Maximiser la valeur business grâce à l'intégration Big Data et IA

Quel est le développement unique le plus important façonnant l'avenir de la manière dont les entreprises tirent de la valeur business de leurs capacités de données et d'analytique ?

Selon MIT Sloan Management Review, c'est la convergence du big data avec l'intelligence artificielle. Pourtant, de nombreuses entreprises, face aux avantages business qui en découlent, expriment la même hésitation : « Nous n'avons pas les données pour cela. Elles sont dispersées et désorganisées. Nos données ne sont pas propres. »

Il est compréhensible que les gens ressentent cette appréhension. Des données dispersées, en silos et volumineuses restent un défi courant pour les entreprises de tous secteurs aujourd'hui. En conséquence, les dirigeants peuvent penser qu'ils ne sont pas prêts à déployer une technologie de pointe comme l'IA. En réalité, c'est l'inverse qui est vrai : l'IA aide à nettoyer, intégrer et rationaliser les données pour générer une valeur business considérable.

Les plus grandes opportunités d'exploiter l'IA pour les projets big data se trouvent dans quatre cas d'usage clés en gestion de la chaîne d'approvisionnement et opérations business.

Cas d'usage 1 : Transformer la prévision en intégrant les moteurs de demande et indicateurs avancés

Généralement, les entreprises basent leurs processus de prévision statistique sur les données historiques de ventes et d'expéditions. Dans le marché de plus en plus volatile d'aujourd'hui, cependant, les événements passés ne sont pas toujours les meilleurs prédicteurs des événements futurs. Le big data et les modèles basés sur l'IA créent le potentiel d'un environnement prêt pour l'avenir, dans lequel les entreprises peuvent passer d'une prévision pilotée principalement par des données d'expédition historiques à une prévision intégrant divers moteurs de la demande. Ces moteurs englobent des événements externes, notamment la tarification concurrentielle, les conditions de marché et les assortiments concurrentiels, ainsi que des moteurs internes liés aux promotions et à la tarification.

Les entreprises tentant d'intégrer des moteurs de demande dans la prévision statistique aujourd'hui, sans le bénéfice du machine learning et de l'IA, doivent consacrer un effort significatif à la normalisation des données basée sur les valeurs aberrantes. Par exemple, une baisse des ventes peut avoir été causée par une rupture de stock due à une contrainte de la chaîne d'approvisionnement. Mais comment l'algorithme de prévision saurait-il que cette baisse est due à un problème 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 l'historique avant de donner les données aux modèles statistiques.

Tout change lorsqu'une entreprise déploie une plateforme basée sur l'IA pour la prévision de la demande. Les algorithmes de machine learning (ML) construisent des modèles basés sur les patterns dans les données, sans s'appuyer sur des instructions explicites. Cela signifie que les entrées de données qui pilotent la prévision de la demande peuvent être nettoyées, corrélées et attribuées correctement aux résultats grâce au ML. En retour, des décisions prescriptives basées sur la demande sont générées sur la base des patterns observés dans le temps.

Cas d'usage 2 : Piloter la planification avec des systèmes apprenants plutôt que la connaissance tribale

Aujourd'hui, la modélisation de la connaissance reste largement tribale dans de nombreuses organisations. Une grande partie de la prise de décision pour la planification réside dans les têtes et le jugement de planificateurs individuels. Par exemple, si un planificateur reçoit une prévision de ventes indiquant que le budget de la chaîne d'approvisionnement devrait être dirigé vers l'expédition express, que feront les planificateurs ? Font-ils confiance à la fiabilité de la demande ? Sont-ils prêts à dépenser de l'argent réel pour répondre à cette demande, ou hésiteront-ils ? La décision d'expédier en express ou non est souvent la meilleure estimation du planificateur basée sur son historique personnel avec le responsable commercial ou le client.

Lorsque l'IA est appliquée dans ce scénario, la connaissance tribale devient une connaissance institutionnelle. Les données historiques sur prévisions versus 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'expédier en express ou d'engager des coûts supplémentaires pour répondre à la demande sera désormais basée sur une recommandation intelligente : Oui, automatiser cette requête car elle est extrêmement fiable. Ou, procéder avec prudence car ce client a été peu fiable par le passé, et une approbation de la direction est requise.

