ETA Ramalan Hanya Berbaloi Apabila Ia Sampai ke Aliran Kerja

Masuk ke mana-mana pusat operasi yang menguruskan program pengangkutan berbilang pembawa dan anda akan mendengar variasi aduan yang sama: data tidak boleh dipercayai. Ramalan tidak sepadan dengan apa yang dilihat oleh pasukan operasi. Laporan inventori ketinggalan beberapa jam atau hari berbanding kedudukan sebenar. Kemas kini pembawa tiba dalam format yang memerlukan tafsiran manual sebelum ia boleh mempengaruhi keputusan. Apabila kelewatan akhirnya menyebabkan komitmen yang terlepas atau kos penghantaran segera yang tidak dirancang, kegagalan itu dikaitkan dengan prestasi pembawa atau kerumitan rantaian bekalan. Masalah data asas yang mendahului peristiwa tersebut berminggu-minggu tidak disebut.

Ini adalah konteks di mana ETA ramalan harus difahami—bukan sebagai keupayaan analitik yang berdiri sendiri, tetapi sebagai produk yang hanya seberguna infrastruktur data yang menyuapnya, dan hanya seberapa bernilai sebagai integrasi aliran kerja yang menyampaikan outputnya ke tempat di mana tindakan boleh diambil.

Masalah Kualiti Data yang Tersembunyi dalam Model Ramalan

Anggaran ketibaan ramalan dijana daripada input: data kedudukan kapal, metrik kesesakan pelabuhan, ramalan cuaca, sejarah prestasi pembawa, dan peristiwa pencapaian masa nyata. Setiap aliran input tersebut mempunyai ciri kualiti, kependaman, dan liputan tersendiri. Apabila peristiwa pencapaian pembawa tiba melalui EDI kelompok dengan jeda 12 jam, apabila kedudukan AIS kapal beberapa jam di belakang pergerakan sebenar, apabila anggaran tempoh henti pelabuhan bergantung pada purata sejarah dan bukannya data giliran berlabuh masa nyata—output model mencerminkan input yang merosot tersebut.

Risikonya ialah ramalan kelihatan tepat tanpa menjadi akurat. Model yang memaparkan ETA dengan tarikh dan masa tertentu mewujudkan sauh kognitif bagi perancang dan pasukan khidmat pelanggan yang menggunakannya. Apabila sauh itu salah kerana data input sudah lapuk, pasukan telah membuat keputusan sebenar—penjadualan buruh, komitmen pelanggan, pengagihan semula inventori—terhadap nombor yang tidak mencerminkan realiti. Mudarat terwujud ke hiliran dan biasanya dikaitkan dengan peristiwa itu sendiri dan bukannya dengan masalah kualiti data.

Data Rantaian Bekalan Wujud dalam Silo dengan Reka Bentuk

Isu yang lebih mendalam di sebalik kebanyakan masalah kualiti data rantaian bekalan adalah bersifat struktur dan bukannya teknikal. Ia timbul daripada fakta bahawa sistem yang menyimpan data dibina untuk fungsi mereka sendiri dan tidak pernah direka bentuk untuk disesuaikan secara masa nyata merentasi sempadan fungsi.

Perolehan menyimpan masa pimpinan pembekal dan data pesanan pembelian. Logistik menyimpan data pencapaian pembawa dan penghalaan. Operasi menyimpan kedudukan inventori dan data jadual pengeluaran. Khidmat pelanggan menyimpan status pesanan dan data komitmen. Kewangan menyimpan data kos dan margin. Setiap set data adalah konsisten secara dalaman. Apabila keputusan rentas fungsi diperlukan—sama ada untuk menghantar penghantaran dengan segera, memberitahu pelanggan tentang kelewatan, atau menyesuaikan jadual pengeluaran—seseorang mesti menyelaraskan set data tersebut secara manual, di bawah tekanan masa, dengan kependaman yang tidak dapat dielakkan pada setiap titik serah.

Ramalan tidak sepadan dengan pesanan. Pesanan tidak sepadan dengan penghantaran. Penghantaran tidak sepadan dengan penerimaan. Setiap ketidakpadanan adalah isyarat bahawa data tidak mengalir dengan bersih antara sistem yang perlu berkongsinya. Organisasi sering bertindak balas dengan menambah alat analitik lain atau membina papan pemuka lain. Melapisi keupayaan analitik di atas input yang berfragmen dan tidak boleh dipercayai tidak menyelesaikan masalah fragmentasi—ia sering mengamplifikasikannya dengan menghasilkan jawapan yang lebih cepat dan lebih yakin yang dibina atas asas yang sama yang goyah.

