Como a IA Resolve Desafios de Dados 'Sujos' nas Cadeias de Suprimentos

Redução de risco operacional é o nome do jogo quando se trata de cadeia de suprimentos. Para alcançar uma abordagem confiável e enxuta, cadeias de suprimentos devem ser simultaneamente ágeis e resilientes. Mas ambas as qualidades historicamente dependiam de dados "limpos". E muitas organizações não estavam preparadas quando a necessidade de equipamentos de proteção individual (EPI) e papel higiênico disparou no início da pandemia global de COVID-19 na primavera passada. Líderes de negócios não podiam esperar meses por uma limpeza de dados adequada para atender ao volume de pedidos de suprimento imediato. Os dados tinham que estar tanto disponíveis quanto acionáveis. A eficiência da cadeia de suprimentos tornou-se imperativa enquanto fabricantes lutavam para atender demanda mutável.

Em situações tradicionais, uma limpeza de dados seria solicitada, mas fazer isso manualmente consome tempo. Mesmo antes da COVID-19, o processo prejudicava a eficiência da cadeia de suprimentos, mas uma vez que a pandemia estava em pleno andamento, lento não era mais uma opção. Limpeza de dados tradicional sobreviveu à sua utilidade, e a hora chegou de seguir em frente. É hora de deixar inteligência artificial e aprendizado de máquina cortar o ruído produzido por Big Data.

Conhecendo o Negócio Inteiro

Dê um passo para trás e olhe a totalidade da operação do negócio. Embora possa haver uma visão mostly precisa dos suprimentos da instalação atual, qual é o estado de visibilidade em outras instalações conectadas? Também, o que se sabe sobre inventários de outros fornecedores, e quão rápido eles podem atender necessidades de produção?

Talvez o departamento de TI tenha uma ferramenta que possa fornecer algum insight para plantas irmãs em outras localizações, mas há pouca maneira de saber o que seus fornecedores têm ao mesmo tempo. A única maneira de contornar isso é aumentar materiais em mãos para estar pronto, mesmo que não sejam exatamente o que é necessário agora. Mas esta abordagem frequentemente leva a ter demais de um tipo de estoque e não o suficiente de outro. Não há informação em tempo real suficiente para fazer ajustes significativos de sourcing para atender necessidades de produção.

O recurso de longa data para reunir toda essa informação é a limpeza de dados.

Deixe os Algoritmos Ditarem

Organizações em todo lugar foram algemadas por limpezas de dados baseadas em projetos. Elas são caras, demoradas, e prejudicam ROI de longo prazo. Não é uma estratégia sustentável, e o processo tipicamente tem que ser repetido a cada poucos anos.

Mesmo antes da pandemia, limpeza de dados retardava o processo da cadeia de suprimentos, degradando operações de negócios. Gastar meio milhão de dólares em uma limpeza de dados, que espera-se levar até um ano, traz pouco benefício à organização. Mesmo com a melhor tecnologia, os mesmos processos ruins são repetidos.

Entre IA e aprendizado de máquina. Experimentação custo-efetiva, rápida e fácil é a chave para processos de negócios inovadores. Neste caso, significa substituir a velha limpeza de dados por algoritmos de aprendizado de máquina, reduzindo assim o processo de um ano para apenas semanas.

IA é implementada com dados existentes para tomar melhores decisões e criar inteligência imediatamente, sem o uso do processo de limpeza de dados. O processo de IA tira dados do silo, para que a organização possa mover de relacionamentos um-para-um para uma visão de panorama geral de toda a rede de cadeia de suprimentos. Os algoritmos gerados com aprendizado de máquina oferecem um novo nível de visibilidade, e abrem portas para outros dentro da rede de cadeia de suprimentos compartilharem dados valiosos.

Usar IA e aprendizado de máquina abre várias novas oportunidades para melhor uso de dados. Uma é a capacidade de fazer múltiplas tarefas com os dados ao mesmo tempo. Por exemplo, se um gerente diz que é hora de reduzir estoque, você normalmente hesitaria em fazer isso por causa do risco de não ter o estoque quando necessário. Mas neste novo modelo, isso não é mais um problema, porque você pode otimizar melhor o capital de giro preso em estoque — não apenas em sua instalação, mas através de organizações dentro de sua rede. Isso reduz risco, porque você agora tem a inteligência e confiança de que tem o que precisa, quando e onde precisa.

Este paradigma permite uma transição mais suave para processos da Indústria 4.0. Se há um problema de sensor em uma peça de maquinário, o fornecedor é alertado e fornece a peça. O uso em tempo real de dados elimina longos períodos de inatividade.

Dados sujos e redundantes não devem mais ser permitidos a retardar operações de cadeia de suprimentos. Algoritmos gerados com aprendizado de máquina deixarão você tomar melhores decisões com seus dados, para manter a cadeia de suprimentos funcionando em todos os níveis.

Paul Noble é fundador e Diretor Executivo da Verusen.