Почему внедрение логистических технологий проваливаются — и как преодолеть это

Принятие логистическими провайдерами современных технологий — это кейс применения цифровых решений к аналоговому миру.

По своей природе логистика интенсивно физична: грузовики, прицепы, корабли, поезда и склады. В ней ничего «виртуального» — единственное, что работает «в облаке» — это самолет — но провайдеры спешат обнимать системы, состоящие только из бит и байт.

Их импульс понятен. В эпоху интернета вещей автоматизация — ключ к совладанию с безудержным потоком данных, всеми нацеленными на удовлетворение растущих требований клиентов к быстрой, точечной доставке. К этому концу достижения вроде машинного обучения и ИИ делают возможной степень «умного» принятия решений, далеко выходящую за пределы плоти-и-крови менеджеров.

Технологии для логистики имеют смысл. Так почему так много внедрений не выполняют своих обещаний?

Али Хасан Раза пришел из физического мира. Он начинал в операциях, включая 18-колёсовики. Где-то через десятилетие карьеры он начал мигрировать в технологии, включая системы трекинга и трассировки, мониторинга движения грузовиков. Сегодня он сооснователь и CEO ThroughPut Inc., вендора ПО, использующего ИИ для снятия операционных бутылочных горлышек.

Как лидер технической компании, Раза видит ценность автоматизации для логистических провайдеров. Но он также остро осознает разрыв, сопровождающий её реальное внедрение. Просто сказано, природа и ценность цифровых технологий «зависят от того, кто конечный пользователь». Грузовики ищут точечные решения для повседневных операций. Брокеры притягиваются к электронным маркетплейсам, связывающим грузовладельцев с провайдерами физических услуг. Крупные ритейлеры вроде Walmart и Amazon предпочитают системы, обеспечивающие end-to-end поток поставок.

Так что пока слово «цифровое» всеобъемлющее, оно может быть безумно размытым, описывая широкий спектр «решений» для пользователей, сгруппированных под равно неопределенным термином «логистика».

Большие enterprise-ориентированные системы начинаются с ряда ключевых предположений, отмечает Раза. Они спроектированы моделировать реальный мир, включая ожидаемые лид-таймы, мощность транспорта, упаковочные требования, оборудование для материалов и продуктовый микс. Но цифровые планирующие системы комфортнее всего работают со steady state, а не с транзиентной моделью. А мир логистики решительно транзиентен.

«Если работаешь в логистике и цепи поставок, каждый день меняется», — говорит Раза. «Нет фиксированных лид-таймов и мощности. Бутылочные горлышки всегда меняются, особенно во время COVID-19, где склады и заводы закрываются, требуя полных изменений оптимизации маршрутов».

В хаотичной среде даже самые тщательно продуманные системы в итоге не отражают фактический поток операций. «Именно поэтому мы видим провалы этих цифровых трансформаций», — говорит Раза. «Единственный способ что-то построить — делать предположения. Как в математике, начинаешь с базовых уравнений. Но чем меньше предположений делаешь, тем больше свободы имеешь».

Разве ИИ и машинное обучение не проектировались специально для совладания с такой неопределенностью? Раза соглашается, что ИИ может быть задействован для сенсинга фактического спроса и продуктового микса, и планирования назад от того. «Он может давать рекомендации в реальном времени», — говорит он, — «но кто-то все равно должен их исполнять». И тут реальности момента угрожают вмешаться в лучшие планы «умной» машины.

Полная автоматизация логистической операции редка в любом случае, ограничена редкими «темными» складами, обрабатывающими высокоспециализированный продукт. Такая настройка приглашает возможность бычьего хлыста (bullwhip effect), где мелкие, неисправленные ошибки расчета по цепи поставок могут эскалировать и привести к катастрофическим сервисным провалам вниз по течению.

Ирония технологии в том, что её успех внутри организации в конечном счете зависит от людей. Проблема, говорит Раза, часто в корпоративной культуре.

«Технология может только ускорить то, что вы уже делаете», — говорит он. «Если у вас нет data-driven культуры для начала, и вы никогда ничего не делали со своими данными, вы не добавите никакой ценности».

Обучение — людей, а не машин — равно важно. Любая организация, стремящаяся вырвать старые процессы без адекватного обучения персонала новому, обречена увидеть провал своей дорогой технической инициативы. Топ-менеджмент должен быть реалистичен насчет ROI, даже под давлением инвесторов показывать растущие квартальные прибыли. В таком сценарии принятие SaaS-моделей может помочь снизить upfront затраты.

Нет вопроса, что физический мир логистики нуждается в виртуальных возможностях, в виде автоматизированных и предиктивных систем, чтобы получить максимум от существенных капитальных вложений. Но способ, которым эти «решения» применяются, может стать разницей между успехом и провалом. Как выражается Раза: «Технология — это энейблер — не решение».