Оптимизация, основанная на решениях

Количественная цепочка поставок направлена на генерацию автоматизированных высокоэффективных решений для цепочки поставок. Основное внимание уделяется не созданию числовых артефактов, таких как еженедельные прогнозы. Эти артефакты рассматриваются как произвольные внутренние вычисления, которые просто используются для вычисления окончательных решений. Мы определяем решение как ответ на проблему цепочки поставок, который можно применить и который имеет ощутимые, если не физические, последствия для самой цепочки поставок. С точки зрения классического планирования цепочки поставок, фокус на решениях может показаться несколько неожиданным, поскольку они не определяются по обычным категориям планирования против операций. Тем не менее, сосредоточенность на решениях существенно упрощает фактическую оптимизацию цепочки поставок. В этом разделе мы разъясняем понятие решения для цепочки поставок, рассматриваем наиболее часто встречающиеся типы решений и характеризуем ключевые аспекты подхода, основанного на решениях.

Определение допустимых решений

Количественная цепочка поставок занимает строго числовую и статистическую позицию по отношению к проблемам цепочки поставок. Однако эта позиция не является подходящей для всех проблем. Чтобы оценить, подходит ли количественный подход для конкретной проблемы, необходимо соблюдение следующих условий:

Повторяемость : создание числового алгоритма для решения проблемы требует усилий, которые влекут за собой затраты. Для того чтобы оптимизация цепочки поставок была выгодной, необходимо убедиться, что сам процесс оптимизации не стоит дороже ожидаемых выгод. Как правило, рутинные задачи, например, пополнение запасов, которые необходимо решать каждый день или каждую неделю, гораздо лучше подходят для количественного подхода, чем исключительные задачи, например, выход на новый рынок.
Узкие решения: чтобы контролировать сложность программного обеспечения, предпочтительно фокусироваться на задачах цепочки поставок, которые можно решить с помощью четко определенной типологии решений, в идеале – строго числовых решений. Например, решение о полном прекращении хранения продукта из-за слишком низкого спроса, чтобы оправдать дополнительную нагрузку на цепочку поставок, является очень узким вопросом, на который может легко ответить высокоавтоматизированный процесс. В отличие от этого, решение о внесении изменений в рабочие практики команды управления складом является гораздо более открытой задачей, которая плохо подходит для автоматизации.
Исторические данные: программные решения не могут работать в вакууме. Знания для решения проблемы цепочки поставок могут быть встроены в программное обеспечение в виде вручную определенных правил; однако создание большого объема последовательных и производительных правил принятия решений является очень сложной задачей. Большинство современных подходов в значительной мере извлекают все релевантные знания из исторических данных (история продаж, история закупок и пр.) и ограничивают правила до хорошо определенных политик цепочки поставок, например, минимальный объем заказа (MOQ), что мы, безусловно, не хотим, чтобы программное обеспечение пыталось экстраполировать из исторических данных.

По мере развития программной инженерии и, в частности, по мере развития области машинного обучения, спектр решений, доступных для компьютерных систем, расширяется с каждым годом. Например, первые системы оптимизации запасов были ограничены продуктами с как минимум несколькими месяцами истории продаж, в то время как новые системы поддерживают все продукты, включая те, которые еще даже не продавались.

Также иногда программная инженерия позволяет решать задачи, которые считались неразрешимыми, если их выполнять вручную экспертом по цепочке поставок. Например, современные системы оптимизации запасов могут прогнозировать, какие записи о запасах, скорее всего, неверны, что позволяет приоритезировать пересчет запасов, функция, которая превосходит более традиционный подход линейного пересчета всех SKU.

Примеры решений в цепочке поставок

Цепочки поставок невероятно разнообразны, и то, что является первоочередной задачей для одного сегмента, может казаться второстепенным для другого. В этом разделе мы кратко рассмотрим типичные решения, которые хорошо подходят с точки зрения Количественная цепочка поставок.

