Nepatřím mezi ty, kteří by se s nadšením vrhali ke každé nové technologii. Jistě, jsou pozoruhodné a mnohé z nich si zaslouží dlouhodobou pozornost, ale vynaložit úsilí k osvojení si něčeho, co je nepochybně efektní a přichází s příslibem, že to vyřeší vaše veškeré problémy novými a pozoruhodnými způsoby, to pravděpodobně zní až příliš dobře, než aby to byla pravda.

V případě umělé inteligence a strojového učení (ML) je tomu ale jinak, protože ačkoliv se tyto technologie objevují v některých skutečně zvláštních a netradičních produktech (například robotické včely nebo generátory rapových textů!), možná vás překvapí, že jsou ve vývoji již od 50. let 20. století a v oblasti počítačem asistovaného návrhu (CAD) a počítačově řízených strojů (CNC) jsou využívány již od 70. let. Když tedy pomineme aktuální módní vlnu, podstata umělé inteligence je v podstatě velice jednoduchá: na zdrojová data jsou aplikovány pokročilé analytické a logické algoritmy za účelem získání využitelných poznatků a tyto technologie se již ve významné míře využívají ve výrobě, finančnictví, zdravotnictví, maloobchodě a v řadě dalších oborů.

Dá se říci, že umělá inteligence už dávno není pouhým módním trendem. Jak jsem uvedl v nedávném článku v časopise Food Logistics, jedná se o velice efektivní nástroj pro prediktivní analýzu, plánování poptávky a obchodní prognózy, který si rozhodně nezaslouží, aby byl přehlížen.

Jak AI zlepšuje správu dodavatelského řetězce?

Prediktivní analýza, plánování poptávky a obchodní prognózy vždy patřily k základním činnostem plánovačů dodavatelského řetězce. Jak jinak bychom dokázali předvídat, které výrobky budou spotřebitelé požadovat příště, odkud získávat vstupní údaje nebo kolik zboží vyrobit?

Problém je, že tyto závěry v minulosti vycházely z co nejlepších dostupných dat a statistického modelování. Jinými slovy jsme se věnovali zkoumání toho, co platilo v minulosti, abychom na základě těchto poznatků mohli předpovědět budoucnost. Budoucnost se ale neustále mění. S dostatečnou jistotou nelze předpovědět, jaké budou nákupní zvyklosti spotřebitelů za měsíc, za rok nebo za pět let. Totéž platí také pro předpovídání blížících se narušení dodavatelského řetězce, jako je špatná úroda, období sucha, lesní požáry, šíření nemocí nebo geopolitické komplikace. Jednoduše řečeno nemůžeme vědět to, co nevíme.

Technologie umělé inteligence a strojového učení tento problém nutně neřeší. Nejedná se o žádná kouzla, která by dokázala nemožné, ale strategické využití těchto technologií nám umožní dosáhnout nové úrovně přizpůsobivosti, přesnosti a efektivity procesů fungování dodavatelského řetězce. A pracovníci na vedoucích pozicích dodavatelského řetězce to berou v potaz; 37 % z nich již technologie umělé inteligence využívá nebo s tím hodlá v průběhu příštích dvou letech začít. Čtyřicet sedm procent zavedených organizací integruje technologie umělé inteligence a automatizace do svých procesů pro práci s dodavatelskými řetězci.

AI vylučuje z prediktivní analýzy prvky odhadování

Role, kterou umělá inteligence sehrává v prediktivní analýze, je zajímavá. Pokud jste se již podívali na nástroj QAD Redzone, víte, že velice fandíme technologiím, které člověku pomáhají, než aby mu házely klacky pod nohy. Aktivity v oblasti propojené pracovní síly vnímám jako příležitost, jak se zbavit časově náročných manuálních úkolů, zvýšit produktivitu a poskytnout vašim pracovníkům více času, aby se mohli soustředit na to, v čem jsou nejlepší.

Pravděpodobně není příliš produktivní, pokud tráví čas probíráním se hromadami nezpracovaných dat, aby se na jejich základě následně pokoušeli předpovídat lidské chování a další trendy. To je nesmírně pracné a lidští analytici jsou na zpracování obrovských objemů dat, která proudí vaší organizací, schopni vynaložit jen omezené množství času. Jde o dokonalý příklad situace, kdy je výhodné využití umělé inteligence.

Umělá inteligence dokáže projít obrovské množství dat během několika sekund nebo minut, nikoli dnů či týdnů, a identifikovat složité vztahy, korelace a anomálie s nepřekonatelnou rychlostí a efektivitou. Vezměme si například předpovídání nákupních zvyků spotřebitelů. Všichni víme, že zákazníci se nejprve zaměřují na online nabídky, hledají nové, inovativní produkty a stále více se zajímají o otázky udržitelnosti.

