利用大数据项目和人工智能推动业务成果

塑造公司如何从其数据和分析能力推动业务价值的未来的最重要的发展是什么？

根据麻省理工学院斯隆管理评论，这是大数据与人工智能的融合。然而，当看到由此产生的商业利益时，许多公司表达了同样的犹豫：“我们没有这方面的数据。它是分散和杂乱无章的。我们的数据不干净。”

人们会有这种担忧是可以理解的。分散、孤立和海量的数据仍然是当今所有行业公司面临的共同挑战。因此，商业领袖可能认为他们还没有准备好部署人工智能等尖端技术。但实际上，情况恰恰相反：人工智能有助于清理、整合和合理化数据，从而推动巨大的业务价值。

在供应链管理和业务运营的四个关键用例中可以看到将 AI 用于大数据项目的最大机会。

用例 1：通过整合需求驱动因素和领先指标来转变预测。

通常，公司根据历史销售和发货数据进行统计预测流程。然而，在当今日益动荡的市场中，过去的事件并不总是未来事件的最佳预测指标。大数据和基于人工智能的模型为面向未来的环境创造了潜力，在这种环境中，公司可以从主要由基于历史发货数据驱动的预测转变为包含各种需求驱动因素的预测。此类驱动因素包括外部事件，包括有竞争力的定价、市场条件和有竞争力的分类，以及与促销和定价相关的内部驱动因素。

如今，试图在没有机器学习和人工智能优势的情况下将需求驱动因素纳入统计预测的公司必须花费大量精力根据异常值对数据进行规范化。例如，销售下降可能是由于供应链限制造成的缺货。但是，预测算法如何知道这种销售下降是由于供应链问题而不是市场需求问题引起的？在传统方法中，必须投入人力来输入“为什么”，并在将数据提供给统计模型之前有效地纠正历史记录。

当公司部署基于人工智能的平台进行需求预测时，这一切都会发生变化。机器学习 (ML) 算法基于数据中的模式构建模型，而不依赖于显式指令。这意味着可以清理、关联驱动需求预测的数据输入，并使用 ML 对结果进行适当的归因。反过来，根据随着时间推移看到的模式，生成基于需求的规范决策。

用例 2：使用学习系统而非部落知识推动规划。

今天，在许多组织中，知识建模在很大程度上仍然是部落式的。当今规划的大部分决策都取决于个人规划者的头脑和判断。例如，如果计划人员收到一份销售预测，表明供应链预算应该用于加速，计划人员会怎么做？他们相信需求是可靠的吗？他们愿意花大钱来满足这种需求，还是会犹豫？加速与否的决定通常是计划人员根据销售主管或客户的个人历史做出的最佳猜测。

当人工智能应用在这个场景中时，部落知识就变成了制度知识。预测与销售的历史数据使基于人工智能的系统能够了解可靠的需求是什么样的，以及谁的预测可能准确（或不准确）。加快或产生额外成本以满足需求的决定现在将基于明智的建议：是的，自动化此请求，因为它非常可靠。或者，谨慎行事，因为该客户过去一直不可靠，并且需要管理层批准此决定。

在这种环境下，可以以更快的速度、准确性和成本效益做出决策权衡。消除人为偏见，确保决策的连续性，无论系统由哪个计划人员负责。

用例 3：通过连接断开的数据创建集成的规划和决策模型。

几乎每家公司都有断开连接的数据。这是一个普遍的挑战。 Vanson Bourne 进行的一项研究估计，由于数据断开连接，美国和英国的组织每年损失总计 1400 亿美元。数据孤岛的存在有多种原因，涉及公司的技术、结构和文化动态。

与断开连接的企业数据相关的经典问题之一源于许多公司通过并购而成长的事实。合并后的公司可能会成为全世界的一个实体，但在幕后，分歧可能会很明显，通常会持续数年。可能有多个企业资源规划 (ERP) 和其他用于销售、供应链和产品管理的孤立系统。在同一个公司的屋顶下，一个单一的产品可能在多个不同的系统中被多个名称所知晓。

这给构建综合图以推动规划目的所需的决策带来了重大挑战。传统的纠正方法包括实施单个 ERP 系统，或纠正所有源系统中的数据。这些项目既昂贵又耗时，让许多公司得出结论：“我们知道它坏了，但我们现在无法修复它。”

沉浸在断开连接的数据中的企业不可避免地会担心处理集成的规划和决策计划。但是通过人工智能和自然语言处理，系统可以确定不同的数据点实际上是同一件事。可以构建一个模型来关联所有这些产品，这样源就不需要更改。库存可见性、计划和决策现在相互关联，因为系统识别出这些产品是相同的。

用例 4：解决规划系统中主数据的挑战。

人工智能在创建规划系统方面的力量在于更快地推动自动化和智能决策。但企业领导者的另一个普遍看法是，制定这些规划决策所需的大部分数据是不存在于任何记录系统中的主数据。

例如，一家大型零售商处理流经配送中心和商店网络的数十万个 SKU。该零售商需要对各个维度所需的容量进行建模，包括处理运输途中、配送中心和商店中货物的存储和劳动力能力。要确定容量要求，零售商必须了解每个 SKU 在各种可用资源上的消耗。一个人卸下一批电视机所花费的时间是劳动密集型的，与卸下一瓶布洛芬所需的时间相差很大，后者相对较轻。

推动良好、准确的规划决策所需的数据应基于流经 DC 的特定产品的数量及其相应的容量要求。但是谁来维护所有数据？过去，这些细节很难建模，因为它们需要在汇总级别完成，而且通常没有人捕获和维护这些数据。

现在，借助大数据和人工智能，零售商可以在记录时使用交易传感器物联网 (IoT) 数据来确定容量要求。当工人从卡车上取走一批产品，将其移入 DC 等等时，会记录大量的交易数据。使用人工智能，零售商可以自动生成决策所需的主数据。知道他们有一批电视机到货后，他们现在掌握了特定的、自动生成的知识，了解移动产品需要多少劳动力。在这里以及在概述的所有用例中，人工智能使公司能够将其数据转化为最有价值的资产之一。

Chakri Gottemukkala 是 o9 Solutions 的首席执行官。