Голые прогнозы (антипаттерн оптимизации цепей поставок)

Жоаннес Верморель, январь 2020 г.

Кольцо повсюду их найдет, свою им волю скажет; Кольцо их силою скует и в вечном мраке свяжет.

Псевдоним: Госплан (советское планирование)

Категория: организация



Проблема: компания постоянно сталкивается то с дефицитом товара, то с затовариванием складов. Эти проблемы обходятся очень дорого. Клиенты уходят к конкурентам из-за того, что нужного им товара нет в наличии, а чрезмерный уровень запасов всегда очень затратно ликвидировать. Хотя макропрогнозы на уровне сети или категории товаров могут быть относительно точными и верными, на уровне единиц складского хранения совершается множество ошибок, что приводит к прогнозированию завышенных или заниженных данных. Компания уже несколько раз обновляла используемое ПО, но хотя каждый поставщик уверял их, что у него точность прогнозов выше, чем у предыдущей системы, случаи затоваривания складов и дефицита товара случаются все чаще и чаще.

Историческое свидетельство: прогнозы всегда неверны, и все это знают, но планировщики придумывают бесконечные оправдания и не справляются с ситуацией.

Контекст: цепями поставок в компании управляет несколько команд, которые занимаются планированием, закупкой, производством, пополнением и установлением расценок. Команда, занимающаяся планированием, создает первичный прогноз спроса для каждого отдельно взятого товара, который компания будет выпускать и продавать. Прогнозы должны покрывать значительную часть срока службы изделия, и горизонт прогнозирования велик: как минимум 3 месяца, а часто и более 1 года. Первичный прогноз спроса, «план», сначала превращается в объемы закупок, затем в объемы производства, затем в запасы и т. д. В итоге, в зависимости от того, оказался ли уровень запасов выше или ниже запланированного, определяются цены: иногда они повышаются, но чаще снижаются.

Предложенное решение: «план», т.е. прогноз, созданный отделом планирования, недостаточно точен, так как товары продаются либо быстрее, либо медленнее, чем предполагалось. Методы прогнозирования, используемые в компании, достаточно примитивны, отчасти в них используются таблицы — необходимы более точные способы создания прогнозов. Руководство решает, что нужно сделать что-нибудь с этими прогнозами, и запускает программу по повышению точности прогнозирования. В этот момент обычно появляется сторонний поставщик, потому что сложная статистика не является основной сферой деятельности компании. Этот поставщик либо предлагает какую-нибудь компьютерную систему, либо проводит обучение для отдела планирования.

Результаты: огромные усилия тратятся на оптимизацию прогнозов. Согласно некоторым метрикам, прогнозы становятся лучше. С другой стороны, все другие подразделения, кроме отдела планирования, уже привыкли к недостатком старых прогнозов и придумали собственные способы борьбы с такими ограничениями. Как только отдел планирования меняет систему, другим подразделениями приходится приспосабливаться к недостаткам новых прогнозов. Это приводит к множеству конфликтов в течение определенного времени. Затем, после перестройки всех процессов в цепях поставок под новые прогнозы, обнаруживается, что полученных результатов можно было бы добиться с меньшими затратами. Это не связано с системой прогнозирования как таковой, но руководство решает, что программа не принесла ощутимой выгоды. Проблема избыточных запасов сохраняется, а случаи дефицита так же часты, как раньше. Если не вдаваться в математические метрики, то в целом в компании считают, что новые прогнозы ничуть не лучше старых. Некоторые ключевые сотрудники, которые участвовали в программе по оптимизации прогнозирования, переходят на более благодатные условия, часто в других компаниях. Никто толком не получает выгоды от бесполезных прогнозов, но их следы можно найти в процессах и программных инструментах, которыми пользуется компания.

Причины популярности подхода: более точные прогнозы представляются своего рода панацеей. Все, от отдела закупок до мерчандайзеров в магазине, согласны, что такие прогнозы могли бы облегчить жизнь компании: они бы смогли продвигать только самый продаваемый товар, держать достаточно запасов для удовлетворения спроса, но не более того, прекратить бесконечные скидки и т. д. Да и сама задача кажется простой — всего-то и надо, что снизить погрешность прогнозирования. Донести суть такой инициативы до всех заинтересованных сторон легко: она представляется рациональным, даже научным, способом оптимизировать деятельность компании. С другой стороны, она гарантирует отсутствие сколько-нибудь значительного изменения ситуации. Никто не хочет потерять должность из-за возможного появления более точных прогнозов, никто не хочет переосмысливать цели своей работы в компании. От цифровой трансформации ожидается, что она будет такой же простой, как замена старого монитора на новый, побольше.

Эффективные схемы решения проблемы: единственный способ решить проблему «голых прогнозов» — «одеть» их. Иначе говоря, решения по цепям поставок, которые принимаются на базе прогнозов, должны напрямую связываться с этими самыми прогнозами. Повышение точности прогнозирования должно быть своего рода исправлением ошибок, а не оптимизируемым показателем, оно должно помогать находить проблемы используемой модели. Метрики, которые действительно имеют значение, выражаются в долларах и евро. Они должны быть привязаны к простым решениям вроде «сколько товаров закупить?», «сколько товаров разместить в магазине?», «какую сделать скидку?» и т. д.

