Программное обеспечение для оптимизации цепочки поставок в моде и одежде, Июль 2025

Последнее изменение: 23 июля 2025

Рейтинг поставщиков и основные выводы

1. Lokad – Количественный оптимизатор цепочки поставок. Lokad выделяется своей сквозной автоматизацией и вероятностным моделированием, адаптированным к волатильности модной индустрии. Она уникально оптимизирует запасы, ценообразование и ассортимент совместно, а не как разрозненные модули. Облачный движок Lokad эффективно рассчитывает тысячи сценариев для SKU/локаций/размеров, избегая больших требований к оперативной памяти. Платформа обрабатывает данные многоканальной розничной торговли и даже конкурентные прайс-листы, что позволяет принимать по-настоящему автономные “роботизированные” решения с минимальным участием планировщиков^{1 2}. Доверие к Lokad подтверждается практическими результатами – её команда заняла одно из лидирующих мест на конкурсе прогнозирования M5, продемонстрировав высокую точность прогнозов в масштабах ³. В отличие от поставщиков, рекламирующих общее понятие ИИ, Lokad делает акцент на измеримой рентабельности инвестиций (например, предотвращенных дефицитах или увеличенной марже), а не на модных фразах. Скептический взгляд: нетрадиционный “программируемый” подход Lokad (где решения пишутся на специализированном языке) требует экспертизы – что резко контрастирует с обещаниями «подключи и работай». Тем не менее, для ритейлеров в сфере моды, стремящихся к максимальной автоматизации и инженерной строгости, Lokad задает высокий стандарт в этом секторе.

2. Blue Yonder (JDA) – Ветеран розничного планирования с интегрированным ИИ. Blue Yonder предлагает комплексный набор инструментов для планирования спроса, оптимизации запасов и розничного ценообразования (включая оптимизацию распродаж). Ее сила заключается в опыте в отрасли – многие крупные бренды одежды использовали её инструменты планирования и пополнения запасов на протяжении десятилетий. Современная облачная платформа Blue Yonder («Luminate») теперь интегрирует ИИ, полученный в результате приобретения компании Blue Yonder (фирмы, специализирующейся на ИИ) в 2018 году, для повышения качества прогнозирования и принятия решений по ценообразованию ⁴. Компания утверждает, что при оптимизации цен учитываются “сложные факторы, такие как поведение потребителей и цены конкурентов” ⁵, а также имеются модули для планирования ассортимента и размеров. Однако, скептицизм оправдан: эти возможности часто остаются отдельными модулями вместо действительно единой оптимизации. Совместная оптимизация может потребовать интеграции результатов от разных движков (например, один для запасов, другой для цен) вместо единого целостного расчета. Наследие платформы это демонстрирует – ключевые части, такие как прогнозирование спроса и ценообразование, происходят из разных источников, и их синхронизация может быть нетривиальной. Недавнее внедрение Blue Yonder «графа знаний» и унифицированного планирования по одной скорости является, по сути, ответом на прошлые проблемы интеграции и быстродействия ⁶. Планировщики по-прежнему сообщают о необходимости настройки оповещений и ручных корректировок в системе Blue Yonder для обработки исключений. В итоге, Blue Yonder мощная, но может казаться как латастое одеяло возможностей – прекрасна в каждой области, но не настолько слажена в совместной оптимизации, как обещают маркетологи.

3. o9 Solutions – Интегрированная платформа с поддержкой ИИ. Как новый участник, o9 получила известность благодаря единой платформе планирования, которая охватывает мерчендайзинг, прогнозирование спроса, управление цепочками поставок и даже управление доходами. В сегменте моды o9 рекламирует систему, в которой на базе ИИ осуществляется планирование ассортимента, оптимизация цен и проведение акций ^{7 8}. Ключевое отличие – акцент на интеграцию внешних данных: «цифровой мозг» o9 способен обрабатывать рыночные индикаторы, цены конкурентов и онлайн-сигналы для улучшения прогнозов. Технически o9 построена на современной облачной архитектуре, основанной на графах, что позволяет избежать огромных требований к оперативной памяти одного сервера, присущих старым in-memory системам. (Примечательно, что o9 указывает на то, что in-memory IBP от SAP имеет “значительные ограничения” в масштабировании по числу измерений ⁹.) Это означает, что o9 масштабируется лучше для большого количества комбинаций SKU-магазинов и длинных размерных линеек в модной индустрии. Она стремится к перепланированию почти в реальном времени, что может обеспечить автономное принятие решений, если будет полностью реализовано. Скептический взгляд: действительно ли o9 обеспечивает роботизированное принятие решений или лишь более быструю аналитику для людей? Ранние отчеты указывают на то, что, хотя платформа o9 гибкая, достижение полной автоматизации по-прежнему требует значительной настройки и проверки со стороны ритейлера. Ее обещания в области ИИ и “быстрого моделирования” требуют проверки – без опубликованных эталонов следует поставить под сомнение смутные заявления вроде, скажем, X% улучшения прогнозирования (особенно учитывая, что простые модели машинного обучения порой превосходят сложные модели ¹⁰). Партнерство o9 с такими компаниями, как JD Sports для оптимизации ассортимента в моде, ¹¹ перспективно, но доказательства рентабельности инвестиций должны подтверждаться не только пресс-релизами.