Prediktivní analytika za pomoci umělé inteligence může k modelování přistupovat holisticky a zahrnout veškeré dostupné údaje, od informací o předchozích nákupech až po online interakce, aby bylo možné zajistit přesné předpovědi budoucích nákupních vzorců. Pro vedoucí pracovníky to znamená šanci využití marketingových strategií založených na datech, optimalizaci zásob, a především zajištění spokojenosti zákazníků.

Plánování poptávky pomocí umělé inteligence

Nyní, když se naše prediktivní analýza neomezuje na odhadování, je dalším krokem využít tyto znalosti při plánování poptávky. To je další oblast, kde umělá inteligence skutečně vyniká.

Zohlednění měnících se podmínek na trhu, sezonních trendů a neočekávaných rušivých faktorů může být obtížné za každé situace, ale dvojnásob to platí při použití konvenčních technik plánování poptávky, které vycházejí z nesouvislých údajů pouze za období posledních 24 měsíců. Modely na bázi umělé inteligence mohou analyzovat desítky parametrů najednou a poskytnout podnikům přehled o změnách v poptávce přímo v reálném čase.

Umělá inteligence je v této oblasti natolik efektivní, že podle odhadů společnosti McKinsey & Co. dokáže snížit počet problémů v dodavatelském řetězci o 20 až 50 % a snížit riziko ztráty prodeje a nedostupnosti výrobků až o 65 %.

Přesné předpovědi vývoje poptávky vyžadují kombinaci kvantitativních a kvalitativních technik, a umělá inteligence a strojové učení představují ideální kompromisní řešení, protože umožňují zohlednit nejrůznější faktory včetně vlivu počasí, ekonomických trendů nebo údajů o prodeji. Tyto technologie tak nabízejí ojedinělou příležitost pro optimalizaci zásob, snížení množství odpadu a zvýšení kvality výrobků.

Obchodní prognózy za pomoci AI pomáhají připravit se na budoucnost

Jedinou jistotou budoucnosti je její nejistota, a proto již nemá smysl, aby podniky používaly pro předpovědi statické a lineární modely. Vytváření obchodních prognóz je časově náročné a s ohledem na množství faktorů, které je třeba zohlednit, je relativně nepružné. Předpovědi s využitím umělé inteligence se mohou změnám přizpůsobovat průběžně a rychle předpovědi v reálném čase upravovat tak, aby zohledňovaly nejnovější informace.

V důsledku toho je oblast tvorby obchodních prognostik mnohem dynamičtější. Umělá inteligence dokáže rychle zpracovat nejen kvantitativní strukturovaná data, ale také nestrukturované kvalitativní informace, jejichž zpracování je pomocí běžných technik mnohem náročnější. Je schopná zpracovat vše od zpravodajských článků a trendů na sociálních sítích až po recenze zákazníků, a jinak rigidní obchodní předpovědi tak obohacuje o široké spektrum kontextových informací.

Pokud použijete pro obchodní předpovědi umělou inteligenci, máte vše pod kontrolou. Pomocí těchto nástrojů můžete identifikovat vznikající trendy, předpovídat změny v chování trhu a řešit tak nejisté situace proaktivně, nikoliv na ně pouze reagovat.

Co je třeba zvážit při implementaci AI do procesů SCM

Zatímco řešení na bázi umělé inteligence určená k obracení řízků při smažení nebo k hodnocení soutěží krásy (ano, skutečně existují!) budí velkou mediální pozornost (o robotických včelách se schopností opylovat rostliny ani nemluvě), představují technologie umělé inteligence a strojového učení osvědčená řešení s dlouhotrvajícími přínosy, zejména pokud jde o prediktivní analýzu, plánování poptávky nebo obchodní prognózy.

Přesto není dobrý nápad přistupovat k zavádění jakékoliv nové technologie bez toho, aniž byste nejprve zvážili své jedinečné požadavky a potenciální problémy, kterým budete čelit. V souvislosti s umělou inteligencí se může jednat například o otázky kvality dat nebo odbornosti pracovníků, etické otázky či problematiku interní infrastruktury. Všechny tyto problémy jsou zvládnutelné, ale stejně jako v případě jakékoliv jiné technologie je třeba zajistit, aby při zavádění umělé inteligence byly dodržovány etické, společenské i ekologické normy.

Stephen Dombroski Autor článku je ředitelem QAD pro odvětví spotřebního zboží a potravin a nápojů.