Gerando resultados de negócios com projetos de Big Data e IA

Qual é o desenvolvimento mais importante que molda o futuro de como as empresas agregam valor aos negócios a partir de seus dados e recursos de análise?

De acordo com o MIT Sloan Management Review, é a convergência de big data com inteligência artificial. No entanto, muitas empresas, quando apresentadas com os benefícios de negócios resultantes, expressam a mesma hesitação:“Não temos os dados para isso. É disperso e desorganizado. Nossos dados não estão limpos. ”

É compreensível que as pessoas sintam essa apreensão. Dados dispersos, isolados e volumosos continuam sendo um desafio comum para empresas de todos os setores atualmente. Como resultado, os líderes de negócios podem pensar que não estão prontos para implantar tecnologia de ponta como a IA. Na realidade, porém, o oposto é verdadeiro:a IA ajuda a limpar, integrar e racionalizar os dados para gerar um enorme valor de negócios.

As maiores oportunidades de aproveitar a IA para projetos de big data podem ser vistas em quatro casos de uso-chave no gerenciamento da cadeia de suprimentos e operações de negócios.

Caso de uso 1:Transformando a previsão ao incorporar motivadores de demanda e indicadores antecedentes.

Normalmente, as empresas baseiam os processos de previsão estatística em dados históricos de vendas e remessas. No mercado cada vez mais volátil de hoje, no entanto, eventos passados ​​nem sempre são os melhores preditores de eventos futuros. Os modelos baseados em big data e IA criam o potencial para um ambiente pronto para o futuro, no qual as empresas podem passar da previsão impulsionada principalmente por dados históricos baseados em remessas para aquela que incorpora vários impulsionadores da demanda. Esses direcionadores abrangem eventos externos, incluindo preços competitivos, condições de mercado e sortimentos competitivos, bem como direcionadores internos relacionados a promoções e preços.

As empresas que tentam incorporar motivadores de demanda na previsão estatística hoje, sem o benefício do aprendizado de máquina e da IA, devem se esforçar significativamente para normalizar os dados com base em valores discrepantes. Por exemplo, uma queda nas vendas pode ter ocorrido devido a uma falta de estoque criada por uma restrição da cadeia de suprimentos. Mas como o algoritmo de previsão saberia que essa queda nas vendas ocorreu devido a um problema da cadeia de suprimentos e não a um problema de demanda no mercado? Em uma abordagem tradicional, um esforço humano teria que ser desdobrado para inserir o “porquê” e corrigir efetivamente o histórico antes que os dados sejam fornecidos aos modelos estatísticos.

Tudo isso muda quando uma empresa implanta uma plataforma baseada em IA para previsão de demanda. Algoritmos de aprendizado de máquina (ML) criam modelos com base em padrões de dados, sem depender de instruções explícitas. Isso significa que as entradas de dados que impulsionam a previsão de demanda podem ser limpas, correlacionadas e atribuídas de forma adequada aos resultados usando o ML. Por sua vez, as decisões prescritivas baseadas na demanda são geradas com base nos padrões vistos ao longo do tempo.

Caso de uso 2:impulsionando o planejamento com sistemas de aprendizagem em vez de conhecimento tribal.

Hoje, a modelagem do conhecimento permanece amplamente tribal em muitas organizações. Grande parte da tomada de decisão para o planejamento hoje reside nas cabeças e no julgamento dos planejadores individuais. Por exemplo, se um planejador recebeu uma previsão de vendas que indica que o orçamento da cadeia de suprimentos deve ser direcionado para a expedição, o que os planejadores farão? Eles acreditam que a demanda é confiável? Eles estão dispostos a gastar muito dinheiro para atender a essa demanda ou hesitarão? A decisão de agilizar ou não é muitas vezes a melhor suposição do planejador com base em um histórico pessoal com o executivo de vendas ou cliente.

Quando a IA é aplicada neste cenário, o conhecimento tribal torna-se conhecimento institucional. Os dados históricos sobre previsão versus vendas permitem que o sistema baseado em IA aprenda como é a demanda confiável e quem provavelmente será preciso (ou não) em suas previsões. A decisão de agilizar ou incorrer em custos adicionais para atender à demanda agora será baseada em uma recomendação inteligente:Sim, automatize esta solicitação porque é extremamente confiável. Ou prossiga com cuidado, porque esse cliente não era confiável no passado e a aprovação dessa decisão pela gerência é necessária.

