撰写者 下午2:02 分析, 大数据供应链, 要求

AI这。要是。

 

在大流行初期急剧下降之后,供应链管理(SCM)和企业资源计划(ERP)软件的公开估值接近十年平均值的两倍。合并浪潮在2020年继续进行,共有299项并购。大多数交易涉及企业资源计划(91)与供应链计划(31)。运输和运输中的高活动水平 零售/电子商务领域反映了消费者’进入新渠道。 当我看财务时,我质疑如果我们认真对待通过新形式的分析进行创新的价值会是多少?

公司需求与可用资源之间的鸿沟从未比以往高。当前的市场热潮-由软件销售和顾问的高薪所维持-专注于传统过程自动化。尽管出现了新技术的泛滥,但1980年代设计的供应链计划却保持不变。 对于像我这样的女孩来说,创新非常缓慢。

是的,人工智能(AI)是新的。首字母缩写词AI挂在技术供应商的网站上,例如节日树上闪闪发亮的冰柱。–假期中房屋上的霓虹灯或艳丽的霓虹灯–但是,当您退回封面并提出基本问题时,基本知识并没有改变。 公司对营销流行语而不是创新垂涎三尺。大多数炒作都集中在非常基本的机器学习方法上。尽管大流行期间需求和供应计划中的供应链计划失败, 我们不能也不应该尝试AI当前状态。

想象可能是什么

旅程始于具有挑战性的思维模式。自动化的当前状态–客户关系管理,营销管理,收入管理,供应商关系管理和运输管理–使功能内的决策自动化,但不能实现数据和信息组织的无缝流动以改善组织成果。如今,组织越来越大,越来越复杂,业务速度也越来越快。公司希望更快地做出更好的决策。

我喜欢在培训中做的一个练习是要求业务主管在其当前的决策流程中绘制数据流。在公司内部,需求旺盛,多方使用各自角色中的数据。每个组-市场营销,销售,财务和供应链—使用不同的模型,粒度和偏差来获取河流的分阶段快照。我将其比作拍摄多张宝丽来照片。速度很快,但经不起时间的考验。 如图1所示,在组织内部,存在以下模式:

图1.参与者’大型消费者组织中需求之河的观点

图1是计划者’s的视图,图2显示了执行器’的心理模型。差距更大,更复杂。

图2.供应链主管的观点

在组织上下,重点是模型构建和不同模型的紧密集成。问题?公司不知道如何设计组织之间的有效数据流以使用市场数据。

该行业陷于传统范式中,导致许多差距:

  • 失去机会。 较大的公司不使用在消费者和数字营销计划中收集的数据。 
  • 建立有意义的对话。 Today’的方法不能有效地实现职能(营销,销售,财务和供应链)之间的正确对话,从而无法以不同的观点推动各组之间的协同作用。
  • 接地不良。没有任何需求可见性信号使所有群体都处于基准需求或市场潜力之上。
  • 计划是劳动密集型且缓慢的。 数据不会以业务发展的速度移动。
  • 孤岛 决策是由内而外的,而不是由内而外的。 (我研究的任何公司都不能有效地使用市场数据。)
  • IBP是一条死胡同。 S&OP成为活动的摩天轮,创建了信息死侍。原因?侧重于财务激励与需求转换。
  • 采购在一个岛上进行。 物料需求计划(MRP)不够。业务流程外包和采购自动化得到了发展,从而使采购组织的效率更高,效率更低。
  • 广泛的笔触。 如果未对所有项目进行平等对待。同类相食是无法测量的。
  • 用处。 公司无法使用细分,约束和功能来确定有效的供应模型。
  • 可用性。 规划视野之间的联系很困难。 
  • 机会比比皆是。 在组织中,不使用大量数据。例如,供应商管理的库存(VMI)系统(有用的客户数据流)未连接到计划。

如果我们可以走出困境,新的分析形式将提供机会。这是此博客文章的目标。

AI这。建立新能力

要开始旅程,要开箱即用,我们必须先提出正确的问题。当正确的问题与正确的分析技术保持一致,并明确定义了做出更好决策的成功时,便会成功。每个步骤都很艰巨,但是如果不学习一种新的语言来讨论分析功能,我们就无法开始这一旅程。

