رانندگی با سرعت ۱۲۰ کیلومتر در ساعت در یک جاده کوهستانی مهآلود را تصور کنید، در حالی که شیشه جلوی خودرو با پارچهای ضخیم پوشانده شده و تنها ابزار هدایت شما، یک آینه دید عقب کاملاً شفاف است. در چنین وضعیتی، شما دقیقاً میدانید چه پیچهایی را پشت سر گذاشتهاید، کجا از چالهها عبور کردهاید و در کدام گردنه از مسیر منحرف شدهاید؛ اما کمترین تصوری از پیچ تند پیشِ رو، سقوط صخره یا توقف ناگهانی خودروی مقابل ندارید.
این توصیف، تمثیلی دقیق از وضعیت بخش عمدهای از سازمانها و شرکتهای امروزی است. آنها سیستمهای مالی، انبارداری و فروش مستقر کردهاند، گزارشهای ماهانه با دقت اعشاری تولید میکنند و در پایان هر فصل ساعتها به نمودارهای آماری خیره میشوند. اما تمام این گزارشها متعلق به گذشتهاند: دادههایی منجمد، ثبتشده و غیرقابل تغییر. در اقتصاد پرنوسان، تورمی و غیرقابل پیشبینی امروز، نگاه کردن به آینه عقب دیگر تضمینکننده بقا نیست.
مقاله پیشنهادی: «بعد از استقرار چه؟؛ مدیریت پس از تحول»
مدیران دیگر فرصت ندارند منتظر گزارش پایان ماه بمانند تا بفهمند خط تولید متوقف شده، نقدینگی ته کشیده یا بزرگترین مشتری سازمان به سمت رقبا رفته است. تحول واقعی زمانی رخ میدهد که سازمان از «تحلیل توصیفی» که تنها بیانگر «چه شد؟» است، به سمت «تحلیل پیشبینانه» یعنی «چه خواهد شد؟» و در نهایت «تحلیل تجویزی» که پاسخ به «چه اقدامی باید انجام دهیم؟» است، حرکت کند. این تحول بنیادین، دقیقاً همان نقطهای است که ترکیب نرمافزارهای برنامهریزی منابع سازمان (ERP یکپارچه نظیر سازمانیار) با الگوریتمهای هوش مصنوعی معنا پیدا میکند.
سطوح بلوغ تحلیلی؛ عبور از توصیف به تجویز
برای درک اینکه چگونه هوش مصنوعی شیوه استفاده از ERP را دگرگون میکند، باید به سطوح مختلف بلوغ تحلیل داده در سازمانها نگاهی بیندازیم. این فرآیند از سادهترین سطح یعنی تحلیل توصیفی آغاز میشود. در این سطح، سازمان تنها به دنبال این است که بداند چه اتفاقی افتاده است. سیستمهای ERP سنتی با ارائه گزارشهایی مثل «میزان فروش ماه گذشته چقدر بود» یا «موجودی انبار به چه عددی رسیده است»، در این جایگاه قرار دارند. این دادهها واقعی هستند اما هیچ قدرت پیشبینی ندارند.
در سطح دوم، یعنی تحلیل تشخیصی، سازمان تلاش میکند بفهمد چرا اتفاقات رخ دادهاند. اینجا از ابزارهای هوش تجاری استفاده میشود تا دلایل افت فروش، تأخیر در تأمین یا ضایعات تولید بررسی شود. این مرحله برای شناسایی مشکلات ضروری است، اما معمولاً زمانی انجام میشود که خسارت وارد شده است.
در سطح سوم، تحلیل پیشبینانه قرار دارد. این مرحله، مرز ورود هوش مصنوعی است. سیستم دیگر تماشاگر گذشته نیست، بلکه با تحلیل الگوهای تاریخی، نوسانات بازار و سیگنالهای رفتاری، آینده را برآورد میکند. به عنوان مثال، سیستم میتواند پیشبینی کند که احتمال نایاب شدن یک ماده اولیه در ماه آینده چقدر است یا فلان مشتری تا چه زمانی خرید خود را متوقف خواهد کرد.
