Как превратить сложность цепочки поставок в отличное обслуживание

Если бы Amazon материализовался сегодня из воздуха, мало кто из здравомыслящих людей почувствовал бы уверенность в том, что сможет управлять им с прибылью.

Во всем мире компания продает более 3 миллиардов товаров на рынках в 11 странах. Только в США в 2018 году Amazon представила 208 миллионов новых продуктов, большинство из которых относятся к категории «медленных» или «длиннохвостых» товаров. Тем не менее, несмотря на чрезвычайную сложность и масштабы, прибыль Amazon за июль 2018 года вдвое превысила ожидания акционеров, в результате чего квартальная прибыль составила колоссальные 2,5 миллиарда долларов.

Успех Amazon может показаться случайностью, которую невозможно повторить. Однако если разобраться, Джефф Безос стал самым богатым человеком в мире, выяснив, как делать три, казалось бы, противоречивые вещи одновременно:предоставлять исключительный уровень обслуживания с минимально возможными затратами, и управлять сложностью. Я утверждаю, что добиться истинного успеха по всем трем параметрам сложно для любой компании без передовых технологических возможностей.

Во-первых, измените свое мышление. К сожалению, на рынке растущей нестабильности спроса и более высоких ожиданий в отношении услуг слишком много компаний замыкаются в традиционных процессах и знакомой нисходящей спирали. Не имея возможности надежно спрогнозировать рост числа комбинаций SKU, они загружают запасы, чтобы удовлетворить изменчивый спрос с длинными хвостами. Это неизменно приводит к таким проблемам, как дополнительные транспортные расходы и избыточные и устаревшие запасы, которые необходимо либо списать, либо продать с большой скидкой. Планировщики постоянно находятся в реактивном и неэффективном режиме «тушения пожаров», тратя большую часть своего времени на изменение предлагаемых пополнений и манипулирование уровнями обслуживания вместо повышения производительности.

Проблемы цепочки поставок часто труднее всего исправить, потому что они имеют нелогичные решения. Если вы хотите добиться «амазонского» успеха, первое, что вам нужно сделать, это уйти со своего пути и попробовать новый подход. Как гласит заезженная поговорка, верный признак безумия - делать одно и то же снова и снова и ожидать разных результатов.

Секрет планирования, ориентированного на услуги, - это вероятностное прогнозирование и оптимизация структуры запасов. Чтобы справиться со сложностью и достичь высокого уровня обслуживания, сначала нужно преодолеть барьер точности прогноза:вместо того, чтобы прогнозировать одно число, понять диапазон возможностей спроса в своем прогнозе. Этот метод называется вероятностным прогнозированием. Используя этот подход, вы по-прежнему получаете одно число, связанное с наиболее вероятным исходом. Однако, обведя это число вокруг этого числа, вы получите ряд других возможных результатов, каждый с различной вероятностью. Это альтернатива традиционному прогнозированию по принципу «одно число», основанному на усреднении совокупных показателей истории заказов.

Вероятностное прогнозирование идеально подходит для цепочек поставок, которые включают большое количество товаров с длинным хвостом и сталкиваются с изменчивостью и неопределенностью спроса из-за огромного количества факторов, которые они не могут адекватно смоделировать. Как заключила гуру цепочки поставок Лора Сесере в своем блоге «Вероятностное прогнозирование:подходит ли ваш бизнес?»:«Для сложных профилей спроса вероятностное прогнозирование - новый и мощный метод. Это разновидность двигателя. Прогнозирование - это лучшая математика и соответствие модели данных для достижения результатов ».

Ваша цепочка поставок не должна становиться слишком сложной, прежде чем она сможет извлечь выгоду из вероятностного прогнозирования. Вот упрощенный пример для иллюстрации. Допустим, вы хотите спрогнозировать спрос на артикул конкретной автомобильной шины. Система прогнозирования с использованием единственного числа проанализирует историю продаж этой шины по четыре единицы в месяц и определит средний спрос как одну шину в неделю. Поскольку этот прогноз не касается клиентов, заменяющих все четыре шины одновременно, он будет постоянно предлагать неверный прогноз и, следовательно, уровни запасов для достижения целевого уровня обслуживания.

Для планирования запасов вам необходимо знать вероятность каждого количества линейного заказа - для одной шины, двух шин, трех шин, четырех шин и т. Д. Вероятностное прогнозирование предоставляет именно эту информацию, определяя шаблоны заказов (например, размер заказа, заказ частота), которые инвентарь может использовать для обслуживания спроса.

