Jaymalya (“Jay”) Deb es actualmente el Directivo de Materiales de la División en la División de Filtración de Procesos Industriales en Parker Hannifin, una compañía Fortune 250 y líder entero que se especializa en tecnologías de movimiento y control, incluidas la filtración, la hidráulica, la neumática, la electromecánica y otras herramientas relacionadas para las industrias industriales, móviles, energía e industrias aeropaciales, donde es responsable de los supervisores de los materiales en el equipo de los materiales en los materiales en los materiales en el equipo de los materiales. Jay aplica más de 20 primaveras de experiencia en liderazgo y experiencia tecnológica en dependencia de suministro y papeleo de productos básicos, ingeniería, TI y fabricación.
Deletrear asimismo: Volver en tecnología de la dependencia de suministro le dará una preeminencia competitiva
Jay anteriormente se desempeñó como consejero de Oracle para GE Aviation, donde implementó su significativa experiencia en Oracle R12 para el diseño de soluciones mediante la implementación del módulo de planificación de la dependencia de suministro destacamento (ASCP) y configurando el módulo del Sistema de Ejecución de Fabricación (MES). Antaño de eso, promovió su carrera en la dependencia de suministro, la papeleo de materiales líderes, la papeleo de operaciones y el expansión de proveedores para un proveedor entero de equipos y tecnología aguas hacia lo alto con sede en Estados Unidos a la industria del petróleo y el gas.
En su rol presente, Jay ahora aprovecha su experiencia en tecnologías avanzadas de la dependencia de suministro para diseñar sistemas y procesos que mejoren los resultados de pronóstico, producción, planificación de la demanda, entrega y rentabilidad. Jay es obligado por diseñar soluciones innovadoras en diversos grupos funcionales que ofrecen mejoras organizacionales medibles. Entre sus logros recientes, desarrolló modelos estadísticos complejos para la planificación de la demanda que utilizaron técnicas de enseñanza mecánico para mejorar los tiempos de entrega de productos terminados, y construyó un sistema de programación automatizado de taller que optimiza continuamente la capacidad apto contra órdenes de trabajo liberadas para conquistar resultados positivos de tiempo a tiempo para la ordenamiento.
Jay recibió una diploma en ingeniería mecánica de RV College of Engineering en Bangalore, India. Luego de mudarse a los EE. UU. Hace dos décadas, obtuvo una EM en el Software de Ingeniería de Sistemas de Manufactura (MSEP) de la Universidad de Wisconsin-Madison, y un MBA en delegación de la Universidad de Texas en la Escuela de Negocios Austin-the McCombs. Jay es autor de “Perspectiva gerencial para la excelencia operativa: el uso de ideas Lean para competir contra países de bajo costo”, un obra que presenta un enfoque basado en casos para la implementación Lean y la papeleo del cambio, incluidos los ejemplos de conceptos de automatización de procesos robóticos utilizados en herramientas de fabricación y analítica utilizadas para resolver los problemas de papeleo de operaciones. Incluso ha escrito sobre su renovador enfoque de enseñanza mecánico para mejorar el pronóstico de productos industriales de demanda intermitente en la industria del petróleo y el gas.
Hablamos con Jay sobre los desafíos actuales en la planificación de la demanda y la papeleo de la dependencia de suministro, el impacto de las tecnologías de apresuramiento, su enfoque para el diseño de soluciones y su pronóstico para la industria.
Ellen Warren: Jay, en su carrera, ha dirigido varias iniciativas de optimización de la dependencia de suministro en diferentes industrias, incluida el petróleo y el gas y la filtración industrial. ¿Qué ves hoy como el desafío más apremiante en la papeleo de la dependencia de suministro?
