필립스는 공급업체를 감사하는 데 그치지 않고 누가 도움이 필요한지 예측했다

전통적인 공급업체 지속가능성 감사는 구매자에게 무엇이 잘못되었는지 알려주지만, 수천 개의 공급업체로 확장하기에는 비용이 많이 든다. 필립스는 더 많은 공장을 점검하는 데 그치지 않고, 제한된 데이터로 성과를 개선할 방법이 필요했다.

CARE 프레임워크는 문제를 수집(collect), 평가(assess), 대응(react), 강화(enhance)로 재정의했다. 머신러닝은 위치, 규모, 업종 등 일반적인 공급업체 정보로부터 지속가능성 수준을 추론했고, 최적화는 이어서 개선 조치를 선택했다.

필립스는 이 프레임워크를 자사의 공급업체 프로그램에 사용했다. 발표된 연구에 따르면 2020년에 프로그램에 참여한 공급업체들의 2021년 지속가능성 성과는 전년 대비 24% 개선되었다.

감사를 개선 과제 배분으로 전환

공급업체 자체 평가는 반복 감사보다 훨씬 많은 대상을 커버할 수 있을 만큼 저렴하다.

일반적인 공급업체 속성으로부터의 예측은 구매자가 한정된 전문가의 관심을 집중할 수 있게 한다.

최적화는 위험 점수를 대시보드가 아닌 행동 선택으로 전환한다.

이 프로그램은 단순한 규정 위반이 아니라 개선을 측정한다.

공급업체 프로그램은 감사 후 위반 사항을 찾는 데 그치지 않고, 분석이 어디에 도움을 주면 행동이 바뀔지를 결정할 때 더 잘 확장된다.

CARE 접근법은 필립스에 감사 우선의 공급업체 관리에 대한 확장 가능한 대안을 제공했다. 참여 공급업체들 사이에서 보고된 2021년 개선율은 24%였으며, 이는 분석 주도의 선제적 공급업체 개발을 뒷받침한다.