در نهایت، بالاترین سطح بلوغ، تحلیل تجویزی است. در این مرحله، هوش مصنوعی فراتر از پیشبینی عمل کرده و راهکار عملیاتی ارائه میدهد. سیستم به مدیر پیشنهاد میدهد که برای جلوگیری از یک بحران خاص، بهترین اقدام ممکن چیست؛ مثلاً پیشنهاد خرید فوری از یک تأمینکننده جایگزین برای پیشگیری از توقف تولید یا ارائه شرایط تسویه خاص به مشتری برای جلوگیری از ریزش او.
چرا ERPهای کلاسیک قادر به پیشبینی نبودند؟
بسیاری از مدیران میپرسند که چرا سیستمهای قبلی به آنها هشدار نمیدادند. واقعیت این است که معماری سیستمهای سنتی برای «نگهداری سوابق» طراحی شده بود، نه برای «هوشمندی». این سیستمها دارای دو محدودیت بزرگ بودند. نخست، مدلهای دادهای آنها ایستا بود؛ یعنی فقط روابط سطحی دادهها را ذخیره میکردند و توانایی درک همبستگیهای پنهان را نداشتند. دوم، سیستمهای قدیمی بر اساس قواعد خشکِ شرطی عمل میکردند؛ مثلاً اگر موجودی از عدد مشخصی کمتر شد، هشدار بده. این منطقِ صلب در دنیای واقعی که متغیرها به سرعت تغییر میکنند، کارایی ندارد. هوش مصنوعی متصل به ERP، این محدودیت را با یادگیری پویا از بین میبرد.
قلمروهای سهگانه پیشبینی در عملیات روزمره
ترکیب هوش مصنوعی با ERP در سه حوزه حیاتی ارزشآفرین است: زنجیره تأمین، مدیریت نقدینگی و مدیریت ارتباط با مشتری.
در حوزه زنجیره تأمین، هدف اصلی جلوگیری از توقف خط تولید است. هوش مصنوعی با تحلیل زمان دقیق ارسالهای هر تأمینکننده و در نظر گرفتن نوسانات فصلی، میتواند پیشبینی کند که زمان تأمین یک قطعه تغییر کرده است و قبل از بروز بحران، پیشنهاد افزایش نقطه سفارش یا خرید از منبع جایگزین را به مدیر ارائه دهد. همچنین، با تحلیل دادههای سنسورهای ماشینآلات، سیستم میتواند خرابی قطعات را پیشبینی کند تا نگهداری پیشگیرانه انجام شود.
در حوزه مدیریت نقدینگی، سیستمهای پیشبینانه به جای تکیه بر حسابداری تعهدی که ممکن است تصویر درستی از پول نقد واقعی ارائه ندهد، رفتار پرداخت مشتریان را تحلیل میکنند. هوش مصنوعی متوجه میشود که فلان مشتری با وجود تعهد ۳۰ روزه، معمولاً در ۴۵ روز تسویه میکند. با این تحلیل، سیستم میتواند جریان نقدی واقعی را پیشبینی کند و در صورت احتمال کسری نقدینگی در هفتههای آتی، راهکارهایی مانند ارائه تخفیف برای تسویه زودتر یا تمدید مهلت پرداخت به تأمینکنندگان را پیشنهاد دهد.
در حوزه مدیریت ارتباط با مشتری، هوش مصنوعی میتواند نشانههای اولیه ریزش مشتری را شناسایی کند. مثلاً کاهش دفعات سفارش، افزایش تیکتهای پشتیبانی یا تغییر در نوع تعاملات مشتری، همگی توسط سیستم پایش میشوند. وقتی نمره سلامت مشتری کاهش یابد، سیستم نه تنها به مدیر فروش هشدار میدهد، بلکه اقداماتی مانند تماس مستقیم یا ارائه مشوقهای خاص را برای حفظ آن مشتری توصیه میکند.
