Сегодня ключевым фактором УТП является далеко не продукт или цена, а удовлетворенный "клиентский опыт". Для специалистов по закупкам проблема заключается в принятии новых технологий и адаптации процесса закупок в цепочке поставок.

Недавнее исследование The Hackett Group’s 2019 CPO Agenda: Building Next Generation Capabilities показало, что закупки - самая приоритетная область для развития технологий, ведь коммуникации с поставщиками на основе фактических данных для многих компаний - это ключ к успеху.

Для специалистов по закупкам выгодно взаимодействие с поставщиками, для которых это также является ценностью. Это позволяет им получать новые идеи и экспертное мнение от ведущих специалистов. Такие коллаборации могут принести компаниям дополнительные преимущества: прим. сбор данных из профилей клиентов, построение "дорожной карты клиента" и выбор наиболее эффективных каналов, и таким образом, компания может повышать свой ROI.

Данные играют важную роль в современных коммуникациях. После введения GDPR потребителям стало спокойнее, а компаниям сложнее. Компании сталкиваются с все более жесткими правилами в отношении сбора и хранения данных, включая передачу данных поставщику, как третьей стороне.

В любом случае, развитие новых технологий обусловлено потребностью компаний в многоканальных коммуникациях для удовлетворения "клиентского опыта". А коллаборации с партнерами - экспертами в своей области позволяют специалистам по закупкам выгодно и эффективно использовать их возможности.

Банановые стебли. Листья ананаса. Корки апельсинов. Испорченное молоко. Древесные опилки. Соевые бобы. Куриные перья. Словом, идеальные кандидаты для того, чтобы оказаться в отходах. Не все так просто. Эти отходы еще могут стать отличным сырьем для производства текстиля.

Так, к примеру итальянская компания Orange Fiber использует побочные продукты апельсинового сока для извлечения целлюлозы, получая прядильный шелковистый полимер, который можно использовать отдельно или в сочетании с другими материалами. Компания заявила, что Италия выбрасывает 700 000 тонн цитрусовых побочных продуктов ежегодно. Кстати, Сальваторе Феррагамо, итальянский модельер, использовал ткань в своей коллекции 2017 года.

Новые материалы не являются заменой для хлопка, шерсти и полиэстера, а дополнением.

Источник: Supply Chain Dive

Машинное обучение является одним из направлений искусственного интеллекта. Основной принцип заключается в том, что машины получают данные и «обучаются» на них.

Любая новая технология, проникая в жизнь, вызывает набор не самых простых этических вопросов. В случае с машинным обучением эта проблема выходит на новый уровень: машине доверяют право принятия жизненно важных решений в компании.

В работе машинного обучения есть одна важнейшая особенность: обучаясь на определенном объеме данных, он выдает результат, который без анализа невозможно объяснить. Так, к примеру, как объяснить, что в следующем сезоне продажи упадут, и поэтому не стоит этот продукт производить/закупать?

Так происходит потому, что современные алгоритмы — это сложные решения, у которых нет последовательного выполнения конечного перечня простых и легко объяснимых шагов. Они строятся на анализе и обработке огромных массивов данных с применением разных вероятностных и математических принципов. Работу таких алгоритмов невозможно объяснить на пальцах в короткий промежуток времени. Именно поэтому и требуются дополнительные средства, обеспечивающие возможность прослеживания прозрачности выполненных шагов и сделанных выводов.

Основные направления, в которых сегодня чаще всего возникают этические вызовы при использовании искусственного интеллекта (ИИ) и МО:

Ответственность. С ростом роли ИИ становится труднее распределить ответственность за решения, которые он принимает. Если допущены ошибки, которые причинили ущерб, возникает вопрос: кто должен нести эти риски и компенсировать их?

Прозрачность. Если для принятия важных решений используются сложные системы машинного обучения, могут возникать сложности с выявлением причин выбранного действия. Необходимо четкое объяснение машинного мышления.

Предвзятость. Системы машинного обучения могут закрепить существующие стереотипы и предвзятость в процессах принятия решений. Необходимо позаботиться о том, чтобы ИИ развивался как недискриминационная технология.

Человеческие ценности. Никакие ИИ-решения сами по себе не имеют собственных ценностей и значений, а также какого-либо аналога врожденного «здравого смысла». Британский стандарт BS 8611 «Этическое проектирование и применение роботов и роботизированных систем» дает некоторые полезные рекомендации в этой области: «Роботы не должны быть предназначены для убийства или нанесения вреда людям; ответственными за них агентами являются люди, а не роботы; всегда должна существовать возможность выяснить, кто несет ответственность за каждого конкретного робота и его поведение».

Источник: Harvard Business Review

Скачать бесплатно книгу