2020년 혼란에 따른 공급망 분석 및 IoT Loom Large

기업은 공급망에서 더 큰 민첩성과 탄력성을 필요로 합니다. 그리고 성공을 위한 물류. 이로 인해 기업은 새로운 기술을 고려하여 이 방법을 쉽게 사용할 수 있습니다.

후보 중에는 사물 인터넷(IoT), 인프라 자동화, 인공 지능(AI) 및 고급 공급망 분석이 있습니다. API(응용 프로그래밍 인터페이스) 통합 및 디지털 공급망 쌍과 같은 경쟁자도 곧 등장할 예정입니다.

이러한 기술에 대한 관심은 COVID-19가 발생하기 전에 이미 공급망 관리에 발판을 마련했지만 전 세계적인 코로나바이러스 전염병을 감안할 때 가속화되었습니다. IT 환경에서 이러한 기술을 더욱 기반으로 하려면 애플리케이션을 위한 최상의 기회를 식별해야 합니다.

연구 그룹 Gartner는 공급망에 대한 디지털 비즈니스 영향에 대한 2019년 설문조사에서 광범위한 IoT 보급을 언급했습니다. 같은 보고서에서 사물 인터넷이 가트너의 환멸의 저점에서 덜 자랑스러워했지만 다시 호의를 보이기 시작했다는 조짐이 있습니다. Gartner 공급망 설문 조사에 따르면 응답자의 59%는 조직 전체에 IoT를 부분적으로 또는 완전히 배포했으며 15%는 2년 이내에 IoT에 투자할 계획이며 22%는 파일럿을 구축했습니다. 이 데이터는 IoT World의 2020 IoT 채택 설문조사의 최근 데이터와도 일치하며, 응답자의 51%가 IoT를 포함한 디지털 이니셔티브에 대한 필요성이 더 크다고 밝혔습니다.

Gartner의 이사이자 분석가인 Amber Salley에 따르면 오늘날 IoT는 새로운 공급망 기술에 가장 최신의 정확한 데이터가 필요하기 때문에 중요합니다. 새로운 데이터에 대한 필요성은 글로벌 무역 분쟁이 발생하기 전과 COVID-19가 강타하기 전, 그리고 그 여파로 더욱 심각했습니다.

샐리는 2020년 3월 화장지가 매장 진열대에 더 많은 공급이 필요한데도 불구하고 수량은 줄어들었다는 예를 인용하면서 "코로나 이후 공급망의 유연성은 반드시 수요의 변화가 아니라 소비의 변화에 ​​관한 것"이라고 말했습니다. 사무실 및 공공 기관으로 향하는 트럭.

지금은 이러한 유형의 공급 결정이 매우 세분화된 수준에서 신속하게 이루어지고 효과적으로 실행되어야 하는 때입니다. "기업들은 신속하게 대응하기 위해 노력하고 있습니다."라고 Sally는 말했습니다. "어떤 매장이 무엇을 얻고 있는지 가장 잘 할당하는 방법을 알아야 합니다."

COVID-19로 중단된 공급망

공급망 리더는 이제 비즈니스 모델 및 프로세스가 뒤바뀌는 즉각적인 도전에 직면하더라도 장기적인 기술 선택을 통해 분류합니다. AI 지향 머신 러닝 도구는 의사 결정 지원, 실시간 자산 관리, 재고 최적화 및 예방적 유지 관리 계획을 포함한 공급망 이점을 약속하는 사례입니다.

Salley가 설명했듯이 특히 혼란스러운 환경에서 공급망 결정을 내릴 때 데이터에서 노이즈를 분리하는 것이 어려울 수 있습니다. 여기서 기계 학습 도구가 역할을 하지만 데이터 정확도가 가장 중요합니다.

"패턴 인식을 위한 머신 러닝이 도움이 될 수 있습니다."라고 그녀는 말했습니다. “오늘날 우리는 수요 예측에 도움을 주기 위해 그러한 소프트웨어를 사용하는 많은 회사를 봅니다. 그러나 머신 러닝의 문제는 올바른 패턴을 확인하고 정확하게 처방하기 위해 매우 우수한 품질의 데이터가 많이 필요하다는 것입니다."

Salley는 많은 조직이 기계 학습으로 작업하는 데 필요한 양이 많지는 않지만 개별 사용 사례에는 충분할 수 있다고 말했습니다. 또한 공급업체는 기계 학습과 AI의 이점을 전반적으로 강조하지만 이 기술은 사용 사례에 따라 다릅니다. "한 사용 사례 또는 도메인에서 다른 사용 사례 또는 도메인으로 쉽게 매핑할 수 없습니다."라고 그녀는 말했습니다.

