Stanley Black & Decker compartilha como a Lean AI está mudando o trabalho nos bastidores de sua cadeia de fornecimento

Olá, Ben, agradeço por se juntar a mim hoje para falar sobre a relação entre a Stanley Black & Decker e a Robinson Managed Solutions. Voltando cerca de seis anos, ao final de 2020, início de 2021. Voltando à decisão inicial de estabelecer uma parceria com a RMS, quais desafios ou oportunidades de negócios levaram você a repensar como sua organização de logística opera?

Bom, Brian, historicamente, a Black & Decker operava uma rede descentralizada, com as atividades conduzidas no nível local. A SBD tomou a decisão estratégica de migrar para um modelo mais centralizado, apoiado por uma Torre de Controle para ajudar a gerenciar a rede. O objetivo era melhorar rapidamente a conformidade das rotas, aumentar as oportunidades de consolidação e aprimorar as capacidades, para que pudéssemos reduzir custos e eliminar desperdícios da nossa cadeia de fornecimento.

Historicamente, que desafios os dados incompletos ou inconsistentes dos pedidos criavam para você e a equipe da SBD? Com a Stanley Black & Decker, temos mais de 40 mil SKUs distintos, então é incrivelmente difícil manter os dados mestres limpos e atualizados, especialmente em todas as diferentes linhas de produtos, fornecedores e localidades.

Tradicionalmente, vemos cerca de 2.000 pedidos manuais por mês que chegam ao Navisphere com dados mestres ausentes ou incompletos. Tradicionalmente, esses pedidos não podiam avançar até que alguém da equipe acessasse o sistema e os corrigisse. E isso geralmente resultava em um tempo de ciclo muito mais longo para esses pedidos.

Algumas das inconsistências nos pedidos foram intencionais. Tivemos alguns problemas com o arredondamento dos pesos e outros critérios específicos. E muitos dos outros problemas simplesmente não podiam ser detectados proativamente no upstream, antes mesmo de um pedido ser feito.

Agora, vamos falar sobre onde estamos hoje. Como o Lean AI Planner está intervindo e ajudando a corrigir esses pedidos, em vez de deixar esse trabalho a cargo de um dos membros da equipe?

Para nós, o Lean AI Planner tem ajudo muito. Ele utiliza o aprendizado contextual junto com as nossas regras de negócio, atributos de produtos, histórico de comportamento de envio, requisitos dos fornecedores e vários outros tipos de informação para determinar o que está faltando e, em seguida, faz a correção.

Ainda temos membros da equipe que supervisionam as correções, mas o Lean AI Planner conseguiu atuar imediatamente, em tempo real, e corrigir de forma autônoma todos os pedidos que historicamente terminavam no status de retenção.

Isso resulta na redução do tempo de ciclo para menos de um minuto por pedido. Cerca de 90% do que costumava ficar em status de retenção foi corrigido proativamente pelo Lean AI Planner. Basicamente, esse processo nos economizou mais de 35 horas por mês de trabalho sem agregação de valor dos nossos organizadores de carga. Estamos criando uma cadeia de fornecimento capaz de corrigir problemas antes que causem interrupções e atrasos no downstream. E estamos eliminando muito desperdício nesse processo.

Quando pensamos em uma avaliação tradicional e histórica da cadeia de fornecimento, ela poderia levar semanas, poderia levar meses, poderia ser parcial e talvez não abrangesse toda a sua rede. Você poderia comentar como era esse processo para a Stanley Black & Decker antes da implementação do Lean AI Engineer?

Antes do Lean AI Engineer, tínhamos engenheiros especialistas dedicados à nossa conta. Eles analisavam grandes volumes de remessas para identificar áreas de melhoria e otimização. Esse processo era ad hoc. Então, quando achávamos que havia uma oportunidade, íamos buscar os dados e fazer a análise. Mas isso só podia ser concluído periodicamente devido ao alto nível de esforço necessário.

Com o Lean AI Engineer, que resolve o problema inerente à necessidade de extrair e revisar dados manualmente. Porque agora podemos analisar continuamente todos os dados de todas as unidades. Analisamos as mesmas oportunidades que os engenheiros costumavam avaliar manualmente, mas agora conseguimos fazer isso em tempo real. Isso permite que nossos engenheiros foquem em avaliar o resultado, e não em produzi-lo.

Então, estamos falando de passar de semanas, talvez meses, para minutos e, em seguida, focar em realmente concretizar essas oportunidades e obter essa redução ou economia de custos. Sim. Isso também nos permite analisar mais informações e mais oportunidades, porque o sistema consegue analisá-las em tempo real, e nós simplesmente respondemos a isso.

Você poderia compartilhar com o grupo um exemplo de insight ou oportunidade que você identificou com o Lean AI Engineer especificamente para os negócios da Stanley? Até o momento, o Lean AI identificou várias novas oportunidades para a SBD. Um outro item importante que ele confirmou foi que os estudos manuais anteriores eram válidos.

Um exemplo do novo Lean AI Engineer: ele identificou um tipo específico de oportunidade de agregação que encontramos ao analisar a oportunidade de um cliente e que executamos manualmente. Mas eles conseguiram usar os dados e aplicá-los a todos os nossos clientes, sem precisar realizar estudos separados nem extrair dados separadamente. Conseguimos usar essas informações para embasar melhor as decisões de negócios em tempo real, gerando muita economia e eliminando desperdícios.

Que conselho você daria a outros líderes da cadeia de fornecimento que estão usando a IA, mas não têm muita certeza de por onde começar? Para nós, o mais importante é contar com um parceiro de ponta como a RMS. O que eu recomendaria é que trabalhassem com a RMS para identificar um caso de uso específico em seus negócios que os ajudasse a gerar valor.

Se conseguirem resolver isso, devem começar com iniciativas pequenas, iterar, avançar rapidamente e considerar que nem tudo será perfeito; assim, obterão um resultado quantificável. Quando tiverem esse resultado inicial, poderão compartilhar esses elementos concretos com a organização, com a parte interessada, para não apenas falar sobre IA, mas realmente demonstrar o valor que ela agrega à sua empresa.

Ben, gostaria de agradecer muito por ter se juntado a nós. Sempre aprecio essas conversas. Estou muito animado para compartilhar um pouco do trabalho que temos feito juntos e ainda mais animado com o que ainda está por vir no futuro. Obrigado.

Agradeço muito, Brian. Foi um prazer.