写道 下午2:02 分析, 大数据供应链, 要求

Ai这个。要是。

 

经过大流行,供应链管理(SCM)和企业资源规划(ERP)软件公共估值的戏剧性下降后,近两年平均水平的两倍。合并波继续在2020年继续进行299个兼并和收购。大多数交易都在企业资源规划(91)与供应链规划(31)中。运输的高活动水平和 零售/电子商务部门镜像消费者’进入新渠道。 正如我看待财务,如果我们通过新形式的分析就创新就创新,我就会质疑价值是多少。

公司需要以及可用的内容之间的差距从未如此高。目前的市场由软件销售和顾问的高薪持续 - 专注于传统的过程自动化。尽管新技术的扩散,但在20世纪80年代设计的供应链规划保持不变。 对于像我这样的Gal,创新很痛苦。

是的,人工智能(AI)是新的。首字母缩略词AI悬挂在假日树上的闪亮冰柱等技术供应商网站上–或在假期的房子上的Gaudy Neon灯–但是当你回滚封面并询问基本问题时,基础知识不变。 公司正在悬挂帽子上营销流行语,而不是创新。大多数炒作都集中在机器学习的非常基本的方法上。尽管在大流行期间需求和供应计划的供应链规划失败,但 我们不能也不应该尝试AI当前的状态。

想象可能的是什么

旅程从挑战精神模型开始。当前的自动化状态–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–自动化功能中的决策,但不启用数据和信息组织的无缝流动以改善组织结果。今天,组织更大,更复杂,业务速度更快。公司希望更快地做出更好的决定。

我喜欢在培训中做的练习是要求商业领袖在他们当前的决策过程中汲取数据流。在公司内,在个人角色中使用数据有多方的需求河。每组营销,销售,金融和供应链—使用不同的型号,粒度和偏见进行河流的时间相称时间。我比如拍摄多个宝丽来图片。它很快,但不能忍受时间的考验。 在组织中,如图1所示,有模式:

图1.参与者’在大型消费组织中需求河的景色

虽然图1是策划者’S视图,图2显示了执行官’S心理模型。间隙更大,更复杂。

图2.供应链执行的视图

上下组织,重点是在模型建设和密切整合的不同模型。问题?公司不知道如何在组织之间设计有效的数据流,以使用市场数据。

该行业陷入了传统的范式中,导致许多空白:

  • 失去了机会。 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。 
  • 创建有意义的对话。 Today’■没有有效地实现函数(营销,销售,金融和供应链)之间的正确对话,以在具有不同观点之间的组之间推动协同作用。
  • 缺乏接地。在基线需求或市场潜力中没有需求可见性信号接地。
  • 规划是劳动密集型和缓慢。 数据不会以业务速度移动。
  • 含量。 决定是内部的,而不是在外面。 (没有公司,我学习可以有效地使用市场数据。)
  • IBP是一条庇护街。 S&OP成为活动的摩天轮,创造了一个致命的信息。原因?专注于金融激励与需求的翻译。
  • 采购在岛上运作。 材料需求规划(MRP)不足。业务流程外包和采购自动化演变为使采购组织更加高效,更效益。
  • 广泛的笔画。 所有物品都是在不是时得到的。没有测量肌肉化。
  • 用处。 公司无法使用分段,约束和功能来确定有效的供应模型。
  • 可用性。 规划地平线之间的连锁很难。 
  • 机会比比皆是。 在组织中,不使用大量数据。例如,供应商托管库存(VMI)系统,一个有用的客户数据流,不连接规划。

新形式的分析提供了机会,如果我们可以走出我们的盒子。这是这个博客帖子的目标。

Ai这个。建立新的能力

要开始旅程,要离开框中,我们必须首先形成正确的问题。当正确的问题与正确的分析技术对齐时,会发生成功,以明确的定义是更好的决定。这些步骤中的每一个都很难,但我们无法开始旅程而不学习新语言讨​​论分析能力。

通过看到框来思考盒子。

一个障碍“out-of-the-box”思维是清楚的定义和获得如何对准分析能力来解决现实世界问题的清晰度。在我们开始之前,我希望确保我们很清楚这块是为商业领袖编写的。我不是,我也不声称是一个数据科学家。这些定义是AI中非常复杂的主题的练习型讨论。

1955年作为学术学科的人工智能(AI)正在快速发展。 2015年,在供应链规划中使用创新者使用机器学习的一步变化。

机器学习和语义推理是AI内的子集。虽然机器学习使用数据来培训并找到准确的结果,但语义推理是来自一组事实的逻辑后果。推理逻辑通常由本体语言驱动。本体是一系列的真理来推动推理。

模式识别,自然语言处理(NLP)和深度学习是机器学习的子集。模式识别是检测数据中的模式和规则,而自然语言处理将非结构化数据转换为结构化形式以实现学习。相比之下,深度学习使用许多级别的算法来通过神经网络推动洞察力。深度学习包括非结构化数据,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. (我们只是浸入深水中的脚趾。)

障碍是今天的结构’S系统依赖于关系数据库结构。关系数据库结构硬码数据转换为正式和不灵活的表格。模式存储表,以及在每个表中,有预定义列和行。相反,如图3所示,基于图形的数据库是对象,实体或节点的数学表示及其关系。

图3.关系表和图形数据库之间的对比度

归因:柬池语义

通常存在本体和知识图之间的混淆。本体是元数据/架构,而知识图是数据本身。考虑使用知识图形生成域本体和使用动态事实填充它,以创建并排协作工作:机器学习喂养语义推理。

那么这是什么意思?大多数技术提供者使用术语ai的大部分时间都是简单的模式识别。我们早期在使用图形数据库,甚至在应用认知或语义推理时甚至更早。从我的要求提供商的采访中–你是什​​么意思ai?–我在图4中构建了图像。

图4.分析技术的应用

作为一个简单的gal,我对术语的兴趣而不是应用程序。作为试图弄清楚如何推动价值的商业领导者,我提供表1的见解:

分析技术潜在价值主张
模式识别映射脏数据,如主数据。数据中的模式可视化。
自然语言处理挖掘非结构化数据。电子邮件和评论的客户情绪的可见性。听力帖子,保修或质量数据。
深度学习随着不断变化的市场产生洞察力。
语义推理规则自动化:将客户元素的分割与可用的承诺和分配策略连接。

使用分析来改变决策

虽然AI术语是带状的,但创新很慢。通过探索基于图形的数据库和构建本体的使用来实现第一步,以自动化需求河流。在基于图形的数据库基础架构上积极探索机器学习的同时使用语义推理开始小型飞行员。缩减遗留关系数据库基础架构的投资。

在旅途中,想象如何通过销售,营销,金融和供应链组连接基于图形的数据库,以实现多种模型的需求可见性,以推动所有参与者的新见解。而且,对于创新者来说,探索如何使用语义推理来将基线市场感应系为贸易和价格政策的计划定义,并通过ATP和分配策略将客户分割联系起来的订单管理。玩得开心吗?

在供应链洞察全球峰会见到你?

我们正在承担每个人可以获得Covid镜头/测试以在9月份启用一个人的活动。我们还将为那些无法旅行的虚拟饲料。会议的目标是想象未来的供应链。会议在2021年9月7日至10日在富兰克林。

在准备中,我正在手中挑解扬声器并完成供应链以欣赏2021年的分析。 议程将于4月份发布。

如果您有一个故事您想分享;请在[email protected]留下电子邮件。
请标记您的日历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