Enligt ledande supply chain analytiker Louis Columbus, är den största utmaningen för den högteknologiska industrin i 2019 kommer att vara att säkra sina försörjningskedjor. Utmaningen är att, som försörjningskedjor blir mer komplexa, tillverkare kanske inte kan besvara frågan med förtroende som deras leverantörer verkligen är. På den gamla goda tiden, supply chain frågor centrerad kring produkternas kvalitet och kostnad, med högteknologiska produkter idag, den nationella säkerheten kan äventyras. Som nya bevis, Columbus citerar en nyligen publicerad undersökning av Bloomberg Businessweek på hur Kinesiska underleverantörer smet falska spionprogram marker på moderkort för servrar som påstås ha levererats till hög profil kunder som Apple och Amazon – incidenter som företagen har inte offentligt har erkänt.
PricewaterhouseCoopers (PwC) har lanserat Vet Din Leverantör, en plattform som tjänst för tillverkarna att minska osäkerheten kring säljaren risk och tillförlitlighet. För komplexa globala leveranskedjan, det är en uppgift som är mycket svårare än det låter. Du kan identifiera din primära leverantörer, men när de körs av kapacitet, mest nedströms tillverkare får inte veta vem som faktiskt levererat en viss delkomponent uppströms. Att bristen på synlighet får den falska spionprogram chip för att få shoehorned till färdiga produkter innan de goda förverkligas.
PwC-service selar maskininlärning för att hjälpa tillverkare att öppna fönstret på deras försörjningskedjor för att förstå och minska risken för exponering och potentiella compliance-frågor i sina leverantörskedjor. Specifikt, det hjälper dig att identifiera de leverantörer i leveranskedjan, vilket kan vara en utmaning när din primära leverantörer har att lägga ut arbetet (vilket är hur de oseriösa marker dök upp i Bloomberg-tal fall). Och baserat på data från en mängd olika källor, service hjälper tillverkare kvantifiering av den risk som är förknippad med att göra affärer med dessa leverantörer och den resulterande påverkan på compliance-mandat.
Uppgiften är verkligen komplex, men vad som skiljer dess metod är att den använder sig av big data och sedan tåg modeller för att hjälpa till att leverera slutsatser. Enligt en rektor med projektet, som idag är mycket komplexa, ofta föränderliga globala försörjningskedjor göra sådana uppgifter för stor för människor enbart för att få sina armar runt. Nyckeln för att automatisera denna lösning kräver en bekant kombination av data vetenskap, data teknik och expertis.
Det har byggt sin tjänst på Koverse Intelligenta Lösningar Plattform. Seattle-baserade företaget, som grundades av NSA veteraner, ger en data integration, indexering och sökning plattform byggd på toppen av Hadoop, som använder Apache Accumulo istället för HBase. Accumulo är en swap-i key-value store ersättning kör i Hadoop som stöder säkerhet ner till “cell” (kolumn och rad) nivå. Det utvecklades ursprungligen för NSA, för vid den tiden, Apache Hadoop saknade tillräcklig säkerhet, och eftersom NSA: s krav på datasäkerhet var betydligt strängare än de flesta företag i den privata sektorn behövs. Den Koverse plattform skiljer sig från den traditionella datalager i att det etiketter och index data på beräkna. Det är viktiga på grund av den mångfald av uppgifter källor som man får i sig, allt från kända källor såsom interna finansiella system till e-post, kund eller leverantör portaler, leverantör eller kund portal data, sociala medier chatter, tillsammans med källor från den “mörka webben.”
Till exempel, en tillverkning som kund för att försöka identifiera instans av produkten förfalskning kunde skanna kundportaler, sociala medier och andra källor, med hjälp av naturligt språk för att identifiera varje instans av klagomål. Till exempel, de kan ta emot klagomål från återförsäljare att identifiera instanser av andra butiker som säljer samma produkt för 90% mindre.
Att komma till denna punkt kräver en kombination av övervakad och oövervakad inlärning i en walk-innan-du-kör-strategi. Börjar med en känd uppsättning data, som ett internt ekonomiskt system där tvivelaktiga transaktioner är redan flaggats uppgift är att bedriva tillsyn lära sig att börja bygga modellen, för att sedan successivt utöka det med att lägga till nya utbildning datamängder. När den första modellen hits 90-percentilen noggrannhet priser, modellen kan då vara lös i oövervakat läge för nya eller mindre kända datamängder och nya scenarier.
Samtidigt som de får en modell till höger låter komplicerat, det förvånande är att “matte är lätt” i förhållande till den uppgift käbbel data. Det är i linje med våra fynd av data forskare spenderar uppemot 80 – 90% av sin tid på rengöring och harmonisera data – en uppgift som bara i bästa fall kunde minskas till kanske hälften av sin last.
Med tjänsten körs nu för drygt ett år, det är nu konkreta resultat att rapportera. För en stor konsument produkter tillverkare, de kunde bokstavligen kartlägga kunder i försörjningskedjan, vilket i ett antal fall som identifierats obskyra leverantörer med 4: e eller 5: e part som underentreprenader förhållanden som CPG företag som tidigare inte var medveten om. Och med hjälp av modeller, den tjänst som identifieras förtroende nivåer när det gäller den nivå av risk, och i vissa fall, identifierade alternativa försörjningsstrategier, som minskad risk och regelefterlevnad frågor.
Även om du inte kan (och bör inte) ta människor helt ur ekvationen, dechiffrera globala försörjningskedjor har vuxit tillräckligt komplex att det krävs en maskin för att hjälpa till att räkna ut saker.
Relaterade Ämnen:
Artificiell Intelligens
Digital Omvandling
Robotteknik
Sakernas Internet
Innovation
Affärssystem