ビッグデータプロジェクトとAIでビジネスの成果を推進

企業がデータおよび分析機能からビジネス価値を推進する方法の未来を形作る最も重要な開発は何ですか？

MIT Sloan Management Reviewによると、ビッグデータと人工知能の融合です。それでも、多くの企業は、結果として生じるビジネス上のメリットを提示されたときに、同じためらいを表明します。「そのためのデータはありません。散らばっていてまとまりがありません。私たちのデータはきれいではありません。」

人々がこの不安を感じることは理解できます。分散した、サイロ化された、大量のデータは、今日でもすべての業界の企業に共通の課題となっています。その結果、ビジネスリーダーは、AIのような最先端のテクノロジーを導入する準備ができていないと考えるかもしれません。ただし、実際には、その逆が当てはまります。AIは、データのクリーンアップ、統合、合理化を支援して、多大なビジネス価値を推進します。

ビッグデータプロジェクトにAIを活用する最大の機会は、サプライチェーン管理と事業運営における4つの主要なユースケースに見られます。

ユースケース1：需要ドライバーと先行指標を組み込むことで予測を変革します。

通常、企業は過去の販売および出荷データに基づいて統計的予測プロセスを行います。しかし、今日のますます不安定になる市場では、過去の出来事が常に将来の出来事の最良の予測因子であるとは限りません。ビッグデータとAIベースのモデルは、将来に備えた環境の可能性を生み出します。この環境では、企業は、主に過去の出荷ベースのデータに基づく予測から、さまざまな需要の推進要因を組み込んだ予測に移行できます。このような推進要因には、競争力のある価格設定、市場の状況、競争力のある品揃えなどの外部イベント、およびプロモーションと価格設定に関連する内部推進要因が含まれます。

機械学習とAIのメリットを活用せずに、今日の統計予測に需要ドライバーを取り入れようとしている企業は、外れ値に基づいてデータを正規化することに多大な労力を費やす必要があります。たとえば、サプライチェーンの制約によって在庫切れが発生したために売上が落ち込んだ可能性があります。しかし、予測アルゴリズムは、この売上高の落ち込みが、市場の需要の問題ではなく、サプライチェーンの問題が原因で発生したことをどのように知るのでしょうか。従来のアプローチでは、「理由」を入力し、データが統計モデルに提供される前に履歴を効果的に修正するために、人間の努力を展開する必要がありました。

企業が需要予測のためにAIベースのプラットフォームを導入すると、これらすべてが変わります。機械学習（ML）アルゴリズムは、明示的な指示に依存することなく、データのパターンに基づいてモデルを構築します。これは、需要予測を推進するデータ入力をクレンジングし、相関させ、MLを使用して結果に適切に帰属させることができることを意味します。次に、時間の経過とともに見られるパターンに基づいて、規範的な需要ベースの決定が生成されます。

ユースケース2：部族の知識ではなく学習システムを使用して計画を推進します。

今日、知識のモデル化は、多くの組織で主に部族のままです。今日の計画に関する意思決定の多くは、個々の計画担当者の頭と判断にあります。たとえば、プランナーがサプライチェーンの予算を迅速化に向けるべきであることを示す売上予測を受け取った場合、プランナーは何をしますか？彼らは需要が信頼できると信じていますか？彼らはその需要を満たすために多額の費用を費やすことをいとわないのでしょうか、それとも躊躇するのでしょうか。迅速にするかどうかの決定は、多くの場合、営業担当者または顧客との個人的な履歴に基づいたプランナーの最良の推測です。

このシナリオでAIを適用すると、部族の知識が制度的な知識になります。予測と売上の履歴データにより、AIベースのシステムは、信頼できる需要がどのように見えるか、予測が正確である（または正確でない）可能性が高いかを知ることができます。需要を満たすために迅速に追加費用を負担するかどうかの決定は、インテリジェントな推奨事項に基づいて行われます。はい、このリクエストは非常に信頼性が高いため、自動化してください。または、この顧客は過去に信頼できず、この決定の管理者の承認が必要であるため、注意して続行してください。

