Cómo la IA resuelve los desafíos de datos "sucios" en las cadenas de suministro

La reducción del riesgo operativo es el nombre del juego cuando se trata de la cadena de suministro. Para lograr un enfoque fiable pero ajustado, las cadenas de suministro deben ser simultáneamente ágiles y resilientes. Pero ambas cualidades han dependido históricamente de datos "limpios". Y muchas organizaciones no estaban preparadas cuando la necesidad de equipos de protección personal (EPP) y papel higiénico se disparó al inicio de la pandemia global de COVID-19 la pasada primavera. Los líderes empresariales no podían esperar meses para una limpieza de datos adecuada para atender el volumen de solicitudes de suministro inmediato. Los datos tenían que estar tanto disponibles como accionables. La eficiencia de la cadena de suministro se volvió imperativa mientras los fabricantes luchaban por satisfacer la demanda cambiante.

En situaciones tradicionales, se habría pedido una limpieza de datos, pero hacerlo manualmente consume mucho tiempo. Incluso antes del COVID-19, el proceso obstaculizaba la eficiencia de la cadena de suministro, pero una vez que la pandemia estuvo en pleno apogeo, lo lento ya no era una opción. La limpieza de datos tradicional ha superado su utilidad, y ha llegado el momento de seguir adelante. Es hora de dejar que la inteligencia artificial y el aprendizaje automático corten el ruido producido por los Big Data.

Conocer todo el negocio

Dé un paso atrás y observe la totalidad de la operación empresarial. Aunque pueda haber una visión mayormente precisa de los suministros de la instalación actual, ¿cuál es el estado de la visibilidad en otras instalaciones conectadas? Además, ¿qué se sabe sobre los inventarios de otros proveedores y con qué rapidez pueden satisfacer las necesidades de producción?

Quizás el departamento de TI tenga una herramienta que pueda proporcionar algo de información sobre plantas hermanas en otras ubicaciones, pero hay poca forma de saber lo que sus proveedores tienen al mismo tiempo. La única forma de evitar eso es aumentar los materiales a mano para estar listos, incluso si no son exactamente lo que se necesita ahora. Pero este enfoque a menudo lleva a tener demasiado de un tipo de inventario y no suficiente de otro. No hay suficiente información en tiempo real para hacer ajustes significativos de aprovisionamiento para satisfacer las necesidades de producción.

El recurso de larga data para recopilar toda esa información es la limpieza de datos.

Deje que los algoritmos dicten

Las organizaciones en todas partes han sido esposadas por limpiezas de datos basadas en proyectos. Son costosas, consumen mucho tiempo y dañan el ROI a largo plazo. No es una estrategia sostenible, y el proceso típicamente tiene que repetirse cada pocos años.

Incluso antes de la pandemia, la limpieza de datos ralentizaba el proceso de la cadena de suministro, degradando las operaciones empresariales. Gastar medio millón de dólares en una limpieza de datos, que se espera que tarde hasta un año, aporta poco beneficio a la organización. Incluso con la mejor tecnología, los mismos malos procesos se repiten.

Entra la IA y el aprendizaje automático. La experimentación rentable, rápida y fácil es la clave para procesos de negocio innovadores. En este caso, significa reemplazar la vieja limpieza de datos con algoritmos de aprendizaje automático, reduciendo así el proceso de un año a solo semanas.

La IA se implementa con datos existentes para tomar mejores decisiones y crear inteligencia inmediatamente, sin el uso del proceso de limpieza de datos. El proceso de IA saca los datos del silo, para que la organización pueda pasar de relaciones uno a uno a una visión panorámica de toda la red de la cadena de suministro. Los algoritmos generados con aprendizaje automático ofrecen un nuevo nivel de visibilidad y abren las puertas para que otros dentro de la red de la cadena de suministro compartan datos valiosos.

El uso de IA y aprendizaje automático abre varias nuevas oportunidades para un mejor uso de los datos. Una es la capacidad de hacer múltiples tareas con los datos al mismo tiempo. Por ejemplo, si un gerente dice que es hora de reducir inventario, normalmente dudaría en hacerlo por el riesgo de no tener el inventario cuando se necesite. Pero en este nuevo modelo, eso ya no es un problema, porque puede optimizar mejor el capital de trabajo inmovilizado en inventario — no solo en su instalación, sino en organizaciones dentro de su red. Esto reduce el riesgo, porque ahora tiene la inteligencia y confianza de que tiene lo que necesita, cuando y donde lo necesita.

Este paradigma permite una transición más suave a procesos de Industria 4.0. Si hay un problema de sensor en una pieza de maquinaria, el proveedor es alertado y proporciona la pieza. El uso de datos en tiempo real elimina largos periodos de inactividad.

Los datos sucios y redundantes ya no deberían permitirse que ralenticen las operaciones de la cadena de suministro. Los algoritmos generados con aprendizaje automático le permitirán tomar mejores decisiones con sus datos, para mantener la cadena de suministro funcionando en todos los niveles.

Paul Noble es fundador y Director Ejecutivo de Verusen.