Impulsar los resultados comerciales con proyectos de macrodatos e inteligencia artificial

¿Cuál es el desarrollo más importante que da forma al futuro de cómo las empresas generan valor comercial a partir de sus capacidades de análisis y datos?

Según MIT Sloan Management Review, se trata de la convergencia de big data con inteligencia artificial. Sin embargo, muchas empresas, cuando se les presentan los beneficios comerciales resultantes, expresan la misma duda:“No tenemos los datos para eso. Está disperso y desorganizado. Nuestros datos no están limpios ".

Es comprensible que la gente sienta esta aprensión. Los datos dispersos, en silos y voluminosos siguen siendo un desafío común para las empresas de todos los sectores en la actualidad. Como resultado, los líderes empresariales pueden pensar que no están preparados para implementar tecnología de vanguardia como la IA. Sin embargo, en realidad, ocurre lo contrario:la IA ayuda a limpiar, integrar y racionalizar los datos para generar un valor comercial tremendo.

Las mayores oportunidades para aprovechar la inteligencia artificial para proyectos de big data se pueden ver en cuatro casos de uso clave en la gestión de la cadena de suministro y las operaciones comerciales.

Caso de uso 1:transformar la previsión mediante la incorporación de impulsores de demanda e indicadores anticipados.

Por lo general, las empresas basan los procesos de pronóstico estadístico en datos históricos de ventas y envíos. Sin embargo, en el mercado cada vez más volátil de hoy, los eventos pasados ​​no siempre son los mejores predictores de eventos futuros. Los macrodatos y los modelos basados ​​en inteligencia artificial crean el potencial para un entorno preparado para el futuro, en el que las empresas pueden pasar de la previsión impulsada principalmente por datos históricos basados ​​en envíos a la que incorpora varios impulsores de la demanda. Dichos impulsores abarcan eventos externos, incluidos precios competitivos, condiciones del mercado y surtidos competitivos, así como impulsores internos relacionados con promociones y precios.

Las empresas que intentan incorporar los impulsores de la demanda en el pronóstico estadístico hoy en día sin el beneficio del aprendizaje automático y la inteligencia artificial deben realizar un esfuerzo significativo para normalizar los datos basados ​​en valores atípicos. Por ejemplo, una caída en las ventas podría haber ocurrido debido a un desabastecimiento creado por una restricción de la cadena de suministro. Pero, ¿cómo sabría el algoritmo de pronóstico que esta caída en las ventas se produjo debido a un problema de la cadena de suministro y no a un problema de demanda en el mercado? En un enfoque tradicional, se tendría que implementar un esfuerzo humano para ingresar el "por qué" y corregir de manera efectiva el historial antes de que los datos se proporcionen a los modelos estadísticos.

Todo eso cambia cuando una empresa implementa una plataforma basada en inteligencia artificial para el pronóstico de la demanda. Los algoritmos de aprendizaje automático (ML) crean modelos basados ​​en patrones en los datos, sin depender de instrucciones explícitas. Esto significa que las entradas de datos que impulsan el pronóstico de la demanda pueden limpiarse, correlacionarse y atribuirse adecuadamente a los resultados mediante ML. A su vez, las decisiones prescriptivas basadas en la demanda se generan en función de los patrones observados a lo largo del tiempo.

Caso de uso 2:Impulsar la planificación con sistemas de aprendizaje en lugar de conocimientos tribales.

Hoy en día, el modelado del conocimiento sigue siendo en gran parte tribal en muchas organizaciones. Gran parte de la toma de decisiones para la planificación actual reside en la cabeza y el juicio de los planificadores individuales. Por ejemplo, si un planificador recibió un pronóstico de ventas que indica que el presupuesto de la cadena de suministro debe dirigirse a acelerar, ¿qué harán los planificadores? ¿Confían en que la demanda sea confiable? ¿Están dispuestos a gastar mucho dinero para satisfacer esa demanda o dudarán? La decisión de acelerar o no es a menudo la mejor suposición del planificador en función de un historial personal con el ejecutivo de ventas o el cliente.

Cuando se aplica la IA en este escenario, el conocimiento tribal se convierte en conocimiento institucional. Los datos históricos sobre el pronóstico frente a las ventas permiten que el sistema basado en IA aprenda cómo es la demanda confiable y quién es probable que sea preciso (o no) en su pronóstico. La decisión de acelerar o incurrir en costos adicionales para satisfacer la demanda ahora se basará en una recomendación inteligente:Sí, automatice esta solicitud porque es extremadamente confiable. O bien, proceda con precaución porque este cliente no ha sido confiable en el pasado y se requiere la aprobación de la administración de esta decisión.

