Самоуправляемая цепочка поставок: революция в логистике и управлении рисками

Эра беспилотных автомобилей и грузовиков на пороге. А что насчет самоуправляемых цепочек поставок?

В последние десятилетия технология проникла в каждый аспект управления цепочками поставок. Однако до сих пор присутствие человека для принятия ключевых решений по производству и распределению было обязательным.

Это особенно верно для управления рисками — дисциплины, ставшей существенной для выживания современных глобальных организаций. Менеджеры цепочек поставок должны взвешивать вероятность множества потенциальных нарушений — стихийных бедствий вроде наводнений, цунами, вулканов, или антропогенных: забастовок, терактов — и предпринимать меры. Такое определение считалось за пределами возможностей машин.

Доныне. Искусственный интеллект, со способностью просеивать массивы данных и обнаруживать паттерны, невидимые для человеческого глаза, играет все возрастающую роль в прогнозировании и управлении рисками. День может наступить скоро, когда машины будут иметь лучший взгляд в будущее, чем люди, создавшие их.

Самые перспективные инновации в ИИ сегодня происходят в фармацевтике и товарах повседневного спроса (CPG), по словам Фредерика Лалюо, CEO Aera Technology Inc. Они под наибольшим давлением от Amazon радикально трансформировать способы обслуживания клиентов.

«Клиент описал это мне элегантно», — вспоминает Лалюо. «Они сказали: "Мы следущие, кто уйдет, если не изменимся"».

Для традиционных мерчандайзеров вызов — защита брендов в эпоху, когда потребители больше интересуются ценой, удобством и скоростью. Благодаря Amazon, идет в магазин становится «нерелевантным». Чтобы сравняться с возможностями e-commerce гиганта, продавцы должны повысить эффективность на каждой стадии цепочек поставок. И это включает лучшее управление рисками.

Многие достижения ИИ происходят в предиктивной аналитике. Производителям приходится ускорять доставку продукта покупателям. Одновременно доступность «больших данных», давая более широкую картину рынка, затапливает планировщиков информацией. Без помощи автоматизированных систем для интерпретации этого ввода они не могут отличить «сигнал» от «шума».

Компании больше не могут обходиться годовыми промо-планами и полугодовыми циклами S&OP (продаж и операционного планирования). Рыночные условия — в частности, вкусы капризных потребителей — меняются слишком быстро. «Нужно достичь следующего уровня производительности», — говорит Лалюо. «Такая [степень] автоматизации доводит до там, где люди не могут следовать».

Крайняя, хоть и неуловимая цель — система, реагирующая на рыночные условия в реальном времени. Диманд-сенсинг (ощущение спроса) — не новая дисциплина, но долгое время его тормозили легаси-инструменты и процессы, задерживающие необходимые действия. В нынешнем виде способность выходит далеко за доступ к данным о продажах, включая «умную» упаковку.

Входные данные — всё: от POS-данных до прогнозов погоды, рейтингов Нильсена, постов в соцсетях и конкурентной разведки. В фарме — обновления о госодобрении новых лекарств.

«Сеть становится шире и шире», — говорит Лалюо, «а зерно — все более тонким».

Как автономная система, ИИ имеет малую ценность. Чтобы быть эффективным, он должен объединять разрозненные потоки данных и распространяться по множественным функциям цепочки поставок. Допустим, ритейлер испытывает 2% рост продаж по определенному товару. Чтобы удовлетворить неожиданный спрос, нужно идентифицировать оптимальный источник для рамп-апа производства, оценить производственные возможности, пересмотреть спецификацию материалов и скорректировать уровни запасов. Если транзакционные системы не «говорят» друг с другом, процесс может занять дни — слишком поздно для мерчандайзера, чтобы воспользоваться мимолетным трендом.

Кроме того, ИИ-система должна смешивать свои данные с человеческими экспертами, которые все еще отвечают за финальные решения о том, когда и куда отгружать продукт.

Лалюо описывает концепцию «когнитивной рабочей скамейки», где ИИ интерпретирует данные и делает рекомендации, которые (в основном) исполняют человеческие эксперты. Но это лишь переходная фаза в развитии ИИ. Природа машинного обучения такова, что система становится лучше с опытом в выборе 적절한 действий. В конечном счете она должна уметь принимать многие ключевые решения без человеческого вмешательства. В этот момент «предиктивная» аналитика становится «прескриптивной».

Мы далеко от точки, где автоматизация полностью возьмет на себя управление. Если прогрессия идет от предиктивной к прескриптивной к полностью автономной, многие компании застряли между стадиями 1 и 2, говорит Лалюо. Перспективы «самоуправляемой» цепочки поставок разумны; вопрос в таймлайне. Пока рано людям думать об отпускании руля.