Jaymalya Deb: La resiliencia de la dependencia de suministro en medio de las interrupciones globales se ha convertido en el desafío más apremiante que enfrenta la industria hoy en día. El impacto creciente de los choques externos (tensiones geopolíticas, aranceles comerciales, retrasos inducidos por el clima y escasez de materias primas) fluye a través de toda la dependencia de suministro, creando una inestabilidad generalizada. En particular, las interrupciones repentinas del proveedor, particularmente en el interior del sector de petróleo y gas, han impulsado un aumento de 15% año tras año en las interrupciones de la dependencia de suministro, como lo demuestran los datos recientes. En el mercado industrial de petróleo y gas, donde la demanda intermitente ya plantea desafíos de planificación significativos, estas interrupciones intensifican la demanda de medidas de contingencia sólidas. Al mismo tiempo, la escasez de datos confiables obliga a los fabricantes a ayudar niveles de inventario elevados para cumplir con los estrictos requisitos de servicio. Este enfoque se vuelve cada vez más insostenible como clientes, incapaz de anticipar sus propias deposición, despabilarse alternativas cuando las acciones no están disponibles, lo que aumenta los costos de mantenimiento y socava la amistad del cliente.
EW: En su experiencia, ¿cómo está la tecnología, particularmente el enseñanza mecánico, cambiando la forma en que las empresas responden a estos desafíos? ¿Cómo ha acogido personalmente nuevas tecnologías en el diseño de soluciones empresariales?
JD: La tecnología, y particularmente el enseñanza mecánico (ML), está revolucionando cómo las empresas abordan los desafíos de la dependencia de suministro, como la resiliencia en medio de interrupciones globales y escasez de datos. ML mejoramiento el pronóstico de la demanda mediante el prospección de vastos conjuntos de datos no estructurados, incluidos los patrones de demanda históricos, las señales de mercado en tiempo verdadero y los factores externos como los riesgos geopolíticos o los datos climáticos, lo que permite predicciones más precisas incluso para escenarios de demanda intermitente, como aquellos en productos de petróleo y gas industrial. Los algoritmos avanzados identifican la probabilidad de la demanda y optimizan los niveles de inventario, reduciendo la exageración al tiempo que mejoramiento los niveles de servicio. Encima, el prospección predictivo impulsado por ML respalda la resiliencia modelando los riesgos de la dependencia de suministro, lo que permite a las empresas fingir escenarios de interrupción y desarrollar planes de contingencia ágiles. Las ideas en tiempo verdadero de las fuentes de noticiero destacan una creciente acogida de estas herramientas, con empresas que informan mejoras de hasta un 20% en la eficiencia de la dependencia de suministro.
Personalmente, como director senior de la dependencia de suministro, he acogido estas tecnologías para diseñar soluciones empresariales adaptadas a productos industriales de petróleo y gas. Pioné en un ámbito de pronóstico híbrido que integra métodos avanzados para refinar las predicciones de demanda basadas en datos dispersos. Este enfoque, informado por mis conocimientos de campo, se ha implementado en múltiples organizaciones, mejorando la optimización de inventario y reduciendo los medios de cautela en la medida del 20-22%. Incluso incorporé herramientas de prospección de datos en tiempo verdadero y prospección de escenarios para crear cadenas de suministro resistentes, lo que permite reordenar dinámico y ajustes proactivos de manufactura. Estas innovaciones, validadas a través de varios primaveras de datos, reflejan mi compromiso de exprimir la tecnología de vanguardia para topar los desafíos de la industria apremiantes.
EW: Recientemente desarrolló un renovador enfoque de enseñanza mecánico híbrido para pronosticar la demanda intermitente en petróleo y gas. ¿Puede decirnos por qué los métodos de pronóstico tradicionales fallan en estos escenarios y cómo su maniquí híbrido resuelve este problema de forma más efectiva?
JD: Los métodos de pronóstico tradicionales, como el promedio móvil simple, el suavizado exponencial y la ARIMA a menudo se quedan cortos en escenarios que involucran la demanda intermitente en el sector de productos industriales de petróleo y gas conveniente a sus limitaciones inherentes. Estos métodos se destacan con patrones de demanda continuos estables, pero luchan con la serie esporádica y cero de productos típicos de productos industriales. Específicamente, exhiben un sesgo recto a posteriori de los picos de demanda, no manejan adecuadamente los períodos prolongados de demanda cero y carecen de la capacidad de incorporar covariables complejas o confesar patrones de demanda latentes, lo que lleva a proyecciones inexactas e inventario excesivo.
