Slå ’kolde data’ i blodet

Dette er et debatindlæg: Finans bringer løbende indlæg fra specialister og meningsdannere. De er alle udtryk for den pågældende skribents egen holdning.

Globale forsyningskæder er under hastig ombygning, afvikling og genopbygning. Krige, pirater, pandemi, geopolitisk konflikt eller tech-giganters nye dagsordener kan hurtigt og voldsomt ændre værdikæderne.

Kompetente logistikfolk med erfaring og god domæneviden er guld værd, når man skal finde en vej gennem dette brogede billede, hvor alle tænkelige forhold om produkter, kunder og markedsføring også spiller ind.

Sparer 18 pct på lagerbinding

Men min erfaring er, at iskolde data mange steder kan bruges bedre og mere konsekvent. Data bidrager typisk med en kølig og ikke-emotionel tilgang til de problemstillinger, som virksomheder hvirvles ind i. Jeg taler ikke om generativ AI som ChatGPT men om klassisk business analytics med brug af machine learning.

I en aktuel case har denne lidt mere klassiske form for kunstig intelligens bidraget til at spare 18 pct. på en stor virksomheds lagerbinding. Havde virksomheden disponeret ud fra sælgernes optimistiske skøn, var lagerbindingen vokset 45 pct, hvilket er dyrt. Lavere lagerbinding sparer nemlig kapital, reducerer behovet for lagerkapacitet og skaber generelt mere råderum for virksomheden.

Mit indtryk er, at man især undgår at overreagere, når man ”slår kolde data i blodet”. Computeren fastholder nemlig et fokus på alle de – måske tusinder – faktorer, der indgår i en prognose. Selv hærdede fagfolk bliver præget af den aktuelle krise, og helt menneskeligt tager de hårdt fat i rattet og drejer væk fra problemet.

De kolde data hjælper også med at se gennem de finansielle data, som er historiske og gennemsnitlige. De er blinde for den afvigelse, der opstår når en prop i forsyningskæden medfører lavere gennemsnitlige salgstal. Men det er jo netop et problem, som kunne løses med at have en alternativ leverandørkæde, som kunne have fastholdt leveranceevnen og dermed toplinjen.

Både data og menneskelig erfaring

På logistik-området står vi ikke med et enten-eller-valg mellem machine learning og menneskelig domæneviden. De kolde data skal skabe transparens og fakta, som skal føde en menneskelig beslutningsproces. Og selvfølgelig skal en leder kunne overhøre og tilsidesætte et forslag baseret på en statistisk beregning.

Lederne på logistikområdet er sikkert hverken værre eller bedre end ledere på andre områder af en moderne virksomhed. Halvdelen går forrest med at bruge data til at optimere forsyningskæderne, den anden halvdel yder af forskellige mere eller mindre saglige grunde modstand mod teknologien og satser på erfaring og know-how.

Ligesom ChatGPT udfordrer menneskeheden på evnen til at skrive, udfordrer den klassiske dataanalyse og machine learning vores faglige ekspertise ude på de respektive fagområder på en meget fundamental måde. En statistisk beregning er helt ligeglad med organisatoriske grænser, og den bruger lige så gerne data om salg, marketing og produktudvikling som den bruger data om lagre og logistikpartnere. På den måde kan den arbejde mere holistisk uden irrationelle hensyn, der præger mennesker og organisationer.

Tillid og kvalitet

Noget af det handler om tillid til kvaliteten af analysen. Jeg har hørt erfarne ledere sige, at ”jeg stoler ikke på statistik, jeg ikke selv har lavet”. Kvaliteten af analysen står som bekendt altid i forhold til kvaliteten af virksomhedens data. Hvis der er orden i penalhuset (styr på metadata, entydige definitioner, god datahygiejne), så stiger værdien af kunstig intelligens og analytiske løsninger.

På den lange bane betyder stigende kompleksitet og hastige forandringer, at morgendagens beslutningstager vil tage imod automatiseret beslutningsgrundlag og transparens med kyshånd. Data vil i stadig højere grad løse alle rutineprægede opgaver, mens den gode leder koncentrerer sig om det unormale, det langsigtede og det virkeligt innovative.

På direktionsgangen kommer vi til at slå kold AI i blodet.