Automatisierung der Lieferkette: Maximierung des Werts von IoT-Daten
Christophe Vaissade, Vertriebsleiter EMEA bei Western Digital teilt ein paar einfache Schritte, die es Unternehmen ermöglichen, ihre IoT-Daten für die Automatisierung der Lieferkette zu maximieren.
Da der Welthandel immer komplexer wird, entwickeln sich die heutigen Lieferketten weiter, um dieses wettbewerbsintensive und zunehmend volatile Umfeld widerzuspiegeln. In einer Welt, in der sich Kundenanforderungen augenblicklich ändern können, kann ein einheitliches Lieferkettenmodell Ineffizienzen verschlimmern und unnötige Komplexität schaffen.
Um sich von standardisierten Supply-Chain-Modellen zu befreien, ist es für Unternehmen an der Zeit, das Beste aus der Automatisierung zu machen. Viele Unternehmen stützen sich auf eine Fülle historischer Lieferkettendaten, die bei richtiger Nutzung das Potenzial haben, eine vollautomatische und effiziente Lieferkette zu betreiben. Es ist keine Überraschung, dass Datenanalysen das nächste große Ding im Supply Chain Management sind, wobei Wirtschaftsführer Advanced Analytics als die einstufen zweitwichtigste neue Technologie.
Es ist von großem Wert, Analysen auf Daten auszuführen, die am Edge erfasst werden, aber es gibt auch Anwendungsfälle, die sinnvoll sind, um einige dieser Daten lokal zu speichern. Neben der Erfassung dieser Daten als Primär- oder Backup-Speicher maximieren Edge-Speicher und Rechengeräte die Netzwerkeffizienz und ermöglichen es Systemen, die Daten zu analysieren und auf die Ergebnisse in Echtzeit zu reagieren.
Es ist jedoch nicht immer offensichtlich, wie dies in die Tat umgesetzt werden kann. Durch Befolgen einiger einfacher Schritte können Unternehmen maschinelles Lernen und fortschrittliche Analysetechniken verwenden, um ein vollautomatisches Vorhersagemodell zu entwerfen und so wesentlich effizientere und kundenorientierte Lieferkettenprozesse zu schaffen.
Entwerfen Sie ein Optimierungs-Framework
Bei der Entwicklung einer Strategie zur Optimierung der Lieferkette ist es wichtig, ein umfassendes Verständnis der Geschäftsziele, der Organisation und ihrer Bedürfnisse zu erlangen. Der Rahmen sollte aus vier Säulen bestehen:
- Foundation – Einrichtung vernetzter Unternehmenssysteme plus Big Data-Infrastruktur und Data Governance, um das neue Modell zu unterstützen
- Netzwerklandschaft – Optimieren Sie den COXNUMX-Fußabdruck, rationalisieren Sie die Carrier-Basis und optimieren Sie das Netzwerkmodell
- Teamorganisation – Erstellen Sie einen Kontrollturm, um beim Change Management zu helfen, Talente zu entwickeln und sich auf die Kultur zu konzentrieren
- Digitale Lösungen – Implementieren Sie intelligente Transportlösungen, intelligente Warenlager und nutzen Sie gegebenenfalls neue Technologien
Es ist wichtig, bei der Einführung dieses Rahmens einen ausgewogenen, bimodalen Ansatz zu wählen, anstatt zu flexibel oder zu starr zu sein. Beispielsweise ist es vorteilhaft, disruptive, hochgradig anpassungsfähige Methoden zu verwenden, die dafür sorgen, dass Fehler schnell passieren, und dadurch den Lernprozess beschleunigen. Darüber hinaus hilft es, kontinuierlich Möglichkeiten zur Verbesserung dieser Prozesse zu identifizieren und zu ergreifen. Zusammen werden diese Methoden der „kontinuierlichen Innovation“ und „kontinuierlichen Verbesserung“ es dem Unternehmen ermöglichen, seine Technologie schnell, effizient und kostengünstig zu entwickeln.
