Обнаженные прогнозы (антипаттерн в цепочке поставок)

learn menu
Автор: Жоанн Верморель, январь 2020 года

Никто не хотел показать, что он ничего не видит, потому что это бы показало, что он не годен к своей должности или очень глуп. Ни одна одежда императора никогда не имела такого успеха, как эта. (Новое платье императора, Ганс Христиан Андерсен, 1909 год)

Псевдоним: Госплан (советское планирование)

Категория: организация

cartoon-naked-emperor-of-forecastin

Проблема: компания сталкивается с постоянным дефицитом товара и избыточным запасом. Эти проблемы очень дорого обходятся. Клиенты уходят к конкурентам из-за дефицита товара, но избыточный запас в конечном итоге также обходится дорого. В то время как макропрогнозы на уровне сети или по категориям товаров относительно точны и непредвзяты, на уровне SKU делаются много ошибок, прогнозируя либо слишком много, либо слишком мало. Компания уже несколько раз сотрудничала с поставщиками программного обеспечения, и тем не менее, несмотря на то, что каждый поставщик утверждает, что улучшил точность прогнозирования по сравнению с предыдущей системой, избыточный запас и дефицит товара остаются более распространенными, чем когда-либо.

Анекдотическое доказательство: прогнозы всегда неверны, об этом знает каждый, но планировщики кажется, что у них бесконечное количество оправданий для справления с ситуацией.

Контекст: у компании есть несколько команд для организации своей цепочки поставок, в частности: планировочная команда, закупочная команда, производственная команда, команда по пополнению запасов и команда по ценообразованию. Планировочная команда составляет первичный прогноз спроса для каждого продукта, который будет запущен и продан компанией. Поскольку прогноз должен охватывать значительную часть жизненного цикла продукта, горизонт прогнозирования долгий - не менее 3 месяцев и часто более 1 года. Первичный прогноз спроса, “план”, сначала преобразуется в закупленные количества, затем в произведенные количества, затем в распределение запасов, и т.д. Наконец, в зависимости от того, колеблются ли уровни запасов выше или ниже уровней, установленных планом, цены корректируются, иногда вверх, но в основном вниз.

Предполагаемое решение: “план” - то есть прогноз, созданный планирующей командой - имеет проблемы с точностью, так как продукты продаются либо быстрее, либо медленнее по сравнению с исходными прогнозами. Однако методы прогнозирования, используемые компанией, являются несколько грубыми, частично основанными на электронных таблицах, и, безусловно, должны существовать более точные способы создания этих прогнозов. Руководство принимает решение, что нужно что-то сделать с этими прогнозами и запускает инициативу по улучшению точности прогнозирования. На этом этапе обычно включается сторонний поставщик - поскольку продвинутая статистика не является основной компетенцией компании - либо для предоставления программного обеспечения, либо для обучения планирующего персонала.

Результирующий контекст: в улучшение прогнозов вкладывается много усилий. Согласно некоторым метрикам, прогнозы улучшаются. С другой стороны, все остальные команды, кроме планирующей, привыкли к недостаткам старых способов прогнозирования и уже разработали свои собственные способы справиться с ограничениями. Поскольку планирующая команда меняет свой подход, все остальные команды должны научиться справляться с новыми недостатками нового подхода к прогнозированию. Это вызывает некоторое трение на некоторое время. Затем, в то время как пересмотр всех процессов цепочки поставок, определяемых прогнозами, приводит к нескольким низкорослым плодам - совершенно не связанным с прогнозированием самим по себе - руководство не видит никаких измеримых результатов от инициативы. Избыточные запасы по-прежнему являются проблемой, а нехватка товаров по-прежнему происходит так же часто, как и раньше. Отложив в сторону модные математические метрики, в компании по-прежнему существует неуверенное восприятие того, что прогнозы все так же плохи, как и раньше. Некоторые ключевые сотрудники, участвовавшие в инициативе по прогнозированию, теперь перешли на более зеленые поля, часто в другие компании. Никто действительно не несет ответственности за результаты несостоявшихся инициатив по прогнозированию, но остаются следы как в процессах, так и в используемых компанией программных инструментах.

Соблазнительные силы: более точный прогноз выглядит как серебряная пуля. Все, от команды закупок до команды мерчандайзинга магазина, соглашаются, что это устранит почти все проблемы компании: продвигать на рынок только самые продаваемые товары, иметь достаточную емкость для поддержки спроса, но не более того, прекратить предоставлять скидки и т. д. Это также простая одномерная проблема: снизить ошибку прогнозирования. Легко объяснить намерение инициативы всем заинтересованным сторонам, и оно кажется рациональным - даже научным - способом улучшить компанию. Кроме того, это фундаментально не затрагивает текущее положение вещей никаким значимым образом. Ни у кого не возникает угрозы своей должности от потенциального появления более точных прогнозов, никто не получает возможность переосмыслить свою роль в компании. Что касается цифровой трансформации, ожидается, что она будет столь же простой, как переход с одного компьютерного экрана на более крупный.

Положительные шаблоны для решения проблемы: единственный способ исправить проблему “голых прогнозов” - это надеть на них некоторую одежду; более конкретно, решения цепочки поставок, связанные с прогнозами, должны рассматриваться как неотделимые от них. Точность прогнозирования должна рассматриваться как “отладочный” артефакт, который помогает выявить проблемы моделирования, но не как КПЭ, которую нужно оптимизировать. Единственные метрики, которые имеют значение, измеряются в долларах или евро и связаны с обыденными решениями, такими как “сколько купить?”, “сколько продвинуть в магазине?”, “сколько сделать скидку?” и т. д.