Komplikasi AI

Kecerdasan buatan telah menjadi naratif dominan dalam pelaburan teknologi rantaian bekalan, dan banyak naratif itu memberi tumpuan kepada keupayaan ramalan dan preskriptif: ramalan permintaan, pengoptimuman rangkaian, ETA ramalan, pemeringkatan pengecualian pintar. Keupayaan ini adalah nyata, dan dalam keadaan yang betul ia memberikan nilai yang boleh diukur.

Keadaan yang betul ditakrifkan oleh kualiti data. Model AI yang dilatih pada data sejarah yang cacat menghasilkan ramalan yang cacat dengan keyakinan yang lebih tinggi berbanding kaedah yang lebih mudah. Enjin pengoptimuman yang berjalan pada input yang tidak lengkap menghasilkan pelan yang berprestasi baik pada input yang disediakan dan berprestasi buruk apabila mereka bertemu dengan realiti yang gagal ditangkap oleh input tersebut. Organisasi yang mengekstrak nilai berterusan daripada AI dalam operasi rantaian bekalan adalah, hampir tanpa pengecualian, mereka yang menangani integrasi data dan kualiti data hulu daripada penggunaan model.

Ini bukan hujah menentang pelaburan AI. Ia adalah hujah untuk penjujukan: asas data mesti mendahului lapisan analitik agar lapisan analitik berfungsi seperti yang diiklankan.

Masalah Integrasi Aliran Kerja

Walaupun apabila ETA ramalan adalah tepat, nilai operasinya bergantung pada sama ada anggaran ketibaan yang dikemas kini sampai ke sistem dan orang yang boleh bertindak atasnya—secara automatik, dan dalam masa yang mencukupi untuk membuat perbezaan.

Model yang menjana ETA yang dikemas kini dan menulisnya ke pangkalan data analitik, di mana perancang mungkin atau mungkin tidak menyemaknya semasa pemeriksaan berjadual seterusnya, belum meningkatkan masa respons organisasi dalam apa-apa cara yang material. Menutup jurang memerlukan isyarat ETA menyebar secara automatik sepanjang laluan yang ditakrifkan: ke WMS untuk perancangan buruh masuk, ke OMS untuk semakan janji penghantaran pelanggan, ke giliran pengurusan pengecualian sebagai amaran berprioriti apabila anggaran yang disemak semula jatuh di luar ambang yang ditakrifkan, dan kepada mana-mana enjin peraturan automatik yang harus mencetuskan tindakan respons.

Mereka bentuk laluan penyebaran tersebut adalah kerja seni bina aliran kerja, bukan kerja sains data. Ia memerlukan pemahaman sistem hiliran mana yang memerlukan isyarat ETA, pada kependaman apa, dalam format apa, dan dengan keadaan pencetus apa. Banyak organisasi melabur dengan berat dalam model analitik dan ringan dalam integrasi yang menjadikan output model boleh diambil tindakan. Hasilnya adalah keupayaan yang menakjubkan secara teknikal dan marginal secara operasi.

Daripada Reaktif kepada Antisipatif: Apa yang Dimungkinkan oleh Asas

Organisasi yang telah menangani kedua-dua sisi masalah—data input yang bersih dan terkini serta laluan output yang bersepadu—menggambarkan peralihan kualitatif dalam cara pasukan operasi bekerja. Perancang berhenti menghabiskan masa menyelaraskan data yang bertentangan daripada pelbagai sistem dan mula menghabiskannya pada keputusan yang telah disediakan oleh data. Pasukan khidmat pelanggan menerima amaran proaktif tentang risiko penghantaran yang akan berlaku sebelum pelanggan menghubungi untuk bertanya. Giliran pengecualian mengandungi peristiwa yang dinilai mengikut impak perniagaan sebenar dan bukannya mengikut bila ia dikesan.

Mod operasi itu—antisipatif dan bukannya reaktif—adalah produk yang telah dijanjikan oleh platform keterlihatan rantaian bekalan selama bertahun-tahun. Ia memerlukan data pencapaian pembawa yang tepat dan tepat masa; aliran peristiwa yang dinormalkan merentasi semua pembawa dalam program; logik pengecualian yang ditentukurkan kepada peraturan perniagaan khusus organisasi; dan integrasi output yang meletakkan isyarat yang betul dalam sistem yang betul pada masa yang betul.

Platform MGS menangani keempat-empat keperluan tersebut sebagai teras operasinya: penormalan pencapaian berbilang pembawa masa nyata sebagai asas data, ETA ramalan yang dikira berdasarkan input semasa dan bukannya input kelompok, dan penghalaan pengecualian yang boleh dikonfigurasi yang menyampaikan isyarat ketibaan yang dikemas kini kepada sistem hiliran di mana ia mendorong keputusan.

Sumber: Logistics Viewpoints