빅 데이터 프로젝트 및 AI로 비즈니스 성과 창출

기업이 데이터 및 분석 기능에서 비즈니스 가치를 창출하는 방식의 미래를 형성하는 가장 중요한 단일 개발은 무엇입니까?

MIT Sloan Management Review에 따르면 빅 데이터와 인공 지능의 융합입니다. 그러나 많은 기업이 결과적으로 얻을 수 있는 비즈니스 이점에 대해 동일한 주저함을 표명합니다. “우리는 이에 대한 데이터가 없습니다. 흩어져 있고 무질서합니다. 데이터가 깨끗하지 않습니다.”

사람들이 이러한 두려움을 느끼는 것은 당연합니다. 분산되고 사일로에 쌓여 있는 방대한 데이터는 오늘날 모든 산업 분야의 기업이 공통적으로 직면하는 과제로 남아 있습니다. 결과적으로 비즈니스 리더는 AI와 같은 최첨단 기술을 배포할 준비가 되지 않았다고 생각할 수 있습니다. 하지만 실제로는 그 반대가 사실입니다. AI는 데이터를 정리, 통합 및 합리화하여 엄청난 비즈니스 가치를 창출하는 데 도움이 됩니다.

빅 데이터 프로젝트에 AI를 활용할 수 있는 가장 큰 기회는 공급망 관리 및 비즈니스 운영의 4가지 주요 사용 사례에서 볼 수 있습니다.

사용 사례 1:수요 동인 및 선행 지표를 통합하여 예측을 혁신합니다.

일반적으로 회사는 과거 판매 및 배송 데이터를 기반으로 통계적 예측 프로세스를 수행합니다. 그러나 오늘날과 같이 점점 더 변덕스러워지는 시장에서 과거 사건이 항상 미래 사건을 가장 잘 예측하는 것은 아닙니다. 빅 데이터 및 AI 기반 모델은 기업이 주로 과거 출하 기반 데이터를 기반으로 하는 예측에서 다양한 수요 동인을 통합하는 예측으로 이동할 수 있는 미래 준비 환경의 잠재력을 창출합니다. 이러한 동인에는 경쟁 가격 책정, 시장 조건, 경쟁 구색을 비롯한 외부 이벤트와 판촉 및 가격 책정과 관련된 내부 동인이 포함됩니다.

오늘날 기계 학습 및 AI의 이점 없이 통계 예측에 수요 동인을 통합하려는 기업은 이상치를 기반으로 데이터를 정규화하는 데 상당한 노력을 기울여야 합니다. 예를 들어, 공급망 제약으로 인한 재고 부족으로 인해 판매 감소가 발생했을 수 있습니다. 그러나 예측 알고리즘은 이러한 판매 감소가 시장의 수요 문제가 아니라 공급망 문제로 인해 발생했다는 것을 어떻게 알 수 있을까요? 전통적인 접근 방식에서는 데이터가 통계 모델에 제공되기 전에 "이유"를 입력하고 이력을 효과적으로 수정하기 위해 사람의 노력이 필요했습니다.

기업이 수요 예측을 위해 AI 기반 플랫폼을 배포하면 모든 것이 바뀝니다. 머신 러닝(ML) 알고리즘은 명시적 지침에 의존하지 않고 데이터의 패턴을 기반으로 모델을 구축합니다. 즉, 수요 예측을 주도하는 데이터 입력을 정리하고 상관 관계를 지정하고 ML을 사용하여 결과에 적절한 귀속을 부여할 수 있습니다. 차례로, 시간 경과에 따른 패턴을 기반으로 처방적 수요 기반 결정이 생성됩니다.

사용 사례 2:부족 지식 대신 ​​학습 시스템으로 계획 추진

오늘날 지식 모델링은 많은 조직에서 여전히 부족합니다. 오늘날 계획을 위한 의사 결정의 대부분은 개별 계획자의 머리와 판단에 달려 있습니다. 예를 들어 기획자가 공급망 예산을 신속하게 처리해야 한다는 판매 예측을 받은 경우 기획자는 어떻게 합니까? 그들은 수요가 신뢰할 수 있다고 믿습니까? 그들은 그 수요를 충족시키기 위해 기꺼이 돈을 쓸 의향이 있습니까, 아니면 주저할 것입니까? 촉진 여부를 결정하는 것은 영업 담당자나 고객과의 개인 기록을 바탕으로 계획자가 가장 잘 추측하는 경우가 많습니다.

이 시나리오에 AI가 적용되면 부족 지식이 제도적 지식이 됩니다. 예측 대 판매에 대한 과거 데이터를 통해 AI 기반 시스템은 신뢰할 수 있는 수요가 무엇인지, 예측에서 누가 정확할지(또는 정확하지 않을지) 학습할 수 있습니다. 수요를 충족하기 위해 신속하게 처리하거나 추가 비용을 발생시키는 결정은 이제 지능형 권장 사항을 기반으로 합니다. 예, 매우 안정적이기 때문에 이 요청을 자동화합니다. 또는 이 고객은 과거에 신뢰할 수 없었고 이 결정에 대한 경영진의 승인이 필요하므로 주의하여 진행하십시오.