IT 전문가도 자신의 용도에 맞는 공급망 분석 도구를 쉽게 탐색할 수 없습니다. 공급망 소프트웨어 및 기계 학습 전문 지식을 보유한 업체로는 Anaplan, Blue Yonder, DHL Supply Chain, EY Supply Chain and Operations, IBM, John Galt, LLamasoft, Logility 및 SAP가 있습니다.

IoT 장치가 공급망 모니터링에서 더 큰 역할을 함에 따라 AWS, Google 및 Microsoft와 같은 주요 클라우드 및 기계 학습 플레이어도 이러한 환경의 일부입니다. 클라우드 리더는 Accenture, Cognizant, Pluto7, TensorIoT 및 기타 전문가와 협력하여 특정 영역에 대한 공급망 분석 처리를 맞춤화합니다.

앞이 아닌 뒤를 보는 분석

IBM Sterling Supply Chain의 부사장 Jeanette Barlow는 많은 공급망 전문가가 통계 모델을 사용하여 작업을 분석하면서 성장했지만 더 많은 것이 필요하다고 말했습니다.

“그들은 역사로부터 배우고 있으며 역사는 훌륭한 지표입니다. 그러나 역사를 바꾸는 사건이 있습니다. 올해와 같은 해가 그 예가 될 수 있는 해가 없었습니다.”라고 그녀는 말했습니다.

지난 1년 동안 재고가 있는 위치를 이해하는 것이 중요해졌습니다. Barlow는 IBM Sterling 그룹이 IBM Watson 코그너티브 AI 기능을 사용하여 팀이 데이터 상관 관계를 확장할 수 있도록 지원한다고 말했습니다. 제한된 시간 내에 평가해야 하는 방대한 데이터에 IoT가 추가되면서 이러한 기술은 더욱 중요해졌습니다.

공급망 IoT를 위한 기본 기술

기업이 공급망에 고급 머신 러닝을 추가할 준비가 되어 있는지 여부는 디지털화로 가는 길에 따라 달라질 수 있습니다.

다양한 기술을 통해 더 민첩해질 수 있습니다. 공급망 애플리케이션에서 자동화된 기계 학습을 위한 Atlas 계획 플랫폼을 제공하는 John Galt Solutions의 제품 전략 리더인 Alex Pradham에 따르면 어떤 기술로 시작하느냐는 조직의 기술 성숙도 수준에 따라 다릅니다. 그녀는 “일부 기업은 여전히 ​​더 많은 기초 기술이 필요합니다.

Pradham도 채널과 구매 행동의 상당한 변화를 보고 있습니다. 이로 인해 기업은 단기 계획에 대해 보다 정확한 계획이 필요합니다. 그녀는 IoT 센서의 비용 절감과 최신 데이터 수집의 이점이 지속적으로 재고를 새로 고쳐야 하는 상황에서 운영 계획에 도움이 될 수 있다고 제안합니다.

AI 전문업체 TensorIOT의 부사장 겸 총책임자인 John Traynor는 고품질 데이터를 얻는 것이 중요한 첫 번째 단계라고 동의합니다. 유용한 분석은 일반적인 이동 평균만큼 간단할 수 있지만 데이터를 보유하는 것이 중요합니다.

“사람들은 궁극적으로 운영 효율성을 개선할 방법을 찾고 있습니다. 그것은 단지 운영의 관점을 얻는 것일 수 있습니다. [하지만] 유효한 데이터로 시작해야 합니다." Traynor는 오랜 시간 검증된 컴퓨터 설계 격언 "GIGO"(또는 "Garbage in, garbage out")를 회상하며 말했습니다.

이 목표를 위해 이 회사는 최근 AWS 및 칩 제조사 Semtech와 협력하여 자산 추적 및 스마트 빌딩 서비스를 위해 LoRa(장거리) 네트워크 장치를 AWS 기본 서비스에 연결하는 키트를 만들어 디지털 데이터 수집을 시작했습니다.

공급망을 위한 API 통합

전문 서비스 회사인 Cognizant의 물류 및 제조 최고 디지털 책임자인 Prasad Satyavolu에 따르면 IoT를 활용하여 데이터 수집 기능을 자동화하고 개선하는 새로운 범주의 시스템이 등장하고 있습니다. 이 회사는 최근 기술 서비스 제공업체인 Bright Wolf를 인수하여 수율 최적화를 포함한 IIoT 애플리케이션의 적용 범위를 확장하는 데 동의했습니다.

