofort Informationen zu erstellen, ohne den Datenbereinigungsprozess zu verwenden. Der KI-Prozess holt Daten aus dem Silo, sodass das Unternehmen von Einzelbeziehungen zu einem umfassenden Überblick über das gesamte Lieferkettennetzwerk wechseln kann. Die mit maschinellem Lernen generierten Algorithmen bieten ein neues Maß an Transparenz und öffnen die Türen für andere innerhalb des Lieferkettennetzwerks, um wertvolle Daten auszutauschen.

Der Einsatz von KI und maschinellem Lernen eröffnet mehrere neue Möglichkeiten für eine bessere Datennutzung. Eine ist die Möglichkeit, mehrere Aufgaben gleichzeitig mit den Daten zu erledigen. Wenn ein Manager beispielsweise sagt, dass es an der Zeit ist, den Bestand zu reduzieren, zögern Sie normalerweise, dies zu tun, da das Risiko besteht, dass der Bestand bei Bedarf nicht zur Verfügung steht. Mit diesem neuen Modell ist dies jedoch kein Problem mehr, da Sie das im Inventar gebundene Betriebskapital besser optimieren können – nicht nur in Ihrer Einrichtung, sondern organisationsübergreifend in Ihrem Netzwerk. Dies reduziert das Risiko, da Sie jetzt die Intelligenz und das Vertrauen haben, dass Sie haben, was Sie brauchen, wann und wo Sie es brauchen.

Dieses Paradigma ermöglicht einen reibungsloseren Übergang zu Industrie 4.0-Prozessen. Bei einem Sensorproblem an einer Maschine wird der Lieferant benachrichtigt und stellt das Teil bereit. Durch die Echtzeitnutzung der Daten werden lange Ausfallzeiten vermieden.

Verschmutzte und redundante Daten sollten nicht länger den Betrieb der Lieferkette verlangsamen. Mit maschinellem Lernen generierte Algorithmen ermöglichen es Ihnen, mit Ihren Daten bessere Entscheidungen zu treffen, damit die Lieferkette auf allen Ebenen funktioniert.

Paul Noble ist Gründer und Chief Executive Officer von Verusen,