Den fortsatta störningen av försörjningskedjorna tyder på att utmaningarna under covid-19-eran har varit mer än en svep under en annars stabil period av global verksamhet. Supply chain-proffs måste tänka på att detta istället markerar början på en ny era av ständiga störningar – och det är dags att vidta proaktiva åtgärder för att förbereda sig.

Tekniken verkar i allt högre grad erbjuda lovande svar på komplexa problem i affärsverksamheten, och leveranskedjan är inte annorlunda. Logistikpersonal bör utforska att integrera banbrytande system, särskilt de som är centrerade kring artificiell intelligens, för att fylla luckor som den mänskliga arbetsstyrkan inte kan hantera effektivt. Genom att kombinera mänsklig tillsyn och erfarenhet med AI-verktygen som beskrivs nedan kan ledare bättre skydda leveranskedjorna mot nuvarande och framtida globala utmaningar.

Bygga en digital tvilling

En digital tvilling är en virtuell kopia av leveranskedjan som kan innefatta tillgångar, lager och material. Fördelen med en digital tvilling är att den gör det möjligt för proffs i leveranskedjan att simulera materialflödet och utspela en mängd möjliga "vad-om"-scenarier.

Till exempel kan en digital tvilling förutsäga hur en försörjningskedja kommer att påverkas om det råder oro på en plats där lager finns, eller om material går förlorat på grund av extrema väderförhållanden. Att skapa potentiella scenarier och se hur var och en kommer att påverka leveranskedjan ger en unik utsiktspunkt för att effektivt bedöma risker och effektivitet.

Företag som framgångsrikt har integrerat en digital tvilling i sin försörjningskedja är fortfarande i minoritet. Det är fortfarande en ny teknik för många att utforska, särskilt för mindre organisationer som kan vara oroliga för kostnader. Uppsidan är dock betydande om rätt dedikerade proffs hanterar detta verktyg.

Utnyttja Internet of Things 

Sakernas internet (IoT) är ett system av självständiga, internetuppkopplade objekt som kan samla in och överföra data över ett nätverk utan behov av mänsklig inblandning. IoT-enheter hjälper till att övervaka försörjningskedjor genom att samla in data som behövs för att varna proffs i försörjningskedjan när en maskin behöver underhållas eller bytas ut.

Mitt i en massiv värmebölja kan till exempel IoT-enheter övervaka den interna temperaturen hos dyrbar last som vacciner, som är känsliga för extrema temperaturförändringar. Att använda IoT för att övervaka och flagga temperaturförändringar effektiviserar transportprocessen och minskar risken genom att säkerställa att vacciner kommer att vara livskraftiga när de väl levererats till sin slutdestination.

Mindre företag kan ha svårt att implementera IoT, eftersom det kräver en betydande förhandsinvestering i smarta maskiner och kräver förmågan att analysera mängder av data. Men cloud computing gör det möjligt för även mindre företag att ha avsevärd processorkraft utan att behöva köpa rack med interna datorservrar.

Kraften i maskininlärning

Maskininlärning är ett system som ständigt lär sig av data i realtid och varnar företag om potentiella effekter på leveranskedjan. Systemet kan snabbt analysera stora mängder data och känna igen signaler, mönster och trender i data, vilket möjliggör justeringar av försörjningskedjan efter behov.

Användningsfallen för maskininlärning är oändliga. Med rätt algoritmer på plats kan det hjälpa till att bestämma det mest kostnadseffektiva sättet att dirigera en viktig transport genom att ta hänsyn till slitage på fordon och utrustning, maximera miles och bränslekostnader och undvika högriskområden. Detta kan betyda skillnaden mellan en global brist på en nyckelprodukt eller att snabbt och kostnadseffektivt fylla på utbudet i hög efterfrågan.

Ändå bör företag iaktta viss försiktighet när de implementerar maskininlärning. Tekniken möjliggör att stora mängder data kan analyseras, men kan bara maximeras fullt ut med skickliga och kunniga arbetare för att bygga modellerna och analysera resultaten. Om du gör fel kan det leda till dåliga beslut och till och med riskera ett varumärkes rykte. Men i slutet av dagen är fördelen med maskininlärning värd att fortsätta. 

AI kan vara oerhört hjälpsam i försörjningskedjan, men företag bör inte förlita sig på det enbart. Mänsklig expertis är fortfarande viktig, eftersom teknik kommer med sina egna unika utmaningar. Genom att utnyttja styrkorna hos båda delarna, samtidigt som de strategiskt utnyttjar var och en för att kompensera den andras svagheter, kan leveranskedjans effektivitet förbättras dramatiskt.

Före pandemin var avbrott i leveranskedjan sällsynta; de är nu det nya normala. När vi fortsätter genom inlärningskurvan för störningar är det uppenbart att implementeringen av avancerad teknik är ett kritiskt behov för många företag.

Craig Civil är chef för datavetenskap och artificiell intelligens med BSI.