ETA Dự Đoán Chỉ Có Hiệu Quả Khi Nó Tích Hợp Vào Quy Trình Làm Việc

Bước vào hầu hết bất kỳ trung tâm vận hành nào quản lý chương trình vận chuyển đa hãng vận chuyển và bạn sẽ nghe những biến thể của cùng một phàn nàn: dữ liệu không thể tin được. Dự báo không khớp với những gì nhóm vận hành thấy. Báo cáo tồn kho chậm hàng giờ hoặc hàng ngày so với các vị trí thực tế. Các cập nhật hãng vận chuyển đến dưới các định dạng đòi hỏi giải thích thủ công trước khi chúng có thể ảnh hưởng đến một quyết định. Khi một sự chậm trễ cuối cùng gây ra một cam kết bị bỏ lỡ hoặc một chi phí khẩn cấp chưa được lên kế hoạch, sự thất bại được quy cho hiệu suất hãng vận chuyển hoặc độ phức tạp chuỗi cung ứng. Vấn đề dữ liệu cơ bản đứng trước sự kiện vài tuần không được nhắc đến.

Đây là bối cảnh để hiểu ETA dự đoán—không phải như một khả năng phân tích độc lập, mà là một sản phẩm chỉ hữu ích bằng cơ sở hạ tầng dữ liệu cung cấp cho nó, và chỉ có giá trị bằng tích hợp quy trình làm việc cung cấp đầu ra của nó đến các nơi có thể thực hiện hành động.

Vấn Đề Chất Lượng Dữ Liệu Ẩn Bên Trong Các Mô Hình Dự Đoán

Một ước tính thời gian đến dự đoán được tạo ra từ các đầu vào: dữ liệu vị trí tàu, các số liệu tắc nghẽn cảng, dự báo thời tiết, lịch sử hiệu suất hãng vận chuyển và các sự kiện mốc thời gian thực. Mỗi luồng đầu vào đó có chất lượng, độ trễ và đặc điểm phạm vi riêng của nó. Khi các sự kiện mốc hãng vận chuyển đến qua EDI theo lô với độ trễ 12 giờ, khi các vị trí AIS tàu chậm hàng giờ so với chuyển động thực tế, khi các ước tính thời gian lưu trú cảng dựa trên trung bình lịch sử thay vì dữ liệu hàng đợi cầu tàu thời gian thực—đầu ra của mô hình phản ánh những đầu vào suy giảm đó.

Rủi ro là dự đoán có vẻ chính xác mà không chính xác. Một mô hình hiển thị ETA với ngày và giờ cụ thể tạo ra một điểm neo nhận thức cho các nhà hoạch định và nhóm dịch vụ khách hàng sử dụng nó. Khi điểm neo đó sai vì dữ liệu đầu vào đã cũ, nhóm đã đưa ra các quyết định thực sự—lên lịch lao động, cam kết khách hàng, phân bổ lại tồn kho—dựa trên một con số không phản ánh thực tế. Thiệt hại vật chất hóa xuôi dòng và thường được quy cho sự kiện đó thay vì cho vấn đề chất lượng dữ liệu.

Dữ Liệu Chuỗi Cung Ứng Sống Trong Các Silo Theo Thiết Kế

Vấn đề sâu hơn đằng sau hầu hết các vấn đề chất lượng dữ liệu chuỗi cung ứng mang tính cấu trúc hơn là kỹ thuật. Nó phát sinh từ thực tế là các hệ thống nắm giữ dữ liệu được xây dựng cho các chức năng riêng của chúng và không bao giờ được thiết kế để được đối chiếu theo thời gian thực qua các ranh giới chức năng.

Mua sắm nắm giữ thời gian dẫn nhà cung cấp và dữ liệu đơn đặt hàng mua. Logistics nắm giữ mốc hãng vận chuyển và dữ liệu định tuyến. Vận hành nắm giữ vị trí tồn kho và dữ liệu lịch trình sản xuất. Dịch vụ khách hàng nắm giữ trạng thái đơn hàng và dữ liệu cam kết. Tài chính nắm giữ dữ liệu chi phí và biên lợi nhuận. Mỗi bộ dữ liệu nhất quán về mặt nội bộ. Khi cần một quyết định đa chức năng—liệu có khẩn cấp một lô hàng, thông báo cho khách hàng về sự chậm trễ, hay điều chỉnh lịch trình sản xuất—ai đó phải đối chiếu thủ công những bộ dữ liệu đó, dưới áp lực thời gian, với độ trễ không thể tránh khỏi ở mỗi điểm chuyển tiếp.

Dự báo không khớp với đơn hàng. Đơn hàng không khớp với lô hàng. Lô hàng không khớp với biên lai nhận hàng. Mỗi sự không khớp là tín hiệu rằng dữ liệu không chảy sạch giữa các hệ thống cần chia sẻ nó. Các tổ chức thường phản hồi bằng cách thêm một công cụ phân tích khác hoặc xây dựng một bảng điều khiển khác. Xếp lớp các khả năng phân tích lên trên các đầu vào phân mảnh, không đáng tin cậy không giải quyết vấn đề phân mảnh—nó thường khuếch đại nó bằng cách tạo ra các câu trả lời nhanh hơn, tự tin hơn được xây dựng trên cùng nền tảng lung lay.