Mi renovador enfoque de ML híbrido aborda estas deficiencias integrando el método de Croston con técnicas avanzadas de enseñanza mecánico, especialmente xgboost. Este ámbito separa el tamaño de la demanda y los intervalos entre llegadas, como en el maniquí de Croston, y lo mejoramiento con un maniquí de clasificación para predecir la probabilidad de la demanda, utilizando datos históricos y factores externos como características. Si la probabilidad prevista excede un límite optimizado, un maniquí de regresión estima la magnitud de la demanda. Este enfoque dual aprovecha la colchoneta estadística de Croston mientras aprovecha la capacidad de ML para procesar datos multidimensionales, lo que resulta en pronósticos que son más precisos y adaptables. Válido con varios primaveras de datos diarios, este maniquí ha demostrado una mejoramiento del 10-14% en la entrega a tiempo a tiempo y una reducción del 20-22% en los desacuerdo, ofreciendo una opción más efectiva para los desafíos de demanda intermitente de la industria del petróleo y el gas.
EW: En su rol presente, lideró el expansión de un proceso de revisión de pronóstico mensual basado en la planificación de ventas y operaciones (S&OP). En este caso, ¿cómo se integra el enseñanza mecánico en el proceso S&OP para mejorar la precisión y la colaboración del pronóstico?
JD: En mis roles en varias organizaciones, he liderado el expansión de un proceso de revisión de pronóstico mensual arraigado en la planificación de ventas y operaciones (S&OP), aprovechando mi experiencia para mejorar la fila y la toma de decisiones. El enseñanza mecánico (ML) se integra en el proceso S&OP elevando la precisión del pronóstico y fomentando la colaboración entre los equipos. Mi maniquí de pronóstico híbrido analiza datos de ventas históricas, tendencias del mercado de fuentes web y aportes operativos para predecir la demanda intermitente, como en los productos industriales de petróleo y gas, con una mejoramiento de puntos porcentuales de dos dígitos en la entrega a tiempo.
Durante el ciclo S&OP, ML proporciona un pronóstico de tendencia de colchoneta basado en datos, que las ventas refina con información del cliente, mientras que las operaciones se ajustan en función de las limitaciones de capacidad. Esta entrada iterativa, facilitada por los paneles de tiempo verdadero que implementé, reduce el sesgo y mejoramiento la precisión significativamente en la prevención del regalo. La colaboración mejoramiento a medida que los escenarios generados por ML (EG, picos de demanda o riesgos de proposición) se mantienen como un idioma popular, lo que permite una fila interfuncional en las reuniones de revisión. Esta integración, validada durante meses de implementación, garantiza un enfoque proactivo y unificado para el pronóstico y la planificación de medios.
EW: Su carrera y liderazgo albarca la ingeniería, la TI y la papeleo de la dependencia de suministro. ¿Cómo clausura la brecha entre los equipos técnicos y los equipos operativos al diseñar e implementar soluciones que involucren tecnologías complejas como el enseñanza mecánico o los sistemas ERP?
JD: Mi carrera me ha equipado con una perspectiva única para cerrar la brecha. Esta experiencia interdisciplinaria me permite proceder como traductor, alineando la experiencia técnica de los científicos de datos y los especialistas en TI con las deposición prácticas de las partes interesadas operativas.
Fomento la colaboración iniciando talleres interfuncionales donde los equipos técnicos presentan vistas generales simplificadas de los algoritmos de ML o funcionalidades ERP, mientras que los equipos operativos articulan desafíos del mundo verdadero, como la demanda intermitente de componentes industriales relacionados con el petróleo y el gas. Por ejemplo, al desarrollar mi maniquí de pronóstico de ML híbrido, aseguré el enfoque en la precisión del cálculo, mientras que los gerentes de la dependencia de suministro destacaron las limitaciones de inventario, creando una comprensión compartida. Los bucles de feedback regular, incluidas las pruebas piloto con datos operativos, refinan aún más estas soluciones, asegurando la usabilidad: la reducción de desabastecimiento sostenida de mi maniquí, se deriva de dicha entrada iterativa.
