Việc gia tăng sử dụng trí tuệ nhân tạo và AI tạo sinh trong chuỗi cung ứng sẽ không khắc phục được vấn đề chính đã tồn tại từ thuở ban đầu: chất lượng dữ liệu. Câu nói cũ "rác vào, rác ra" vẫn áp dụng cho AI. Nhưng, theo lời của Yossi Sheffi, giám đốc chương trình Thạc sĩ Quản lý Chuỗi Cung ứng của MIT và là một tiếng nói hàng đầu trong lĩnh vực chuỗi cung ứng: Tất cả những gì AI đang làm là cho phép chúng ta thất bại nhanh hơn.
“Trong môi trường kinh doanh cạnh tranh ngày nay, quản lý dữ liệu hiệu quả là điều cần thiết để thành công trong mua sắm,” Niraj Chatwal, lãnh đạo chiến lược dữ liệu và AI của MorganFranklin Consulting, giải thích. “Bằng cách đảm bảo truy cập dữ liệu theo thời gian thực, duy trì độ chính xác và tối ưu hóa mối quan hệ với nhà cung cấp, các tổ chức có thể nâng cao hiệu quả và đưa ra các quyết định sáng suốt.”
Tuy nhiên, quản lý dữ liệu tốt hãy bắt đầu từ dữ liệu tốt.
“Quản lý dữ liệu đã làm khó các công ty lớn trong nhiều thập kỷ. Hầu như tất cả các công ty đều chi rất nhiều cho việc này nhưng kết quả lại không đạt yêu cầu. Mặc dù vấn đề không có vẻ tồi tệ hơn, việc giải quyết nó ngày càng trở nên cấp bách khi các nhà quản lý và công ty nỗ lực trở nên hướng dữ liệu hơn, tận dụng phân tích nâng cao và trí tuệ nhân tạo, và cạnh tranh bằng dữ liệu,” Tom Davenport, Theodoros Evgeniou và Thomas C. Redman đã viết trong một bài báo trên Harvard Business Review vào tháng 6 năm 2021.
Họ có thể viết cùng một điều vào năm 2024 vì không có nhiều thay đổi. Chúng ta đơn giản chỉ có nhiều dữ liệu hơn để quản lý.
Những thách thức đối với quản lý dữ liệu tốt
Những thách thức đối với việc thu thập dữ liệu tốt không phải là bí mật: khối lượng dữ liệu tăng nhanh, độ chính xác và độ tin cậy của dữ liệu, quản trị dữ liệu kém, hệ thống và quy trình cũ, và sự suy giảm nhân tài trong lĩnh vực CNTT là những thách thức lớn nhất.
Hãy bắt đầu với vấn đề cuối cùng: sự giảm sút nhân tài trong lĩnh vực CNTT. Trong một báo cáo năm 2022, công ty dữ liệu Hakkoda cho biết chỉ có 3% công ty trong tất cả các ngành không gặp vấn đề trong việc tìm kiếm nhân tài. Các công ty đặc biệt gặp khó khăn trong việc tìm kiếm các nhà khoa học dữ liệu có kinh nghiệm về máy học (48%) và kiến trúc sư dữ liệu (34%).
“Thật thú vị khi lưu ý rằng khi được hỏi về những vai trò mang lại giá trị kinh doanh lớn nhất, các nhà phân tích dữ liệu (41%) và các kiến trúc sư dữ liệu (35%) đứng đầu danh sách. Các nhà khoa học dữ liệu đứng thứ ba không xa,” công ty báo cáo.
Việc tìm kiếm nhân tài có khả năng vẫn sẽ là một thách thức trong tương lai gần. Những thách thức khác có thể thực sự dễ dàng hơn để vượt qua.
“Các khả năng phân tích mạnh mẽ giúp đánh giá tỷ lệ tuân thủ và xác định các cơ hội tiết kiệm chi phí bằng cách nhanh chóng xác định các khoản thanh toán [mua sắm] không cần thiết,” Chatwal nói. “Ngoài ra, việc đáp ứng các yêu cầu ESG mới và đang nổi lên và tích hợp các giải pháp kiểm toán được thúc đẩy bởi AI đảm bảo sự tuân thủ quy định. Ưu tiên quản lý dữ liệu giúp các nhà lãnh đạo mua sắm điều hướng các thách thức và nâng cao tác động của họ trong chuỗi cung ứng.”