开箱即用的思维是从看到方框开始的。

障碍“out-of-the-box”关于定义的思路越来越清晰,并且关于如何使分析能力协调一致以解决现实问题的思路也越来越清晰。在开始之前,我想确保我们清楚这是针对企业领导者而写的。我不是,也不是自称是数据科学家。这些定义是AI中非常复杂的主题的粗略讨论。

人工智能(AI)成立于1955年,是一门学科,并且发展迅速。 2015年,创新者在供应链计划中对机器学习的使用发生了巨大变化。

机器学习和语义推理是AI中的子集。机器学习使用数据来训练和找到准确的结果时,语义推理从一组事实中推断出逻辑结果。推理逻辑通常由本体语言驱动。本体是驱动推理的一组事实。

模式识别,自然语言处理(NLP)和深度学习是机器学习的子集。模式识别是对数据中的模式和规则性的检测,而自然语言处理会将非结构化数据转换为结构化形式以实现学习。相反,深度学习使用许多级别的算法来通过神经网络推动见解。深度学习包含非结构化数据,而模式识别仅限于结构化数据。 今天, when a company in the decision support technology market speaks of AI, it is usually pattern recognition. (我们只是将脚趾浸入深水中。)

障碍是当今的结构’高度依赖关系数据库结构的系统。关系数据库将硬代码数据结构化为正式的,不灵活的表。模式存储表,并且在每个表内部都有预定义的列和行。相反,如图3所示,基于图的数据库是对象,实体或节点及其关系的数学表示。

图3.关系表和图形数据库之间的对比

归因:Cambidge语义

本体和知识图之间经常会混淆。本体是元数据/架构,而知识图是数据本身。考虑生成一个领域本体,并使用知识图用动态事实填充它,以创建并行的协作工作:机器学习提供语义推理。

那么这是什么意思?在技​​术提供者大多数时候使用术语“ AI”时,应用程序就是简单的模式识别。我们在图形数据库的使用尚处于早期,甚至在认知或语义推理的应用中也处于早期。从我对提供者的采访中–您对AI的意思是什么?–我在图4中构建了该图像。

图4.分析技术的应用

作为一个简单的gal,我对Verbiage的兴趣不如对应用程序的兴趣。作为一位试图弄清楚如何创造价值的业务领导者,我在表1中提供了一些见解:

分析技术潜在价值主张
模式识别映射脏数据(如主数据)。可视化数据中的模式。
自然语言处理挖掘非结构化数据。通过电子邮件和评论可见客户情绪。倾听情绪,保修或质量数据的帖子。
深度学习从不断变化的市场中获取见识。
语义推理规则自动化:将以客户为中心的细分与承诺到承诺和分配策略联系起来。

使用分析来改变决策

虽然AI一词有很多,但创新却很慢。通过探索基于图形的数据库的使用和构建本体以自动实现需求之河,来迈出第一步。使用语义推理开始小型飞行员,同时积极探索基于图的数据库基础架构上的机器学习。减少对遗留关系数据库基础架构的投资。

在旅途中,想象一下如何将跨销售,营销,财务和供应链组的基于图的数据库连接起来,以实现跨多个模型的需求可视性,从而为所有参与者带来新的见解。并且,对于创新者,探索如何使用语义推理将基准市场感知与贸易和价格政策的计划定义联系起来,并将客户细分与规则支持联系起来,以通过ATP和分配策略进行订单管理。玩得开心吗?

在供应链洞察力全球峰会上见到您吗?

我们冒着使每个人都可以获得COVID镜头/测试的风险,以便在9月启用面对面的活动。我们还将为无法旅行的人提供虚拟供稿。会议的目的是想像未来的供应链。会议将于2021年9月7日至10日在田纳西州富兰克林举行。

在准备过程中,我将亲自挑选发言人,并完成2021年供应链欣赏分析。 该议程将于4月发布。

如果您有故事要分享。请给我发送电子邮件至[email protected]
请标记您的日历以加入我们以不同的方式思考并想象未来的供应链。我们希望看到你在那里。

关闭