Kysynnän AI: luottamuksen rakentaminen tekoälypohjaiseen suunnitteluun

Tämä skenaario on yhä yleisempi, kun organisaatiot ottavat tekoälyn käyttöön toimitusketjun toiminnoissaan. Vaikka lupaus paremmasta tarkkuudesta ja tehokkuudesta on houkutteleva, tekoälyjärjestelmien "musta laatikko" -luonne tuo mukanaan ainutlaatuisen haasteen: Miten voimme luottaa johonkin, jota emme voi täysin ymmärtää?

Panokset ovat suuret. Viimeaikaisten toteutusten mukaan tekoälypohjainen kysynnän suunnittelu voi parantaa merkittävästi ennusteiden tarkkuutta ja vähentää manuaalista työmäärää. Näiden hyötyjen saavuttaminen edellyttää kuitenkin muutosjohtamisen haasteiden selättämistä ja luottamuksen rakentamista.

Kaikissa tekoälyratkaisuissa on tunnettu ongelma: neuroverkkojen päätöksentekoprosessien läpinäkyvyys (tai oikeastaan sen puute). Toisin kuin perinteisissä tilastollisissa malleissa, joissa laskennan jokainen vaihe voidaan jäljittää, syväoppimisverkot toimivat monimutkaisten painotettujen yhteyksien kerrosten kautta - aivan kuten omat aivomme.

”Jos annamme tekoälyn juosta vapaana, se voi hallusinoida,” selittää Benjamin Obling, joka on Roima Intelligencen pitkäaikainen integroitujen liiketoimintasuunnitelmien asiantuntija. 

”Joskus se ennustaa eksponentiaalista kasvua tai täysin epärealistisia lukuja, koska se on havainnut kuvioita, joita me emme voi nähdä. Siksi tarvitsemme aitoja.”

Nämä ”aidat” ovat kriittisiä valvontamekanismeja, joilla varmistetaan, että tekoälyn ennusteet pysyvät realistisissa rajoissa ja säilyttävät samalla ennustuskykynsä. Ajattele niitä suojakaiteina, jotka pitävät järjestelmän oikealla tiellä ja antavat sille mahdollisuuden hyödyntää kaikkia analyyttisiä kykyjään. Suojakaiteet, jotka sinä ja kysynnän suunnittelutiimisi suunnittelette ja toteutatte - kokemuksenne perusteella.

Tästä huolimatta tekoälyennusteisiin on vaikea luottaa, vaikka S&OP-tiimit olisivat tiiviisti mukana.

Ehkä se johtuu siitä, että suunnittelijat kokevat tämän uuden teknologian uhkaavan heitä. Tuntevatko he, että heistä tulee pian tarpeettomia?

Tekoälyn käyttöönotossa kysynnän suunnittelussa ei kuitenkaan ole kyse ihmisen asiantuntemuksen korvaamisesta vaan sen mukauttamisesta. Nykyaikaiset toteutukset osoittavat, että menestyksekkäimmissä lähestymistavoissa yhdistyvät tekoälyn laskentateho ja ihmisen liiketoimintaäly.

Tältä se näyttää käytännössä:

• Tekoäly hoitaa kuvioiden tunnistamisen ja perusennusteiden tekemisen.
• Ihmissuunnittelijat keskittyvät strategisiin päätöksiin ja markkinatietoon.
• Järjestelmä merkitsee ja nostaa epätavalliset kuviot tai ennusteet ihmisen tarkasteltavaksi.
• Markkinatuntemus ja liiketoimintaympäristö vaikuttavat lopullisiin päätöksiin

”On asioita, joita algoritmit tai verkko eivät voi tietää. Esimerkiksi uudet tuote-esittelyt, tulevat kampanjat tai jopa ulkoiset tapahtumat... Niistä sillä ei olisi aavistustakaan,” Obling sanoo. Nämä ovat jatkossakin kysynnän suunnittelijan tehtäviä; liiketoimintastrategian ja markkinatiedon dynamiikan ymmärtäminen.

Avain tekoälyn onnistuneeseen käyttöönottoon on huolellisesti jäsennelty toteutusmalli. Seuraavassa on kolme tärkeää asiaa, jotka johtavat organisaatiot tekevät oikein:

• Aloita rinnakkaistoteutuksella: Käytä tekoälyjärjestelmääsi aluksi nykyisten prosessien rinnalla. Näin tiimit voivat validoida tuotokset ja rakentaa luottamusta ilman riskejä.
• Luo selkeät väliintulopisteet: Määrittele erityiset laukaisevat tekijät, jotka saavat ihmisen tarkistamaan tilanteen. Tällaisia voivat olla esimerkiksi epätavallisen mallin havaitseminen tai merkittävät poikkeamat historiallisista trendeistä.
• Säilytä läpinäkyvyys: Vaikka tekoälyn sisäinen toiminta voi olla monimutkaista, sen tulosten ja suositusten tulisi olla selkeitä ja selitettävissä sidosryhmille.

Oikeastaan kyse on siitä, että tekoäly otetaan käyttöön kysynnän suunnittelussa asteittain ja suurella itsevarmuudella jokaisella tasolla - ja jokaisen tiimin osalta. Jos et onnistu varmistamaan koko liiketoiminnan luottamusta tekoälyennusteisiin, sinun on vaikea saada hyötyjä irti. 

Ehkä jännittävin kehitys on se, miten tekoäly muuttaa kysynnän suunnittelijan roolia. Sen sijaan, että suunnittelijat viettäisivät tuntikausia numeroiden murskaamiseen ja taulukoiden ylläpitoon, he voivat keskittyä arvokkaampiin tehtäviin kuten:

• Strateginen markkina-analyysi
• Uuden tuotteen käyttöönoton suunnittelu
• Myynninedistämisen vaikutusten arviointi
• Toimintojen välinen yhteistyö

”Emme ole poistamassa kysynnän suunnittelijan roolia", Obling huomauttaa. "Nostamme sen tietojen manipuloinnista strategiseen liiketoimintasuunnitteluun.”

Obling korostaa, että Demand AI on opetettava ja koulutettava reagoimaan liiketoiminnalle sopivalla tavalla.

”Verkko ja automaattinen ennuste havaitsevat sen lopulta joka tapauksessa. Jos kysyntä kasvaa, se myös kasvaa, mutta kysymys on, lisäämmekö sitä heti? Se on enemmänkin liiketoiminnallinen päätös, jota tekoälymalli ei voi kertoa.”

Tekoälyn jatkaessa kehittymistään haasteena ei ole tekninen toteutus vaan luottamuksen rakentaminen ja ylläpitäminen näihin järjestelmiin. 

Organisaatiot, jotka onnistuvat selviytymään tästä haasteesta, saavat tehokkaan kilpailuedun: ne pystyvät tekemään nopeampia ja tarkempia päätöksiä ja säilyttämään samalla ihmisten valvonnan siellä, missä se on tärkeintä.

Kysynnän suunnittelun tulevaisuus sisältää sekä ihmisten asiantuntemusta että tekoälyä. Voittajat löytävät sen pisteen, jossa nämä molemmat toimivat yhdessä ja kumpikin tekee sen, minkä osaa parhaiten. Kilpailu kysynnän tekoälystä on jo käynnissä, ja nyt on kyse siitä, että päästään toiselle puolelle elossa ja molemmat jalat maassa.