撰写者 晚上9:32 分析, 卓越供应链 •一则评论

欢迎Puff(魔术龙)加入您的团队

记住彼得,保罗和玛丽的歌, 魔法龙扑?这是我青年时代的一首歌。尽管人们对歌曲的意图进行了激烈的辩论,这首歌的目的是为了庆祝奥利弗·王尔德(Oliver Wilde)关于失去纯真的儿童故事,还是关于吸毒的声明?—在这个博客中,我将依靠作词人的话说,歌词讲述了一个关于生活在霍纳里的龙的童年故事。

龙通常是邪恶的象征。它可以从隐藏的知识中象征超自然的力量,智慧和/或力量。在这里,我假设供应链龙就是数据。供应链领导者沉迷于数据且洞察力很低。过去十年中完成的每项调查都将数据作为供应链领导者面临的主要挑战。在图1中,我们显示了最近S的结果&OP study.

图1. S&OP Challenges

我们如何利用新形式的分析来利用数据的力量?我们如何杀死巨龙并杀死不良流程?当我思考这个话题时,我发现聆听1963年的这首歌很有用。重点是纯真的丧失。 ……龙永远活着,但对于小男孩却并非如此…… 是时候让我们失去清白了–传统分析思维–在建立强大的组织能力的同时,将数据龙带入新的视野。

您需要考虑的歌词:

泡芙,住在海边的魔龙
在秋天的薄雾中嬉戏,在一个叫Honahlee的土地上
小杰基纸喜欢那个无赖的粉扑
并给他带来了琴弦,蜡封和其他奇特的东西哦

泡芙,住在海边的魔龙
在秋天的薄雾中嬉戏,在一个叫Honahlee的土地上
泡芙,住在海边的魔龙
在秋天的薄雾中嬉戏,在一个叫Honahlee的土地上

他们将一起乘风帆航行
杰基一直监视着吹’s gigantic tail
高贵的国王和王子会在什么时候鞠躬’er they came
当吹泡泡呼唤他的名字时,海盗船会降低他们的旗帜哦

泡芙,住在海边的魔龙
在秋天的薄雾中嬉戏,在一个叫Honahlee的土地上
泡芙,住在海边的魔龙
在秋天的薄雾中嬉戏,在一个叫Honahlee的土地上

龙永远活着,但男孩却很少
彩绘的翅膀和巨大的戒指为其他玩具让路

 

反射

今天,技术提供商正在销售工具/软件。机会是释放巨龙以建立学习型组织。此旅程不仅仅涉及可视化,仿真和模式识别。它是关于回答我们不知道要问的问题,以及(从体外)测试和学习市场数据以了解复杂的非线性系统(称为供应链)中的有效前沿。

为什么这很重要?组织规模更大。这是由于并购和全球化。重点是增长,但供应链不适合目标。领导们’目标是以客户为中心且敏捷,但是讨论很快就变成了政治性的问题,而焦点却是错误的。功能孤岛是一个障碍,但是有效获取和使用数据的能力是主要的绊脚石。

本周,我收到了一家金融机构的电子邮件,询问为什么企业领导者没有利用更多的见解并基于分析来重新设计流程。投资者感到沮丧的是,围绕ERP和高级计划所做的许多承诺都没有实现。当您阅读财务分析师时’业界的观点召唤您的内心巨龙:

显然,近年来整个空间的发展非常迅速。我认为最大的问题之一是,以美国为中心的食品公司(凯洛格,通用米尔斯,Smucker's,Conagra等)正在解决“如果您只有锤子,您看到的只是钉子”问题–生产盒装,罐装和其他可以稳定存放的包装食品已有一个多世纪的历史,但是现在,消费者和零售商正在寻找新鲜食品,他们不知道如何适应。当然,坎贝尔进入c-Fresh业务的尝试以眼泪告终。

我们正在兴起新渠道,尤其是电子商务。再者,公司不确定如何配置自己以在其中盈利。

同时,零售商的分析能力也越来越先进,这降低了类别负责人对于每个类别中最大的CPG品牌的重要性。

一切都在变得越来越快-新产品的推出和淘汰速度更快,更好的分析功能可以使更好的实时反馈信息传递给各个商店,这些信息应该是货架上应该放什么地方以及价格如何更细粒度。但是,公司对这些见解视而不见。

我确定还有很多其他大主题。不确定您最近一直在关注哪些重大主题,但是如果我们可以找到一些与消费者领域的投资者相关的主题进行讨论,那就太好了。我们不明白为什么ERP和高级分析的投资不能产生更好的结果…

