Como a IA lida com o problema de dados ‘sujos’

A redução do risco operacional é o nome do jogo quando se trata da cadeia de suprimentos. Para alcançar uma abordagem confiável, porém enxuta, as cadeias de suprimentos devem ser simultaneamente ágeis e resilientes. Mas ambas as qualidades historicamente dependeram de dados “limpos”. E muitas organizações não estavam preparadas quando a necessidade de equipamento de proteção individual (EPI) e papel higiênico disparou no início da pandemia global de COVID-19 na primavera passada. Os líderes de negócios não podiam esperar meses por uma limpeza adequada de dados para atender ao volume de solicitações de fornecimento imediato. Os dados deveriam estar disponíveis e acionáveis. A eficiência da cadeia de abastecimento tornou-se imperativa à medida que os fabricantes lutavam para atender à demanda em constante mudança.

Em situações tradicionais, uma limpeza de dados teria sido necessária, mas fazer isso manualmente é demorado. Mesmo antes do COVID-19, o processo prejudicava a eficiência da cadeia de suprimentos, mas, uma vez que a pandemia estava em pleno andamento, a lentidão não era mais uma opção. A limpeza de dados tradicional perdeu sua utilidade e chegou a hora de seguir em frente. É hora de permitir que a inteligência artificial e o aprendizado de máquina eliminem o ruído produzido pelo Big Data.

Conhecendo todo o negócio

Dê um passo para trás e observe a operação de negócios como um todo. Embora possa haver uma visão mais precisa dos suprimentos da instalação atual, qual é o estado de visibilidade de outras instalações conectadas? Além disso, o que se sabe sobre os estoques de outros fornecedores e com que rapidez eles podem atender às necessidades de produção?

Talvez o I.T. departamento tem uma ferramenta que pode fornecer alguns insights para fábricas irmãs em outros locais, mas há pouca maneira de saber o que seus fornecedores têm ao mesmo tempo. A única maneira de contornar isso é aumentar os materiais disponíveis para ficarem prontos, mesmo que eles não sejam exatamente o que é necessário agora. Mas essa abordagem geralmente leva a ter muito de um tipo de estoque e não o suficiente de outro. Não há informações em tempo real suficientes para fazer ajustes de sourcing significativos para atender às necessidades de produção.

O fallback de longa data para reunir todas essas informações é a limpeza de dados.

Deixe os algoritmos ditarem

Organizações em todos os lugares foram algemadas por limpezas de dados baseadas em projetos. Eles são caros, demorados e prejudicam o ROI de longo prazo. Não é uma estratégia sustentável e o processo normalmente deve ser repetido a cada poucos anos.

Mesmo antes da pandemia, a limpeza de dados desacelerou o processo da cadeia de suprimentos, degradando as operações de negócios. Gastar meio milhão de dólares em uma limpeza de dados, que deve levar até um ano, traz poucos benefícios para a organização. Mesmo com a melhor tecnologia, os mesmos processos ruins se repetem.

Entre na IA e no aprendizado de máquina. A experimentação econômica, rápida e fácil é a chave para processos de negócios inovadores. Nesse caso, significa substituir a limpeza de dados antigos por algoritmos de aprendizado de máquina, reduzindo assim o processo de um ano para apenas algumas semanas.

A IA é implementada com os dados existentes para tomar melhores decisões e criar inteligência imediatamente, sem o uso do processo de limpeza de dados. O processo de IA retira os dados do silo, para que a organização possa passar de relacionamentos individuais para uma visão geral de toda a rede da cadeia de suprimentos. Os algoritmos gerados com o aprendizado de máquina oferecem um novo nível de visibilidade e abrem as portas para que outras pessoas na rede da cadeia de suprimentos compartilhem dados valiosos.

Usar IA e aprendizado de máquina abre várias novas oportunidades para um melhor uso de dados. Um é a capacidade de realizar várias tarefas com os dados ao mesmo tempo. Por exemplo, se um gerente diz que é hora de reduzir o estoque, você normalmente pode hesitar em fazê-lo devido ao 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 vinculado ao estoque - não apenas em suas instalações, mas em todas as organizações dentro de sua rede. Isso reduz o risco, porque agora você tem a inteligência e a confiança de que tem o que precisa, quando e onde precisa.

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

Não se deve mais permitir que dados sujos e redundantes atrapalhem as operações da cadeia de suprimentos. Algoritmos gerados com aprendizado de máquina permitirão que você tome melhores decisões com seus dados, para manter a cadeia de abastecimento funcionando em todos os níveis.

Paul Noble é fundador e CEO da Verusen,