이러한 환경에서는 더 빠르고 정확하며 비용 효율성이 높은 의사 결정을 내릴 수 있습니다. 어떤 계획자가 시스템을 관리하는지에 관계없이 인간의 편견이 제거되고 의사 결정의 연속성이 보장됩니다.

사용 사례 3:단절된 데이터를 연결하여 통합 계획 및 의사 결정 모델 생성

거의 모든 회사에서 데이터 연결이 끊겼습니다. 만연한 도전입니다. Vanson Bourne이 수행한 연구에 따르면 미국과 영국 조직은 연결되지 않은 데이터로 인해 매년 총 1,400억 달러의 손실을 보고 있습니다. 데이터 사일로는 회사의 기술적, 구조적, 문화적 역학을 아우르는 다양한 이유로 존재합니다.

단절된 기업 데이터와 관련된 고전적인 문제 중 하나는 많은 기업이 인수합병을 통해 성장했다는 사실에 뿌리를 두고 있습니다. 합병된 회사는 세계에서 하나의 실체가 될 수 있지만, 배후에서 분할은 종종 몇 년 동안 쉽게 명백하게 남아 있을 수 있습니다. 영업, 공급망 및 제품 관리를 위한 여러 ERP(전사적 자원 관리) 및 기타 사일로 시스템이 있을 수 있습니다. 한 회사 지붕 아래에서 단일 제품이 여러 이종 시스템에서 여러 이름으로 알려질 수 있습니다.

이는 계획 목적에 필요한 의사 결정을 촉진하기 위해 통합된 그림을 구성하는 데 상당한 어려움을 야기합니다. 기존의 수정 접근 방식에는 단일 ERP 시스템 구현 또는 모든 소스 시스템의 데이터 수정이 포함됩니다. 이러한 프로젝트는 비용과 시간이 많이 소요되어 많은 회사에서 "고장난 것을 알고 있지만 지금 당장 고칠 수는 없습니다."라고 결론을 내립니다.

연결되지 않은 데이터에 몰두한 기업은 필연적으로 통합 계획 및 의사 결정 이니셔티브를 처리하는 것에 대해 우려하게 됩니다. 그러나 AI와 자연어 처리를 통해 시스템은 다양한 데이터 포인트가 사실 동일한 것임을 결정할 수 있습니다. 소스를 변경할 필요가 없도록 모든 제품을 상호 연관시키는 모델을 구성할 수 있습니다. 재고 가시성, 계획 및 의사 결정은 이제 시스템이 동일한 제품을 인식하기 때문에 연결됩니다.

사용 사례 4:계획 시스템에서 마스터 데이터의 문제 해결.

계획 시스템을 만드는 데 있어 AI의 힘은 자동화되고 지능적인 의사 결정을 보다 신속하게 추진하는 데 있습니다. 그러나 기업 리더들이 흔히 삼가는 또 다른 점은 이러한 계획 결정을 내리는 데 필요한 데이터의 대부분이 기록 시스템에 없는 마스터 데이터라는 것입니다.

예를 들어, 한 대형 소매업체는 유통 센터와 매장 네트워크를 통해 흐르는 수십만 개의 SKU를 처리합니다. 해당 소매업체는 운송 중, DC 및 매장에서 상품을 처리하기 위해 보관 및 노동 능력을 포함하여 다양한 차원에서 필요한 용량을 모델링해야 합니다. 용량 요구 사항을 결정하려면 소매업체는 사용 가능한 다양한 리소스에서 각 SKU가 소비하는 것을 이해해야 합니다. 노동 집약적인 텔레비전 선적물을 내리는 데 걸리는 시간은 상대적으로 가벼운 이부프로펜 선적물을 내리는 데 필요한 시간과 크게 다릅니다.

정확하고 올바른 계획 결정을 내리는 데 필요한 데이터는 DC를 통해 흐르는 특정 제품의 양과 해당 용량 요구 사항을 기반으로 해야 합니다. 그러나 누가 모든 데이터를 유지합니까? 과거에는 이러한 세부 정보를 종합적인 수준에서 수행해야 하고 해당 데이터를 캡처하고 유지 관리하는 사람이 아무도 없었기 때문에 모델링하기가 어려웠습니다.

이제 소매업체는 빅 데이터와 AI를 통해 용량 요구 사항을 결정하기 위해 로깅할 때 트랜잭션 센서 사물 인터넷(IoT) 데이터를 사용할 수 있습니다. 작업자가 트럭에서 선적된 제품을 DC로 옮기는 등의 작업에 따라 엄청난 양의 트랜잭션 데이터가 기록되고 있습니다. AI를 사용하여 소매업체는 의사 결정에 필요한 마스터 데이터를 자동으로 생성할 수 있습니다. TV 배송이 도착했다는 사실을 알게 된 그들은 이제 제품을 옮기는 데 얼마나 많은 노동력이 필요한지에 대한 구체적이고 자동 생성된 지식으로 무장했습니다. 여기에서 설명된 모든 사용 사례에서 AI를 통해 기업은 데이터를 가장 가치 있는 자산 중 하나로 변환할 수 있습니다.

Chakri Gottemukkala는 o9 Solutions의 CEO입니다.