Трансформация сложности цепочки поставок в превосходное сервисное качество

Если бы Amazon материализовался сегодня из ниоткуда, мало кто в здравом уме был бы уверен в способности прибыльно управлять им.

Глобально компания продает более 3 млрд продуктов через 11 разных национальных маркетплейсов. В одном США Amazon ввел 208 млн новых продуктов в 2018 году — большинство из которых медленные движущиеся или «длинный хвост» позиции. Тем не менее, несмотря на экстремальную сложность и масштаб, прибыль Amazon за июль 2018 года удвоила ожидания акционеров, достигнув квартальной прибыли в $2,5 млрд.

Успех Amazon может казаться флуком, невозможным для репликации. Однако, разбирая его, Джефф Безос стал самым богатым человеком, разгадав, как делать три казалось бы противоречивых вещи одновременно: доставлять исключительные уровни сервиса, при наименьших возможных затратах и управлять сложностью. Я утверждаю, что достижение всех трех с истинным успехом сложно для любой компании без передовых технологических возможностей.

Во-первых, смените мышление. К сожалению, на рынке растущей волатильности спроса и выше сервисных ожиданий слишком много компаний застряли в традиционных процессах и знакомой нисходящей спирали. Не способные надежно прогнозировать растущее число SKU-комбинаций, они набивают инвентарь для покрытия длинного хвоста,.erratic спроса. Это неизбежно ведет к проблемам: лишним фрахтовым затратам и избыточному/устаревшему инвентарю, который нужно списать или продать с глубокой скидкой. Планировщики постоянно в реактивном и неэффективном режиме «тушения пожаров», тратя большинство времени на изменение предложенных пополнений и манипуляции уровнем сервиса вместо драйвинга производительности.

Проблемы цепочки поставок часто трудны для исправления, потому что у них контр-интуитивные решения. Если хотите достичь «амазоновского» успеха, первое, что нужно — убраться из своего пути и попробовать новый подход. Как гласит поговорка, верный признак безумия — делать одно и то же снова и снова и ожидать других результатов.

Секрет сервис-драйвенного планирования — вероятностный прогноз и оптимизация товарного микса. Путь управлять сложность и достигать высоких уровней сервиса — сначала прорвать барьер точности прогноза: вместо прогноза одного числа, понять диапазон возможностей спроса в вашем прогнозе. Этот метод называется вероятностным прогнозированием. Используя этот подход, вы все еще получаете одно число, ассоциированное с наиболее вероятным исходом. Однако вокруг этого числа вы получаете диапазон других возможных исходов, каждый с разной привязанной вероятностью. Это альтернатива традиционному «одно-число» прогнозированию, основанному на усреднении агрегированных исторических чисел заказов.

Вероятностное прогнозирование идеально для цепочек поставок с высоким числом длинно-хвостовых позиций и вариабельностью/неопределенностью спроса из-за огромного числа факторов, которые они не могут адекватно смоделировать. Как заключила эксперт по цепочкам поставок Лора Цечере в своем блоге «Probabilistic Forecasting: Right Fit for Your Business?»: «Для сложных профилей спроса вероятностное прогнозирование — новая и мощная техника. Это тип движка. Прогнозирование — это лучшая математика и соответствие дата-модели для драйвинга исходов».

Ваша цепочка поставок не должна становиться слишком сложной, чтобы получить выгоду от вероятностного прогнозирования. Вот упрощенный пример для иллюстрации. Допустим, вы хотите прогнозировать спрос на конкретный SKU автошины. Система одно-числового прогноза посмотрит на историю продаж 4 единиц в месяц и определит средний спрос как 1 шину в неделю. Поскольку этот прогноз не учитывает клиентов, заменяющих все 4 шины сразу, он будет постоянно предлагать неправильный прогноз и, следовательно, уровни инвентаря для целевых уровней сервиса.

Для планирования инвентаря нужно знать вероятность каждой линейной величины заказа — для 1 шины, 2 шин, 3 шин, 4 шин и т.д. Вероятностное прогнозирование дает именно эту информацию, идентифицируя паттерны заказов (размер заказа, частота заказа), которые инвентарь может использовать для сервиса спроса.

Мы занимали одинокое место в мире цепочек поставок в начале 1990-х, когда впервые начали пропагандировать этот подход как альтернативу традиционному прогнозированию. Сегодня, перед лицом überwältigющей сложности цепочек поставок, есть более горячая платформа для компаний, чтобы попробовать это. Инвариабельно фидбек, который мы получаем: «Любопытно, что мы не начали делать это раньше!»

Вторично, оптимизация товарного микса позволяет то, что мы называем «сервис-драйвенным планированием», используя преимущество масштаба и вариабельности — сложности — вашего SKU-портфеля по сети. Вместо назначения одного уровня сервиса для каждого SKU в группе, каждой локации SKU по всей цепочке поставок назначается свой уровень сервиса, оптимизированный для достижения бизнес-целей. Например, вместо назначения всем SKU в классе 98% уровня сервиса, глобальная цель 98% достигается оптимальной установкой индивидуальных уровней сервиса локаций SKU на 99%, 97%, 99,5% и т.д., достигая той же общей цели клиентского сервиса с гораздо меньшими затратами на инвентарь.

Глобальный производитель линз Shamir Optical применил вероятностное прогнозирование для становления более сервис-драйвенным. Вместо единой политики инвентаря для всех, Shamir проанализировал паттерны спроса для создания бленда разных целевых уровней сервиса для каждого индивидуального SKU в каждой локации. Фирма снизила уровни инвентаря более чем на 25% в целом, последовательно достигая уровней сервиса выше 99%.

Вероятностное прогнозирование практически не может исполняться достаточно быстро человеческими планировщиками. Чтобы заставить его работать, нужно автоматизировать процесс планирования с самоадаптивной системой, использующей технологию машинного обучения — форму искусственного интеллекта. Для генерации вероятностных прогнозов сначала нужно смоделировать вашу цепочку поставок. Большинство компаний начинают с образцовой группы SKU для тестирования и масштабируют со временем. Против вашей модели нужно учесть влияние широкого спектра потенциальных переменных спроса. Это могут быть традиционные входы вроде истории заказов, другие корпоративные источники вроде данных CRM, и даже внешние источники: погода, фондовый рынок, тренды соцмедиа. Поскольку модель цепочки поставок — «живая» система, машинное обучение непрерывно учится и настраивает результаты со временем, позволяя вводить новые источники данных по мере необходимости. Применение ИИ дает глубокий инсайт в поведение спроса и инвентаря для улучшения исходов.