पूर्वानुमानित ETA तभी फलदायी होता है जब वर्कफ़्लो तक पहुँचे

मल्टी-कैरियर फ्रेट कार्यक्रम प्रबंधित करने वाले किसी भी परिचालन केंद्र में जाएँ और आपको एक ही शिकायत की विविधताएँ सुनने को मिलेंगी: डेटा पर भरोसा नहीं किया जा सकता। पूर्वानुमान परिचालन टीम जो देखती है उससे मेल नहीं खाते। इन्वेंट्री रिपोर्ट वास्तविक स्थितियों से घंटों या दिनों पीछे हैं। कैरियर अपडेट ऐसे प्रारूपों में आते हैं जिन्हें निर्णय को प्रभावित करने से पहले मैन्युअल व्याख्या की आवश्यकता होती है। जब कोई देरी अंततः एक चूकी हुई प्रतिबद्धता या एक अनियोजित अग्रेषण लागत का कारण बनती है, तो विफलता को कैरियर प्रदर्शन या सप्लाई चेन जटिलता के लिए जिम्मेदार ठहराया जाता है।

यही वह संदर्भ है जिसमें पूर्वानुमानित ETA को समझना है—एक स्टैंडअलोन विश्लेषणात्मक क्षमता के रूप में नहीं, बल्कि एक उत्पाद के रूप में जो केवल उतना ही उपयोगी है जितना उसे फ़ीड करने वाली डेटा अवसंरचना, और केवल उतना मूल्यवान जितना वर्कफ़्लो एकीकरण जो उसके आउटपुट को उन स्थानों तक पहुँचाता है जहाँ कार्रवाई हो सकती है।

पूर्वानुमान मॉडल के भीतर छिपी डेटा गुणवत्ता की समस्या

एक पूर्वानुमानित आगमन अनुमान इनपुट से उत्पन्न होता है: जहाज़ स्थिति डेटा, बंदरगाह भीड़ मेट्रिक्स, मौसम पूर्वानुमान, कैरियर प्रदर्शन इतिहास, और रियल-टाइम माइलस्टोन इवेंट। उन इनपुट स्ट्रीम में से प्रत्येक की अपनी गुणवत्ता, लेटेंसी, और कवरेज विशेषताएँ हैं। जब कैरियर माइलस्टोन इवेंट 12 घंटे की देरी के साथ बैच EDI के माध्यम से आते हैं, जब जहाज़ AIS स्थितियाँ वास्तविक आंदोलन से घंटों पीछे हैं, जब बंदरगाह आवास अनुमान रियल-टाइम बर्थिंग कतार डेटा के बजाय ऐतिहासिक औसत पर निर्भर करते हैं—तो मॉडल का आउटपुट उन खराब इनपुट को प्रतिबिंबित करता है।

जोखिम यह है कि पूर्वानुमान सटीक दिखता है, सही नहीं होता। एक मॉडल जो एक विशिष्ट तारीख और समय के साथ ETA प्रस्तुत करता है, इसका उपयोग करने वाले प्लानर और ग्राहक-सेवा टीमों के लिए एक संज्ञानात्मक एंकर बनाता है। जब वह एंकर गलत है क्योंकि इनपुट डेटा पुराना था, तो टीम ने वास्तविक निर्णय लिए हैं—श्रम शेड्यूलिंग, ग्राहक प्रतिबद्धताएँ, इन्वेंट्री पुनः आवंटन—एक ऐसी संख्या के विरुद्ध जो वास्तविकता को प्रतिबिंबित नहीं करती थी।

सप्लाई चेन डेटा डिज़ाइन द्वारा साइलो में रहता है

अधिकांश सप्लाई चेन डेटा गुणवत्ता समस्याओं के पीछे की गहरी समस्या तकनीकी से अधिक संरचनात्मक है। यह इस तथ्य से उत्पन्न होती है कि डेटा रखने वाली प्रणालियाँ अपने स्वयं के कार्यों के लिए बनाई गई थीं और कार्यात्मक सीमाओं के पार रियल-टाइम में सामंजस्य बिठाने के लिए कभी डिज़ाइन नहीं की गई थीं।