"이제 시스템은 전체 공급망의 일부에 대한 가시성을 생성하기 위해 데이터 수집을 위해 IoT를 사용할 수 있습니다."라고 그는 말했습니다. 훨씬 더 큰 이점은 계획 시스템에 통합할 수 있는 외부 데이터입니다. 이러한 맥락에서 Satyavolu는 API(응용 프로그래밍 인터페이스) 통합을 오늘날 공급망 혁신의 핵심 기술 요소로 인용했습니다.

Satyavolu는 최근 몇 달 동안 여러 제조 회사가 COVID-19 전염병에 대한 통계를 위해 Johns Hopkins Worldwide Dashboard의 데이터를 통합했다고 언급했습니다. "이를 API로 사용하고 시스템으로 다시 가져와 글로벌 '연합 상태'에 대한 가시성을 확보할 수 있습니다."라고 그는 말했습니다. 이는 생산 계획에 큰 도움이 되었습니다.

공급망 디지털 트윈

아직 초기 단계에 있지만 Gartner가 "디지털 공급망 쌍"이라고 부르는 또 다른 기술로 주목해야 합니다.

분석가 그룹은 디지털 공급망 쌍을 '물리적 공급망의 작동 방식을 궁극적으로 구성하는 데이터 개체 간의 다양한 연결을 동적이고 실시간으로 시간 단계적으로 표현'하는 것으로 정의합니다. 따라서 제품 수명 관리 도구, 시뮬레이션 소프트웨어 및 통계 모델의 측면은 물론이고 일본의 해체된 후쿠시마 원자력 발전소에서 쓰나미로 피해를 입은 원자로를 기어가는 로봇과 유사하기도 하고 다릅니다.

공급망에 디지털 트윈을 사용하면 창고 운영 및 재고 수준을 시뮬레이션하고 다양한 공급망 시나리오에 대한 가정 분석을 위한 테스트베드를 제공할 수 있습니다. Salley의 추정에 따르면 디지털 공급망 쌍에는 실제 공급망 환경에서 수집한 데이터를 사용하여 구축된 모델이 포함되어 활동을 반영합니다. 날씨 및 기타 외부 데이터를 모델링에 포함할 수 있습니다.

현재 공급망을 위한 디지털 트윈 구축과 관련된 소프트웨어 유형은 다양합니다. 공급망의 주류 외에도 Ansys, Dassault, GE, MathWorks, PTC, Siemens 등과 같은 공급업체가 사냥을 하고 있습니다.

공급망에서 디지털 트윈 기술을 구현하는 것은 문제를 식별하고 먼저 해결할 후보를 선택하는 것으로 시작됩니다. 알려진 비즈니스 문제를 해결하는 것이 좋은 출발점이라고 Sally와 다른 사람들은 조언합니다. 그녀는 디지털 공급망 트윈 프로젝트가 기술과 사용 사례를 입증하기 위해 소규모로 시작될 것으로 기대한다고 말했습니다.

Salley는 또한 레거시 시스템이 이러한 새로운 방법을 자연스럽게 받아들이지 않을 수도 있다고 경고했습니다. 일부 새로운 인프라가 필요할 수 있습니다.

"한 가지 문제는 디지털 공급 쌍이 더 최신 인프라를 필요로 한다는 것입니다."라고 Salley가 말했습니다. 예를 들어 그녀는 공급망에서 네트워크로 연결된 개체 간의 복잡한 상호 연결을 매핑하기 위해 관계형 데이터베이스와 대조되는 새로운 그래프 데이터베이스의 사용을 지적했습니다.

기계 학습과 마찬가지로 시스템에 좋은 데이터를 제공하는 것은 디지털 트윈의 필수 요소입니다. Salley는 디지털 공급망 쌍의 이점은 "높은 세분성과 짧은 대기 시간의 데이터에서 비롯됩니다. IoT가 특히 중요한 역할을 하는 곳입니다.”

스트리밍 IoT 기기 데이터를 통해 공급망 관리자는 조립 라인이 곧 중단될 예정이고, 라인을 계속 가동하기 위해 부품이 필요한 곳이거나, 라인의 생산을 보충하기 위해 생산을 이동할 수 있는 곳(모두 익숙한 생산 라인)을 미리 경고할 수 있습니다. 늦은 장면.

Salley는 오늘날 공급망, 운영 및 IT 관리자가 묻는 질문은 "더 많은 디지털화에 대한 열망"에서 비롯된 것이라고 말했습니다. “언제나 혼란이 있을 것입니다.” 이제 필요한 것은 기술 및 인력과 협력하여 더 나은 가시성, 민첩성 및 탄력성을 확보하고 압박을 받는 상황에서도 올바른 결정을 내리는 것입니다.