DIGITALISERING
AI i supply chain
I det daglige supply chain-arbejde kan AI blandt andet bruges til at samle information, forklare afvigelser og forberede analyser. Værdien afhænger dog af datagrundlaget og den faglige kontrol. Derfor bør man begynde med en konkret opgave, hvor det er tydeligt, hvad AI skal bidrage med, og hvem der har ansvaret for den endelige beslutning.
Begynd med et konkret arbejdsspørgsmål
Start med en gentagen opgave, en beslutning eller en afvigelse, som tager unødig tid eller bliver løst inkonsistent. Det giver et mere præcist udgangspunkt end det brede spørgsmål: Hvor kan vi bruge AI?
Forklar afvigelser
Sammenfat ændringer i forecast, lager, lead time eller service og peg på de data, der bør undersøges.
Klargør information
Strukturér leverandørbeskeder, mødereferater eller fritekst til et ensartet arbejdsformat.
Støt analysen
Foreslå hypoteser, kode eller beregningstrin, som en fagperson efterprøver mod kildedata.
Fire krav før resultatet kan bruges
- Kilden er kendt, og de anvendte data kan genfindes.
- Definitioner og enheder er entydige.
- Outputtet kan kontrolleres mod en simpel beregning eller stikprøve.
- En navngiven person ejer den endelige beslutning.
Hvis et svar ikke kan spores til data og antagelser, bør det behandles som en hypotese. Det gælder især, når resultatet påvirker indkøb, kunder eller økonomi.
Fortrolighed før bekvemmelighed
Virksomhedens regler for data, adgang og godkendte værktøjer skal afklares først. Kundeoplysninger, priser, leverandørvilkår og andre fortrolige data bør ikke kopieres ind i en tjeneste uden et godkendt grundlag.
Et illustrativt pilotforløb
Forestil dig en ugentlig undtagelsesliste med 200 varenumre. Piloten skal hjælpe planlæggeren med at gruppere afvigelser og forberede spørgsmål. AI må ikke ændre parametre automatisk.
1. Afgræns
Vælg én varegruppe, én datakilde og en tydelig definition af en relevant afvigelse.
2. Sammenlign
Kør en periode parallelt med den nuværende arbejdsform og registrér fejltyper og manglende data.
3. Godkend
Lad en fagperson vurdere forslagene og dokumentere, hvilke mønstre der faktisk var nyttige.
4. Mål
Mål kvalitet, tidsforbrug, risiko og svartid.
Hvor AI ofte ikke er første løsning
- Masterdata er ufuldstændige eller bruger forskellige enheder.
- Processen mangler en ejer eller en fælles definition.
- Der er få observationer og store strukturelle ændringer.
- En simpel regel, pivottabel eller validering løser opgaven bedre.
- Fejl kan få stor konsekvens, men der findes ingen kontrol eller godkendelse.
Forbedr først data, proces eller en enkel beregning. En mere avanceret metode kan ikke gøre et uklart grundlag pålideligt.
Fagligheden skal kunne efterprøves
En god løsning viser beregninger, antagelser og menneskelig godkendelse. Det gør den lettere at bruge og stoppe, hvis data ændrer sig.