por que Inteligência Artificial Totalmente transformado Correntes de fornecimento ? Vários anos atrás, alguns de nós previam que a automação movida a IA levaria a “ A morte do gerenciamento da cadeia de suprimentos. ”Vimos o potencial de transformar as cadeias de fornecimento em utilitários auto-reguladores que gerenciam idealmente os fluxos de trabalho de ponta a ponta com pouca intervenção humana. No entanto, apesar dos investimentos pesados, as empresas não perceberam a visão das cadeias de suprimentos gerenciadas por AIs. As empresas estão aplicando. dados externos e aprende continuamente com os resultados para melhorar o desempenho. Os motores analíticos automatizam a tomada de decisões em vez de apenas fornecer informações aos profissionais, que devem manter o ônus de tomar decisões. O sucesso requer promover a confiança das pessoas na IA e a introdução de um novo modelo operacional, entre outros facilitadores. As empresas que fazem os investimentos certos aumentarão sua resiliência à volatilidade do mercado e à escassez de talentos e alcançarão maior desempenho sustentado. (Veja o Anexo 1.) Durante esse período, o desempenho da entrega diminuiu independentemente dos níveis de estoque e pessoal. Mesmo quando as empresas aumentaram os níveis de estoque e pessoal no início do Covid-19, elas ainda não conseguiram impedir um declínio acentuado no serviço. Uma pesquisa do BCG constatou que as empresas planejam usar esse gasto principalmente para aprimorar as subfunções tradicionais. A previsão da demanda é a maior prioridade, seguida de rastreamento, planejamento e automação. (Veja a Figura 2.) Vemos poucas evidências de que as empresas estão considerando casos de uso de IA que permitem a tomada de decisão autônoma. Na ausência de aplicações inteiramente novas da IA, não é de surpreender que os desafios de décadas de níveis de serviço em declínio, inventários abaixo do ideal e o esforço manual excessivo persistem. Desafios por vários motivos. O gerenciamento da cadeia de suprimentos é inerentemente complexo. Requer a participação de várias funções (incluindo compras, fabricação, logística e vendas), bem como subfunções (como planejamento de demanda, planejamento de estoque e programação). Estruturas organizacionais e sistemas de incentivo motivam os funcionários a otimizar o desempenho de sua própria função ou subfunção, em vez da da cadeia de suprimentos de ponta a ponta.
A recent study by BCG and Aera Technology sought to pinpoint the source of companies’ struggles to maximize value from AI in supply chains. We found that the root cause lies not with technology but with how and where companies are applying it. Most still focus on using AI for analytics and prediction—for example, to forecast demand and plan production. Companies have not pursued the more valuable application of using AI to make recurring decisions by recognizing patterns in big data that humans cannot see.
To unlock the full potential, companies need to deploy an AI-powered learning system that is integrated across functions. This system makes decisions based on enterprise-wide and external data and continuously learns from the outcomes to improve performance. Analytical engines automate decision making instead of just providing insights to practitioners, who must retain the burden of making decisions. Success requires fostering people’s trust in AI and introducing a new operating model, among other enablers. Companies that make the right investments will increase their resilience to market volatility and talent scarcity and achieve higher sustained performance.
Fundamental Problems Persist
BCG’s analysis of supply chain KPIs from 2011 through 2020 reveals insufficient progress in addressing fundamental supply chain problems. (See Exhibit 1.) During that period, delivery performance declined independently of inventory and staffing levels. Even when companies boosted inventory and staffing levels at the onset of COVID-19, they still could not prevent a steep decline in service.
To improve supply chain performance, many companies have ramped up their investments in digital technology. A BCG survey found that companies plan to use this spending mainly to enhance traditional subfunctions. Demand forecasting is the highest priority, followed by tracking, planning, and automation. (See Exhibit 2.) We see little evidence that companies are considering AI use cases that enable autonomous decision making. In the absence of entirely new applications of AI, it is not surprising that the decades-old challenges of declining service levels, suboptimal inventories, and excessive manual effort persist.
Why Have Companies Struggled?
Companies have struggled to use AI to address fundamental supply chain challenges for a variety of reasons. Supply chain management is inherently complex. It requires the participation of several functions (including procurement, manufacturing, logistics, and sales) as well as subfunctions (such as demand planning, inventory planning, and scheduling). Organizational structures and incentive systems motivate employees to optimize the performance of their own function or subfunction rather than that of the end-to-end supply chain. O gerenciamento de compensações entre as partes interessadas é complicado, porque o pessoal da cadeia de suprimentos geralmente precisa atender aos requisitos concorrentes de outras funções sem ter o poder de tomar a decisão final. Mas o problema é tipicamente falta de conhecimento do assunto, que não pode ser resolvido simplesmente criando equipes maiores. Os artistas de alto potencial geralmente não consideram o gerenciamento da cadeia de suprimentos como uma carreira de longo prazo preferida e muda para outras funções após apenas dois ou três anos. Devido à alta rotatividade, o conhecimento institucional acaba disperso pela empresa ou escapa completamente da empresa. decisões reconhecendo padrões em big data que os humanos não podem ver.
