Czym są analizy łańcucha dostaw?

Analizy są bezpośrednio związane z możliwością podejmowania decyzji na podstawie danych — a w zasadzie podsumowań istotnych, godnych zaufania danych, którym często towarzyszą wizualizacje w podstacji grafów czy wykresów. Łańcuchy dostaw generują olbrzymie ilości danych. Z kolei analizy łańcucha dostaw pomagają wydobyć z nich sens — wskazując ukryte wzorce i pozwalając pozyskiwać cenne spostrzeżenia.

Różne rodzaje analiz łańcucha dostaw obejmują:

  • Analizy opisowe. Zapewniają widoczność i pojedyncze źródło wiarygodnych informacji o całym łańcuchu dostaw. Obejmują zarówno wewnętrzne, jak i zewnętrzne systemy i dane.
  • Analizy predykcyjne. Pomagają organizacji poznawać najbardziej prawdopodobne wyniki lub przyszłe scenariusze, a także towarzyszące im konsekwencje biznesowe. Dzięki analizom predykcyjnym mogą na przykład prognozować i niwelować ewentualne zakłócenia i ryzyka.
  • Analizy preskryptywne. Pomagają organizacjom w rozwiązywaniu problemów i wspólnym dążeniu do maksymalnej wartości biznesowej. Ułatwiają przedsiębiorstwom kooperację z partnerami logistycznymi, tak aby ograniczać czaso- i pracochłonność działań w zakresie przeciwdziałania zakłóceniom.
  • Analizy kognitywne. Pomagają organizacji odpowiadać na złożone pytania w języku naturalnym — a więc w sposób, w jaki mógłby odpowiedzieć na pytanie ekspert lub zespół ekspertów. Ułatwiają przedsiębiorstwom rozważanie złożonych problemów i zagadnień: „Co możemy zrobić, żeby udoskonalić lub zoptymalizować X?”.

Ponadto analizy łańcucha dostaw stanowią fundament pod zastosowanie technologii kognitywnych, takich jak sztuczna inteligencja (AI), w procesach łańcucha dostaw. Rozwiązania kognitywne rozumieją, rozumują, uczą się i nawiązują interakcje zupełnie tak, jak człowiek — tyle że dysponują olbrzymią mocą obliczeniową i działają z zawrotną szybkością.

Oferowane analizy łańcucha dostaw w nowoczesnym wydaniu dają początek nowej erze w zakresie optymalizacji łańcucha dostaw. Pozwalają automatycznie przetwarzać olbrzymie ilości danych, pomagając organizacji zwiększać skuteczność prognoz, wykrywać nieefektywne obszary, lepiej odpowiadać na potrzeby klienta, stymulować innowacje i wdrażać przełomowe rozwiązania.

Dlaczego analizy łańcucha dostaw są takie ważne?

Analizy łańcucha dostaw pomagają organizacji podejmować trafne decyzje w szybszy i bardziej wydajny sposób. Oto niektóre możliwości, jakie uzyskuje organizacja, otwierając się na nie:

  • Znaczący zwrot z inwestycji (ROI). Z najnowszego badania firmy Gartner wynika, że 29 procent przebadanych organizacji zawdzięcza wysoki zwrot z inwestycji analizom. Osiągnięcie ROI nie udało się zaledwie czterem procentom firm⁴.    
  • Lepsze rozumienie ryzyka. Analizy łańcucha dostaw pozwalają rozpoznawać znane czynniki ryzyka oraz przewidywać przyszłe poprzez wykrywanie wzorców i trendów w całym łańcuchu dostaw.
  • Planowanie z większą dokładnością. Analizy łańcucha dostaw przetwarzają dane o klientach, ułatwiając przedsiębiorstwu prognozowanie przyszłego zapotrzebowania. Pomagają organizacji w podjęciu decyzji, które produkty należy wycofywać, gdy ich sprzedaż staje się mniej opłacalna, a także poznać potrzeby klienta, które pojawią się po złożeniu pierwszego zamówienia.
  • Implementacja szczupłego łańcucha dostaw. Przedsiębiorstwa mogą wykorzystywać analizy łańcucha dostaw do monitorowania magazynu, odpowiedzi partnerów i potrzeb klienta. Wszystko po to, by podejmować dobrze umotywowane decyzje.
  • Gotowość na przyszłość. Przedsiębiorstwa mogą teraz korzystać z zaawansowanych analiz na potrzeby zarządzania łańcuchem dostaw. Zaawansowane analizy przetwarzają zarówno ustrukturyzowane, jak i nieustrukturyzowane dane, dzięki czemu organizacje mają wystarczającą ilość czasu na podjęcie optymalnych decyzji. Tworzą korelacje i wzorce obejmujące różne źródła, oferując alerty umożliwiające niwelowanie ryzyka przy niskich kosztach i w sposób niemal nieodczuwalny dla zrównoważonego rozwoju.