4. Oracle Retail (Oracle SCM) – Комплексный пакет с наследием устаревших решений. Oracle предлагает ряд инструментов для розничного планирования (наследников решений Retek и Demantra), охватывающих финансовое планирование товарной продукции, планирование ассортимента, прогнозирование спроса (Oracle Retail Demand Forecasting Cloud Service) и оптимизацию цен (после приобретения ProfitLogic). На бумаге решение Oracle для модной индустрии может “анализировать, планировать и оптимизировать товар, ассортимент, кампании, цены и акции” по всей компании ¹². Оно поддерживает специфические для моды особенности, такие как сезонное распределение и размерные профили, и многие глобальные ритейлеры моды внедрили один или несколько его модулей. Проверка реальностью: пакет решений Oracle — это не единое интегрированное решение, а набор модулей, часто требующих пакетной интеграции. Фактически, были задокументированы пробелы в интеграции данных — например, в руководстве по интеграции Oracle указано, что систему прогнозирования снабжали только данными о валовых продажах (без учета возвратов) и продажами в магазинах (без учета отгрузок со склада) ¹³. В отрасли, страдающей от высоких показателей возвратов, исключение возвратов из данных о спросе является серьезным недостатком, приводящим к искаженным прогнозам, если их не корректировать вручную. Это иллюстрирует, как сегментированная архитектура Oracle (разделение между мерчендайзингом и системами планирования) может приводить к несогласованности. Сильная зависимость от in-memory базы данных Oracle (эквиваленты Oracle Exadata/HANA) также влечет за собой высокие вычислительные затраты для больших наборов данных модной индустрии — фактически наказывая тех, кто пытается проводить детальные вероятностные прогнозы для миллионов комбинаций SKU-цвет-размер в оперативной памяти. Решения Oracle мощные, но не легкие: пользователи часто сталкиваются с длительными процессами внедрения и вынуждены курировать передачу данных между инструментами ценообразования, планирования ассортимента и управления запасами для достижения «совместных» результатов. Короче говоря, Oracle предлагает широкий спектр возможностей, но для настоящей совместной оптимизации требуется индивидуальная интеграция, и скептицизм оправдан в отношении любых заявлений о безупречной синергии “из коробки”.

5. RELEX Solutions – Оптимизатор, ориентированный на розничную торговлю, с расширяющимся функционалом. RELEX, известная своими корнями в прогнозировании для продуктового ритейла, вышла на рынок моды и специализированной розничной торговли с единой платформой для прогнозирования спроса, пополнения запасов, распределения и теперь ценообразования ^{14 15}. Ее сила заключается в автоматизации пополнения запасов в магазинах: многие пользователи хвалят RELEX за автоматический заказ и межмагазинные переводы, адаптирующиеся к продажам в режиме реального времени, что может быть крайне полезно в сфере быстрой моды, где тренды меняются еженедельно. Недавно RELEX представила модуль оптимизации цен на основе ИИ, позволяющий ритейлерам получать автоматизированные рекомендации по ценам, соответствующие таким правилам, как целевые маржи или согласование с ценами конкурентов ¹⁶. Это свидетельствует о намерении RELEX осуществлять совместные действия по управлению запасами и ценообразованию (например, оптимизацию сроков снижения цен на основе уровня запасов и действий конкурентов). Система нативно обрабатывает многоканальные данные (розничные магазины и электронная коммерция) и способна на вероятностное прогнозирование, информируя планировщиков о диапазонах доверия. Скептический взгляд: опыт RELEX в продуктовом ритейле (товары с высокой частотой продаж и относительно стабильными SKU) означает, что ей пришлось адаптироваться к более сложным задачам модной индустрии – товарам с коротким жизненным циклом и скудной историей продаж. Пользователям следует изучить, как RELEX прогнозирует новые продукты или модные тренды (использует ли она модели на основе атрибутов? Сигналы из социальных сетей?). Оптимизация цен, хотя и выглядит перспективно, является новой – вероятно, основана на правилах с ИИ-прогнозами, а не на проверенной оптимизации полной ценовой эластичности. Также, как и многие другие, RELEX рекламирует “настраиваемый ИИ” и интеграцию в один клик, что опытные покупатели обычно ставят под вопрос. Без подробных эталонных показателей заявления о волшебном минимуме отсутствия товара и сокращении отходов остаются маркетинговыми ходами. Тем не менее, RELEX продемонстрировала убедительную рентабельность инвестиций в управлении запасами в нескольких розничных проектах, и ее переход к универсальной оптимизации (объединяющей решения по ассортименту, запасам и ценообразованию) хорошо соответствует потребностям модной индустрии – при условии, что эти составляющие действительно работают в тесном сотрудничестве, а не как независимые оптимизаторы, склеенные вместе.