Companies often try to improve their supply chain performance by adding more people to a function (as shown in Exhibit 1). But the problem is typically a lack of subject matter knowledge, which cannot be solved simply by creating larger teams. High-potential performers often do not regard supply chain management as a preferred long-term career path and move to other functions after only two or three years. Because of the high turnover, institutional knowledge ends up dispersed across the enterprise or escapes the company altogether.
These organizational challenges make it hard for supply chain managers to focus on solving problems that can improve long-term performance, such as building new skills, forming the right partnerships, and setting the right KPIs.
Companies have not pursued the more valuable application of using AI to make recurring decisions by recognizing patterns in big data that humans cannot see.
No lado técnico, ainda precisamos ver soluções comprovadas em escala para sistemas de aprendizado orientados a IA em cadeias de suprimentos. Permanecem perguntas sobre se é possível implantar um sistema integrado abrangente para abordar todas as decisões da cadeia de suprimentos. A obtenção de dados de boa qualidade para treinar sistemas de aprendizado também é um desafio, apesar da explosão na disponibilidade de dados e no desenvolvimento de tecnologia inovadora para integrá-lo. Além disso, as empresas já estão investindo financiamento e recursos significativos em novos sistemas de planejamento para abordar questões induzidas por pandemia; portanto, podem não conseguir dedicar dinheiro e pessoal para implementar sistemas de aprendizagem no curto prazo. Por exemplo, as empresas depositam muita fé na tomada de decisão de consenso para promover o alinhamento e o compromisso entre as partes interessadas. Eles também estão confiantes demais sobre a capacidade das pessoas de entender os eventos, situações e dados. Finalmente, eles se destacam demais em atualizações lineares da tecnologia, não reconhecendo a necessidade de implantar tecnologia disruptiva e adaptar sistemas herdados ao fazê-lo.
At many companies, efforts to deploy new technology to improve supply chain performance are impeded by misconceptions. For example, companies place too much faith in consensus decision making to promote alignment and commitment among stakeholders. They are also too confident about people’s ability to make sense of events, situations, and data. Finally, they over-rely on linear upgrades of technology, failing to recognize the need to deploy disruptive technology and adapt legacy systems when doing so.
A nova visão: um sistema de aprendizado integrado
To fulfill the promise of an AI-powered autonomous supply chain, companies need to deploy cognitive automation at scale in an integrated learning system.
Here is an example that illustrates what this means in practice: An AI-powered platform learns from supply chain practitioners’ past decisions by considering how they affected key objectives (such as service level and cost to serve). Based on historical patterns, it recommends actions to respond to new, similar situations. As execution proceeds, the platform continuously analyzes real-time data to make recurring decisions that optimize performance. The platform conceals complexity from the company’s personnel and engages with them only as needed. In the earliest stages of using the platform, practitioners are involved in reviewing the validity of proposed actions and executing them. They also give feedback to data scientists and system architects on how to enhance the platform. Over time, the platform matures toward more automated execution with less human intervention. By digitizing the supply chain function’s institutional knowledge and autonomously executing decisions in collaboration with humans, the platform helps to address the challenges of talent scarcity and high turnover.
To unlock the full potential, companies need to deploy an AI-powered learning system that is integrated across functions.
Uma empresa líder de bens de consumo está usando essa plataforma para desbloquear novos níveis de agilidade e aprendizado. Uma aplicação importante é acelerar a tomada de decisão, execução e aprendizado ao introduzir novos produtos em um mercado. Por exemplo, a plataforma identificou rapidamente quais produtos herdados remover do mercado para maximizar os benefícios econômicos de novos produtos. A empresa usou os recursos para apoiar uma ampla variedade de aplicativos - como otimizar compras de mídia com base na disponibilidade do produto ou na interrupção de um pedido de compra se um fornecedor enfrentar desafios de sustentabilidade. Até agora, a plataforma emitiu 300.000 recomendações automatizadas, dos quais aproximadamente 60% foram executados sem intervenção humana. A empresa agora visa aumentar isso para mais de 90%. Chegar a esse estágio não foi fácil. A empresa precisava investir um esforço significativo para projetar a plataforma, bem como para construir a confiança das pessoas em recomendações geradas pela IA e execução automatizada.
Como as empresas podem realizar a visão?
As empresas devem tomar várias medidas para realizar a visão de um sistema de aprendizado integrado. Priorize os casos de uso da IA que se aplicam em várias funções, em vez de procurar melhorar o desempenho de atividades específicas de planejamento funcional. Procure aplicações transacionais e multifuncionais para as quais a IA pode recomendar decisões sob condições de incerteza, aprendendo com situações comparáveis no passado.
Focus on cross-functional decision making amid uncertainty. Prioritize AI use cases that apply across several functions, rather than seeking to improve the performance of specific, functional planning activities. Look for cross-functional, transactional applications for which AI can recommend decisions under conditions of uncertainty by learning from comparable situations in the past.
