Maximizando Valor de Negócios Através da Integração de Big Data e IA

Qual é o único desenvolvimento mais importante moldando o futuro de como empresas geram valor de negócios de suas capacidades de dados e analytics?

Segundo MIT Sloan Management Review, é a convergência de big data com inteligência artificial. No entanto, muitas empresas, quando apresentadas com os benefícios de negócio resultantes, expressam a mesma hesitação: "Não temos os dados para isso. Estão espalhados e desorganizados. Nossos dados não estão limpos."

A Realidade: IA Ajuda a Limpar e Integrar Dados

É compreensível que pessoas sintam essa apreensão. Dados dispersos, em silos e volumosos permanecem um desafio comum para empresas em todas as indústrias hoje. Como resultado, líderes de negócio podem pensar que não estão prontos para implantar tecnologia de ponta como IA. Na realidade, porém, o oposto é verdadeiro: IA ajuda a limpar, integrar e racionalizar dados para gerar tremendo valor de negócio.

Quatro Casos de Uso Chave

As maiores oportunidades para alavancar IA para projetos de big data podem ser vistas em quatro casos de uso chave em gestão da cadeia de suprimentos e operações de negócio.

Caso de Uso 1: Transformando Previsão Incorporando Drivers de Demanda e Indicadores Antecedentes

Tipicamente, empresas baseiam processos de previsão estatística em dados históricos de vendas e embarques. No mercado cada vez mais volátil de hoje, no entanto, eventos passados nem sempre são os melhores preditores de eventos futuros. Big data e modelos baseados em IA criam potencial para um ambiente preparado para o futuro, no qual empresas podem mover de previsão impulsionada primariamente por dados históricos de embarques para aquela que incorpora vários drivers de demanda. Tais drivers abrangem eventos externos, incluindo precificação competitiva, condições de mercado, e sortimentos competitivos, bem como drivers internos relacionados a promoções e precificação.

Empresas tentando incorporar drivers de demanda em previsão estatística hoje sem o benefício de machine learning e IA devem gastar esforço significativo normalizando dados baseados em outliers. Por exemplo, uma queda nas vendas pode ter ocorrido devido a um stockout criado por uma restrição da cadeia de suprimentos. Mas como o algoritmo de previsão saberia que esta queda de vendas ocorreu devido a um problema de cadeia de suprimentos e não um problema de demanda no mercado? Em uma abordagem tradicional, um esforço humano teria que ser implantado para inserir o "porquê", e efetivamente corrigir o histórico antes que os dados sejam dados a modelos estatísticos.

Tudo isso muda quando uma empresa implanta uma plataforma baseada em IA para previsão de demanda. Algoritmos de machine learning (ML) constroem modelos baseados em padrões nos dados, sem depender de instruções explícitas. Isso significa que entradas de dados que impulsionam previsão de demanda podem ser limpas, correlacionadas, e dadas atribuição adequada a resultados usando ML. Em troca, decisões prescritivas baseadas em demanda são geradas baseadas nos padrões vistos ao longo do tempo.

Caso de Uso 2: Impulsionando Planejamento com Sistemas de Aprendizado em Vez de Conhecimento Tribal

Hoje, a modelagem de conhecimento permanece amplamente tribal em muitas organizações. Grande parte da tomada de decisão para planejamento hoje reside nas cabeças e julgamento de planejadores individuais. Por exemplo, se um planejador recebeu uma previsão de vendas indicando que o orçamento da cadeia de suprimentos deve ser direcionado para expedição, o que planejadores farão? Confiam que a demanda é confiável? Estão dispostos a gastar dólares reais para atender essa demanda, ou hesitarão? A decisão de expedir ou não é frequentemente a melhor estimativa do planejador baseada em histórico pessoal com o executivo de vendas ou cliente.