چرخه حیات تجویز هوشمند؛ تبدیل داده به اقدام
برای پیادهسازی این رویکرد، فرآیند تبدیل داده به اقدام در یک چرخه پنجمرحلهای انجام میشود. ابتدا، سیستم تمام دادههای جزیرهای سازمان را تجمیع و پاکسازی میکند تا یک منبع حقیقت واحد ایجاد شود. سپس، الگوریتمها با تحلیل همبستگیها، الگوهای پنهان را شناسایی میکنند. در مرحله سوم، سیستم سناریوهای مختلف را شبیهسازی میکند تا بفهمد با هر اقدام، چه تغییری در خروجی حاصل میشود. در مرحله چهارم، سیستم بهترین تجویز عملیاتی را به مدیر ارائه میدهد. و در نهایت، با هر تصمیم مدیر، سیستم یاد میگیرد که آیا پیشنهاد او مورد تأیید بوده یا خیر، تا در دفعات بعدی دقیقتر عمل کند. این یادگیری مستمر باعث میشود مدلهای پیشبینی سازمان، هر روز هوشمندتر از روز قبل شوند.
مرز هوش مصنوعی و اختیارات مدیران
یکی از نگرانیهای رایج در سازمانها، مسئله واگذاری تصمیمات به هوش مصنوعی است. برای مدیریت این موضوع، باید تصمیمات را در سه سطح طبقهبندی کرد. سطح اول، فرآیندهای خودکار است؛ شامل امور تکراری با ریسک مالی بسیار پایین که سیستم میتواند بدون دخالت انسان مستقیماً اجرا کند و مدیر صرفاً بر گزارشهای آن نظارت دارد.
سطح دوم، فرآیندهای نیازمند تأیید انسان است؛ در اینجا سیستم تمام تحلیلها و پیشنویسهای لازم را آماده میکند و اقدامات ترمیمی را پیشنهاد میدهد، اما تصمیم نهایی و تأیید اجرای آن بر عهده مدیر است. این سطح شامل تصمیمات استراتژیکتر و با اثر مالی متوسط است.
سطح سوم، تصمیمات صرفاً مشورتی است؛ این سطح به تصمیمات کلان سازمانی مربوط میشود که دارای ابعاد حقوقی، سیاسی و سرمایهگذاریهای سنگین هستند. در این حوزه، هوش مصنوعی صرفاً شبیهسازیهای سناریو را انجام میدهد و گزینهها را با میزان ریسک و سود ارزیابی میکند، اما قضاوت نهایی کاملاً انسانی است. با این مدل، سرعت سازمان بدون به خطر افتادن سکان مدیریت، افزایش مییابد.
گامهای عملیاتی برای استقرار این تحول
برای اینکه سازمان به این سطح از هوشمندی برسد، باید چهار گام اساسی بردارد. نخستین گام، اصلاح انضباط دادهای است. هوش مصنوعی بدون دادههای صحیح و منسجم، کارایی نخواهد داشت. تمام کدهای کالا، حسابها و مشتریان باید در یک ساختار یکپارچه تعریف شوند. گام دوم، اتصال تمامی واحدها به هسته مرکزی ERP است. دادههای پراکنده در فایلهای اکسلِ واحدها، مانعِ رسیدن به بینش هوشمند است.
گام سوم، شناسایی اولین نقطه درد کسبوکار است. نیازی نیست همه چیز را یکباره هوشمند کنید. یک گلوگاه پرهزینه مانند انبارگردانی یا مدیریت نقدینگی را انتخاب کنید و سیستم را روی آن متمرکز سازید تا بازگشت سرمایه آن برای مدیران ملموس شود. و در نهایت، انتخاب یک شریک استراتژیک باتجربه برای پیادهسازی این سیستم بسیار حیاتی است. بومیسازی مدلهای هوش مصنوعی با درک صحیح از قوانین مالیاتی و فضای اقتصادی ایران، تفاوت اصلی بین شکست و موفقیت در استقرار چنین سیستمهایی است.
