AIが解決するサプライチェーンの「汚いデータ」問題

運用リスクの低減こそがサプライチェーンの要諦です。信頼性が高くかつリーンなアプローチを実現するには、サプライチェーンは同時にアジャイルでレジリエント（強靭）でなければなりません。しかし、この両特性は歴史的に「きれいなデータ」に依存してきました。多くの組織は、昨春の世界的なCOVID-19パンデミック発生時に、個人防護具（PPE）とトイレットペーパーの需要が急騰した際、それに備えていませんでした。ビジネスリーダーは、適切なデータクレンジングのために数ヶ月も待つことはできず、即座の供給要請に応えなければなりませんでした。データは利用可能かつ実行可能でなければならなかったのです。メーカーが変動する需要に対応するため、サプライチェーンの効率化が不可欠となりました。

従来の状況ならデータクレンジングが求められたでしょうが、それを手作業で行うのは時間がかかります。COVID-19以前からこのプロセスはサプライチェーン効率を阻害していましたが、パンデミック本番では「遅い」ことはもはや選択肢ではありません。従来型データクレンジングはその役目を終えました。今こそ、人工知能と機械学習でビッグデータが生み出すノイズを切り抜ける時です。

ビジネス全体を知る

一歩引いて、ビジネスオペレーションの全体を俯瞰してみてください。自施設の在庫状況は概ね把握できていても、他の関連施設への可視性はどうでしょうか。また、他サプライヤーの在庫状況や、彼らがどれだけ速く生産ニーズを満たせるかについて、何がわかっているでしょうか。

IT部門が他拠点の姉妹工場への洞察を提供するツールを持っているかもしれませんが、サプライヤーが同時に何を保有しているかを知る術はほとんどありません。従来の回避策は、必要でなくても手元在庫を増やして備えることです。しかしこのアプローチは、あるタイプの在庫が過剰になり、別のタイプが不足する結果を招きがちです。生産ニーズに合わせた有意義な調達調整を行うための十分なリアルタイム情報がないのです。

こうした情報をすべて集めるための長年の定石が、データクレンジングでした。

アルゴリズムに任せる

あらゆる組織が、プロジェクトベースのデータクレンジングに手足を縛られてきました。コストが高く、時間がかかり、長期的なROIを損ないます。持続可能な戦略ではなく、通常数年ごとに繰り返し実施する必要があります。

パンデミック以前から、データクレンジングはサプライチェーンプロセスを遅らせ、ビジネス運営を劣化させていました。データクレンジングに50万ドルを費やし、最大1年かけても、組織へのメリットはわずかです。最高のテクノロジーを使っても、同じ悪いプロセスが繰り返されるだけです。

ここで登場するのがAIと機械学習です。費用対効果が高く、迅速で、容易な実験こそが革新的なビジネスプロセスの鍵です。この場合、機械学習アルゴリズムで従来のデータクレンジングを置き換えることで、1年間かかっていたプロセスをわずか数週間に短縮できます。

AIは既存データを用いて実装され、データクレンジングプロセスなしで、即座により良い意思決定とインテリジェンスを生み出します。AIプロセスはデータをサイロから解放し、組織が一対一の関係から、サプライチェーンネットワーク全体の俯瞰的なビューへと移行できるようにします。機械学習で生成されるアルゴリズムは、新たなレベルの可視性を提供し、サプライチェーンネットワーク内の他者が貴重なデータを共有する扉を開きます。

AIと機械学習の活用により、データのより良い活用のための複数の新機会が開かれます。その一つは、データで複数のタスクを同時に実行できることです。例えば、マネージャーが「在庫を削減する時だ」と言った場合、必要なときに在庫がないリスクを恐れて通常なら躊躇します。しかしこの新モデルでは問題ではありません。自施設だけでなく、ネットワーク内の組織全体で在庫に縛られた運転資本をより良く最適化できるからです。これによりリスクが低減します。なぜなら、必要なものが、必要なときに、必要な場所にあるというインテリジェンスと確信が得られるからです。

このパラダイムにより、インダストリー4.0プロセスへのスムーズな移行が可能になります。ある機械でセンサーの問題が発生すれば、サプライヤーに通知され、部品が供給されます。データのリアルタイム活用により、長いダウンタイム期間が解消されます。

汚く冗長なデータにサプライチェーン運営の足を引っ張らせるべきではありません。機械学習で生成されたアルゴリズムなら、データを用いてより良い意思決定を行い、サプライチェーンをあらゆるレベルで機能させ続けられます。

Paul Noble氏はVerusenの創業者兼CEOです。