W związku z tym, że technologie takie jak sztuczna inteligencja (AI) są coraz częściej wykorzystywane na potrzeby analiz łańcucha dostaw, przedsiębiorstwa mogą się spodziewać zatrzęsienia przyszłych korzyści. Informacje, które dotychczas nie były przetwarzane z powodu ograniczeń towarzyszących analizie danych w języku naturalnym, można teraz przetwarzać w czasie rzeczywistym. Sztuczna inteligencja błyskawicznie i kompleksowo odczytuje, przetwarza i koreluje dane z rozproszonych źródeł, kontenerów i systemów. Następnie analizuje je w czasie rzeczywistym w oparciu o ich interpretację. Dzięki temu przedsiębiorstwa dysponują dużo większą wiedzą na temat łańcucha dostaw. Mogą zwiększać swoją wydajność i unikać zakłóceń, a jednocześnie wykorzystywać nowe modele biznesowe.

Ewolucja analiz łańcucha dostaw

W przeszłości analizy łańcucha dostaw ograniczały się głównie do analizy statystycznej i wymiernych wskaźników wydajności umożliwiających planowanie i prognozowanie zapotrzebowania. Dane przechowywano w arkuszach kalkulacyjnych pochodzących od różnych uczestników łańcucha dostaw.

W latach 90. przedsiębiorstwa przyjęły systemy elektronicznej wymiany danych (Electronic Data Interchange — EDI) i zarządzania zasobami przedsiębiorstwa (Enterprise Resource Planning — ERP) w celu skomunikowania partnerów współtworzących łańcuch dostaw i usprawnienia wymiany informacji między nimi. Systemy te ułatwiły dostęp do danych na potrzeby analiz, a także pomagały przedsiębiorstwom w projektowaniu, planowaniu i prognozowaniu.

W pierwszej dekadzie XXI wieku przedsiębiorstwa zaczęły sięgać po oprogramowanie do inteligentnej analizy danych i analiz predykcyjnych. Rozwiązania te pomagały przedsiębiorstwom zdobywać szczegółowe informacje na temat efektywności sieci łańcucha dostaw, podejmować lepsze decyzje i optymalizować zbudowane sieci.

Dziś wyzwanie polega na umożliwieniu przedsiębiorstwom optymalnego wykorzystywania olbrzymich ilości danych generowanych przez sieci łańcucha dostaw. Stosunkowo niedawno, bo w 2017 roku, typowy łańcuch dostaw uzyskiwał dostęp do 50 razy większej ilości danych niż miało to miejsce jeszcze pięć lat wcześniej¹. Jednak zaledwie jedna czwarta tych danych podlegała analizie. Co więcej, podczas gdy około 20 procent wszystkich danych łańcucha dostaw jest ustrukturyzowanych i łatwo podlegających analizie, aż 80 procent danych łańcucha dostaw to dane nieustrukturyzowane lub tzw. „ciemne dane” (dark data)². Obecnie organizacje poszukują najskuteczniejszych sposobów analizy ciemnych danych.

Z badań wynika, że technologie kognitywne czy też sztuczna inteligencja stanowią kolejny krok w rozwoju analiz łańcucha dostaw. Rozwiązania AI nie ograniczają się do przechowywania informacji czy automatyzacji procesów. Oprogramowanie oparte na sztucznej inteligencji potrafi myśleć, wnioskować i uczyć się w sposób bardzo podobny do tego, jak robi to człowiek. Ponadto AI może przetwarzać zdumiewająco duże ilości danych i informacji — zarówno ustrukturyzowanych, jak nieustrukturyzowanych — a następnie błyskawicznie dostarczać podsumowania i analizy tych informacji.

Analitycy IDC szacują, że do 2020 roku tego lub innego rodzaju kognitywne funkcje przetwarzania będą obecne w co drugim oprogramowaniu biznesowym³. Sztuczna inteligencja to nie tylko platforma do zaawansowanego korelowania i interpretowania danych z różnych systemów i źródeł, ale także sposób na analizowanie danych łańcucha dostaw i pozyskiwanie cennych spostrzeżeń w czasie rzeczywistym. Dodatkowo po sięgnięciu po rodzące się technologie łańcucha bloków przedsiębiorstwa będą mogły w przyszłości proaktywnie prognozować i przewidywać zdarzenia.

Najważniejsze cechy skutecznie funkcjonujących analiz łańcucha dostaw

Łańcuch dostaw to bez wątpienia najłatwiej dostrzegalne oblicze przedsiębiorstwa w oczach klientów i konsumentów. Im skuteczniejsze analizy łańcucha dostaw prowadzi firma, tym łatwiej chronić jej reputację i utrzymywać długofalową stabilność.
Analityk Simon Ellis z firmy IDC przygotował opracowanie The Thinking Supply Chain, w którym omawia pięć kluczowych czynników decydujących o efektywności analiz łańcucha dostaw na miarę przyszłości:

