Comment l'IA résout les défis des données « sales » dans les chaînes d'approvisionnement

La réduction du risque opérationnel est le maître-mot en matière de chaîne d'approvisionnement. Pour atteindre une approche à la fois fiable et allégée, les chaînes d'approvisionnement doivent être simultanément agiles et résilientes. Mais ces 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 toilette a explosé au début de la pandémie mondiale de COVID-19 au printemps dernier. Les dirigeants ne pouvaient pas attendre des mois pour un nettoyage de données approprié face 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 une demande changeante.

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

Connaître l'entreprise dans son ensemble

Prenez du recul et regardez l'ensemble de l'opération commerciale. Bien qu'il puisse y avoir une vision globalement précise des fournitures de l'installation actuelle, quel est l'état de la visibilité sur les autres installations connectées ? Aussi, que sait-on des stocks des autres fournisseurs et de la rapidité avec laquelle ils peuvent répondre aux besoins de production ?

Peut-être que le service IT dispose d'un outil qui peut donner un aperçu des usines sœurs dans d'autres lieux, mais il y a peu de moyens de savoir ce que vos fournisseurs ont en même temps. La seule solution de contournement est d'augmenter les matières en stock pour être prêt, même si ce ne sont pas exactement celles dont on a besoin maintenant. Mais cette approche conduit souvent à avoir trop d'un type de stock 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 de données.

Laisser les algorithmes dicter

Les organisations du monde entier ont été menottées par les nettoyages de données basés sur des projets. Ils sont coûteux, chronophages et nuisent au ROI à long terme. Ce n'est pas une stratégie durable, et le processus doit généralement être répété tous les quelques années.

Même avant la pandémie, le nettoyage de données ralentissait le processus de la chaîne d'approvisionnement, dégradant les opérations commerciales. Dépenser 500 000 dollars pour un nettoyage de données, qui devrait prendre jusqu'à un an, apporte peu d'avantages à l'organisation. Même avec la meilleure technologie, les mêmes mauvais processus se répètent.

Entrez l'IA et l'apprentissage automatique. L'expérimentation rentable, rapide et facile est la clé des processus métier innovants. Dans ce cas, cela signifie remplacer l'ancien nettoyage de 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 de l'intelligence immédiatement, sans utiliser le processus de nettoyage de données. Le processus d'IA sort les données du silo, permettant à l'organisation de passer de relations un-à-un à une vue d'ensemble de l'ensemble du réseau de la chaîne d'approvisionnement. Les algorithmes générés par l'apprentissage automatique offrent un nouveau niveau de visibilité et ouvrent la porte aux autres acteurs 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 capacité de faire plusieurs tâches avec les données en même temps. Par exemple, si un gestionnaire dit qu'il est temps de réduire les stocks, vous pourriez normalement hésiter à le faire à cause du risque de ne pas avoir les stocks quand nécessaire. Mais dans ce nouveau modèle, ce n'est plus un problème, car vous pouvez mieux optimiser le fonds de roulement immobilisé dans les stocks — pas seulement dans votre installation, mais à travers les organisations de votre réseau. Cela réduit le risque, car vous avez maintenant l'intelligence et la confiance que vous avez 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 longs temps d'arrêt.

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

Paul Noble est fondateur et PDG de Verusen.