EW: Los principales equipos interfuncionales es una parte importante de su papel. ¿Cómo se asegura de que los equipos de ventas, ingeniería y operaciones estén alineados con los modelos de pronóstico avanzados que implementa, y cómo obtiene la aprobación de las partes interesadas que pueden no estar familiarizadas con el flanco técnico?
JD: Los principales equipos interfuncionales es de hecho una piedra angular de mi papel, aprovechando mi larga experiencia a través de la papeleo de la ingeniería, TI y la dependencia de suministro. Para avalar la fila entre los equipos de ventas, ingeniería y operaciones con modelos de pronóstico avanzados, empleo una logística estructurada pero colaborativa. Aparición con talleres interfuncionales, donde la perspectiva de cada equipo está integrada: Sales proporciona información del mercado, la ingeniería garantiza la viabilidad técnica y las operaciones destacan los desafíos de ejecución. Por ejemplo, al implementar mi maniquí de pronóstico para productos industriales de petróleo y gas, facilité sesiones para alinear las “señales de demanda de las ventas con los objetivos de inventario de las operaciones, utilizando ingeniería para validar la integración destacamento del maniquí de pronóstico basado en ML.
Para consolidar la aprobación de las partes interesadas que no están familiarizadas con los aspectos técnicos, me concentro en traducir conceptos complejos en beneficios comerciales tangibles. Utilizo ayudas visuales, como diagramas de flujo simplificados o paneles que muestran la mejoramiento de los puntos porcentuales del maniquí en la entrega a tiempo, para desmitificar la tecnología. Incluso realizo demostraciones específicas, como las ejecuciones piloto con datos reales, lo que permite a las partes interesadas ver desacalejamientos reducidos (20-22% en mi caso) de primera mano. Acometer las preocupaciones a través de discusiones individuales y los resultados vinculantes a sus KPI (EG, hucha de costos de “estabilidad de ingresos o operaciones” de ventas, cada vez más crea confianza. Este enfoque, perfeccionado durante primaveras de liderazgo, garantiza la fila y la acogida entusiasta en todos los ámbitos.
EW: En su experiencia, ¿cómo pueden las organizaciones exprimir mejor los datos, ya sea de sistemas ERP como Oracle EBS o fuentes externas, para impulsar los procesos de toma de decisiones y mejorar el rendimiento de la dependencia de suministro?
JD: Las organizaciones pueden exprimir mejor los datos, ya sea de origen interna o externamente, al adoptar un enfoque importante e integrado.
Primero, la consolidación de datos de ERP Systems proporciona una colchoneta robusta. Por ejemplo, Oracle EBS ofrece información en tiempo verdadero sobre el inventario, la adquisición y la producción, que he utilizado para optimizar los puntos de reorden en los productos industriales de petróleo y gas. La integración de esto con datos externos, como las tendencias del mercado o las métricas de rendimiento del proveedor, enriquece el conjunto de datos. Mi maniquí de pronóstico híbrido, por ejemplo, incorpora tales entradas externas adjunto con datos de ERP internos, mejoramiento la precisión de la demanda y reducen los desacuerdo.
En segundo emplazamiento, las organizaciones deben cambiar en prospección avanzados, incluido el enseñanza mecánico, para procesar estos datos. Al capacitar modelos sobre datos históricos de ERP y señales externas en tiempo verdadero, las empresas pueden predecir interrupciones o picos de demanda, como he demostrado en mi trabajo. Esto requiere datos limpios y estandarizados, logrados a través de los marcos de gobernanza que he implementado para avalar la calidad.
Finalmente, la toma de decisiones mejoramiento con las herramientas de visualización accesible. He implementado paneles que traducen prospección complejos en ideas procesables, permitiendo que los equipos interfuncionales se alineen en las estrategias. Esta utilización holística de datos, validada por mi experiencia de campo, impulsa ajustes proactivos, mejoramiento la resiliencia y aumenta la eficiencia genérico de la dependencia de suministro.
EW: Como entendido en el enseñanza mecánico y la papeleo de la dependencia de suministro, ¿cuál es su visión para el futuro de la pronóstico de la demanda? ¿Prevé que las soluciones impulsadas por la IA jueguen un papel más importante en la papeleo de suministro de forma autónoma, y de ser así, ¿cómo pueden las empresas comenzar a prepararse para este cambio?