در پایان باید گفت سازمانهایی که در آینده رهبری بازار را در دست دارند، صرفاً گردآورندگان داده نیستند؛ آنها تحلیلگرانِ پیشبینیکننده هستند. با ارتقای ERP از یک سیستم ثبتی به یک ابزار تحلیل تجویزی، شیشه مهآلود مدیریت پاک میشود و مدیران میتوانند با اطمینان کامل به سوی آینده شتاب بگیرند.
مقاله پیشنهادی: با تسهیل گستر، خرید و پشتیبانی Odoo در ایران آسان و مطمئن است
سوالات متداول
آیا برای بهرهمندی از تحلیل پیشبینانه حتماً باید سالها داده تاریخی داشته باشیم؟
اگرچه حجم بیشتر دادهها به دقت بالاتر مدلها کمک میکند، اما داشتن سالها داده الزامی نیست. با استفاده از مدلهای پیشآموخته و ایجاد انضباط دادهای در یک بازه زمانی کوتاه ۳ تا ۶ ماهه در بستر یک ERP یکپارچه، میتوان الگوهای اولیه نوسانات تقاضا و رفتار مشتریان را شناسایی کرد و به نتایج عملیاتی دست یافت.
تفاوت اصلی بین هوش تجاری (BI) و تحلیل تجویزی هوش مصنوعی چیست؟
ابزارهای هوش تجاری سنتی معمولاً نگاهی به گذشته و وضعیت فعلی سازمان دارند و دادهها را در قالب نمودار برای تحلیلِ انسان نمایش میدهند. در مقابل، تحلیل تجویزی هوش مصنوعی فراتر رفته و با شبیهسازی احتمالات، مستقیماً پیشنهاد میدهد که چه اقدام عملیاتی برای رسیدن به هدف بهترین گزینه است.
آیا استقرار این سیستمها به معنای حذف نیاز به مدیران باتجربه است؟
به هیچ وجه؛ تحلیل تجویزی در واقع ابزاری برای توانمندسازی مدیران است. هوش مصنوعی زمان صرفشده برای استخراج و تحلیلهای دستی را حذف میکند و گزینههای بهینه را به همراه تحلیل ریسک در اختیار مدیر قرار میدهد. تصمیم نهایی، قضاوت اخلاقی و استراتژی سازمان همواره بر عهده رهبران باتجربه باقی میماند.
در صنایعی که نوسانات بازار لحظهای است، آیا پیشبینی نرمافزار قابل اعتماد است؟
اتفاقاً در چنین صنایعی، پیشبینی نرمافزاری بسیار حیاتیتر است. انسان در شرایط پرفشار بازار ممکن است دچار سوگیریهای شناختی شود، اما سیستمهای هوشمند با پایش لحظهای سیگنالهای بازار و همبستگیهای پنهان، سناریوهای بحران را سریعتر بازآرایی کرده و اقدامات تعدیلی را پیش از تشدید خسارت پیشنهاد میدهند.
پیشنیاز اصلی فعالسازی قابلیتهای پیشبینی در سیستم «سازمانیار» چیست؟
حیاتیترین پیشنیاز، یکپارچگی دادهها و خروج از جزایر اطلاعاتی است. تا زمانی که حسابداری، فروش و انبار از نرمافزارهای جداگانه استفاده کنند، دادههای یکپارچه برای تحلیل هوشمند فراهم نمیشود. پس از یکپارچهسازی تراکنشها در بستر سازمانیار، زیرساخت تحلیل هوش مصنوعی میتواند رفتارهای سازمان را شناسایی و پیشبینیهای دقیق ارائه دهد.