Produire des résultats commerciaux avec des projets Big Data et l'IA

Quel est le développement le plus important qui façonne l'avenir de la façon dont les entreprises génèrent de la valeur commerciale à partir de leurs capacités de données et d'analyse ?

Selon le MIT Sloan Management Review, il s'agit de la convergence des mégadonnées avec l'intelligence artificielle. Pourtant, de nombreuses entreprises, lorsqu'on leur présente les avantages commerciaux qui en résultent, expriment la même hésitation :« Nous n'avons pas les données pour cela. C'est dispersé et désorganisé. Nos données ne sont pas propres."

Il est compréhensible que les gens ressentent cette appréhension. Les données dispersées, cloisonnées et volumineuses restent aujourd'hui un défi commun pour les entreprises de tous les secteurs. En conséquence, les chefs d'entreprise pourraient penser qu'ils ne sont pas prêts à déployer une technologie de pointe comme l'IA. En réalité, cependant, c'est le contraire qui est vrai :l'IA aide à nettoyer, intégrer et rationaliser les données pour générer une valeur commerciale considérable.

Les plus grandes opportunités de tirer parti de l'IA pour les projets de Big Data peuvent être observées dans quatre cas d'utilisation clés dans la gestion de la chaîne d'approvisionnement et les opérations commerciales.

Cas d'utilisation 1 :Transformer les prévisions en incorporant des facteurs de demande et des indicateurs avancés.

En règle générale, les entreprises fondent leurs processus de prévision statistique sur des données historiques sur les ventes et les expéditions. Cependant, dans le marché de plus en plus volatile d'aujourd'hui, les événements passés ne sont pas toujours les meilleurs prédicteurs des événements futurs. Les mégadonnées et les modèles basés sur l'IA créent le potentiel d'un environnement prêt pour l'avenir, dans lequel les entreprises peuvent passer de prévisions basées principalement sur des données historiques basées sur les expéditions à celles qui intègrent divers moteurs de la demande. Ces facteurs comprennent des événements externes, y compris des prix compétitifs, des conditions de marché et des assortiments concurrentiels, ainsi que des facteurs internes liés aux promotions et aux prix.

Les entreprises qui tentent aujourd'hui d'intégrer les moteurs de la demande dans les prévisions statistiques sans bénéficier de l'apprentissage automatique et de l'IA doivent consacrer des efforts considérables à la normalisation des données en fonction des valeurs aberrantes. Par exemple, une baisse des ventes peut s'être produite en raison d'une rupture de stock créée par une contrainte de la chaîne d'approvisionnement. Mais comment l'algorithme de prévision saurait-il que cette baisse des ventes est due à un problème de chaîne d'approvisionnement et non à un problème de demande sur le marché ? Dans une approche traditionnelle, un effort humain devrait être déployé pour saisir le « pourquoi » et corriger efficacement l'historique avant que les données ne soient transmises aux modèles statistiques.

Tout cela change lorsqu'une entreprise déploie une plate-forme basée sur l'IA pour la prévision de la demande. Les algorithmes d'apprentissage automatique (ML) créent des modèles basés sur des modèles de données, sans s'appuyer sur des instructions explicites. Cela signifie que les entrées de données qui alimentent la prévision de la demande peuvent être nettoyées, corrélées et attribuées correctement aux résultats à l'aide du ML. À leur tour, des décisions normatives basées sur la demande sont générées sur la base des modèles observés au fil du temps.

Cas d'utilisation 2 : Conduire la planification avec des systèmes d'apprentissage plutôt que des connaissances tribales.

Aujourd'hui, la modélisation des connaissances reste largement tribale dans de nombreuses organisations. Une grande partie de la prise de décision pour la planification d'aujourd'hui réside dans la tête et le jugement des planificateurs individuels. Par exemple, si un planificateur reçoit une prévision de vente indiquant que le budget de la chaîne d'approvisionnement doit être consacré à l'accélération, que feront les planificateurs ? Croient-ils que la demande est fiable ? Sont-ils prêts à dépenser de l'argent pour répondre à cette demande, ou hésiteront-ils ? La décision d'accélérer ou non est souvent la meilleure estimation du planificateur sur la base d'une histoire personnelle avec le directeur des ventes ou le client.

Lorsque l'IA est appliquée dans ce scénario, le savoir tribal devient un savoir institutionnel. Les données historiques sur les prévisions par rapport aux ventes permettent au système basé sur l'IA d'apprendre à quoi ressemble une demande fiable et qui est susceptible d'être précis (ou non) dans ses prévisions. Une décision d'accélérer ou d'engager des coûts supplémentaires pour répondre à la demande sera désormais basée sur une recommandation intelligente :Oui, automatisez cette demande car elle est extrêmement fiable. Ou procédez avec prudence, car ce client n'a pas été fiable dans le passé et l'approbation de la direction de cette décision est requise.