JD: Mi visión para el futuro de la pronóstico de la demanda, conformada por mi experiencia en enseñanza mecánico y papeleo de la dependencia de suministro, se centra en una integración perfecta de soluciones impulsadas por la IA que transforman el campo. Antelación la previsión de la demanda que evoluciona a un proceso en extremo predictivo y autoadaptativo, aprovechando los datos en tiempo verdadero de fuentes diversas, como los sensores de IoT, el sentimiento del mercado y los sistemas ERP, para anticipar la demanda con precisión sin precedentes, incluso para patrones intermitentes como aquellos en productos industriales de petróleo y gas. Mi maniquí de pronóstico híbrido, que ya aumenta la entrega a tiempo en varios puntos porcentuales, es un precursor de este cambio, y preveo la IA expandiendo esta capacidad mediante la refinación de algoritmos de forma autónoma e incorporando variables externas como los riesgos geopolíticos.
Las soluciones impulsadas por la IA están listas para desempeñar un papel más importante en la papeleo de suministro de forma autónoma, potencialmente automatizando los ajustes de inventario, las decisiones de reordenamiento y la coordinación de los proveedores. Esto podría someter la intervención humana hasta hasta un 30%, basada en las tendencias emergentes de los prospección web, al tiempo que mejoramiento la resiliencia contra las interrupciones. Las empresas pueden prepararse primero invirtiendo en infraestructura de datos robusta: conjuntos de datos integrados de Oracle EBS o sistemas similares) para combinar modelos de IA. A continuación, deberían aumentar los equipos a través de la capacitación específica, como lo he hecho con talleres interfuncionales, para unir brechas técnicas y operativas. Finalmente, pilotar las herramientas de IA en entornos controlados, como mis ensayos de reducción de medios, generará confianza y refinará procesos. Este enfoque proactivo posicionará a las organizaciones para exprimir el mayor potencial de la IA en la papeleo de la dependencia de suministro.
EW: Has escrito un obra sobre fabricación Lean y excelencia operativa. ¿Cómo se alinean o complementan los principios de su obra o complementan los enfoques de enseñanza mecánico basado en datos que ahora aplica en la papeleo de la dependencia de suministro? ¿Cómo se pueden arreglar los principios Lean y los prospección avanzados para un rendimiento perfecto de la dependencia de suministro?
JD: Mi obra sobre la fabricación Lean y la excelencia operativa, extraída de mis primaveras de experiencia en la industria, enfatiza la exterminio de residuos, la mejoramiento continua y la optimización del flujo de valía, principios que se alinean sin problemas con los enfoques de enseñanza mecánico basados en datos que ahora aplico en la papeleo de la dependencia de suministro. El enfoque de Lean en someter el exceso de inventario y mejorar la eficiencia del proceso complementa mi maniquí de pronóstico híbrido, lo que minimiza los desacuerdo y la exageración al exprimir las predicciones precisas de la demanda. Por ejemplo, la filosofía amoldonado a tiempo de Lean se ve reforzada por la capacidad del enseñanza mecánico para anticipar la demanda intermitente en los productos industriales de petróleo y gas, alineando la producción con deposición reales.
Coordinar los principios Lean con Analytics Advanced ofrece un ámbito poderoso para un rendimiento perfecto de la dependencia de suministro. Lean proporciona la disciplina operativa, que la transferencia de flujos de trabajo y fomentan una civilización de Kaizen, mientras que los prospección, como el maniquí de pronóstico híbrido, ofrecen la inteligencia predictiva para apoyar estos esfuerzos. Las empresas pueden integrarlos mediante el uso de datos para identificar los desechos (por ejemplo, exceso de inventario traumatizado por los sistemas ERP) y aplicando herramientas Lean como el mapeo de flujo de valía para abordarlo, guiado por ideas en tiempo verdadero. He implementado esta sinergia combinando los sistemas basados en push de Lean con puntos de reorden impulsados por ML, logrando una mejoramiento porcentual significativa en la entrega a tiempo. Este enfoque dual maximiza la eficiencia, reduce los costos y crea resiliencia, creando una dependencia de suministro equilibrada y cinta para el futuro.