खरीद के पास सप्लायर लीड टाइम और खरीद आदेश डेटा है। लॉजिस्टिक्स के पास कैरियर माइलस्टोन और रूटिंग डेटा है। परिचालन के पास इन्वेंट्री स्थितियाँ और उत्पादन कार्यक्रम डेटा है। ग्राहक सेवा के पास ऑर्डर स्थिति और प्रतिबद्धता डेटा है। वित्त के पास लागत और मार्जिन डेटा है। प्रत्येक डेटासेट आंतरिक रूप से सुसंगत है। जब एक क्रॉस-फंक्शनल निर्णय की आवश्यकता होती है—चाहे शिपमेंट अग्रेषित करना हो, ग्राहक को देरी की सूचना देनी हो, या उत्पादन कार्यक्रम समायोजित करना हो—किसी को मैन्युअल रूप से उन डेटासेट का सामंजस्य बिठाना होता है, समय के दबाव में, प्रत्येक हैंडऑफ़ बिंदु पर अपरिहार्य लेटेंसी के साथ।

पूर्वानुमान ऑर्डर से मेल नहीं खाते। ऑर्डर शिपमेंट से मेल नहीं खाते। शिपमेंट रसीदों से मेल नहीं खाते। प्रत्येक बेमेल एक सिग्नल है कि डेटा उन प्रणालियों के बीच साफ तरीके से प्रवाहित नहीं हुआ जिन्हें उसे साझा करने की आवश्यकता है।

AI की जटिलता

आर्टिफिशियल इंटेलिजेंस सप्लाई चेन प्रौद्योगिकी निवेश में प्रमुख कथा बन गई है, और उस कथा का अधिकांश हिस्सा पूर्वानुमानित और प्रिस्क्रिप्टिव क्षमताओं पर केंद्रित है: माँग पूर्वानुमान, नेटवर्क अनुकूलन, पूर्वानुमानित ETA, बुद्धिमान अपवाद रैंकिंग। क्षमताएँ वास्तविक हैं, और सही परिस्थितियों में वे मापने योग्य मूल्य प्रदान करती हैं।

सही परिस्थितियाँ डेटा गुणवत्ता द्वारा परिभाषित होती हैं। त्रुटिपूर्ण ऐतिहासिक डेटा पर प्रशिक्षित AI मॉडल सरल तरीकों की तुलना में अधिक विश्वास के साथ त्रुटिपूर्ण पूर्वानुमान उत्पन्न करते हैं। अपूर्ण इनपुट पर चलने वाले ऑप्टिमाइज़ेशन इंजन ऐसी योजनाएँ उत्पन्न करते हैं जो प्रदान किए गए इनपुट पर अच्छा प्रदर्शन करती हैं। सप्लाई चेन परिचालन में AI से निरंतर मूल्य निकालने वाले संगठन लगभग हमेशा वे होते हैं जिन्होंने मॉडल तैनाती से पहले डेटा एकीकरण और डेटा गुणवत्ता को संबोधित किया।

वर्कफ़्लो एकीकरण की समस्या

यहाँ तक कि जब पूर्वानुमानित ETA सटीक हो, तो इसका परिचालन मूल्य इस बात पर निर्भर करता है कि अद्यतन आगमन अनुमान उन प्रणालियों और लोगों तक पहुँचता है जो उस पर कार्य कर सकते हैं—स्वचालित रूप से, और फर्क डालने के लिए समय पर।

