Comment l'IA résout le problème des données "sales"

La réduction du risque opérationnel est la règle du jeu lorsqu'il s'agit de la chaîne d'approvisionnement. Pour parvenir à une approche fiable mais allégée, les chaînes d'approvisionnement doivent être à la fois agiles et résilientes. Mais les deux qualités ont historiquement dépendu de données «propres». Et de nombreuses organisations n'étaient pas préparées lorsque le besoin d'équipements de protection individuelle (EPI) et de papier hygiénique a explosé au début de la pandémie mondiale de COVID-19 au printemps dernier. Les chefs d'entreprise ne pouvaient pas attendre des mois pour un nettoyage des données approprié pour répondre au volume de demandes d'approvisionnement immédiat. Les données devaient être à la fois disponibles et exploitables. L'efficacité de la chaîne d'approvisionnement est devenue impérative alors que les fabricants luttaient pour répondre à l'évolution de la demande.

Dans les situations traditionnelles, un nettoyage des données aurait été nécessaire, mais le faire manuellement prend du temps. Même avant COVID-19, le processus entravait l'efficacité de la chaîne d'approvisionnement, mais une fois que la pandémie battait son plein, la lenteur n'était plus une option. Le nettoyage traditionnel des données a dépassé son utilité et le moment est venu de passer à autre chose. Il est temps de laisser l'intelligence artificielle et l'apprentissage automatique réduire le bruit produit par le Big Data.

Connaître l'ensemble de l'entreprise

Prenez du recul et regardez l'ensemble de l'opération commerciale. Bien qu'il puisse y avoir une vue plus précise des approvisionnements de l'installation actuelle, quel est l'état de la visibilité sur les autres installations connectées ? De plus, que sait-on des stocks des autres fournisseurs et à quelle vitesse ils peuvent répondre aux besoins de production ?

Peut-être que l'I.T. département dispose d'un outil qui peut donner un aperçu des usines sœurs dans d'autres endroits, mais il y a peu de moyen de savoir ce que vos fournisseurs ont en même temps. Le seul moyen de contourner ce problème est de rassembler les matériaux disponibles pour être prêts, même s'ils ne correspondent pas exactement à ce dont vous avez besoin maintenant. Mais cette approche conduit souvent à avoir trop d'un type d'inventaire et pas assez d'un autre. Il n'y a pas assez d'informations en temps réel pour faire des ajustements d'approvisionnement significatifs pour répondre aux besoins de production.

La solution de repli de longue date pour rassembler toutes ces informations est le nettoyage des données.

Laissez les algorithmes dicter

Partout dans le monde, les organisations ont été menottées par des nettoyages de données basés sur des projets. Ils sont coûteux, prennent du temps et nuisent au retour sur investissement à long terme. Ce n'est pas une stratégie durable, et le processus doit généralement être répété toutes les quelques années.

Même avant la pandémie, le nettoyage des données ralentissait le processus de la chaîne d'approvisionnement, dégradant les opérations commerciales. Dépenser un demi-million de dollars pour un nettoyage des données, qui devrait prendre jusqu'à un an, n'apporte que peu d'avantages à l'organisation. Même avec la meilleure technologie, les mêmes mauvais processus se répètent.

Entrez dans l'IA et l'apprentissage automatique. Une expérimentation rentable, rapide et facile est la clé des processus commerciaux innovants. Dans ce cas, cela signifie remplacer l'ancien nettoyage des données par des algorithmes d'apprentissage automatique, réduisant ainsi le processus d'un an à quelques semaines seulement.

L'IA est mise en œuvre avec les données existantes pour prendre de meilleures décisions et créer des informations immédiatement, sans utiliser le processus de nettoyage des données. Le processus d'IA retire les données du silo, de sorte que l'organisation peut passer de relations individuelles à une vue d'ensemble de l'ensemble du réseau de la chaîne d'approvisionnement. Les algorithmes générés avec l'apprentissage automatique offrent un nouveau niveau de visibilité et ouvrent la porte à d'autres au sein du réseau de la chaîne d'approvisionnement pour partager des données précieuses.

L'utilisation de l'IA et de l'apprentissage automatique ouvre plusieurs nouvelles opportunités pour une meilleure utilisation des données. L'une est la possibilité d'effectuer plusieurs tâches avec les données en même temps. Par exemple, si un responsable dit qu'il est temps de réduire l'inventaire, vous pourriez normalement hésiter à le faire en raison du risque de ne pas avoir l'inventaire en cas de besoin. Mais dans ce nouveau modèle, ce n'est plus un problème, car vous pouvez mieux optimiser le fonds de roulement immobilisé dans les stocks, non seulement dans votre établissement, mais dans toutes les organisations de votre réseau. Cela réduit les risques, car vous avez maintenant l'intelligence et la confiance d'avoir ce dont vous avez besoin, quand et où vous en avez besoin.

Ce paradigme permet une transition plus fluide vers les processus de l'Industrie 4.0. S'il y a un problème de capteur sur une machine, le fournisseur est alerté et fournit la pièce. L'utilisation en temps réel des données élimine les longues périodes d'arrêt.

Les données sales et redondantes ne devraient plus être autorisées à ralentir les opérations de la chaîne d'approvisionnement. Les algorithmes générés avec l'apprentissage automatique vous permettront de prendre de meilleures décisions avec vos données, afin que la chaîne d'approvisionnement continue de fonctionner à tous les niveaux.

Paul Noble est fondateur et PDG de Verusen,