Nếu chỉ đơn giản như vậy.
Khối lượng dữ liệu sẽ tiếp tục tang - ước tính có 402,74 triệu terabyte dữ liệu mới được tạo ra mỗi ngày. Điều đó sẽ không thay đổi, vì vậy các công ty cần có hệ thống để đáp ứng và phân tích tất cả dữ liệu mà họ sẽ tạo ra.
Độ chính xác và tin cậy của dữ liệu
Thiết lập quản trị dữ liệu tốt là chìa khóa để quản lý dữ liệu tốt.
“Các công cụ quản trị dữ liệu truyền thống được xây dựng cho kho dữ liệu tỏ ra là một trở ngại hơn là hỗ trợ trong môi trường ngày nay,” Hakkoda viết trong một bài đăng blog về chủ đề này. “Dữ liệu có thể được lấy từ bất cứ đâu—và do đó, việc cô lập thông tin này tạo ra nhiều vấn đề hơn là giải quyết. Các công ty cần các công cụ quản trị dữ liệu hoạt động với các khung công tác mới này. Để chống lại những vấn đề này, các tổ chức phải thiết lập một khung quản trị dữ liệu linh hoạt, mạch lạc tập trung vào các tiêu chuẩn và hướng dẫn tuân thủ luôn được cập nhật.”
Đáng chú ý, Hakkoda cho rằng một khung quản trị dữ liệu tốt là về con người, không phải quy trình.
“Mọi phép thuật kỹ thuật trên thế giới đều không thể thực hiện một chương trình quản trị dữ liệu nếu không có ý chí chính trị để tổ chức đưa ra một khung công tác và quy trình cho quản trị,” họ nói.
Giả sử các công ty có thể giải quyết được phần quản trị dữ liệu, có thể khắc phục tình trạng thiếu hụt nhân tài trong lĩnh vực CNTT và nâng cấp hệ thống cũ, công việc thực sự nằm ở cách họ giải quyết các thách thức này.
Chatwal đưa ra ba đề xuất cho các nhà quản lý mua sắm để quản lý dữ liệu. Bao gồm đảm bảo độ chính xác và độ tin cậy của dữ liệu, tập trung vào các chức năng và quy trình kinh doanh, và cho phép phân tích tốt hơn với dữ liệu sạch.
“Liên tục xác nhận và tinh chỉnh dữ liệu chính về nhà cung cấp của bạn,” Chatwal nói. “Dữ liệu chính xác giảm thiểu nguy cơ sai sót, chẳng hạn như thanh toán trùng lặp. Các yếu tố dữ liệu được xác định rõ ràng giúp đội ngũ của bạn hiểu rõ vai trò của họ và tăng cường độ chính xác tổng thể.”
Chatwal tiếp tục nói rằng bằng cách xác định các chức năng và quy trình kinh doanh chính, các doanh nghiệp có thể “thu thập thông tin về nhu cầu của các phòng ban, những thách thức hiện tại và điểm đau [và] hiểu được cảnh quan công nghệ—các công cụ nào đang được áp dụng để quản lý dữ liệu—và điều chỉnh nỗ lực với các mục tiêu kinh doanh tổng thể.”
Cuối cùng, như đã đề cập ở phần đầu, dữ liệu tốt là chìa khóa. Một chương trình quản lý dữ liệu chất lượng không thể thực hiện được nếu không có dữ liệu sạch.
“Dữ liệu nhà cung cấp chất lượng cao là nền tảng cho các phân tích mạnh mẽ,” Chatwal nói. “Phân tích chi tiêu, chẳng hạn, dựa trên dữ liệu chính xác và toàn diện để khám phá các mẫu, xác định cơ hội tiết kiệm chi phí và tối ưu hóa chiến lược mua sắm. Dữ liệu sạch đảm bảo phân tích chi tiêu của bạn đáng tin cậy và có thể thực hiện được.”
.jpg "Tăng cường hiệu quả chuỗi cung ứng tại On Sportswear")
.jpg "Tạm ngưng đình công cảng ở Mỹ: Đã giảm áp lực vận chuyển hàng không?")
.jpg "Ba Ria-Vung Tau and the \"battle\" for sustainable development")