6. ToolsGroup – Специалист по оптимизации запасов, расширяющийся в розничный сектор. ToolsGroup заработала репутацию благодаря оптимизации запасов на основе уровня обслуживания и прогнозированию (ее программное обеспечение SO99+) и давно использует такие методы, как вероятностные модели для товаров с медленным оборотом. Она применяется в модной индустрии для планирования спроса, и решение ToolsGroup помогло итальянскому бренду Miroglio Fashion добиться 16%-ного роста выручки и увеличения маржи на 1 млн евро (согласно кейс-стади) за счет улучшения распределения запасов и оборачиваемости ¹⁷. В последние годы ToolsGroup расширила свою сферу, приобретя поставщика решений для розничного планирования JustEnough, что позволило добавить в портфель модули для ассортимента, распределения, акций и ценообразования (Markdown) ¹⁸. В результате, ToolsGroup теперь предлагает комплексное решение для розничного планирования с компонентами, такими как “Price.io” и “Markdown.io” для ценообразования, а также модуль “Demand Sensing” для корректировки краткосрочных прогнозов ^{19 20}. На бумаге это удовлетворяет всем требованиям модной индустрии: от первоначального планирования закупок до корректировки цен в середине сезона. Почему скептический подход? Потому что интеграция этих компонентов в ToolsGroup все еще находится в процессе доработки. Приобретенные модули (например, модуль ценообразования) представляют собой отдельные продукты, объединенные под одним брендом, что вызывает вопросы: действительно ли они используют один и тот же движок и данные в реальном времени или же результаты передаются пакетно от одного к другому? Так называемая “совместная” оптимизация, на самом деле последовательная (прогноз → планирование запасов → отдельный инструмент оптимизации цен), может упустить важные обратные связи. Кроме того, исторически тяжелое использование in-memory расчетов в ToolsGroup означает, что масштабирование до огромного количества комбинаций SKU-магазин может быть дорогостоящим — хотя облачные развертывания и более эффективные алгоритмы развиваются. Упоминание модных терминов, таких как “Demand Sensing”, также требует осторожности: многие поставщики используют этот термин, чтобы указать на то, что их модели машинного обучения корректируют прогнозы с использованием последних данных, но без четких доказательств снижения ошибок это может быть просто более изящным экспоненциальным сглаживанием. В итоге, ToolsGroup предлагает широкий набор решений и продемонстрировала рентабельность инвестиций в оптимизации запасов, но тщательная оценка должна проверить, насколько хорошо работают новые розничные модули вместе и подтверждается ли их “ИИ” результатами, выходящими за рамки нескольких кейс-стади.

7. SAP (SAP IBP for Retail) – Гигант ERP с пробелами в планировании в модной индустрии. SAP доминирует в бэк-энд системах для моды (многие используют SAP S/4HANA или AFS для ERP), и предлагает Integrated Business Planning (IBP) как облачное дополнение для планирования. SAP продвигает свое отраслевое решение для модной индустрии, которое может “планировать и оптимизировать товар, ассортимент, кампании, цены и акции” на основе аналитики потребителей ¹². На практике эти возможности распределены между различными инструментами SAP: мерчендайзинг и планирование ассортимента могут осуществляться в SAP Merchandise Planning или аналитике CAR (Customer Activity Repository), в то время как “Demand Sensing” является функцией IBP, использующей краткосрочные сигналы для корректировки прогнозов, а оптимизация цен может предоставляться через отдельный модуль или партнерское решение. Сильные стороны SAP IBP включают надежную библиотеку статистического прогнозирования и тесную интеграцию с транзакционными данными SAP – что полезно для модных компаний, уже использующих SAP и стремящихся к непрерывному потоку данных. Тем не менее, с инженерной точки зрения, SAP IBP вызывает опасения: это in-memory система (построенная на HANA) с известными ограничениями масштабируемости по объему данных и числу измерений ⁹. Планирование на детальном уровне (стиль-цвет-размер-магазин) может быстро достичь этих ограничений или увеличить облачные затраты, вынуждая пользователей агрегировать данные и тем самым терять детализацию (например, планировать по стилю или региону вместо этого). Кроме того, философия SAP все еще ориентирована на процессы, управляемые планировщиками: создание планов, а затем возможность для людей вносить корректировки или утверждать их, часто через интерфейсы, похожие на Excel, с множеством оповещений и исключений. Это не соответствует идеалу оптимизации «автопилотом». На практике компании, использующие SAP для модной индустрии, часто дополняют его собственными аналитическими инструментами или специализированными решениями (например, open-source ML для прогнозирования новых продуктов или сторонним программным обеспечением для оптимизации цен) – что свидетельствует о том, что нельзя просто запустить SAP и мгновенно получить передовую оптимизацию. Скептики должны в особенности ставить под сомнение модные заявления SAP (например, “demand sensing AI”): насколько реально снизилась ошибка прогнозирования и на каком горизонте? Без прозрачных эталонов эти заявления могут оказаться скорее рекламным трюком, чем реальностью ²⁰. Планы по интеграции SAP улучшаются, но пока не будет единого алгоритмического потока, объединяющего решения по ценообразованию, запасам и ассортименту, это останется надежным, но фрагментарным решением, требующим значительной экспертизы пользователей для извлечения ценности.

