AV HANS BERGGREN
Efter många år av förutsägelser att supply chain visibility kommer att innebära det stora genombrottet för responsiva och resilienta supply chains, möter jag fler och fler som precis som jag ifrågasätter detta. Varför? Den viktigaste orsaken är att ”ingen har tid för visibility”.
Vi måste därför definiera om supply chain visibility. Det handlar inte om att synliggöra data för människan, utan om att via hög grad av digitalisering göra stora mängder data tillgängliga (”visible”) för AI/ML, händelsestyrd maskinell monitorering, klassisk dataanalys, etc. som sköter huvuddelen av besluten. Jag pratar om det som kallas för Hyperautomation. Ingen har tid att ”visuellt” konstatera hur läget ser ut och utifrån detta dra slutsatser och besluta om åtgärder. I detta avseende anser jag att vi har tänkt helt fel när vi pratat om supply chain visibility genom åren. Många mjukvarulösningar med grafiska gränssnitt för visibility har lanserats utifrån idén att människan ska kunna få varningar och visuell guidning samt agera utifrån visualiseringen. Detsamma gäller vissa delsegment av supply chain-flöden. Exempelvis track & trace för transporter, som inom konsumentvaruindustrin är väl utvecklad, men som bygger på att du antingen aktivt kan söka efter var dina varor är eller via push-notiser få klart för dig var de är, om de är sena eller har kommit fram.
Vänd på frågan
Denna typ av visibilitet är inte intressant när vi pratar om stora, intensiva supply chain-flöden business-to-business. Flöden som är sammankopplade via alla inblandade aktörers system för prognostisering, produktionsplanering, materialplanering, inköp, lageroptimering, med flera. Vi behöver vända på hela frågan och prata om graden av digitalisering och bredden i datainsamlingen från digitaliserade flöden, som utgör grunden för AI/ ML-baserad analys och relaterade automatiserade slutsatser samt automatiska beslut. AI/ML stöttar även i verifieringen av sina egna automatiserade beslut i en löpande kvalitetssäkring och revidering.
Visibilitet via grafiska gränssnitt?
Att skapa visibilitet via grafiska gränssnitt behövs även fortsättningsvis. Både i förstadiet – för vilka flöden och utifrån vilka kriterier vi bör använda AI/ ML för automatiserade beslut – och i den löpande utvärderingen av de AI/ML-baserade besluten. Exempelvis för att se om vissa data börjar avvika signifikant från det mönster som initialt gjorde att flödet kvalificerade sig för AI/ML-stödda beslut. I både förstadier och löpande utvärdering är därmed ett avvikelse-baserat visuellt stöd för mänskligt beslutsfattande kritiskt. Människan är fortfarande bäst på att fatta beslut vid oförutsedda händelser. Det gäller inte bara dramatiska oförutsedda händelser, så kallade ”svarta svanar” som krig, naturkatastrofer, olyckor, pandemier, etc., utan även oförutsedda händelser av lägre dignitet.
AI/ML för vassare prognoser
I vår företagsgrupp experimenterar vi intensivt inom det här området och har precis lanserat AI/ ML-stöd för att hjälpa våra kunder att bättre förstå prognoserna från fordonsindustrins huvudmän (lastbils- och personbilstillverkare). Vi har även gjort det möjligt för våra kunder att kunna välja att AI/ML-tjänsten ska justera prognoserna (filtrera dem) för vissa flöden som kvalificerat sig för detta. AI/ML-tjänsten utvärderar sig själv, lär sig och förbättrar sig kontinuerligt. Tjänsten visualiserar successivt ytterligare flöden som kvalificerar sig för att inkluderas i de AI/ML-justerade prognoserna, liksom flöden som redan inkluderats men bör ifrågasättas om de faktiskt bör tas bort från AI/ ML-justeringen av olika skäl. Hela konceptet kan efter en tid utökas till att inte bara täcka in den standardiserade fordonsindustrins prognosflöden, utan också helt andra industriers prognosflöden så länge omfattning och masterdata är tillräcklig i både mängd och kvalitet.
Fler tjänster och processer
Spolar vi fram filmen ett par år, är det min bedömning att vi kommer att kunna applicera den här metoden på fler av våra tjänster som täcker in andra typer av processer än prognoser. Likaså är jag övertygad om att vi kommer att kunna applicera motsvarande resonemang och lösningar på våra interna processer där vi jobbar med stora datamängder, beteendemönster, trender och anomalier.
Jag delar gärna med mig av våra erfarenheter och tar gärna del av andras. Om du tycker att innehållet i den här artikeln är intressant så ta gärna kontakt för att gemensamt utforska de vidare möjligheterna inom det spännande området hyperautomation!
—
Hans Berggren är koncernchef och vd i PipeChain