Design entirely new human–machine operating models. Hoje, as pessoas executam a maior parte do trabalho enquanto usam plataformas de análise para fornecer insights situacionais frequentemente complexos. Nos piores casos, eles o fazem em silos organizacionais que operam muito independentemente ao longo do fluxo de material de ponta a ponta. Nos melhores casos, a empresa usa um modelo operacional multifuncional e semelhante ao hub, no qual as equipes de planejamento tentam encontrar boas soluções em um ambiente complexo com alguma ajuda da análise. Em O novo modelo operacional , uma plataforma de IA cuidadosamente projetada encontra as soluções. (Veja a Figura 3.) A visão de conectar informações perfeitamente nos vários "fluxos" de atividade na cadeia de suprimentos de ponta a ponta se torna mais realista. O mecanismo de IA suporta planejadores na coleta de informações de todas as fontes e aumenta apenas decisões críticas ao gerente responsável por um fluxo específico. Os profissionais entendem as recomendações geradas pela IA, promovem conceitos "explicáveis da IA" e promovem a confiança nas recomendações. Os arquitetos do sistema aplicam lições aprendidas para melhorar o design da próxima geração, construindo assim a capacidade da plataforma de IA na tomada de decisões.
Double down on building people’s trust in AI. Especialmente nos primeiros estágios da implementação, os profissionais precisam colaborar com cientistas de dados e arquitetos de sistema para melhorar continuamente as recomendações do mecanismo de IA. Os profissionais perceberão rapidamente que o mecanismo de IA assumirá aspectos importantes de seu trabalho. Para facilitar suas preocupações, uma empresa precisa incorporar a construção de confiança em uma estratégia de modelo operacional de longo prazo, que inclui novos papéis para os tomadores de decisão tradicionais.
Gear pilots toward automation, not visibility and analytics. Muitos pilotos digitais são voltados para fornecer visibilidade total, geralmente em tempo real. De fato, algumas empresas vêem a visibilidade como um pré -requisito para cada nova etapa na jornada da cadeia de suprimentos digital. No entanto, a visibilidade coloca os encargos da complexidade nas pessoas, forçando -as a processar muitos sinais. Analytics criar um problema semelhante. Os planejadores precisam entender as idéias que recebem, mas normalmente não têm tempo suficiente para digerir todos os insumos e tomar boas decisões. Uma abordagem melhor é usar pilotos para testar a aplicação da automação para gerar decisões. Os profissionais, cientistas de dados e arquitetos de sistema podem obter uma experiência valiosa em colaborar para melhorar o mecanismo de IA.
Aprenda com outras funções e indústrias. Indústrias de frente, como companhias aéreas e fabricantes de veículos autônomos, estão usando a automação cognitiva em escala. Embora distante, o uso de IA em veículos autônomos fornece uma analogia para os gerentes da cadeia de suprimentos. Um veículo autônomo requer tomada de decisão automatizada, constantemente e em escala. Os algoritmos de IA de que o poder foram treinados - na vida real e nos simuladores usando uma ampla variedade de conjuntos de dados - para reagir a situações imprevistas. Para os gerentes da cadeia de suprimentos, isso aponta para a necessidade de encontrar os conjuntos de dados certos (interna e externamente) para treinar o mecanismo de decisão. Para tornar isso possível, o papel do gerente de compra de dados se tornará mais proeminente na compra.
Implementar os blocos de construção fundamentais. Defina um roteiro abrangente e focado em valor para o desenvolvimento do sistema de aprendizado integrado. O roteiro deve cobrir a implementação dos pré -requisitos técnicos, como gerenciamento de dados apropriado, governança de dados e recursos de qualidade de dados. Ele também deve detalhar como o sistema de aprendizagem será integrado aos sistemas principais para planejamento da cadeia de suprimentos, colaboração multiporerprise e execução. Para garantir o impulso contínuo e o apoio do financiamento da liderança, o roteiro deve agregar valor à empresa em vários horizontes de tempo.
Apresente novos papéis. Em uma cadeia de suprimentos auto-reguladora, a transição do pessoal do gerenciamento para uma variedade de funções especializadas, com novas cartas e perfis. (Veja o Anexo 4.) A ênfase muda de combate a incêndio e tomada de decisão de rotina para a construção e orquestração de um ecossistema da cadeia de suprimentos que inclui provedores de tecnologia e integradores de dados. Para acelerar sua morte, as empresas devem pensar de maneira diferente sobre como e onde aplicam a IA. Em vez de usá -lo para analisar dados e aumentar a visibilidade, eles precisam confiar na capacidade da IA de aprender continuamente e tomar decisões que otimizam o desempenho. As primeiras empresas a dominar os desafios liderarão o caminho para capturar o valor total de uma cadeia de suprimentos auto-reguladora. A Aera Technology é a empresa de inteligência de decisão. Nossa inovadora plataforma em nuvem se integra aos seus sistemas existentes para digitalizar, aumentar e automatizar a tomada de decisões em tempo real.
The death of supply chain management is inevitable. To hasten its demise, companies must think differently about how and where they apply AI. Instead of using it to analyze data and enhance visibility, they need to trust AI’s ability to continuously learn and make decisions that optimize performance. The first companies to master the challenges will lead the way in capturing the full value of a self-regulating supply chain.