实地的故事

为了激起辩论,让我分享一些故事。 2015年,我与一家男士内衣制造商合作。 (我的继子叫他们 整洁的白人。)想象一下一件无聊的基本服装。该公司在其类别中拥有主要的市场份额,但存在问题。平均购买者是55岁的男性。年长的男人购买的内衣比年长的男人少,而且它们的包装对女性购物者来说对家庭的吸引力不大。

公司’问题是如何改变人口统计特征并销售更多产品。他们的问题?供应链中的分析可以提供帮助吗?该公司在亚马逊上出售,经营自己的网站,管理直销店,并可以在主要零售连锁店购买过道陈列架。我们制定了测试计划,以测试和了解价格,艺术品,颜色,包装数量和样式的组合如何吸引不同的受众。我们建立了电子商务测试,研究了购物篮的行为,并将汲取的经验教训应用到了实体陈列中。我们通过挖掘非结构化数据来了解种族和年龄的品牌偏好。产品开发小组提倡长尾供应链战略,其中包括颜色,包装尺寸和艺术品的许多组合。我们合理化了产品的复杂性。当主要的体育明星成为品牌拥护者时,我们就动了针。运动明星与品牌定位之间的联系是通过对潜在买家的社交图谱和兴趣图进行非结构化文本挖掘而发现的。

第二个故事是关于电子分销商的。公司’我们的目标是提高客户忠诚度。衡量标准是净发起人得分和年度调查结果。问题?这些是无法进行的年度评估和衡量。问题是, “组织如何利用数据并提高忠诚度?” 我们使用情感分析来挖掘电子邮件数据,以按细分了解分销商机会。该组织每月有12,000封电子邮件放在未使用的盒子中。

被产品复杂性所困扰–产品组合没有推动增长–供应链成本在增加。有多少组织努力提出正确的问题并使用新的数据形式。我的答案。这个问题无处不在。我们需要利用巨龙并产生新的结果。答案不是一种技术或方法。

我们需要利用已知数据来回答已知问题并通过可视化获得见解。我们还需要问问自己,是否有新的方式来使用我们不了解的数据并回答我们不知道要提出的问题。并且,是否有机会构建语义推理层以实现连续学习?发现,测试&如果我们愿意改变工作方式,那么学习,感知和机会识别都是可能的。

表1.挖掘使用Analytics建立学习型组织的潜力

可视化 可视化答案 可视化学习
问的问题 已知的 未知
数据 已知的 未知

Let me give you an example. In 2010, Kellogg produced cereal with 班轮 in the box with an odor. 公司 published the statement in response to customer sentiment, 凯洛格的 公司声明说:“我们在包装中发现了一种物质 班轮 会产生不典型的蜡状的异味, 。” 在这种情况下,由于销售下降,公司可能会提出以下问题:

  • 产品是否正确放置在架子上?
  • 促销有效吗?
  • 竞争产品的影响是什么?

团队永远不会问这个问题, “销售下滑是否是由于供应商为垃圾箱提供衬板而导致的质量缺陷所致?” 同样,在交易数据的世界中,他们不会挖掘社交情绪来看到Twitter对臭味衬板的抱怨。

有一次,我吃了Pillsbury早餐吧,然后on着昆虫。制造商有出没问题。我来自制造业,我知道事情会发生,但是我决定不再购买该产品是出于情感而非理性。我对品牌失去了信任。我再也没有买过该产品,但仍然不寒而栗。当我拜访Pillsbury并向团队询问其侵扰问题时,他们垂头丧气。一种无法快速获取数据以了解这种侵扰如何成为品牌问题的案例…

如何开始

我故事中不断发展的龙是 “可能的供应链引擎。” 数学引擎对改善业务决策的承诺是供应链规划,贸易促进管理,收益优化以及运输/物流供应链执行市场的基础。概念是获取数据,通过引擎推动数据,并从更好的输出中获得见解。从历史上看,数据模型的设计推动了软件市场的定位。随着“发动机”市场的每一次发展,市场都经历了一个炒作周期。在1980年代,它是对AS-400操作系统进行优化的基础。然后是向客户端服务器的迁移和“引擎数学”的深化。”

在过去的二十年中,我关注市场变化。其中包括基于云的计算,内存处理,并行计算和开源分析。传统的决策支持软件应用程序是“功能性”服务

假设是:

  • 清理数据
  • 引擎内外无缝处理
  • 数据模型的拟合
  • 模型驱动洞察力的能力(需要对输出进行测试,以了解技术是否可以做出更好的决策。)
  • 时间:以业务发展速度提供可用输出。 (早期的解决方案无法扩展。)
  • 可视化:可用性和易用性
  • 互操作性:根据需求将具有上下文的数据移至业务团队的能力。
  • 在流程中使用洞察力来改进流程