8. Другие примечательные игроки (Kinaxis, Anaplan, Nextail и др.) – Нишевые решения и новые участники рынка. Некоторые другие поставщики заслуживают упоминания в цепочке поставок модной индустрии, хотя они уступают лидерам по объёму или зрелости. Kinaxis предлагает высокоскоростной планировочный механизм (популярный в сложных производственных цепочках поставок) с параллельной обработкой и симуляцией сценариев, но он не адаптирован к потребностям модной розницы или оптимизации цен – отсутствуют встроенные возможности для оптимизации ассортимента или цен. Anaplan предоставляет гибкую облачную платформу для моделирования, которую некоторые модные ритейлеры используют для планирования ассортимента и финансов, но по сути она действует как улучшенная электронная таблица: любую «оптимизацию» или прогнозирование необходимо создавать пользователю, а её in-memory «Hyperblock» может испытывать трудности при обработке детализированных данных о моде. Среди новичков выделяется Nextail – стартап, специально ориентированный на оптимизацию модной розницы, предоставляющий рекомендации на основе ИИ для распределения, перемещения и markdown’ов. Подход Nextail перспективен (их основатели пришли из мира быстрой моды), и они заявляют об успехах с модными сетями среднего размера, но как начинающий поставщик им не хватает доказанной масштабируемости для глобальных корпоративных решений. Аналогично, стартапы в области ИИ вроде Autone или Singuli предлагают свежие идеи – например, Autone делает акцент на конкретных рекомендациях по задачам, а не на идеальных прогнозах ^{21 22} – однако эти инструменты не доказали свою эффективность в крупных масштабах и часто решают лишь часть проблемы (например, только планирование спроса или только распределение). Для этих небольших игроков покупателям следует быть особо скептичными относительно смелых заявлений (часто «на базе генеративного ИИ» или «без усилий интеграция») и требовать доказательств: как именно они улучшили продажу за сезон или уменьшили дефицит запасов, и могут ли они справиться со сложностью глобальных операций?

Проблемы отрасли требуют единого решения

Индустрия моды и одежды сталкивается с чрезвычайными проблемами в области цепочек поставок, что подчеркивает, почему совместная оптимизация (запасов, ценообразования и ассортимента) столь критична. Мода функционирует на сезонных коллекциях с коротким жизненным циклом, сталкиваясь с экстремальной волатильностью трендов и сложными вариациями по размеру и цвету. В последние годы ошибки в прогнозировании стали болезненно очевидны: ежегодно накапливаются миллиарды долларов нераспроданного товара, что приводит к снижению маржи за счёт markdown’ов ²³. Потребители теперь ожидают ещё более быстрых, трендовых циклов продуктов, сокращения сроков для принятия решений и оставляют брендам лишь минимальное пространство для ошибок ²⁴. Традиционные модели спроса стали ненадёжными – внешние потрясения (пандемии, внезапные тренды благодаря инфлюенсерам или аномалии погоды) могут сделать данные прошлого года почти неактуальными ²⁵. Такая среда требует нового уровня гибкости и интеллекта от программного обеспечения для цепочек поставок.

Устаревшие методы планирования терпят неудачу в модной индустрии: Многие ритейлеры по-прежнему используют последовательный процесс планирования – сначала разрабатывают ассортимент, затем закупают товар, а потом надеются на markdown или перераспределение по мере необходимости. Такой каскадный подход часто приводит к избытку запасов непопулярных моделей и нехватке хитов, поскольку решения не взаимосвязаны. Как отмечает основатель Lokad, модные компании исторически сталкиваются с разобщённым процессом, который начинается с планирования ассортимента и заканчивается реактивной распродажей, вместо непрерывной оптимизации на протяжении всего жизненного цикла продукта ^{26 27}. Необходима система, которая одновременно оценивает какие продукты покупать, как их распределять и когда/как устанавливать цены или проводить markdown.

