AI가 공급망의 '더티 데이터' 문제를 해결하는 방법

운영 리스크 감소는 공급망에서 게임의 이름입니다. 신뢰할 수 있으면서도 린(Lean)한 접근을 달성하기 위해 공급망은 동시에 민첩하고 탄력적이어야 합니다. 하지만 이 두 가지 특성은 역사적으로 '깨끗한' 데이터에 의존해 왔습니다. 그리고 많은 조직은 지난 봄 글로벌 코로나19 팬데믹 초기 개인 보호 장비(PPE)와 화장지 수요가 급증했을 때 준비가 되어 있지 않았습니다. 비즈니스 리더들은 즉각적인 공급 요청을 충족하기 위해 몇 달 동안 제대로 된 데이터 정제를 기다릴 수 없었습니다. 데이터는 사용 가능하고 실행 가능해야 했습니다. 공급망의 효율성은 제조업체들이 변화하는 수요를 충족하기 위해 고군분투하면서 필수적이 되었습니다.

전통적인 상황에서는 데이터 정제가 요구되었겠지만, 이를 수동으로 수행하는 것은 시간이 많이 걸립니다. 코로나19 이전에도 이 프로세스는 공급망 효율성을 저해했지만, 팬데믹이 본격화되자 '느림'은 더 이상 선택지가 아니었습니다. 전통적인 데이터 정제는 그 유용성을 다했으며, 이제 앞으로 나아갈 때입니다. 인공지능과 머신러닝이 빅데이터가 생성하는 노이즈를 뚫고 나가게 할 때입니다.

비즈니스 전체 파악하기

한발 물러서서 비즈니스 운영의 전체를 살펴보세요. 현재 시설의 재고에 대한 대부분 정확한 시각이 있을 수 있지만, 다른 연결된 시설들에 대한 가시성은 어떤 상태인가요? 또한 다른 공급업체들의 재고와 그들이 생산 니즈를 얼마나 빨리 충족할 수 있는지에 대해 무엇을 알고 있나요?

아마 IT 부서에 다른 위치의 자매 공장에 대한 통찰력을 제공하는 도구가 있을 수 있지만, 공급업체들이 동시에 무엇을 가지고 있는지 알 방법은 거의 없습니다. 이를 우회하는 유일한 방법은 필요한 재료를 더 비축해 두는 것인데, 그것이 지금 당장 정확히 필요한 것일 필요는 없습니다. 하지만 이 접근법은 종종 한 유형의 재고는 너무 많고 다른 유형은 부족한 결과를 초래합니다. 생산 니즈를 충족하기 위해 의미 있는 소싱 조정을 할 만큼 충분한 실시간 정보가 없습니다.

이 모든 정보를 수집하기 위한 오랜 관행은 데이터 정제였습니다.

알고리즘이 주도하게 하라

모든 곳의 조직들이 프로젝트 기반 데이터 정제에 발목이 잡혀 있습니다. 비용이 많이 들고, 시간이 오래 걸리며, 장기 ROI를 해칩니다. 지속 가능한 전략이 아니며, 일반적으로 몇 년마다 반복되어야 합니다.

팬데믹 이전에도 데이터 정제는 공급망 프로세스를 늦추고 비즈니스 운영을 저하시켰습니다. 50만 달러를 들여 최대 1년이 걸리는 데이터 정제를 수행해도 조직에 거의 이득이 없습니다. 최고의 기술로도 같은 나쁜 프로세스가 반복됩니다.

AI와 머신러닝이 등장했습니다. 비용 효율적이고 빠르고 쉬운 실험은 혁신적인 비즈니스 프로세스의 열쇠입니다. 이 경우, 머신러닝 알고리즘으로 기존 데이터 정제를 대체함으로써 1년 걸리던 프로세스를 단 몇 주로 단축하는 것을 의미합니다.

AI는 기존 데이터로 구현되어 데이터 정제 프로세스 없이 즉시 더 나은 결정을 내리고 인텔리전스를 생성합니다. AI 프로세스는 데이터를 사일로에서 꺼내어, 조직이 일대일 관계에서 전체 공급망 네트워크의 큰 그림 개요로 이동할 수 있게 합니다. 머신러닝으로 생성된 알고리즘은 새로운 수준의 가시성을 제공하고, 공급망 네트워크 내 다른 이들이 가치 있는 데이터를 공유할 수 있는 문을 엽니다.

AI와 머신러닝을 사용하면 데이터를 더 잘 활용할 수 있는 여러 새로운 기회가 열립니다. 하나는 데이터를 가지고 동시에 여러 작업을 수행하는 능력입니다. 예를 들어, 관리자가 재고를 줄일 때라고 말하면, 필요할 때 재고가 없을 위험 때문에 보통 주저하게 됩니다. 하지만 이 새로운 모델에서는 더 이상 문제가 아닙니다. 귀사의 시설뿐만 아니라 네트워크 내 조직 전반에 걸쳐 재고에 묶인 운전자본을 더 잘 최적화할 수 있기 때문입니다. 이는 리스크를 줄여줍니다. 왜냐하면 이제 필요한 것을, 필요한 때와 장소에 가지고 있다는 인텔리전스와 확신을 가지게 되기 때문입니다.

이 패러다임은 인더스트리 4.0 프로세스로의 더 원활한 전환을 가능하게 합니다. 한 기계에 센서 문제가 있으면 공급업체에 알리고 부품을 제공합니다. 데이터의 실시간 사용은 긴 다운타임 기간을 제거합니다.

더티하고 중복된 데이터가 더 이상 공급망 운영을 늦추게 해서는 안 됩니다. 머신러닝으로 생성된 알고리즘은 귀사가 데이터로 더 나은 결정을 내려 공급망이 모든 수준에서 기능하게 할 것입니다.

Paul Noble은 Verusen의 창립자 겸 최고경영자입니다.