Joe McKendrick är författare och oberoende analytiker.
Fullständig biografi Publicerad i Service Oriented den 13 januari 2022 | Ämne: Företagsprogramvara
I en tid när försörjningskedjorna har kvävts har investeringsdollar strömmat till intelligenta, AI- eller analysdrivna lösningar. Till exempel, i de senaste nyheterna, rapporterar The Wall Street Journals Marc Vartabedian att Project44, som utvecklar programvara för analys av leveranskedjor för frakt- och logistikföretag, samlade in 420 miljoner dollar i en nyligen genomförd finansieringsrunda, vilket förde företagets värde till 2,2 miljarder dollar. “Riskinvesterare åtog sig rekordstora 24 miljarder dollar till leverantörskedjans teknikföretag baserade i Nordamerika och Europa under det tredje kvartalet förra året, en ökning med nästan 60% från hela 2020, enligt analysföretaget PitchBook Data Inc.”
Foto: Joe McKendrick
Det finns mycket som analytiker och AI-baserade applikationer kan göra för att rensa upp försörjningskedjor, som har skakat av pandemier och efterverkningar, aldrig bry sig om vanliga sjöfartsutmaningar. En nyligen studie av 788 företagsledare av Unsupervised har upptäckt att tillvägagångssätt för affärsintelligens har visat sig vara avgörande för att hjälpa många organisationer att ta itu med problem i leveranskedjan, men 40 % är fortfarande inte med ombord ännu. De övriga 60 % rapporteras använda affärsintelligens – vilket undersökningens författare definierar som metoden att kombinera datautvinning och visualisering, analys och datainfrastruktur – för att navigera i aktuella problem i leveranskedjan, och 29 % implementerade business intelligence i deras verksamhet specifikt för effektivitet i försörjningskedjan.
“I sammanhanget av de utmaningar som försörjningskedjorna står inför blir det tydligt att de gamla arbetssätten inte kommer att räcka till och att även en klassens bästa prestation idag sannolikt inte kommer att vara tillräckligt bra i framtiden”, enligt IDC-analytikern Simon Ellis. (Hans rapport finns tillgänglig här via IBM.) Rörelsen. Ellis skriver, är mot att “tänka” försörjningskedjor, “en som är intimt kopplad till olika interna och externa datakällor som socialt sentiment och IoT, möjliggjort med omfattande och snabb AI-driven analys, öppet samarbetande genom molnbaserade handelsnätverk, medveten om cyberthot och kognitivt sammanvävd.”
En digitalt möjlig tänkande leveranskedja “som agerar på all tillgänglig strukturerad och ostrukturerad data för att prioritera åtgärder och leverera överlägsna resultat”, förklarar Ellis. “Att vara digitalt aktiverat innebär att ansluta och automatisera internt över funktionella områden eller med end-to-end-processer såsom order till kontanter och med leverantörer, kunder och konsumenter. Det kommer att finnas en nätverkseffekt där värdet växer exponentiellt med automatisering av transaktioner, dokument och aktivering av nyckelpartner.”
En utmaning som har dykt upp ovanpå allt detta är den växande bristen på talang som behövs för att hantera processer i försörjningskedjan. “Organisationer i försörjningskedjan har eftersträvat kostnadsminskningar och traditionella lean-metoder till den grad att det finns färre personer i organisationen än någon gång tidigare”, varnar Ellis. “Eftersom kapaciteten för dataanalys alltid växer i försörjningskedjan, kommer det sannolikt inte att finnas tillräckligt med ögonglober tillgängliga för att agera på de resulterande insikterna. Därför blir rollen för AI och maskininlärning avgörande.”
Att bygga in intelligens i leveranskedjor kräver ett nära samarbete med verksamheten och den data som delas över dessa nätverk. Whitney Myers och Joel Stellner, båda med Zuar, skisserar de viktigaste egenskaperna som analyser bör tillföra verksamheten:
“Att se och förstå efterfrågetrender och öppna kundorder,”Att se och förstå aktuellt lager och öppna ordertilldelningar mot påfyllningsplaner från produktionsteam och/eller leverantörer, och”en kombination av ovanstående för att skapa prognoser i världsklass, varningar, och verktyg för hantering av försörjningskedjan.”
För att börja på den här resan, säger Myers och Stellner, “du kommer att behöva en datastrategi som inkluderar en automatiserad datavärdekedja och en datalagringsplattform som inkluderar en pipeline som flyttar data från ditt verktyg till databasen enligt schemat.” Dessutom, påpekar de, måste IT-team introducera en business intelligence-plattform “som ansluter till databaser och uppdaterar rapporter automatiskt, bygger beräkningar och interaktiva instrumentpaneler och delar instrumentpaneler med ditt team, tillsammans med möjligheten att ställa in personliga varningar och prenumerationer .”
Data – och förmågan att använda dem för snabb analys – är kärnan i den intelligenta leveranskedjan som krävs för dagens och morgondagens ekonomi. “Integration med alla datakällor är avgörande, liksom automatisering av alla dokument över både interna funktioner och process- och leveranskedjepartners”, säger IDC:s Ellis. “En tänkande försörjningskedja kan inte lära sig av data den inte har. Uppkopplad innebär att man kan få tillgång till ostrukturerad data från sociala medier, IoT (inklusive strukturerad, semistrukturerad och ostrukturerad data) och strukturerad data från traditionella datauppsättningar tillgängliga via traditionella ERP- och B2B-integreringsverktyg.”
(Upplysning: Jag har utfört arbete med IDC, som nämns i den här artikeln, under de senaste 12 månaderna.)
Mastering Business Analytics | Moln | Big Data Analytics | Innovation | Teknik och arbete | Samarbete