Stanley Black & Decker opowiada o tym, jak Lean AI zmienia pracę związaną z łańcuchem dostaw firmy

Cześć Ben, dziękuję za dołączenie dzisiaj, aby porozmawiać o relacjach łączących Stanley Black and Decker z Robinson Managed Solutions. Cofając się o około sześć lat, do końca 2020 r., początku 2021 r. Wracając do początkowej decyzji o nawiązaniu współpracy z RMS, jakie wyzwania biznesowe lub możliwości skłoniły Państwa do ponownego przemyślenia sposobu funkcjonowania Państwa organizacji logistycznej?

Cóż, Brianie, historycznie rzecz biorąc, Black & Decker działała w zdecentralizowanej sieci, w której działania były organizowane na poziomie poszczególnych lokalizacji. SBD podjęła strategiczną decyzję o przejściu na bardziej scentralizowany model, wspierany przez wieżę kontrolną pomagającą zarządzać siecią. Celem było szybkie zwiększenie zgodności z wyznaczonymi trasami, zwiększenie możliwości konsolidacji oraz poprawa zdolności operacyjnych, aby ograniczyć część kosztów i marnotrawstwa w naszym łańcuchu dostaw.

Jakie wyzwania wiązały się z niekompletnymi lub niespójnymi danymi zamówień dla Państwa i zespołu SBD? W przypadku Stanley Black & Decker mamy ponad 40 tys. unikalnych SKU, więc utrzymanie czystych i aktualnych danych podstawowych jest naprawdę niezwykle trudne, zwłaszcza w przypadku wszystkich różnych linii produktowych, dostawców i lokalizacji.

Tradycyjnie obserwowaliśmy około 2000 zamówień wprowadzanych ręcznie miesięcznie, w których brakowało danych podstawowych lub były one niekompletne w momencie, gdy trafiały do Navisphere. Te zamówienia zwykle nie mogły być dalej przetwarzane, dopóki ktoś z zespołu nie otworzył systemu i nie poprawił tych zamówień. A zwykle skutkowało to znacznie dłuższym czasem realizacji tych zamówień.

Niektóre niespójności w zamówieniach były zamierzone. Mieliśmy pewne problemy z zaokrąglaniem wag oraz innymi szczegółowymi kryteriami. A wielu innych problemów po prostu nie dało się wychwycić proaktywnie na wcześniejszym etapie, zanim złożono zamówienie.

Porozmawiajmy teraz o tym, gdzie jesteśmy dzisiaj. W jaki sposób Lean AI Planner przejmuje tę pracę i pomaga korygować te zamówienia, zamiast wymagać, by zajmował się tym jeden z członków zespołu?

Dla nas Lean AI Planner okazał się bardzo pomocny. Wykorzystuje swoje uczenie kontekstowe oraz nasze reguły biznesowe, atrybuty produktów, historyczne dane dotyczące realizacji wysyłek, wymagania dostawców i wszelkiego rodzaju inne informacje, aby ustalić, czego brakuje, a następnie wprowadza korektę.

Nadal mamy członków zespołu, którzy nadzorują korekty, ale Lean AI Planner potrafił natychmiast, w czasie rzeczywistym i autonomicznie korygować wszystkie zamówienia, które wcześniej trafiały do statusu wstrzymania.

Pozwala to skrócić czas cyklu do mniej niż minuty na zamówienie. Niemal 90% tego, co tradycyjnie trafiało do statusu wstrzymania, było proaktywnie korygowane przez Lean AI Planner. Zasadniczo proces ten pozwolił zaoszczędzić naszym planistom załadunków ponad 35 godzin miesięcznie pracy niewnoszącej wartości dodanej. Zmierzamy w kierunku łańcucha dostaw, który potrafi korygować problemy, zanim spowodują one zakłócenia i opóźnienia na dalszych etapach. W ten sposób eliminujemy znaczną część marnotrawstwa.