这个龙的故事有很多曲折。模式识别,机器学习,语义推理,文本挖掘和开源分析功能的兴起为推动改进开辟了新的可能性。聪明的人兜售试图取得新的大交易的新方法。简而言之,很酷的技术在寻找家,企业家在寻找要解决的问题。

每个人都可以互换使用机器学习(ML),模式识别,情感分析,人工智能(AI)和认知计算等术语。停止嬉戏。要求技术提供商明确说明并追究他们的责任。 (使用流行语宾果游戏大多数高估功能)。举手并要求定义。这是我使用的那些:

  • 机器学习: 使用算法和统计模型使计算机系统无需执行明确的指令即可执行特定任务,
  • 模式识别: 基于模式的机器学习。从模式中分享见解。一种有用的数据清理技术。
  • 优化: 使用数学技术和统计数据来改善结果。
  • 云计算: 利用云的功能进行内存中处理(通过Internet存储和访问数据,而不是写入本地磁盘驱动器上的内存)。第三方托管明显不同。
  • 情绪分析: 从非结构化数据中挖掘见解。文本挖掘也是一个经常使用的术语。用于保修,质量和消费者数据的有用技术。
  • 认知计算: 使用模式识别,机器学习来驱动语义推理层来回答我们不知道要问的问题。基于本体框架发现和学习的能力。
  • 开源分析: 一组语言,技术和策略,可实现并行处理,读取模式和数据洞察力。开源协作推动了这一发展。
  • 人工智能(AI): 能够执行通常需要人类智能的任务的计算机系统的开发,例如视觉感知,语音识别,决策和语言翻译。情感分析,机器学习和认知计算是实现AI的技术。
  • 自主供应链:  使用数据以业务速度自动感知和有效响应的能力。当今的供应链没有意义,它们无法以业务发展的速度做出回应。

您可能不同意这些定义,但是,利用巨龙的力量的第一步就是要弄清楚一套统一的定义,并让技术提供者负责。

第二步是调整技术以改进已知过程。这是应用于供应链计划的示例:

表2.高级分析的用例示例

目标 技术
清理数据 模式识别和机器学习
无缝加工 开源分析
推动见解 可视化的新形式
数据时间。减少数据延迟。 并行处理,基于云。开源分析
互通性 基于规则的本体来管理多个if到then,以及使用ISO 8000标准

壁垒

专注于克服行业障碍:

技术提供商的商业模式。 软件行业肮脏的小秘密是销售团队的佣金结构。 (大多数企业领导者没有意识到选择软件会诱使他们陷入政治陷阱。由于佣金结构庞大,软件销售团队通过向企业领导者自我销售并使企业团队两极分化来使销售过程政治化。大型软件的销售交易非常有利可图,因此,许多市场动力都是以销售为驱动力的–过度炒作的承诺伴随着许多市场的起伏。

问题?该解决方案很复杂-引擎,基础架构,工作流,规则集和可视化。销售周期试图简化业务问题。对于如何重新定义流程以改善结果,我们还没有明确的答案。没有人有答案。结果,过度狂热的销售人员和过度热心的销售人员成为了发展的障碍。

数据科学家的新兴角色。 组建合适的团队。意识到数据科学家对于团队至关重要,但是成功需要一种平衡的方法。唐’组成仅由数据科学家组成的团队。原因?数据科学家使用另一种语言,并且缺乏对流程/领域的理解。数据科学家的趋势是局部的最佳焦点。专注于整体方法。规则,引擎,策略和指标需要保持一致。试图从局部最优中构建整体解决方案是愚蠢的。

传统工艺和技术标准化。 来自ERP和APS市场的传统提供商在采用新技术方面进展缓慢。坚持技术标准化的公司将落伍。

采取的步骤。

如果您想知道如何骑龙,请考虑采取以下步骤:

  1. 提供创新资金。不要因为证明每个项目的投资回报率而束缚团队。
  2. 组建跨职能团队。理想的团队有特立独行的思想家-传统供应链负责人,数据科学家,人力资源/变更管理代理和IT /分析人员。
  3. 映射上一年的问题。找出差距和机会。
  4. 列出所有形式的数据和位置。花时间识别企业周围网络中的非结构化数据源和数据。
  5. 通过共进午餐并与技术人员学习课程,探索可能的艺术。
  6. 召开策略会议,集思广益,探索可能的艺术。
  7. 庆祝成功和失败。
  8. 集团的市场洞察力。
  9. 建立供应链运作的教育计划。

 

骑龙。释放潜力。我期待听到您的想法。