Dans cet environnement, les arbitrages décisionnels peuvent être faits avec plus de rapidité, de précision et de rentabilité. Le biais humain est éliminé, et la continuité dans la prise de décision est assurée, quel que soit le planificateur qui gère le système.

Cas d'usage 3 : Créer des modèles de planification et décisionnels intégrés en connectant des données déconnectées

Pratiquement chaque entreprise a des données déconnectées. C'est un défi omniprésent. Une étude de Vanson Bourne estime que les organisations américaines et britanniques perdent ensemble 140 milliards de dollars par an à cause de données déconnectées. Les silos de données existent pour diverses raisons touchant aux dynamiques techniques, structurelles et culturelles d'une entreprise.

L'un des problèmes classiques liés aux données d'entreprise déconnectées réside dans le fait que de nombreuses entreprises ont grandi par fusions et acquisitions. Les entreprises fusionnées peuvent devenir une seule entité aux yeux du monde, mais en coulisses, les divisions peuvent rester apparentes, souvent pendant des années. Il y a probablement plusieurs systèmes ERP et autres systèmes cloisonnés pour les ventes, la chaîne d'approvisionnement et la gestion des produits. Sous un même toit corporate, un même produit pourrait être connu sous plusieurs noms à travers plusieurs systèmes disparates.

Cela crée des défis significatifs pour construire une image consolidée alimentant la prise de décision requise pour la planification. Les approches correctives traditionnelles incluent l'implémentation d'un système ERP unique, ou la correction des données dans tous les systèmes sources. Ces projets sont coûteux et chronophages, laissant de nombreuses entreprises conclure : « Nous savons que c'est cassé, mais nous ne pouvons pas le réparer maintenant. »

Une entreprise immergée dans des données déconnectées a inévitablement des inquiétudes quant à l'abord 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 divers points de données sont en fait la même chose. Un modèle peut être construit qui corrèle tous ces produits pour que les sources n'aient pas besoin d'être changées. La visibilité des stocks, la planification et la prise de décision sont maintenant liées, car le système reconnaît que ces produits sont identiques.

Cas d'usage 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 la conduite de décisions automatisées et intelligentes plus rapidement. Mais un autre refrain courant des dirigeants d'entreprise est que beaucoup de données requises pour 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 circulant dans le centre de distribution et le réseau de magasins. Ce détaillant doit modéliser la capacité requise selon diverses dimensions, incluant la capacité de stockage et de main-d'œuvre pour gérer les marchandises en transit, dans les CD et dans les magasins. Pour déterminer les besoins en capacité, le détaillant doit comprendre ce que chaque SKU consomme sur les diverses ressources disponibles. Le temps qu'une personne met pour décharger un chargement de téléviseurs, qui est intensif en main-d'œuvre, varierait significativement du temps requis pour décharger un chargement d'ibuprofène, qui est relativement léger.

Les données requises pour piloter de bonnes décisions de planification précises devraient être basées sur le volume de produits spécifiques circulant dans les CD, et leurs besoins en capacité correspondants. Mais qui maintient toutes ces données ? Dans le passé, ces détails étaient difficiles à modéliser, car ils doivent être faits à des niveaux agrégés, et souvent personne ne capturait et ne maintenait ces données.

Maintenant, avec le big data et l'IA, les détaillants peuvent utiliser les données transactionnelles des capteurs IoT (Internet of Things) au moment où elles sont enregistrées pour déterminer les besoins en capacité. Alors que les travailleurs prennent un chargement de produits du camion, le déplacent dans un CD, et ainsi de suite, une quantité énorme de données transactionnelles est enregistrée. En utilisant l'IA, les détaillants peuvent générer automatiquement les données de référence requises pour la prise de décision. Sachant qu'ils ont un chargement de téléviseurs qui arrive, ils sont maintenant armés de connaissances spécifiques, auto-générées, sur la quantité de main-d'œuvre requise pour déplacer le produit. Ici, comme dans tous les cas d'usage décrits, l'IA permet aux entreprises de transformer leurs données en l'un de leurs actifs les plus précieux.

Chakri Gottemukkala est CEO de o9 Solutions.