Совместная оптимизация — таким образом, священный Грааль: оптимизация запасов без учёта ценообразования может неверно оценить, как markdown’ы стимулируют спрос, а оптимизация цен в изоляции может привести к дефициту или потере прибыли ²⁸. Например, ценовой двигатель может рекомендовать значительное снижение цены для увеличения продаж, не понимая, что небольшое перераспределение запасов между магазинами могло бы удовлетворить спрос по полной цене. Аналогично, планировщик ассортимента может распределить товар, основываясь на статичных ценах, тогда как динамичное ценообразование могло бы смягчить избыток или дефицит. Академическая теория цепочек поставок давно подчёркивает, что ассортимент, запасы и ценообразование являются взаимозависимыми рычагами — любое программное обеспечение, которое не охватывает все три аспекта одновременно, оставляет деньги на столе (или, что ещё хуже, переносит проблему). Примечательно, что Lokad и несколько других явно разрабатывают свои алгоритмы с учётом прогнозов спроса как функции цены, оптимизируя тем самым цены и уровни запасов вместе ²⁸. Это контрастирует с традиционными подходами, где ценообразованием занимается отдельная команда с другим программным обеспечением, лишь слабо координируясь с целями по запасам.

Однако поставщики знают, что заявление о «совместной оптимизации» звучит привлекательно, поэтому мы должны тщательно проверять такие утверждения. Предупредительные знаки включают решения, расширившиеся за счёт приобретений: если поставщик добавил инструмент ценообразования путём покупки другой компании, настоящая интеграция может оказаться поверхностной. Программное обеспечение может технически включать все необходимые компоненты, но не в единой модели или платформе данных. Мы наблюдали это при приобретении ToolsGroup компании JustEnough — теперь можно заявлять об оптимизации ассортимента и markdown’ов, но пользователи могут обнаружить, что это фактически отдельный модуль с собственным интерфейсом и предположениями. Аналогично, набор Oracle включает оптимизацию markdown’ов (приобретённую в 2005 году у ProfitLogic) наряду с модулями планирования; на практике они обмениваются файлами с прогнозными данными, но не совместно оптимизируются в реальном времени. Такие дополнения часто порождают технологический долг: различные схемы данных, дублирующие справочники товаров или ночные пакетные задания для синхронизации данных. Признаком является отсутствие одноразовой оптимизации. Если поставщик не может ввести все релевантные данные (позиции запасов, распределения прогнозов, ценовую эластичность и т.д.) в один решатель для получения распределения SKU по магазинам и рекомендаций по ценообразованию, то «совместная» оптимизация оказывается скорее человеческим процессом, чем математической моделью. Покупатели должны требовать от поставщика демонстрации того, как изменение цены немедленно передастся в решения по запасам и наоборот — в противном случае решение по сути представляет собой итеративное угадывание.

Ключевые технические возможности: критическая оценка

Чтобы добиться успеха в модной индустрии, программное обеспечение для цепочек поставок должно преуспевать в определённых инженерных характеристиках. Главная из них — вероятностное прогнозирование. Традиционные точечные прогнозы (например, предсказание спроса = 100 единиц в следующем месяце) оказываются серьезно недостаточными в условиях неопределённости модной индустрии. Вместо этого, вероятностные прогнозы предоставляют полное распределение возможных исходов ²⁹ — позволяя планировщикам оценивать риски (например, вероятность того, что спрос превысит 150 единиц, составляет 20%) и соответственно пополнять запасы. Все ведущие поставщики теперь рекламируют какие-либо формы вероятностного или «ИИ»-прогнозирования, но здесь снова нужна осторожность. Подлинно вероятностная система будет количественно оценивать неопределённость прогноза для новых продуктов, длительных сроков поставки и даже возвратов. Например, в модной электронной коммерции процент возвратов высок (часто 20–40% от продаж); совершенный инструмент должен прогнозировать не только продажи, но и поток возвратов и учитывать его при расчёте чистого спроса для пополнения запасов. Реальность: очень немногие поставщики справляются с прогнозированием возвратов на должном уровне. Большинство рассматривают возвраты как детерминированный процент для вычитания, что в условиях быстро меняющихся трендов может привести к ошибкам, если процент возвратов изменится. Мы уже видели, как система планирования Oracle не вычитает возвраты из потока данных ¹³ — грубая оплошность. Более продвинутые подходы (Lokad, в некоторой степени RELEX) включают распределение возвратов в свои прогнозные модели.