この環境では、意思決定のトレードオフをより高速、正確、費用対効果で行うことができます。どのプランナーがシステムを担当しているかに関係なく、人間の偏見が取り除かれ、意思決定の継続性が確保されます。

ユースケース3：切断されたデータを接続することにより、統合された計画モデルと意思決定モデルを作成します。

事実上すべての企業がデータを切断しています。それは広範囲にわたる課題です。 Vanson Bourneが実施した調査によると、データが切断されているため、米国と英国の組織は毎年合計1,400億ドルを失っています。データサイロは、企業の技術的、構造的、文化的ダイナミクスにまたがるさまざまな理由で存在します。

切断されたエンタープライズデータに関連する典型的な問題の1つは、多くの企業が合併や買収を通じて成長したという事実に根ざしています。合併した企業は世界の1つのエンティティになる可能性がありますが、舞台裏では、多くの場合、何年にもわたって部門がすぐに明らかになる可能性があります。販売、サプライチェーン、製品管理のために、複数のエンタープライズリソースプランニング（ERP）やその他のサイロ化されたシステムが存在する可能性があります。 1つの企業の屋根の下で、単一の製品が複数の異なるシステムにわたって複数の名前で知られる可能性があります。

これは、計画の目的に必要な意思決定を促進するための統合された全体像を構築する上で重大な課題を生み出します。従来の修正アプローチには、単一のERPシステムの実装、またはすべてのソースシステムのデータの修正が含まれます。これらのプロジェクトは費用と時間がかかるため、多くの企業が「壊れていることはわかっていますが、現時点では修正できません」と結論付ける必要があります。

切断されたデータに没頭している企業は、必然的に、統合された計画と意思決定のイニシアチブに取り組むことに懸念を抱いています。しかし、AIと自然言語処理を使用すると、システムはさまざまなデータポイントが実際には同じものであると判断できます。ソースを変更する必要がないように、これらすべての製品を相互に関連付けるモデルを構築できます。システムがこれらの製品が同一であると認識するため、在庫の可視性、計画、および意思決定がリンクされるようになりました。

ユースケース4：計画システムにおけるマスターデータの課題を解決します。

計画システムの作成におけるAIの力は、自動化されたインテリジェントな意思決定をより迅速に推進することにあります。しかし、企業のリーダーからのもう1つの一般的な控えは、これらの計画決定を行うために必要なデータの多くが、どの記録システムにも存在しないマスターデータであるということです。

たとえば、大規模な小売業者は、配送センターと店舗ネットワークを流れる数十万のSKUを処理します。その小売業者は、輸送中、DC、および店舗で商品を処理するための保管および労働能力を含む、さまざまな次元で必要な容量をモデル化する必要があります。容量要件を決定するには、小売業者は、利用可能なさまざまなリソースで各SKUが何を消費しているかを理解する必要があります。人がテレビの荷物を降ろすのにかかる時間は、労働集約的であり、比較的軽いイブプロフェンの荷物を降ろすのに必要な時間とは大きく異なります。

適切で正確な計画決定を推進するために必要なデータは、DCを流れる特定の製品の量と、それに対応する容量要件に基づく必要があります。しかし、誰がすべてのデータを維持しているのでしょうか？以前は、これらの詳細は集計レベルで実行する必要があり、多くの場合、誰もそのデータをキャプチャして維持していなかったため、モデル化が困難でした。

現在、ビッグデータとAIにより、小売業者はトランザクションセンサーのモノのインターネット（IoT）データをロギングとして使用して、容量要件を決定できます。労働者がトラックから製品を受け取り、それをDCに移動するなど、膨大な量のトランザクションデータが記録されています。 AIを使用すると、小売業者は意思決定に必要なマスターデータを自動的に生成できます。テレビの出荷が到着していることを知っているので、製品を動かすのにどれだけの労力が必要かについての特定の自動生成された知識を身に付けています。ここで、そして概説されているすべてのユースケースで、AIを使用すると、企業はデータを最も価値のある資産の1つに変換できます。

ChakriGottemukkalaはo9SolutionsのCEOです。