Att svara på framtiden

I en digitaliserad värld där varor flödar över hela världen genereras en ofantlig mängd data varje sekund. Varje plockad artikel på varje hylla i varje lager innebär en händelse som kan sparas kopplat med en mängd ytterligare information. Varje händelse har i sin tur ett beroende till att ett gäng tidigare händelser avklarats först. Informationen kan hjälpa verksamheter svara på hypotetiska framtidsscenarion; hur påverkar det min butiks lagernivåer om en strejk bryter ut i Hamburgs hamn, till exempel?  

Vi har idag en situation där priset för att lagra data är otroligt lågt kombinerad med de moderna plattformarnas möjlighet att skala upp och betala för exakt så mycket lagring som behövs. Vi har idag förutsättningar att använda stora datamängder från många källor för exempelvis försöka förutspå hur lagernivåer kommer se ut framåt i tiden och sedan utforska vilka risker vi står inför givet lokala eller globala händelser. Förutsättningar för att lagra och analysera data med mycket hög detaljrikedom, och sen applicera resultaten, finns alltså. Men utmaningar finns fortfarande.  

Olika sorters datakällor

Förstahandskällor

Dessa är de interna systemen som hanterar alla processer som sker under egen flagg, så som orderhantering, produktion, lagerhantering, kontrakt- och artikelinformation men även härledd/beräknad information som prognoser och budget. Tekniskt betyder detta ofta system som ERP och WMS, men även mindre strukturerade källor som rena kontrakt- eller excelfiler.  

För att öka tillgängligheten och analysmöjligheterna av denna information behövs en dataplattform som automatiskt kör dataflöden och själva larmar rätt person när felaktigheter eller oväntade beteenden upptäcks. Plattformen behöver även möjliggöra en transparent och gemensam definition av KPIer och relationer mellan data, för att sedan enhetligt användas av alla relevanta användare. När du arbetar på detta sätt flyttas diskussioner från vilken fakta som är korrekt, till att i stället handla om vilka slutsatser och insatser som är lämpliga i olika situationer.  

Andrahandskällor‍

Dessa är informationsflöden från uppström- och nedströmspartners, så som producenter, transportörer och andra handelspartners. Inom Supply Chain är denna käll-kategori stor då det ofta finns ett stort antal kontaktpunkter med andra organisationer.  

De senaste åren har alla de stora molnplattformarna möjliggjort datadelning mellan organisationer, vilket betyder att man ger en partner direkt tillgång till ett subset av data som är relevant och kvalitetssäkrad. Detta är ett exempel på framsteg som underlättar när man ska dela information med många olika organisationer.  

Tredjehandskällor‍

Dessa är källor som exempelvis väder och nyheter. Hit räknas även information från aktörer specialiserade på att göra exempelvis omvärldsprognoser över valutarisker, prognoser kring utsläpp eller hållbarhetsrisker. Denna typ av information finns i olika format och används ofta för att underbygga strategiska vägval.  

Tre utmaningar

Så varför ser vi inte att verksamheter nyttjar den fulla potentialen som finns att hämta kring Data & Analytics inom Supply Chain? Som konsult inom Data & Analytics har jag stött på många olika utmaningar, utöver de vida spridda rent analoga arbetssätten. Här är de tre vanligaste:  

1. Tid läggs på att få tag på, eller kombinera data, istället för att analysera den. Inom Supply Chain är det ett stort antal aktörer som genomför olika steg i flödet. Det innebär ett stort arbete för att få tag på information; dels är det en teknisk utmaning, men det är också en förhandlingsfråga – hur ska informationen delas mellan kund och leverantör?  Data kan tillgängliggöras i massa olika former; allt från öppna APIer till att filer skickas via mail. Om man bygger dataflöden som är beroende av att personer behöver vara inblandade regelbundet kommer tiden man lägger för att upprätthålla befintlig analys snart ta all tid ifrån att i stället förbättra de analyser som genomförs.

2. Förtroendet. Min erfarenhet är att detta ämne ofta hamnar i skymundan, men brukar vara det kanske tuffaste bekymmer som dyker upp längs vägen. Inom Data och Analys är förtroendet för den underliggande datan otroligt viktigt. För analys inom Supply Chain är förtroendet extra viktigt eftersom de många olika källorna ofta innehåller data av varierande kvalité. För att höja förtroendet är det viktigt att vara tydlig med vilken källa som används, samt transparens kring hur olika fält beräknas fram (s.k. ”data lineage”). Glöm inte att det är bättre att visa en informationstext om att senaste laddningen av data gått fel, än att felaktiga data publiceras.
   
3. Hönan eller ägget – hur vet vi vad vi kan göra innan vi gjort det? Till sist, att komma i gång och välja värdefulla analyser att fokusera på innebär en övning där experter på området behöver förstår vad som går att göra, och de med teknisk kunskap behöver förstå vad som är värdefullt att göra. Utbildning av personal och gemensamma POC:ar samt att hämta inspiration från vad andra aktörer har gjort är att rekommendera i detta skede. Under en period kommer man behöva upprätthålla befintligt arbete samtidigt som man bygger på något nytt. Det kommer behövas en investering, det är därför det är så viktigt att fokusera på användarfall med hög nytta för att kunna visa på bra avkastning på investeringen.

Glöm inte att skala

För mig handlar skalbarhet om att inte behöva återupprepa en lösning på samma sorts problem; du måste hitta en balans mellan att bygga en kostsam rymdrakets-värdig plattform och personberoende lösningar som kräver handpåläggning. Vi förespråkar starkt att börja litet och att välja ett område där du enkelt (relativt sett, i alla fall) kan skala lösningen.  

Jag tycker Paula Natoli (Director Supply chain and Logistics på Google Cloud) under Google Next 2024 snyggt sammanfattade bra områden att utforska värdefulla användarfall inom supply chain:

• Exceptionell kundupplevelse – Vad kan vi göra för att öka vår kundupplevelse?
• Driv effektiva och hållbara verksamheter – Arbete för att nå synlighet end-to-end för dina logistik- och leverantörskedjor.
• Leverera motståndskraft och tillförlitlighet - Analysera, förutse och kommunicera problem innan de inträffar.
• Samarbeta över hela din leverantörskedja - Förändra hur team når, skapar, samarbetar och analyserar data; leverera effekter från var som helst med rapporter, dashboards och annat samarbete.

Vill du ha hjälp med att utvärdera var ni står idag och identifiera nästa steg? Jag och mina kollegor är specialister inom Data & Analytics och Supply Chain, och vi är redo att hjälpa till i processen, eller dela exempel på vad vi har sett fungera.