Масштабируемость и вычислительная эффективность — ещё одна ключевая характеристика. У модных ритейлеров может быть легко миллионы комбинаций SKU и локаций (например, 10 000 SKU по сотням магазинов и онлайн-каналу, умноженные на вариации по цвету и размеру). Решения, опирающиеся на гигантские кубы данных в памяти или ручные электронные таблицы, не справятся с таким масштабом. Например, SAP IBP, работающий in-memory, имеет известные ограничения на количество ключевых показателей и измерений, которые он может обрабатывать до ухудшения производительности ⁹. Именно поэтому некоторые бренды, использующие SAP, планируют на более высоком уровне агрегирования, теряя детализацию. В отличие от этого, Lokad использует облачные вычисления для обработки больших стохастических моделей без необходимости загружать всё в память одновременно, а o9 заявляет о подобном подходе, основанном на облаке. Экономическая эффективность также имеет значение: решение, требующее кластер дорогостоящих серверов и часов работы для каждого плана, менее практично для частого использования. Мы отдаем положительную оценку инструментам, которые применяют современные вычислительные технологии (например, ускорение с помощью GPU, распределённые вычисления), позволяющим проводить ежедневную или даже внутридневную переоптимизацию. Критически смотрят на те решения, которые просто решают проблему путём добавления оборудования — например, решение одного крупного поставщика фактически требовало от некоторых клиентов загрузить 256 ГБ оперативной памяти для планировочного движка, что является методом «грубой силы» и увеличивает ИТ-затраты. Масштабируемость — это не только работа с большими данными, но и скорость: может ли система быстро перестроить план, когда условия меняются? В условиях быстрой моды, если какой-либо трендовый товар внезапно становится популярным в социальных сетях, программное обеспечение должно обнаружить всплеск спроса (при помощи данных POS или даже внешних данных о трендах) и перераспределить запасы или предложить повторную закупку в течение дней, а если не часов. Старые системы пакетного планирования с недельными циклами не справляются с этим, что приводит к потерям продаж или чрезмерной ручной корректировке.

Ещё одной ключевой возможностью является интеграция конкурентной разведки и других внешних сигналов. Мода — это игра с высокой конкуренцией и сильным влиянием трендов: если конкурент снижает цены на аналогичные товары или если определённый стиль становится популярным в TikTok, это повлияет на ваш спрос. Соответственно, лучшие решения начинают включать такие данные. Например, платформа Lokad может интегрировать сбор данных о ценах конкурентов (с помощью веб-скрейпинга) так, чтобы решения по ценообразованию принимались в контексте, а не изолированно ^{30 31}. Ценовой модуль RELEX также поддерживает правила для «сопоставления цен конкурентов» как одну из автоматизированных стратегий ¹⁶. Скептическая точка зрения заключается в том, что многие поставщики делают вид, что интегрируют внешние данные. Некоторые утверждают, что обладают «сенсингом спроса» с использованием данных социальных сетей или погоды — но есть ли доказанные улучшения, или это просто галочка в списке функций? Мы рекомендуем требовать конкретных примеров: например, «Покажите, как ваш прогноз отреагировал на скидку 20% у конкурента в прошлом месяце. Автоматически ли он скорректировался и была ли корректна эта корректировка?» Если поставщик может лишь сказать «наша система способна, если вы настроите её», то, вероятно, это не было действительно интегрировано в алгоритмическую логику. Интеграция конкурентных цен, в частности, должна влиять как на прогнозы спроса, так и на оптимизацию цен — немногие системы справляются с этим хорошо. Часто этим занимаются отдельные команды по ценообразованию, что является упущенной возможностью для оптимизатора цепочек поставок предвидеть изменения спроса. Итог: современный инструмент для цепочек поставок в модной индустрии должен рассматривать внешние данные как первостепенный вход, а не как дополнение. Если этого нет, система отстаёт от прогресса.

Степень автоматизации — возможно, самый явный отличительный признак между устаревшими и передовыми решениями. Конечная цель — автономное, роботизированное принятие решений: система, которая автоматически генерирует заказы, распределение и рекомендации по ценообразованию, настолько надёжные, что могут выполняться с минимальными корректировками человеком. Это не научная фантастика — по сути, именно так работает Amazon внутри для многих товаров. Тем не менее, большинство поставщиков до сих пор ограничиваются поддержкой принятия решений с участием человека. Многие системы планирования засыпают пользователей уведомлениями и исключениями: например, «у этих 500 SKU наблюдаются аномально низкие продажи, пересмотрите их прогнозы» или «по этим позициям ожидается дефицит, рассмотрите возможность ускорения поставок». Хотя исключения лучше, чем ничего, их использование указывает на то, что система не способна самостоятельно решить эти проблемы. Как заметил один эксперт по цепочкам поставок, «Большинство компаний, думающих, что они управляют по исключениям, на самом деле управляют по уведомлениям… а управление по уведомлениям может помочь, но не значительно» ³². Это позволяет масштабировать работу планировщика с, возможно, 1 000 SKU до 10 000 SKU; настоящая планировка, основанная на исключениях (почти полностью автоматизированная), позволила бы одному планировщику контролировать сотни тысяч SKU ³². Мы строго наказываем решения, которые чрезмерно полагаются на правила, заданные пользователем, или на бесконечную настройку параметров. Например, если программное обеспечение требует от планировщиков вручную устанавливать целевые уровни обслуживания для каждого товара или выбирать из 20 моделей прогнозирования для каждого SKU, это возлагает на пользователя работу, которую должна выполнять машина. Это было обычным делом в старых инструментах (планировщики выбирали «модель Type=Winter’s seasonal» для SKU, основываясь на суждении). Современные системы на базе ИИ должны автоматически настраиваться и обучаться, а не просить пользователя крутить ручки. Аналогично, остерегайтесь поставщиков, заявляющих: «наш инструмент отметит то, что требует вашего внимания» как основное преимущество — почему инструмент не способен самостоятельно уладить рутинные задачи? Чем более по-настоящему автономна система, тем больше она может приносить ROI без роста затрат на рабочую силу. Например, Lokad публично провозглашает свою философию автоматизации решений, утверждая, что настоящая ценность заключается в устранении человеческого узкого места в повседневных решениях ¹. Компромисс в том, что доверять машине можно, только если она заслуживает это доверие своей точностью и прозрачностью. Именно поэтому мы придаем значение таким доказательствам, как конкурс прогнозирования M5: поставщик, способный доказать, что его автоматические прогнозы превосходят конкурентов, внушает уверенность в передаче управления принятием решений ^{3 20}. В отличие от этого, поставщики, не имеющие таких доказательств, но обещающие «волшебство ИИ», должны вызывать здоровое сомнение.