Dans cet environnement, les compromis décisionnels peuvent être faits avec plus de rapidité, de précision et de rentabilité. Les préjugés humains sont supprimés et la continuité dans la prise de décision est assurée, quel que soit le planificateur qui gère le système.

Cas d'utilisation 3 : créer des modèles intégrés de planification et de prise de décision en connectant des données déconnectées.

Pratiquement toutes les entreprises ont des données déconnectées. C'est un défi omniprésent. Une étude menée par Vanson Bourne a estimé que les organisations américaines et britanniques perdent au total 140 milliards de dollars chaque année en raison de données déconnectées. Les silos de données existent pour diverses raisons qui couvrent la dynamique technique, structurelle et culturelle d'une entreprise.

L'un des problèmes classiques liés aux données d'entreprise déconnectées est lié au fait que de nombreuses entreprises se sont développées grâce à des fusions et acquisitions. Les sociétés fusionnées peuvent devenir une entité dans le monde, mais dans les coulisses, les divisions peuvent rester apparentes, souvent pendant des années. Il existe probablement plusieurs systèmes de planification des ressources d'entreprise (ERP) et d'autres systèmes cloisonnés pour les ventes, la chaîne d'approvisionnement et la gestion des produits. Sous un même toit, un produit unique peut être connu sous plusieurs noms sur plusieurs systèmes disparates.

Cela crée des défis importants dans la construction d'une image consolidée pour alimenter la prise de décision nécessaire à des fins de planification. Les approches correctives traditionnelles incluent la mise en œuvre d'un système ERP unique ou la correction des données dans tous les systèmes sources. Ces projets sont coûteux et prennent du temps, laissant de nombreuses entreprises à la conclusion :"Nous savons que c'est cassé, mais nous ne pouvons pas le réparer pour le moment."

Une entreprise immergée dans des données déconnectées a inévitablement des inquiétudes quant à la prise en charge d'initiatives de planification et de prise de décision intégrées. Mais avec l'IA et le traitement du langage naturel, les systèmes peuvent déterminer que des points de données variés sont, en fait, la même chose. Un modèle peut être construit qui corrèle tous ces produits afin que les sources n'aient pas besoin d'être modifiées. La visibilité des stocks, la planification et la prise de décision sont désormais liées, car le système reconnaît que ces produits sont identiques.

Cas d'utilisation 4 : résoudre les défis des données de référence dans les systèmes de planification.

La puissance de l'IA dans la création de systèmes de planification réside dans l'accélération de la prise de décision automatisée et intelligente. Mais un autre refrain courant des dirigeants d'entreprise est qu'une grande partie des données nécessaires pour prendre ces décisions de planification sont des données de référence qui ne résident dans aucun système d'enregistrement.

Par exemple, un grand détaillant gère des centaines de milliers de SKU qui transitent par le centre de distribution et le réseau de magasins. Ce détaillant doit modéliser la capacité requise dans diverses dimensions, y compris la capacité de stockage et de main-d'œuvre pour gérer les marchandises en transit, dans les centres de distribution et dans les magasins. Pour déterminer les besoins en capacité, le détaillant doit comprendre ce que chaque SKU consomme sur les différentes ressources disponibles. Le temps qu'il faut à une personne pour décharger une cargaison de téléviseurs, qui demande beaucoup de travail, serait très différent du temps nécessaire pour décharger une cargaison d'ibuprofène, qui est relativement léger.

Les données requises pour prendre de bonnes décisions de planification précises doivent être basées sur le volume de produits spécifiques qui transitent par les DC et leurs exigences de capacité correspondantes. Mais qui conserve toutes les données ? Dans le passé, ces détails étaient difficiles à modéliser, car ils devaient être effectués à des niveaux agrégés, et souvent personne ne capturait et ne conservait ces données.

Désormais, avec les mégadonnées et l'IA, les détaillants peuvent utiliser les données de l'Internet des objets (IoT) des capteurs transactionnels pendant leur journalisation pour déterminer les besoins en capacité. Lorsque les travailleurs prennent une cargaison de produits du camion, la déplacent dans un centre de distribution, etc., une énorme quantité de données transactionnelles est enregistrée. Grâce à l'IA, les détaillants peuvent générer automatiquement les données de base nécessaires à la prise de décision. Sachant qu'une cargaison de téléviseurs arrive, ils sont désormais armés d'une connaissance spécifique et générée automatiquement de la quantité de travail nécessaire pour déplacer le produit. Ici, et dans tous les cas d'utilisation décrits, l'IA permet aux entreprises de transformer leurs données en l'un de leurs actifs les plus précieux.

Chakri Gottemukkala est PDG d'o9 Solutions.