Мы были одинокими фигурами в мире цепочек поставок еще в начале 1990-х годов, когда мы впервые начали отстаивать этот подход как альтернативу традиционному прогнозированию. Сегодня, столкнувшись с огромной сложностью цепочки поставок, у компаний есть более актуальная платформа, чтобы опробовать ее. Мы неизменно получаем обратную связь:«Я бы хотел, чтобы мы начали делать это раньше!»

Во-вторых, оптимизация ассортимента позволяет то, что мы называем «планирование на основе услуг», за счет использования преимуществ масштаба и изменчивости - сложности - вашего портфеля SKU в сети. Вместо того, чтобы назначать один и тот же уровень обслуживания для каждого SKU в группе, каждому местоположению SKU в цепочке поставок назначается собственный уровень обслуживания, оптимизированный для достижения бизнес-целей. Например, вместо того, чтобы назначать всем SKU в классе 98-процентный уровень обслуживания, глобальная цель в 98 процентов достигается за счет оптимальной установки уровней обслуживания определения местоположения отдельных SKU на 99 процентов, 97 процентов, 99,5 процента и т. Д., Достигая того же общий целевой уровень обслуживания клиентов с гораздо меньшими затратами на инвентаризацию.

Глобальный производитель линз по рецептам Shamir Optical применил вероятностное прогнозирование, чтобы стать более ориентированным на услуги. Вместо того, чтобы использовать универсальную политику инвентаризации, Шамир проанализировал модели спроса, чтобы создать сочетание различных целевых уровней обслуживания для каждого отдельного SKU в каждом месте. Фирма сократила уровень запасов более чем на 25 процентов в целом, при этом постоянно достигая уровня обслуживания, превышающего 99 процентов.

Человеческие специалисты по планированию практически не могут выполнить вероятностное прогнозирование достаточно быстро. Чтобы это работало, вам необходимо автоматизировать процесс планирования с помощью самоадаптирующейся системы, использующей технологию машинного обучения - разновидность искусственного интеллекта. Чтобы сгенерировать вероятностные прогнозы, вам сначала нужно смоделировать свою цепочку поставок. Большинство компаний начинают с выборочной группы SKU для тестирования и расширения с течением времени. Затем, применительно к вашей модели, вам необходимо учесть влияние широкого диапазона переменных потенциального спроса. Это могут быть традиционные входные данные, такие как история заказов, другие корпоративные источники, такие как данные системы управления взаимоотношениями с клиентами (CRM), и даже внешние источники, такие как погода, фондовый рынок и тенденции в социальных сетях. Поскольку модель цепочки поставок является «живой» системой, машинное обучение постоянно учится и корректирует результаты с течением времени, позволяя при необходимости вводить новые источники данных. Применяя A.I. обеспечивает глубокое понимание поведения спроса и запасов для улучшения результатов.

Однако хорошая новость для людей заключается в том, что вероятностные прогнозы по своей природе являются отправной точкой, а не конечной игрой. Они предназначены для того, чтобы своевременно предоставлять плановикам данные, необходимые для принятия обоснованных решений относительно политик обслуживания и соответствующих оптимальных уровней запасов в их цепочках поставок.

Это вероятностное прогнозирование с расширенным ИИ представляет собой идеальный симбиоз между человеком и машинами. Система со временем становится умнее за счет учета человеческого вклада, а люди становятся умнее, извлекая уроки из вероятности успешных прогнозов. Это позволяет планировщикам сосредоточиться на обслуживании, работать над стратегическими проектами и добавлять в систему свои бизнес-идеи.

Ваш бизнес тоже может процветать за счет сложности. Прелесть вероятностного прогнозирования заключается в том, что при повышении уровня обслуживания снижаются затраты, потери и неэффективность. Сотни компаний, таких как Shamir Optical, получили широкий спектр преимуществ, от высвобождения оборотного капитала до снижения морального износа, транспортировки и ускорения затрат и скидок. Многие компании сообщают, что они стали более чутко реагировать на изменения рынка и могут принимать более обоснованные стратегические решения.

Для людей, использующих детерминированный подход «одно число», вероятностное прогнозирование покажется нелогичным. Однако, если вы не занимаетесь товарным бизнесом с небольшим количеством товаров и полностью предсказуемым спросом, подход с использованием одного числа не поможет. Amazon не только использует этот метод, но и предлагает партнерам-поставщикам инструмент прогнозирования вероятности. Не пора ли попробовать?

Джозеф Шамир - генеральный директор ToolsGroup.