Quando IA é aplicada neste cenário, conhecimento tribal torna-se conhecimento institucional. Dados históricos de previsão versus vendas permitem que o sistema baseado em IA aprenda como demanda confiável se parece, e quem é provável de ser preciso (ou não) em suas previsões. Uma decisão de expedir ou incorrer custos adicionais para atender demanda agora será baseada em recomendação inteligente: Sim, automatize esta solicitação porque é extremamente confiável. Ou, proceda com cautela porque este cliente foi não confiável no passado, e aprovação da gestão desta decisão é necessária.

Neste ambiente, tradeoffs de decisão podem ser feitos com maior velocidade, precisão e custo-efetividade. Viés humano é removido, e continuidade na tomada de decisão 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

Virtualmente toda empresa tem dados desconectados. É um desafio pervasivo. Um estudo conduzido pela Vanson Bourne estimou que organizações dos EUA e UK estão perdendo um total agregado de $140 bilhões por ano devido a dados desconectados. Silos de dados existem por uma variedade de razões que abrangem dinâmicas técnicas, estruturais e culturais de uma empresa.

Um dos problemas clássicos relacionados a dados empresariais desconectados está enraizado no fato de que muitas empresas cresceram através de fusões e aquisições. As empresas fundidas podem se tornar uma entidade para o mundo, mas nos bastidores, divisões podem permanecer prontamente aparentes, frequentemente por anos. Provavelmente existem múltiplos sistemas de planejamento de recursos empresariais (ERP) e outros sistemas isolados para vendas, cadeia de suprimentos e gestão de produto. Sob um mesmo teto corporativo, um produto singular pode ser conhecido por múltiplos nomes através de vários sistemas díspares.

Isso cria desafios significativos na construção de um quadro consolidado para alimentar a tomada de decisão requerida para propósitos de planejamento. Abordagens corretivas tradicionais incluem implementar um único sistema ERP, ou corrigir os dados em todos os sistemas de origem. Esses projetos são caros e demorados, deixando muitas empresas a concluir: "Sabemos que está quebrado, mas não podemos consertar agora."

Uma empresa imersa em dados desconectados inevitavelmente tem preocupações sobre enfrentar iniciativas integradas de planejamento e tomada de decisão. Mas com IA e processamento de linguagem natural, sistemas podem determinar que pontos de dados variados são, de fato, a mesma coisa. Um modelo pode ser construído que correlaciona todos aqueles produtos para que as fontes não precisem ser mudadas. Visibilidade de inventário, planejamento e tomada de decisão agora estão ligados, porque o sistema reconhece que aqueles produtos são idênticos.

Caso de Uso 4: Resolvendo Desafios de Dados Mestres em Sistemas de Planejamento

O poder da IA em criar sistemas de planejamento reside em impulsionar tomada de decisão automatizada e inteligente mais rapidamente. Mas outro refrão comum de líderes corporativos é que grande parte dos dados requeridos para tomar aquelas 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 fluindo através do centro de distribuição e rede de lojas. Esse varejista precisa modelar quanta capacidade é requerida através de várias dimensões, incluindo capacidade de armazenamento e mão de obra para lidar com mercadorias em trânsito, nos CDs, e nas lojas. Para determinar 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 embarque de televisores, que é intensivo em mão de obra, variaria significativamente do tempo requerido para descarregar um embarque de ibuprofeno, que é relativamente leve.

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

Agora, com big data e IA, varejistas podem usar dados de internet das coisas (IoT) transacionais de sensores conforme estão sendo logados para determinar requisitos de capacidade. À medida que trabalhadores pegam um embarque de produtos do caminhão, movem para um CD, e assim por diante, uma quantidade tremenda de dados transacionais está sendo gravada. Usando IA, varejistas podem gerar automaticamente os dados mestres requeridos para tomada de decisão. Sabendo que têm um embarque de televisores chegando, agora estão armados com conhecimento específico, auto-gerado, de quanta mão de obra é requerida para mover o produto. Aqui, e em todos os casos de uso delineados, IA permite que empresas transformem seus dados em um de seus ativos mais valiosos.

Chakri Gottemukkala é CEO da o9 Solutions.