Маркетинговые заявления и реальность: требуем содержания

В этом исследовании рынка выявляется чёткая закономерность: поставщики отлично справляются с маркетингом, но их способность к выполнению заказов варьируется. Как профессионалы с инженерным мышлением, мы сохраняем глубокий скептицизм по отношению к любым заявлениям, не подтверждённым данными или сравнением с аналогами. Например, если поставщик рекламирует «сокращение отсутствия товаров на складе на 50%» или «увеличение уровня продаж на 20%» после использования их программного обеспечения, следует спросить: «По сравнению с каким базовым уровнем? В какой период времени, и проводился ли контролируемый эксперимент?» Слишком часто такие цифры появляются в единичных кейс-исследованиях, где не контролируются сопутствующие факторы (открытие новых магазинов, общее восстановление рынка и т.д.). Публичные соревнования, такие как конкурс прогнозирования M5, предоставляют редкий объективный ориентир – и, что примечательно, немногие известные поставщики подвергли свои технологии таким испытаниям. Одним исключением стал Lokad, который не только участвовал, но и показал превосходные результаты ³. Отсутствие аналогичных демонстраций у остальных не означает, что они хуже сами по себе, но должно заставить покупателей сомневаться в приукрашенных заявлениях о «ведущих прогнозах на основе ИИ», если эти утверждения не были проверены внешне. В конкурсе M5 ансамбль относительно простых методов машинного обучения превзошёл более сложные подходы глубокого обучения ¹⁰, что предостерегает нас от поддавания хайпу. Если поставщик продвигает модуль прогнозирования на основе «глубокого обучения», следует спросить, действительно ли он лучше, чем хорошо настроенные простые модели – ответ не ясен, если они не раскрывают показатели ошибок или результаты соревнований.

Ключевые термины заслуживают отдельного упоминания. Такие понятия, как «чувствительность спроса», «на основе ИИ», «машинное обучение», «интеграция plug-and-play» и, в последнее время, «генеративный ИИ», широко встречаются в брошюрах поставщиков. Наш подход к исследованиям рассматривает их как сигналы тревоги, если не доказано иное. Чувствительность спроса, например, обычно означает использование очень свежих данных о продажах, а возможно, и информации о погоде или социальных сетях для корректировки краткосрочных прогнозов. Звучит заманчиво – кто же не захочет предвидеть спрос? – но на практике её влияние может быть лишь незначительным (а если ваш базовый прогноз был слаб, то 10%-ная краткосрочная корректировка не спасёт ситуацию). Мы обнаружили, что поставщики, предлагающие чувствительность спроса, редко публикуют конкретное снижение ошибки прогноза, что вызывает подозрения, что это базовый функционал, переупакованный с ИИ-эффектом. «Интеграция plug-and-play» – это ещё один пример: любой опытный IT-архитектор в розничной торговле улыбнется при мысли, что интеграция программного обеспечения для планирования с ERP-системой, платформой электронной коммерции, несколькими POS-системами и, возможно, PLM для данных о продуктах может оказаться «plug-and-play». Интеграция данных – это сложная и запутанная работа, особенно когда речь идёт об очистке модных данных, где, например, один и тот же цвет может именоваться по-разному в пяти системах. Если поставщик утверждает, что это делается без усилий, скорее всего, он не имел дело со сложной средой или использует коннекторы, покрывающие лишь базовые поля, но требующие значительной доработки. Поэтому мы рекомендуем сохранять скептицизм: относитесь к таким заявлениям как к возможному занижению истинных затрат усилий. Всегда запрашивайте отзывы клиентов относительно объёма и сроков интеграции.