Vấn Đề Phức Tạp Của AI

Trí tuệ nhân tạo đã trở thành câu chuyện thống trị trong đầu tư công nghệ chuỗi cung ứng, và nhiều câu chuyện đó tập trung vào các khả năng dự đoán và khuyến nghị: dự báo nhu cầu, tối ưu hóa mạng lưới, ETA dự đoán, xếp hạng ngoại lệ thông minh. Các khả năng là có thực, và trong điều kiện đúng đắn chúng cung cấp giá trị có thể đo lường được.

Các điều kiện đúng đắn được xác định bởi chất lượng dữ liệu. Các mô hình AI được huấn luyện trên dữ liệu lịch sử có lỗi tạo ra các dự đoán có lỗi với độ tự tin cao hơn các phương pháp đơn giản hơn. Các công cụ tối ưu hóa chạy trên đầu vào không đầy đủ tạo ra các kế hoạch hoạt động tốt trên các đầu vào được cung cấp và hoạt động kém khi chúng gặp thực tế mà các đầu vào đó không thể nắm bắt được. Các tổ chức trích xuất giá trị bền vững từ AI trong hoạt động chuỗi cung ứng là, gần như không có ngoại lệ, những tổ chức đã giải quyết tích hợp dữ liệu và chất lượng dữ liệu trước khi triển khai mô hình.

Đây không phải là lập luận chống lại đầu tư AI. Đây là lập luận cho sự sắp xếp thứ tự: nền tảng dữ liệu phải đứng trước lớp phân tích để lớp phân tích hoạt động như được quảng cáo.

Vấn Đề Tích Hợp Quy Trình Làm Việc

Ngay cả khi ETA dự đoán chính xác, giá trị vận hành của nó phụ thuộc vào việc ước tính thời gian đến được cập nhật có đến được các hệ thống và con người có thể hành động theo nó—tự động và kịp thời để tạo ra sự khác biệt.

Một mô hình tạo ra ETA được cập nhật và ghi nó vào cơ sở dữ liệu phân tích, nơi một nhà hoạch định có thể hoặc không thể xem xét nó trong lần kiểm tra theo lịch trình tiếp theo, không cải thiện thời gian phản hồi của tổ chức theo bất kỳ cách vật chất nào. Thu hẹp khoảng cách đòi hỏi tín hiệu ETA phải lan truyền tự động theo các đường dẫn đã xác định: đến WMS để hoạch định lao động đầu vào, đến OMS để xem xét lời hứa giao hàng khách hàng, đến hàng đợi quản lý ngoại lệ như một cảnh báo ưu tiên khi ước tính đã điều chỉnh nằm ngoài ngưỡng đã xác định, và đến bất kỳ công cụ quy tắc tự động nào cần kích hoạt một hành động phản hồi.

Thiết kế các đường dẫn lan truyền đó là công việc kiến trúc quy trình làm việc, không phải công việc khoa học dữ liệu. Nó đòi hỏi phải hiểu các hệ thống xuôi dòng nào cần tín hiệu ETA, ở độ trễ nào, dưới định dạng nào và với các điều kiện kích hoạt nào. Nhiều tổ chức đầu tư nhiều vào mô hình phân tích và ít vào tích hợp làm cho đầu ra của mô hình có thể hành động được. Kết quả là một khả năng ấn tượng về mặt kỹ thuật và không đáng kể về mặt vận hành.

Từ Phản Ứng Đến Dự Đoán: Những Gì Nền Tảng Cho Phép

Các tổ chức đã giải quyết cả hai mặt của vấn đề—dữ liệu đầu vào sạch, hiện tại và các đường dẫn đầu ra tích hợp—mô tả một sự thay đổi về chất trong cách các nhóm vận hành làm việc. Các nhà hoạch định ngừng dành thời gian đối chiếu dữ liệu mâu thuẫn từ nhiều hệ thống và bắt đầu dành thời gian cho các quyết định mà dữ liệu đã chuẩn bị. Các nhóm dịch vụ khách hàng nhận các cảnh báo chủ động về các rủi ro giao hàng sắp xảy ra trước khi khách hàng gọi điện hỏi. Các hàng đợi ngoại lệ chứa các sự kiện được xếp hạng theo tác động kinh doanh thực tế thay vì theo thời điểm chúng được phát hiện.

Chế độ vận hành đó—dự đoán thay vì phản ứng—là sản phẩm mà các nền tảng khả năng hiển thị chuỗi cung ứng đã hứa hẹn trong nhiều năm. Nó đòi hỏi dữ liệu mốc hãng vận chuyển chính xác, kịp thời; một luồng sự kiện chuẩn hóa qua tất cả các hãng vận chuyển trong chương trình; logic ngoại lệ được hiệu chỉnh theo các quy tắc kinh doanh cụ thể của tổ chức; và tích hợp đầu ra đặt tín hiệu đúng vào hệ thống đúng vào thời điểm đúng.

Nền tảng của MGS giải quyết cả bốn yêu cầu đó như là lõi vận hành của nó: chuẩn hóa mốc đa hãng vận chuyển thời gian thực như là nền tảng dữ liệu, ETA dự đoán được tính toán trên đầu vào hiện tại thay vì theo lô, và định tuyến ngoại lệ có thể cấu hình chuyển các tín hiệu thời gian đến được cập nhật đến các hệ thống xuôi dòng nơi chúng thúc đẩy các quyết định.

Nguồn: Logistics Viewpoints