Cómo la IA aborda el problema de los datos "sucios"

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

En situaciones tradicionales, se habría requerido una limpieza de datos, pero hacerlo manualmente lleva mucho tiempo. Incluso antes de COVID-19, el proceso obstaculizaba la eficiencia de la cadena de suministro, pero una vez que la pandemia estaba en pleno apogeo, la lentitud ya no era una opción. La limpieza de datos tradicional ha dejado de ser útil y ha llegado el momento de seguir adelante. Es hora de dejar que la inteligencia artificial y el aprendizaje automático eliminen el ruido producido por Big Data.

Conocer todo el negocio

Dé un paso atrás y observe la totalidad de la operación comercial. Si bien puede haber una vista mayormente precisa de los suministros de la instalación actual, ¿cuál es el estado de visibilidad de 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 I.T. El departamento tiene una herramienta que puede proporcionar información sobre las plantas hermanas en otras ubicaciones, pero hay pocas formas de saber qué tienen sus proveedores al mismo tiempo. La única forma de evitarlo es juntar los materiales disponibles para estar listo, incluso si no son exactamente lo que se necesita ahora. Pero este enfoque a menudo conduce a tener demasiado de un tipo de inventario y no suficiente de otro. No hay suficiente información en tiempo real para realizar ajustes de abastecimiento significativos 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 de todo el mundo han sido esposadas por limpiezas de datos basadas en proyectos. Son costosos, consumen mucho tiempo y perjudican el ROI a largo plazo. No es una estrategia sostenible y, por lo general, el proceso debe repetirse cada pocos años.

Incluso antes de la pandemia, la limpieza de datos ralentizó el proceso de la cadena de suministro, degradando las operaciones comerciales. Gastar medio millón de dólares en una limpieza de datos, que se espera que lleve hasta un año, aporta pocos beneficios a la organización. Incluso con la mejor tecnología, se repiten los mismos malos procesos.

Ingrese a la inteligencia artificial y el aprendizaje automático. La experimentación rentable, rápida y sencilla es la clave de los procesos empresariales innovadores. En este caso, significa reemplazar la limpieza de datos anterior 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 de inmediato, sin el uso del proceso de limpieza de datos. El proceso de IA saca los datos del silo, por lo que la organización puede pasar de las relaciones uno a uno a una descripción general de toda la red de la cadena de suministro. Los algoritmos que se generan con el 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 inteligencia artificial y aprendizaje automático abre varias oportunidades nuevas para un mejor uso de los datos. Uno es la capacidad de realizar múltiples tareas con los datos al mismo tiempo. Por ejemplo, si un gerente dice que es hora de reducir el inventario, normalmente usted puede dudar en hacerlo debido al riesgo de no tener el inventario cuando sea necesario. Pero en este nuevo modelo, eso ya no es un problema, porque puede optimizar mejor el capital de trabajo inmovilizado en el inventario, no solo en sus instalaciones, sino en todas las organizaciones dentro de su red. Esto reduce el riesgo, porque ahora tiene la inteligencia y la confianza de que tiene lo que necesita, cuando y donde lo necesita.

Este paradigma permite una transición más fluida a los procesos de la Industria 4.0. Si hay un problema de sensor en una pieza de maquinaria, se alerta al proveedor y proporciona la pieza. El uso de datos en tiempo real elimina los largos períodos de inactividad.

Ya no se debe permitir que los datos sucios y redundantes 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,