En este entorno, las compensaciones de decisiones se pueden tomar con mayor velocidad, precisión y rentabilidad. Se elimina el sesgo humano y se garantiza la continuidad en la toma de decisiones, independientemente del planificador que esté a cargo del sistema.

Caso de uso 3:creación de modelos integrados de planificación y toma de decisiones mediante la conexión de datos desconectados.

Prácticamente todas las empresas tienen datos desconectados. Es un desafío omnipresente. Un estudio realizado por Vanson Bourne estimó que las organizaciones de EE. UU. Y el Reino Unido están perdiendo un total de $ 140 mil millones cada año debido a datos desconectados. Los silos de datos existen por una variedad de razones que abarcan la dinámica técnica, estructural y cultural de una empresa.

Uno de los problemas clásicos relacionados con los datos empresariales desconectados tiene su origen en el hecho de que muchas empresas han crecido a través de fusiones y adquisiciones. Las empresas fusionadas pueden convertirse en una entidad para el mundo, pero entre bastidores, las divisiones pueden seguir siendo evidentes, a menudo durante años. Es probable que existan múltiples sistemas de planificación de recursos empresariales (ERP) y otros sistemas aislados para las ventas, la cadena de suministro y la gestión de productos. Bajo un mismo techo corporativo, un producto singular podría ser conocido por varios nombres en varios sistemas dispares.

Esto crea desafíos importantes en la construcción de una imagen consolidada para impulsar la toma de decisiones que se requiere para fines de planificación. Los enfoques correctivos tradicionales incluyen la implementación de un único sistema ERP o la corrección de los datos en todos los sistemas de origen. Esos proyectos son costosos y requieren mucho tiempo, lo que hace que muchas empresas concluyan:"Sabemos que no funciona, pero no podemos solucionarlo en este momento".

Una empresa inmersa en datos desconectados inevitablemente tiene preocupaciones sobre abordar iniciativas integradas de planificación y toma de decisiones. Pero con la inteligencia artificial y el procesamiento del lenguaje natural, los sistemas pueden determinar que varios puntos de datos son, de hecho, lo mismo. Se puede construir un modelo que correlacione todos esos productos para que no sea necesario cambiar las fuentes. La visibilidad del inventario, la planificación y la toma de decisiones ahora están vinculadas, porque el sistema reconoce que esos productos son idénticos.

Caso de uso 4:resolver los desafíos de los datos maestros en los sistemas de planificación.

El poder de la IA en la creación de sistemas de planificación radica en impulsar la toma de decisiones automatizada e inteligente con mayor rapidez. Pero otro refrán común de los líderes corporativos es que muchos de los datos necesarios para tomar esas decisiones de planificación son datos maestros que no residen en ningún sistema de registro.

Por ejemplo, un gran minorista maneja cientos de miles de SKU que fluyen a través del centro de distribución y la red de tiendas. Ese minorista debe modelar cuánta capacidad se requiere en varias dimensiones, incluida la capacidad de almacenamiento y mano de obra para manejar mercancías en tránsito, en los CD y en las tiendas. Para determinar los requisitos de capacidad, el minorista debe comprender lo que consume cada SKU en los diversos recursos disponibles. El tiempo que le toma a una persona descargar un envío de televisores, que requiere mucha mano de obra, variaría significativamente del tiempo requerido para descargar un envío de ibuprofeno, que es relativamente liviano.

Los datos necesarios para impulsar decisiones de planificación buenas y precisas deben basarse en el volumen de productos específicos que fluyen a través de los CD y sus correspondientes requisitos de capacidad. Pero, ¿quién conserva todos los datos? En el pasado, esos detalles eran difíciles de modelar, porque deben hacerse a niveles agregados y, a menudo, nadie estaba capturando y manteniendo esos datos.

Ahora, con big data e inteligencia artificial, los minoristas pueden utilizar los datos de Internet de las cosas (IoT) de sensores transaccionales a medida que se registran para determinar los requisitos de capacidad. A medida que los trabajadores toman un envío de productos del camión, lo trasladan a un centro de distribución, etc., se registra una enorme cantidad de datos transaccionales. Con la inteligencia artificial, los minoristas pueden generar automáticamente los datos maestros necesarios para la toma de decisiones. Sabiendo que tienen un envío de televisores llegando, ahora están armados con un conocimiento específico, generado automáticamente, de cuánta mano de obra se requiere para mover el producto. Aquí, y en todos los casos de uso descritos, la IA permite a las empresas transformar sus datos en uno de sus activos más valiosos.

Chakri Gottemukkala es director ejecutivo de o9 Solutions.