Verwalten Sie die Datenerfassung im gesamten Ökosystem
Einige Unternehmen liefern jede Woche Zehntausende von Sendungen an Kunden, Vertriebspartner und mehr – was bedeutet, dass eine Menge Daten verarbeitet werden müssen. Für Unternehmen ist es wichtig, eine Datenstrategie im gesamten Edge-to-Core-Ökosystem zu verwalten und die einzigartigen Herausforderungen in diesen Umgebungen anzugehen. Es gibt einige Überlegungen, um sicherzustellen, dass die Daten in diesen Umgebungen erfolgreich am Edge erfasst werden können:
- Datenerfassung am Rand bedeutet, dass sich Sensoren und Speicher nicht in einem hochwertigen Rechenzentrum befinden, sondern sich in den Elementen befinden. Das kann bedeuten, dass Daten tage- oder wochenlang bei extrem hohen oder niedrigen Temperaturen oder an Bord von sich bewegenden Plattformen gesammelt werden, wo sie unvorhersehbaren Vibrationen standhalten müssen. Edge-Umgebungen können erheblich rauer sein als herkömmliche mobile, Client- oder Rechenzentrumsumgebungen.
- Für viele große Unternehmen ist ein Data Lake oder ein zentralisiertes Data Warehouse die einzige Lösung, die in der Lage ist, solch große Datenmengen zu verarbeiten, und sollte eine einzige Quelle der Wahrheit sein. Um dieses Lager aufzubauen, sollten Daten aus integrierten Systemen, Transportmanagement bis hin zu Workload-Management und Spediteuren aufgenommen werden.
- Sobald das Lager aufgebaut ist, kann es direkt in das Datenmodell und die Analyseplattform eingespeist werden. Von hier aus kann die Plattform verwendet werden, um Erkenntnisse wie die effizientesten Versandrouten und die besten Versandtage abzuleiten. Innerhalb des Transportmanagementsystems können Anpassungen vorgenommen werden, um die Zuverlässigkeit zu verbessern, die Transitzeit für den Bestand zu verkürzen und die Versandkonsolidierung zu erhöhen.
Entwickeln Sie zukunftsweisende Modelle
Durch die Annahme eines Fail-Fast-Ansatzes, das Gewinnen von Erkenntnissen aus den Daten und die Zusammenarbeit mit Kollegen aus anderen Abteilungen können Unternehmen von der einfachen Verwaltung und Verknüpfung von Supply-Chain-Operationen zur Nutzung von Predictive Analytics mit maschinellem Lernen übergehen. Dadurch wird die Lieferkette letztlich viel anpassungsfähiger an sich ändernde Kundenanforderungen.
In Zukunft besteht die Möglichkeit, zukunftsweisende Modelle zu entwickeln und einzusetzen, die es Unternehmen ermöglichen, verschiedene Szenarien zu vergleichen, mögliche Ergebnisse zu verstehen und die effektivste Alternative in die Produktion zu bringen. Letztendlich wird dies Unternehmen in die Lage versetzen, Laufzeiten, Routen und Versandpläne bis auf die Ebene der Lieferadresse herunterzufahren und so eine viel zuverlässigere und effizientere Lieferkette aufzubauen.
Branchenübergreifend gibt es viele spannende Möglichkeiten, den Wert von IoT-Daten zu maximieren, sei es die Erfassung und Verarbeitung von Daten in Echtzeit am Rand oder die Anwendung von maschinellem Lernen auf größere Datensätze im Kern. Effektive Datenspeicherung und Datenanalyse sind der Schlüssel dazu, da sie es Unternehmen ermöglichen, umfangreiche historische Daten zur Steuerung der Strategie zu nutzen und Daten von IoT-fähigen Geräten zu nutzen, um Lieferkettendaten über Sendungen während des Transports zu sammeln.