एक मॉडल जो अद्यतन ETA उत्पन्न करता है और इसे एक विश्लेषण डेटाबेस में लिखता है, जहाँ एक प्लानर अगली निर्धारित जाँच के दौरान इसकी समीक्षा कर भी सकता है या नहीं भी, ने संगठनात्मक प्रतिक्रिया समय में कोई भौतिक सुधार नहीं किया है। खाई बंद करने के लिए ETA सिग्नल को परिभाषित मार्गों के साथ स्वचालित रूप से प्रचारित करना आवश्यक है: आने वाले श्रम नियोजन के लिए WMS तक, ग्राहक डिलीवरी वादे की समीक्षा के लिए OMS तक, जब संशोधित अनुमान परिभाषित सीमा से बाहर हो तो प्राथमिकता-प्राप्त अलर्ट के रूप में अपवाद प्रबंधन कतार तक, और किसी भी स्वचालित नियम इंजन तक जिसे प्रतिक्रिया कार्रवाई ट्रिगर करनी चाहिए।

उन प्रचार मार्गों को डिज़ाइन करना वर्कफ़्लो वास्तुकला कार्य है, डेटा विज्ञान कार्य नहीं। इसके लिए यह समझना आवश्यक है कि कौन सी डाउनस्ट्रीम प्रणालियों को ETA सिग्नल की आवश्यकता है, किस लेटेंसी पर, किस प्रारूप में, और किन ट्रिगरिंग परिस्थितियों के साथ। कई संगठन विश्लेषणात्मक मॉडल में भारी निवेश करते हैं और उस एकीकरण में हल्के से जो मॉडल के आउटपुट को क्रियाशील बनाता है।

प्रतिक्रियात्मक से पूर्वानुमानी तक: नींव क्या सक्षम करती है

जिन संगठनों ने समस्या के दोनों पक्षों को संबोधित किया है—स्वच्छ, वर्तमान इनपुट डेटा और एकीकृत आउटपुट मार्ग—वे परिचालन टीमों के काम करने के तरीके में एक गुणात्मक बदलाव का वर्णन करते हैं। प्लानर कई प्रणालियों से विरोधाभासी डेटा का सामंजस्य बिठाने में समय बिताना बंद कर देते हैं और निर्णयों पर समय बिताना शुरू कर देते हैं जो डेटा ने पहले से तैयार किए हैं। ग्राहक-सेवा टीमें ग्राहकों द्वारा पूछताछ करने से पहले आसन्न डिलीवरी जोखिमों के बारे में सक्रिय अलर्ट प्राप्त करती हैं। अपवाद कतारों में इवेंट पहचान के समय के बजाय वास्तविक व्यावसायिक प्रभाव के आधार पर क्रमबद्ध इवेंट होते हैं।

वह परिचालन मोड—पूर्वानुमानी बजाय प्रतिक्रियात्मक—वह उत्पाद है जिसका सप्लाई चेन विज़िबिलिटी प्लेटफ़ॉर्म वर्षों से वादा करते रहे हैं। इसके लिए सटीक, समयबद्ध कैरियर माइलस्टोन डेटा; कार्यक्रम में सभी कैरियर में एक सामान्यीकृत इवेंट स्ट्रीम; संगठन के विशिष्ट व्यावसायिक नियमों के अनुरूप अपवाद तर्क; और आउटपुट एकीकरण जो सही सिग्नल को सही प्रणाली में सही समय पर रखे, आवश्यक है।

MGS का प्लेटफ़ॉर्म उन चारों आवश्यकताओं को अपने परिचालन मूल के रूप में संबोधित करता है: रियल-टाइम मल्टी-कैरियर माइलस्टोन सामान्यीकरण डेटा नींव के रूप में, बैच के बजाय वर्तमान इनपुट पर गणना किया गया पूर्वानुमानित ETA, और कॉन्फ़िगर करने योग्य अपवाद रूटिंग जो अद्यतन आगमन सिग्नल को उन डाउनस्ट्रीम प्रणालियों तक पहुँचाती है जहाँ वे निर्णयों को संचालित करती हैं।

स्रोत: Logistics Viewpoints