Nesse ambiente, as compensações de decisão podem ser feitas com maior velocidade, precisão e economia. O preconceito humano é removido e a continuidade na tomada de decisões é garantida, independentemente de qual planejador está operando o sistema.

Caso de uso 3:criando modelos integrados de planejamento e tomada de decisão conectando dados desconectados.

Praticamente todas as empresas têm dados desconectados. É um desafio abrangente. Um estudo conduzido pela Vanson Bourne estimou que as organizações dos EUA e do Reino Unido estão perdendo um total de US $ 140 bilhões a cada ano devido a dados desconectados. Os silos de dados existem por vários motivos que abrangem a dinâmica técnica, estrutural e cultural de uma empresa.

Um dos problemas clássicos relacionados aos dados corporativos desconectados está enraizado no fato de que muitas empresas cresceram por meio de fusões e aquisições. As empresas fundidas podem se tornar uma entidade para o mundo, mas, nos bastidores, as divisões podem permanecer aparentes, muitas vezes por anos. Provavelmente, existem vários sistemas de planejamento de recursos empresariais (ERP) e outros sistemas isolados para vendas, cadeia de suprimentos e gerenciamento de produtos. Sob o mesmo teto corporativo, um único produto pode ser conhecido por vários nomes em vários sistemas distintos.

Isso cria desafios significativos na construção de uma imagem consolidada para alimentar a tomada de decisão necessária para fins de planejamento. As abordagens corretivas tradicionais incluem a implementação de um único sistema ERP ou a correção dos dados em todos os sistemas de origem. Esses projetos são caros e demorados, fazendo com que muitas empresas concluam:“Sabemos que está quebrado, mas não podemos consertar agora”.

Uma empresa imersa em dados desconectados inevitavelmente tem preocupações sobre como lidar com o planejamento integrado e as iniciativas de tomada de decisão. Mas com IA e processamento de linguagem natural, os sistemas podem determinar que vários pontos de dados são, de fato, a mesma coisa. Um modelo pode ser construído para correlacionar todos esses produtos para que as fontes não precisem ser alteradas. A visibilidade do estoque, o planejamento e a tomada de decisões agora estão vinculados, porque o sistema reconhece que esses produtos são idênticos.

Caso de uso 4:resolvendo os desafios dos dados mestres em sistemas de planejamento.

O poder da IA ​​na criação de sistemas de planejamento está em conduzir a tomada de decisões automatizada e inteligente com mais rapidez. Mas outro refrão comum dos líderes corporativos é que muitos dos dados necessários para tomar essas decisões de planejamento são dados mestres que não residem em nenhum sistema de registro.

Por exemplo, um grande varejista lida com centenas de milhares de SKUs que fluem pelo centro de distribuição e rede de lojas. Esse varejista precisa modelar quanta capacidade é necessária em várias dimensões, incluindo capacidade de armazenamento e mão de obra para manusear mercadorias em trânsito, nos CDs e nas lojas. Para determinar os requisitos de capacidade, o varejista deve entender o que cada SKU está consumindo nos vários recursos disponíveis. O tempo que uma pessoa leva para descarregar um carregamento de televisores, que é trabalhoso, pode variar significativamente em relação ao tempo necessário para descarregar um carregamento de ibuprofeno, que é relativamente leve.

Os dados necessários para conduzir decisões de planejamento boas e precisas devem ser baseados no volume de produtos específicos que estão fluindo pelos CDs e seus requisitos de capacidade correspondentes. Mas quem mantém todos os dados? No passado, esses detalhes eram difíceis de modelar, porque eles precisam ser feitos em níveis agregados e, frequentemente, ninguém estava capturando e mantendo esses dados.

Agora, com big data e IA, os varejistas podem usar dados de sensor transacional da Internet das coisas (IoT) à medida que são registrados para determinar os requisitos de capacidade. Conforme os trabalhadores pegam uma remessa de produtos do caminhão, movem-na para um CD e assim por diante, uma quantidade enorme de dados transacionais está sendo registrada. Usando a IA, os varejistas podem gerar automaticamente os dados mestres necessários para a tomada de decisões. Sabendo que têm uma remessa de televisores chegando, eles agora estão armados com conhecimento específico e autogerado de quanto trabalho é necessário para mover o produto. Aqui, e em todos os casos de uso descritos, a IA permite que as empresas transformem seus dados em um de seus ativos mais valiosos.

Chakri Gottemukkala é CEO da o9 Solutions.