Пример: Контозо, крупный модный бренд, работающий через собственную розничную сеть, сталкивается с избыточным запасом товаров в конце каждого сезона, что приводит к значительным скидкам для клиентов с целью ликвидации излишков во время распродажи. Что хуже, с течением времени средний уровень скидок постоянно растет, и все большая часть клиентской базы теперь откладывает свои покупки до периода распродажи. Несмотря на удовлетворительные макро-прогнозы, каждый сезон допускается множество ошибок для многих товаров, прогнозируя либо слишком много, либо слишком мало. Контозо уже несколько раз проводил внутренние итерации для улучшения прогнозов. Эти инициативы казались естественным продолжением инициативы по настройке ERP, которая произошла несколько лет назад.

Запуск новой коллекции следует хорошо зарекомендовавшему себя процессу. Сначала планирующая команда определяет ассортимент и глубину коллекции, устанавливая целевые объемы для каждого товара. Затем команда закупок приступает к дальнейшей корректировке: необходимо достичь MOQ (минимальный объем заказа) и распределить товары по размерам, так как исходные прогнозы делаются на уровне товара. Затем команды мерчандайзинга и распределения товаров в магазины устанавливают начальные объемы товаров, которые будут поставлены в начале сезона в каждом магазине. По мере развития сезона команда пополнения товаров управляет пополнением, стараясь поддерживать соответствие с прогнозом. Наконец, в конце сезона, а иногда и раньше, команда ценообразования организует снижение цен, чтобы восстановить соответствие с планом там, где избыточный запас полностью вышел из синхронизации с исходным прогнозом.

Руководители Контозо понимают, что внутренняя инициатива по улучшению точности прогнозирования не принесла ожидаемых результатов. Команда планирования все еще испытывает трудности с правильным определением сезонности. Генеральный директор Контозо получает предложение от генерального директора Genialys, калифорнийского стартапа с крупными инвестициями, который разработал новое поколение прогнозирования. Их технология не только способна обрабатывать все данные о продажах Контозо в режиме реального времени, но также интегрирует данные о погоде и данные из социальных сетей в режиме реального времени. Несколько референсных звонков показывают, что они уже проверили свою технологию с некоторыми очень крупными компаниями. Все это очень впечатляет.

Таким образом, с прямой поддержкой генерального директора возникает большая инициатива с Genialys с целью значительного улучшения точности прогнозирования. Первые несколько недель идут хорошо, но через два месяца становится ясно, что командам IT Контозо действительно трудно извлечь все необходимые данные. Многие кажущиеся мелкими проблемы оказываются сложными. Например, команда Genialys не слишком уверена, что делать с регулярно проводимыми Контозо акциями “купи одно, получи второе бесплатно”. После 6 месяцев относительно интенсивной работы с обеих сторон Genialys теперь предоставляет свои прогнозы. Однако команда планирования не очень доверяет этим цифрам. Простые ручные проверки чисел, полученных от Genialys, показывают, что они иногда сильно ошибаются. Команды Genialys продолжают указывать на проблемы с данными, которые, кажется, объясняют эти проблемы с прогнозами, но в целом ситуация неясна.

Не зная, кому можно доверять, управление цепями поставок в компании Contoso решает ввести ключевые показатели эффективности (KPI), чтобы количественно оценить точность Genialys и “старой” системы прогнозирования. Идея кажется достаточно простой: проведем ретроспективное тестирование, это прояснит, кто более точен. К сожалению, спустя 3 месяца, после десятков встреч и сотен часов усилий, ситуация все еще неясна. Оказывается, что исторический процесс прогнозирования, используемый в Contoso, невозможно протестировать, потому что команда планирования вручную корректирует многие прогнозы. Таким образом, они не могут действительно “повторить” свои исторические прогнозы, это слишком сложно. С другой стороны, Genialys провело много ретроспективных тестов, но неясно, сколько из этих чисел являются реальными. В то время как показатели точности Genialys в целом кажутся нормальными, команда планирования постоянно обнаруживает нелепости в числах, регулярно производимых Genialys.

Через 18 месяцев Genialys теперь используется в производстве для нескольких стабильных линий продуктов, таких как мужские трусы, которые изначально не представляли особой сложности для прогнозирования. Трудные категории, такие как женская обувь или мужские костюмы, по-прежнему управляются вручную командой планирования с использованием старого процесса. Исходная амбиция использовать погодные и социальные данные теперь принадлежит далекому прошлому. Решение Genialys едва справляется даже с самыми простыми категориями. План остается в том, чтобы расширить охват категорий, покрываемых Genialys, но команды немного истощены. Некоторые люди уже ушли. Бизнес-результаты ограничены. Доступность мужских трусов увеличилась на 2%, а скидки снизились на 1%, однако так как количество ссылок в этой категории было сокращено, неясно, имеет ли дополнительная (никогда не измеренная) точность прогнозирования что-либо общее с этим благоприятным развитием. Официально инициатива по прогнозированию все еще продвигается, но высшее руководство уже не ожидает от нее ничего.