Мы также обращаем внимание на проблему слияний и технологического долга. Многие поставщики «корпоративного уровня» сегодня представляют собой конгломераты ранее приобретённых компаний. Это относится к таким компаниям, как Blue Yonder (JDA + i2 + Blue Yonder AI + другие), Oracle (Retek + ProfitLogic + Demantra и т.д.), Infor, Aptos и другим. Хотя поглощения могут привносить новые возможности, они часто оставляют поставщика с лоскутным набором разных кодовых баз. Для покупателей результатом может стать непоследовательный пользовательский опыт и замедление темпов инноваций (так как отдел исследований и разработок поставщика вынужден тратить время лишь на поддержание работы разрозненных компонентов). Например, после того как JDA приобрела AI-движок Blue Yonder, потребовалось время, чтобы внедрить эти алгоритмы в продукты JDA – и некоторые клиенты столкнулись с путаницей из-за пересекающихся инструментов. В худших случаях поставщик использует модное слово «интеграция», при этом фактически продавая два отдельных продукта, которые вам придётся интегрировать самостоятельно. Будьте настороже: если модуль ценообразования имеет другой интерфейс или технологическую базу, чем модуль управления запасами, это явный сигнал. Если команда поддержки прогнозирования у поставщика отделена от команды оптимизации ценообразования, это намекает, что изначально компоненты были разными. Подход скептического исследования рынка состоит в том, чтобы не принимать заявления поставщиков о «единых платформах» за чистую монету – вместо этого задавайте подробные технические вопросы. Например, «Существует ли единая общая модель данных и база данных для всех модулей, или нам необходимо периодически синхронизировать данные между ними?» или «Может ли ваша система оптимизации учитывать ограничения по ценообразованию и управлению запасами в одном цикле решения, или мы оптимизируем их по очереди?». Неопределённые ответы здесь являются признаком слабо интегрированного решения.

Наконец, мы переходим к ROI – окончательной метрике, которая рассеивает хайп. Программное обеспечение для цепочек поставок в модной индустрии, побеждающее в долгосрочной перспективе, – это то, которое явно приносит прибыль или экономит деньги. Это может осуществляться за счёт более высокого уровня продаж по полной цене (меньшее количество уценок), снижением затрат на хранение запасов и устаревание, улучшением качества обслуживания клиентов (уменьшением дефицита востребованных товаров) или быстрой реакцией на тренды (получением дохода от популярных товаров). Поставщики, которым мы дали наивысшие оценки, – это те, кого мы считаем имеющими наилучшие шансы на достижение этих результатов на основе технической состоятельности. Но даже для них мы продолжаем сомневаться до тех пор, пока результаты не будут доказаны. Например, вероятностный подход Lokad концептуально должен обеспечивать лучший ROI по запасам – и они приводят примеры и победы в конкурсах в подтверждение этого – однако потенциальному клиенту всё равно стоит провести пилотный проект, чтобы проверить ROI в своем конкретном случае. Blue Yonder может привести клиента, который оптимизировал уценки для увеличения маржи, но было ли это дело программного обеспечения или стратегии команды? Скептицизм означает постоянный поиск достоверной отправной точки: как всё делалось ранее и как именно программное обеспечение улучшило ситуацию в статистическом плане. Мы также предупреждаем, что в расчёт ROI следует включать полную стоимость владения. Решение, которое улучшает показатели, но требует огромных затрат человеческих ресурсов (например, когда планировщики тратят бесчисленные часы на работу с системой или IT-специалисты проводят месяцы на интеграцию), может нивелировать ROI за счёт дополнительных затрат на труд. Истинные решения следующего поколения нацелены на высокий ROI при низких накладных расходах благодаря автоматизации. Например, полностью роботизированная система может позволить компании перевести планировщиков на выполнение более ценных задач (например, разработку продукта), что является скрытым показателем ROI в эффективности труда.

В заключение, рынок программного обеспечения для оптимизации цепочек поставок в модной и одежной индустрии движется в сторону более целостных, интеллектуальных и автоматизированных решений – однако он изобилует преувеличенными заявлениями. Скептическая оценка, основанная на инженерном подходе, показывает, что лишь немногие поставщики (в частности, такие как Lokad, o9 и некоторые специалисты в розничной торговле) на данный момент приближаются к идеалу совместной оптимизации с техническим совершенством. Другие, включая крупные устоявшиеся бренды, предлагают фрагменты паззла с различной степенью интеграции, требующие тщательного подхода для извлечения ценности. Для руководителей в сфере модной розничной торговли требование ясное: настаивайте на содержательности, а не на внешнем блеске, от поставщиков. Это означает требование доказательств любой заявленной выгоды, понимание технических основ (и ограничений) каждого решения и, в конечном итоге, выбор платформы, которая соответствует быстрому и нестабильному ритму отрасли – платформы, способной алгоритмически управлять запасами, ценообразованием и ассортиментными решениями для тысяч SKU и магазинов, с минимальным участием человека. В секторе, определяемом неопределённостью трендов и узкими маржами, победителями станут те, кто использует технологии, которые не только продвинуты, но и достоверно справляются с поставленной задачей. Как показывают данные, здоровая доза скептицизма при выборе программного обеспечения для цепочки поставок – не просто разумная мера, а необходимость, чтобы прорваться сквозь шум и инвестировать в решения, действительно приносящие результаты ²⁰.

Примечания