Пример
': Contoso, крупный модный бренд, имеет собственную розничную сеть. В конце каждого сезона предприятие сталкивается с затовариванием складов, в результате чего клиентам предлагают большие скидки, чтобы побыстрее ликвидировать запасы. Хуже того, с годами средний размер скидки понемногу увеличивался, и теперь все больше клиентов откладывают покупки до периода распродаж. Несмотря на то, что макропрогнозы удовлетворительны, из-за прогнозирования завышенных или заниженных значений допускается множество ошибок по многим товарам за каждый сезон. Сотрудники Contoso уже несколько раз пытались самостоятельно улучшить качество прогнозов. Эти инициативы были естественным продолжением адаптации ИСУП, которая проводилась несколько лет назад.

Выпуск новой коллекции происходит по отработанной схеме. Сначала отдел планирования определяет ассортимент и глубину коллекции, в том числе итоговые объемы для каждого товара. Затем в дело вступает отдел закупок и вносит свои коррективы: нужно соблюсти ограничения по минимальному объему заказа (MOQ), и им еще приходится сопоставить объемы закупок с размерами, потому что в исходном прогнозе приводятся данные по готовым изделиям. Затем отделы мерчандайзинга и распределения устанавливают исходное количество товаров, которое будет отправлено во все магазины в начале сезона. В течение сезона работает отдел пополнения, который должен следить за выполнением плана по прогнозу. Наконец, по окончании сезона, а иногда и ранее, рассчитываются скидки с целью соблюдения плана, если запасов на складах намного больше, чем предполагалось в прогнозе.

Руководство Contoso осознает, что собственные инициативы по повышению точности прогнозов не приносят желаемой выгоды. Отдел планирования по-прежнему не может должным образом учесть сезонность. На помощь генеральному директору Contoso приходит генеральный директор Genialys, богатого калифорнийского стартапа, который разрабатывает систему прогнозирования нового поколения. Их технология не только позволяет обрабатывать все данные о продажах Contoso в режиме реального времени, но они также учитывают информацию о погоде и данные социальных сетей, тоже в реальном времени. Пара звонков, и становится ясно, что несколько очень известных компаний уже протестировали эту технологию. Все это очень впечатляет.

Таким образом, при поддержке генерального директора рождается большая программа по внедрению продукта Genialys, целью которой является значительное повышение точности прогнозов. Первые несколько недель все идет хорошо, но спустя два месяца начинает казаться, что сотрудники Contoso с трудом могут получить все необходимые данные. Многие проблемы, казавшиеся мелкими, оборачиваются большими трудностями. Например, сотрудники Genialys не вполне понимают, как подступиться к скидкам типа «купи одну вещь и получи вторую бесплатно», которые часто используются в Contoso. Спустя 6 месяцев напряженной работы в обеих компаниях Genialys начинает выдавать прогнозы. Отдел планирования, впрочем, не очень-то доверяет их цифрам. Простая ручная проверка данных, предоставленных Genialys, показывает, что они порой совершенно неадекватные. В свое оправдание сотрудники Genialys кивают на проблемы с исходными данными, но в целом вся ситуация здесь достаточно сомнительна.

Не зная, кому верить, менеджеры цепей поставок Contoso решают установить показатель деятельности для количественной оценки точности прогнозов Genialys и «старой» системы прогнозирования. Идея кажется простой: проводится ретроспективное тестирование, которое покажет, какая технология точнее. К сожалению, еще через 3 месяца постоянных совещаний и кропотливой работы, ситуация остается такой же сомнительной. Оказывается, что провести ретроспективное тестирование старой системы прогнозирования Contoso просто невозможно, потому что отдел планирования вручную редактировал многие прогнозы. Его сотрудники просто не могут повторить все свои прогнозы, это слишком сложно. С другой стороны, Genialys проводит множество ретроспективных тестов, но сказать, какие из представленных ими данных реальны, очень сложно. Несмотря на то, что метрики точности Genialys в общей совокупности выглядят неплохо, отдел планирования до сих пор находит неадекватные значения в прогнозах.

Через 18 месяцев Genialys используется для производства нескольких очень стабильных линеек продукции — типа мужского белья — которые неплохо работали и со старыми прогнозами. Прогнозы для более сложных типов изделий, таких как женская обувь или мужские костюмы, до сих пор просчитываются по-старому: сотрудниками отдела планирования вручную. Исходная задумка использовать информацию о погоде и данные социальных сетей осталась в далеком прошлом. Система Genialys едва справляется даже с самыми простыми товарами. Компания все еще планирует использовать Genialys для большего числа товаров, но сотрудники уже устали. Некоторые даже покинули компанию. В масштабах всего бизнеса в целом результаты скромные. Доступность мужского белья повысилась на 2%, а скидки снизились на 1%, однако число пунктов в этой категории снизилось, так что непонятно, являются ли эти успехи следствием повышения точности прогнозов (которая так никогда и не измерялась). Официально инициатива по оптимизации прогнозов все еще действует, но высшее руководство больше ничего от нее не ожидает.