  • Łączność. Możliwość uzyskiwania dostępu do danych nieustrukturyzowanych z mediów społecznościowych, danych ustrukturyzowanych z internetu rzeczy (IoT) czy też zwyczajnych zestawów danych za pomocą tradycyjnych narzędzi integracyjnych ERP i B2B.
  • Współpraca. Stopniowe udoskonalanie współpracy z dostawcami oznacza wykorzystanie działających w chmurze sieci handlowych do stymulowania kooperacji i zaangażowania wśród wielu przedsiębiorstw.
  • Cyberbezpieczeństwo. Systemy łańcucha dostaw muszą być należycie przygotowane na cyberataki i włamania. To kwestia, o której trzeba pamiętać w każdym obszarze przedsiębiorstwa.
  • Obsługa technologii kognitywnych. Platforma sztucznej inteligencji staje się wieżą kontrolną nowoczesnego łańcucha dostaw. Koordynuje i podejmuje decyzje i działania na każdym etapie łańcucha. Większość obszarów łańcucha dostaw jest zautomatyzowana i wykorzystuje mechanizmy samouczenia.
  • Kompleksowość. Możliwości analityczne należy skalować w czasie rzeczywistym adekwatnie do rozmiaru danych. Umożliwi to szybkie uzyskiwanie kompleksowych spostrzeżeń. W przypadku łańcucha dostaw na miarę przyszłości opóźnienia są niedopuszczalne.

W przypadku obecnych sieci łańcucha dostaw skuteczność analiz wymaga większej orientacji na klienta — szybkiego reagowania przy jednoczesnym zachowaniu wysokiej jakości i integralności. Przedsiębiorstwa poszukują rozwiązań analitycznych w dziedzinie łańcucha dostaw, które umożliwiają szybką analizę olbrzymich ilości danych z różnych rozproszonych źródeł — w tym danych nieustrukturyzowanych oraz danych w języku naturalnym. Analizy łańcucha dostaw są także wykorzystywane do prognozowania coraz większej liczby zmiennych kształtujących łańcuch — w tym czynników zewnętrznych, takich jak pogoda, wojny, pracownicy czy przepisy.

Wykorzystanie oprogramowania do analizy łańcucha dostaw

W związku z tym, że analizy łańcucha dostaw stają się tak złożone, opracowano wiele różnego rodzaju oprogramowania optymalizującego wydajność łańcucha dostaw. Oferowane produkty obejmują szeroką gamę zastosowań — od dostarczania dokładnych informacji na temat łańcucha dostaw po monitorowanie sprzedaży.

Przedsiębiorstwo IBM opracowało wiele różnych rozwiązań programowych, które zwiększają wydajność działania analiz łańcucha dostaw, a część z nich wykorzystuje nawet technologie sztucznej inteligencji. Dzięki możliwościom, jakie daje AI, oprogramowanie łańcucha dostaw uczy się nieustannie ewoluującego procesu produkcji i potrafi przewidywać konieczność wprowadzenia zmian. Produkty IBM obejmują m.in.:

IBM Sterling Supply Chain Insights with Watson

Wykorzystuje funkcje AI do ograniczania szumu w danych. Skraca drogę od przeprowadzenia analiz do podjęcia konkretnych działań.

Watson Supply Chain Fast Start

Warsztat projektowy w elastyczny sposób pomagający w szybkim zbudowaniu inteligentnego łańcucha dostaw opartego na sztucznej inteligencji (AI).

IBM Sterling Supply Chain Business Network

Zapewnia przedsiębiorstwom wgląd we wszystkie istotne transakcje za pomocą pojedynczego panelu kontrolnego. Oferowane oprogramowanie pozwala błyskawicznie wykrywać i oceniać problemy bez konieczności angażowania działu IT. Eliminacja trudności to teraz kwestia minut, a nie godzin.

IBM Planning Analytics

To rozwiązanie, za pomocą którego przedsiębiorstwa w łatwy sposób mogą zautomatyzować procesy planowania, budżetowania i prognozowania, tak aby osiągać większą wydajność oraz tworzyć niezawodne plany w terminie.

Przykładowe wdrożenia i blogi związane z analizami łańcucha dostaw

Lenovo korzysta z IBM Sterling Supply Chain Insights with Watson

Lenovo

Skraca średni czas odpowiedzi na zakłócenia w łańcuchu dostaw nawet o 90 procent. Teraz rozwiązanie problemu to kwestia minut, a nie dni.

Bardziej inteligentnie funkcjonujący łańcuch dostaw dzięki analizom danych

Analizy danych

Jak wykorzystać analizy danych do udoskonalania działań i osiągania lepszych wyników?

Zasoby

Źródło

1. „The path to a thinking supply chain”, Simon Ellis, John Santagate, IDC Technology Spotlight, sierpień 2018 r. (PDF, 1,0 MB)

2. „The AI journey: Artificial intelligence and the supply chain”, IBM Watson Supply Chain

3. „Creating a thinking supply chain for the cognitive era”, Matt McGovern, Watson Customer Engagement, 27 marca 2017 r.

4. „Why supply chain analytics is a must have”, Christy Pettey, Gartner, 14 maja 2015 r.