拥有一支数字技术熟练的员工队伍是每位高管的首要愿望,尤其是在当前劳动力市场的背景下。今天的供应链劳动力积极地与技术互动,无论是企业平台,手持设备或日志设备还是办公生产力软件。然而,从与技术互动到为未来做好准备的劳动力的飞跃涉及到数字化、自动化、人工智能和分析领域的技能提升。这并不像听起来那么容易。
数字化技能提升并不要求员工学习编码或成为数据科学家;相反,它涉及学习如何在数字世界中思考、行动和发展。数字化技能提升的一个特点是对分析结果的信任。它包括采用类似于技术应用程序的分析应用程序,以及在决策过程中在直觉和分析见解之间取得健康的平衡。
随着重大技术进步,分析、预测和人工智能正在释放一系列令人难以置信的商业机会,这些机会可能对组织产生变革性影响。员工作为加速器参与结果的能力是转型成功的关键因素。
考虑到这一点,这里有一个4点路线图来指导你踏上数据和分析的旅程。
1.记录每一步的操作流程和决策
供应链中的产品流涉及许多事件、交接、决策、系统、人员和例外情况。这些事件往往记录在不同的系统中,偶尔也记录在电子表格中,导致缺乏端到端视图。这对于功能性作业者在不了解上游事件或不全面了解下游影响的情况下努力完成任务的本地化决策来说是个好兆头。
实现整体分析和技术驱动优化的第一步涉及到操作活动的每个步骤的流程映射。需要特别注意的是,要确保异常管理过程也被记录下来,而不仅仅是正常的路径。这必须是一个跨职能的计划,由集中的业务流程效率团队按照genchi gembutsu(“去看看”)的原则进行协调。
全面的流程图可以可视化和分析连接的产品旅程,以跟踪和解释当前的流程状态、交货时间、运输时间和决策点。
2.从源头上激励数据治理
我们都熟悉这句谚语:“垃圾进,垃圾出。”数据的可信度影响见解的可信度、决策的质量以及由此产生的行动的有效性。然而,如果活动的某些元素没有被捕获(例如:卡车出发的确切时间)或基础参数没有被正确记录(仓库货架/垃圾箱的确切尺寸),那么优化供应链的能力将受到严重损害。
操作流程通常设计为模糊复杂性,并通过预配置的网络导航产品。这种简化的一个意想不到的后果是,由于系统设置或操作人员的疏忽,可能无法捕获某些数据元素。虽然这不会影响操作人员执行任务的能力,但它限制了数据可视化、挖掘或建模的能力。
为了实现可接受的数据成熟度水平,应该定期对数据质量和完整性进行持续的审查。完整性指的是捕获与业务目标相关的数据,不仅是为了解决近期问题,而且是为了解决未来的战略计划,因为分析交付的质量通常会随着可用历史数据的数量而提高。质量指的是所捕获数据的可信度。向员工传达增强数据捕获的好处是获得全面支持的关键一步。
激励和强制捕获供应链上更深层次的事件将使分析团队能够更好地提供见解并优化供应链。
3.确定重要的度量标准,并与业务目标保持一致
让我们从另一句格言开始:“不衡量就无法改善。”通常,供应链绩效是用标准指标来衡量的,比如支出与预算、每英里成本、每单位成本、运输单位、每小时单位和运输时间。
虽然这些指标很重要,但它们并不表示供应链的竞争绩效,也不表示与企业目标的一致性。此外,装载计划人员或仓库工人没有配备影响上述指标的工具,他们也不知道影响这些指标的因素。
确定重要的供应链度量应该遵循自顶向下的方法,从企业目标(第1级度量)和供应链在实现这些目标中的角色开始。支持企业目标的高级供应链度量构成了第2级度量。驱动高级供应链度量的操作度量包括第3级度量。诊断分析可以对3级指标进行根本原因分析,并确定纠正措施,使作业者能够了解问题并积极影响问题。
通过功能度量将操作度量与企业目标联系起来的层次级联度量是度量重要度量并确保各个业务单元努力实现相同结果的关键。
4.鼓励治理委员会接受无偏见的分析和明智的决策
供应链中的决策在操作、战术和战略上各不相同。为了通过战术或战略决策来解决业务需求,职能部门的领导者会提出一项主要是经验性的建议,并附上一份高级的成本-收益总结,由委员会签署。虽然这是一种功能上可行的方法,但它的建议偏向于直觉,缺乏分析的严谨性,缺乏对替代方案的全面审查。
与数据分析团队合作可以减轻这些限制。可以访问其他数据源的分析团队可以利用其高级建模技能,对解决方案选项进行公正和全面的评估。业务团队通过约束和规则指导分析团队的角色对于确保建议的质量至关重要。
这种方法不仅可以提高决策质量,还可以鼓励协作和知识共享,这些都是在当今竞争激烈的环境中蓬勃发展的关键原则。
作者简介:Ashok Viswanathan他是百思买(Best Buy)供应链分析主管,也是罗格斯大学(Rutgers University)教授供应链数字化转型的兼职教授。可以联系到他(电子邮件保护).