AI가 '더티' 데이터 문제를 해결하는 방법

운영 위험 감소는 공급망과 관련하여 게임의 이름입니다. 안정적이면서도 린 접근 방식을 달성하려면 공급망이 민첩하고 탄력적이어야 합니다. 그러나 두 가지 특성 모두 역사적으로 "깨끗한" 데이터에 의존해 왔습니다. 그리고 지난 봄 전 세계적으로 COVID-19 전염병이 발생했을 때 개인 보호 장비(PPE)와 화장지의 필요성이 급증했을 때 많은 조직이 준비되지 않았습니다. 비즈니스 리더는 즉각적인 공급 요청을 충족하기 위해 적절한 데이터 정리를 위해 몇 달을 기다릴 수 없었습니다. 데이터는 사용 가능하고 실행 가능해야 했습니다. 제조업체가 변화하는 수요를 충족하기 위해 고군분투하면서 공급망의 효율성이 필수적이 되었습니다.

기존 상황에서는 데이터 정리가 필요했지만 수동으로 수행하려면 시간이 많이 걸립니다. COVID-19 이전에도 이 프로세스는 공급망 효율성을 저해했지만 팬데믹이 본격화되면 더 이상 속도를 늦출 수 없습니다. 기존의 데이터 정리는 그 유용성보다 더 오래 지속되었으며 이제 이동할 때가 되었습니다. 이제 인공 지능과 머신 러닝이 빅 데이터가 생성하는 소음을 차단할 때입니다.

전체 비즈니스 이해

한발 물러서서 사업 운영 전체를 살펴보십시오. 현재 시설의 공급품에 대한 대부분의 정확한 보기가 있을 수 있지만 다른 연결된 시설에 대한 가시성 상태는 어떻습니까? 또한, 다른 공급업체의 재고에 대해 알려진 것은 무엇이며 생산 요구 사항을 얼마나 빨리 충족할 수 있습니까?

아마도 I.T. 부서에는 다른 위치에 있는 자매 공장에 대한 통찰력을 제공할 수 있는 도구가 있지만 공급업체가 동시에 무엇을 가지고 있는지 알 수 있는 방법은 거의 없습니다. 그 문제를 해결하는 유일한 방법은 당장 필요한 것이 아니더라도 손에 들고 있는 재료를 모아서 준비하는 것입니다. 그러나 이러한 접근 방식은 종종 한 유형의 인벤토리는 너무 많이 보유하고 다른 유형은 충분하지 않게 만듭니다. 생산 요구 사항을 충족하기 위해 의미 있는 소싱 조정을 수행할 실시간 정보가 충분하지 않습니다.

모든 정보를 수집하기 위한 오랜 대안은 데이터 정리입니다.

알고리즘이 지시하도록 함

모든 조직은 프로젝트 기반 데이터 정리로 인해 수갑을 채우고 있습니다. 비용이 많이 들고 시간이 많이 걸리며 장기적인 ROI를 저해합니다. 지속 가능한 전략이 아니며 일반적으로 프로세스를 몇 년마다 반복해야 합니다.

팬데믹 이전에도 데이터 정리로 인해 공급망 프로세스가 느려져 비즈니스 운영이 저하되었습니다. 최대 1년이 소요될 것으로 예상되는 데이터 정리에 50만 달러를 지출하는 것은 조직에 거의 도움이 되지 않습니다. 최고의 기술을 사용해도 똑같은 나쁜 과정이 반복됩니다.

AI와 머신 러닝을 입력하세요. 비용 효율적이고 빠르고 쉬운 실험은 혁신적인 비즈니스 프로세스의 핵심입니다. 이 경우 오래된 데이터 정리를 기계 학습 알고리즘으로 대체하여 1년에 걸친 프로세스를 단 몇 주일로 단축하는 것을 의미합니다.

AI는 기존 데이터로 구현되어 데이터 정리 프로세스를 사용하지 않고도 더 나은 결정을 내리고 즉시 인텔리전스를 생성합니다. AI 프로세스는 사일로에서 데이터를 가져오므로 조직은 일대일 관계에서 전체 공급망 네트워크에 대한 큰 그림 개요로 이동할 수 있습니다. 머신 러닝으로 생성된 알고리즘은 새로운 수준의 가시성을 제공하고 공급망 네트워크 내의 다른 사람들이 귀중한 데이터를 공유할 수 있는 기회를 제공합니다.

AI와 머신 러닝을 사용하면 더 나은 데이터 사용을 위한 몇 가지 새로운 기회가 열립니다. 하나는 데이터로 동시에 여러 작업을 수행할 수 있는 기능입니다. 예를 들어, 관리자가 재고를 줄여야 할 때라고 말하면 일반적으로 필요할 때 재고가 없을 위험 때문에 이를 주저할 수 있습니다. 그러나 이 새로운 모델에서는 더 이상 문제가 되지 않습니다. 시설뿐 아니라 네트워크 내의 조직 전반에 걸쳐 재고에 묶여 있는 운전 자본을 더 잘 최적화할 수 있기 때문입니다. 이렇게 하면 위험이 줄어듭니다. 이제 필요한 것을 언제 어디서 필요로 하는지에 대한 정보와 확신을 갖게 되었기 때문입니다.

이 패러다임은 인더스트리 4.0 프로세스로의 원활한 전환을 가능하게 합니다. 기계의 한 부분에 센서 문제가 있는 경우 공급업체에 경고를 보내고 해당 부품을 제공합니다. 데이터를 실시간으로 사용하여 긴 다운타임 기간을 제거합니다.

더럽고 중복된 데이터로 인해 더 이상 공급망 운영이 느려져서는 안 됩니다. 머신 러닝으로 생성된 알고리즘을 사용하면 데이터로 더 나은 결정을 내리고 모든 수준에서 공급망이 작동하도록 할 수 있습니다.

Paul Noble은 Verusen의 창립자이자 CEO입니다.