Gdy myślimy o tradycyjnej ocenie łańcucha dostaw opartej na danych historycznych, może ona trwać tygodnie, a nawet miesiące, być częściowa i nie obejmować całej sieci. Czy mogą Państwo krótko opowiedzieć, jak wyglądał ten proces w Stanley Black & Decker przed wdrożeniem Lean AI Engineer?

Zanim pojawił się Lean AI Engineer, mieliśmy doświadczonych inżynierów przypisanych do obsługi naszego konta. Analizowali duże wolumeny przesyłek, aby znaleźć obszary wymagające usprawnień i optymalizacji. Proces ten miał charakter doraźny. Dlatego, gdy dostrzegaliśmy taką możliwość, pobieraliśmy dane i przeprowadzaliśmy analizę. Jednak można było to robić tylko okresowo ze względu na duży nakład pracy, jakiego wymagało.

Dzięki Lean AI Engineer, który rozwiązuje problem związany z koniecznością ręcznego pobierania i analizowania danych. Ponieważ możemy stale analizować wszystkie dane ze wszystkich lokalizacji. Gdy analizujemy te same możliwości, które wcześniej inżynierowie analizowali ręcznie, teraz możemy robić to w czasie rzeczywistym. Dzięki temu nasi inżynierowie mogą skupić się na ocenie wyników, zamiast na ich tworzeniu.

Czyli mówimy o przejściu od tygodni, a może nawet miesięcy, do minut, a następnie o skupieniu się na faktycznym wykorzystaniu tych możliwości i ograniczeniu kosztów lub uzyskaniu oszczędności. Tak. Pozwala nam to również analizować więcej informacji i dostrzegać więcej możliwości, ponieważ system może analizować je w czasie rzeczywistym, a my po prostu na nie reagujemy.

Czy mogą Państwo podzielić się z grupą przykładem spostrzeżenia lub możliwości, które zaobserwowali Państwo dzięki Lean AI Engineer w odniesieniu do działalności firmy Stanley? Jak dotąd Lean AI zidentyfikowało kilka nowych możliwości dla SBD. Kolejną ważną rzeczą, jakiej dokonało, jest potwierdzenie, że wcześniejsze, ręczne analizy były prawidłowe.

Jeden przykład działania nowego Lean AI Engineer: wykorzystał on konkretną możliwość agregacji, którą zidentyfikowaliśmy w przypadku jednego z klientów, i zrealizowaliśmy to ręcznie. Ale udało im się wykorzystać te dane u wszystkich naszych klientów bez konieczności przeprowadzania oddzielnych analiz ani pobierania oddzielnych danych. Możemy wykorzystywać te informacje, aby lepiej wspierać podejmowanie decyzji biznesowych w czasie rzeczywistym, co przełożyło się na znaczne oszczędności i ograniczenie marnotrawstwa.

Jakiej rady udzieliliby Państwo innym liderom łańcucha dostaw, którzy rozważają wykorzystanie AI, ale nie bardzo wiedzą, od czego zacząć? Dla nas prawdziwym kluczem jest współpraca z partnerem oferującym najnowocześniejsze rozwiązania, takim jak RMS. Zaleciłbym współpracę z RMS w celu znalezienia konkretnego przypadku użycia w ich firmie, który pomoże im generować wartość.

Jeśli uda im się to rozwiązać, warto najpierw spróbować małych rzeczy, iterować, działać szybko i zakładać, że nie wszystko będzie idealne, ale wtedy uzyska się wymierny rezultat. Po uzyskaniu pierwszego wyniku można przekazać organizacji i interesariuszom konkretne efekty, aby nie tylko mówić o AI, ale faktycznie pokazać wartość, jaką wnosi ono do firmy.

Ben, chcę bardzo podziękować za dołączenie. Zawsze bardzo cenię te rozmowy. Z przyjemnością dzielę się częścią naszej wspólnej pracy i z niecierpliwością czekam na to, co jeszcze przyniesie przyszłość. Dziękuję.

Bardzo dziękuję, Brianie, cała przyjemność po mojej stronie.