Заказы на закупку : определение точных объемов закупки у каждого поставщика для каждого продукта. Это решение обновляется ежедневно, даже если фактический заказ не ожидается в большинство дней. Заказ на закупку должен учитывать все ограничения при заказе (MOQ), а также ограничения транспортировки (например, контейнеры). Кроме того, заказ на закупку может также включать выбор способа транспортировки (морским или воздушным) с возможностью комбинирования транспортировки.
Производственные заказы : определение точных объемов для производства. Производственный заказ должен учитывать все ограничения производства, которые могут требовать минимальных партий производства. Также максимальная производственная мощность может быть ниже, чем потребности рынка в сезон пика, в этом случае производство должно заблаговременно накапливать запасы для покрытия пиковых нагрузок.
Балансировка запасов : решение о том, следует ли перемещать единицы, находящиеся в наличии в одном месте, в другое место, обычно потому, что баланс запасов больше не соответствует прогнозируемому будущему спросу с учетом различий по локациям. Опять же, решение обновляется ежедневно, даже если в большинстве дней для большинства продуктов экономически невыгодно их перемещать между локациями.
Ликвидация запасов : определение о том, следует ли уничтожать или продавать имеющиеся запасы через вторичный, как правило, со значительными скидками, канал сбыта. Действительно, залежавшиеся запасы могут неоправданно загромождать склады и генерировать затраты, превышающие экономическую стоимость самих запасов. В зависимости от сегмента, запасы могут быть ликвидированы через промоакции, специализированные каналы или путём чистого уничтожения.
Собственное хранение против дропшиппинга : определение, пользуется ли продукт достаточным спросом, чтобы оправдать его закупку, хранение и прямую продажу, или лучше, чтобы продукт был отправлен напрямую сторонним поставщиком по запросу. Дропшиппинг продуктов, как правило, обеспечивает меньшую маржу, но также связан с меньшими издержками хранения. Решение принимает форму определения точного списка продуктов для хранения, при этом сохраняя управляемое разнообразие запасов.
Целевой пересчет запасов: определение, следует ли пересчитывать SKU из-за потенциальной неточности электронной записи, которая может не соответствовать фактическому количеству единиц, доступных на полке. Это решение представляет собой компромисс между затратами на рабочую силу, связанными с операцией пересчета, и негативным воздействием фантомных запасов на эффективность цепочки поставок. На практике неточности в учете запасов значительно выше в общедоступных розничных магазинах по сравнению со складами или заводами с ограниченным доступом только для персонала.

Следует отметить, что отдельные сегменты имеют свои собственные наборы решений. Приведенные ниже примеры можно считать более зависимыми от контекста, чем перечисленные выше.

Ассортимент розничного магазина : определение точного списка продуктов, представленных в каждом розничном магазине. Иногда полный каталог продуктов может значительно превышать возможности любого магазина, поэтому каждый магазин может демонстрировать только подмножество каталога. Оптимизация ассортимента максимизирует эффективность магазина с учетом его возможностей. Кроме того, задача становится еще более сложной в сегментах, таких как товары класса люкс, поскольку в магазине, как правило, имеется не более одной единицы каждого выбранного продукта.
Оппортунистическая замена: определение, когда замена продукта допустима и когда выгодно проводить замену. Например, интернет-магазин свежих продуктов может принимать поставки за несколько дней до, создавая проблему возможного недостачи продукта для свежего продукта, который уже заказан, что изменяет первоначальный заказ клиента. В такой ситуации для ритейлера может оказаться более выгодной операция замены на тщательно подобранный альтернативный продукт.
Оппортунистическая продажа : решение о перепродаже запасов, как правило, ремонтных деталей, которые первоначально предназначались для внутреннего использования. Запасы ремонтных деталей обычно колеблются между состояниями годных к использованию и негодных, поскольку детали проходят обслуживание, возвращаются, ремонтируются и снова приводятся в эксплуатацию. При определенных обстоятельствах, таких как спад спроса, запасы годных к использованию деталей могут значительно превышать потребности компании. В этом случае существует компромисс между перепродажей детали на вторичном рынке, как правило, по сниженной цене, чтобы вернуть часть первоначальной стоимости запасов, или увеличением риска несвоевременного обслуживания будущего запроса на деталь.
Хранение негодных запасов: решение о немедленном ремонте детали, которая является негодной, но в остальном ремонтопригодной, или о переносе ремонта и хранении детали как негодной. В то время как ремонт деталей может оказаться дешевле, чем покупка новых, текущее количество годных к использованию деталей может быть достаточным для удовлетворения спроса в течение длительного периода. Таким образом, отсрочка ремонта представляет собой компромисс между переносом затрат на ремонт в будущее – с возможностью того, что эти затраты никогда не возникнут, если рыночный спрос переключится на альтернативные детали, – и увеличением риска несвоевременного обслуживания будущего запроса на деталь.
Оппортунистический подбор поставщиков : решение о том, когда стоит проводить операцию по поиску поставщика для установления ценового ориентира для конкретной детали. В некоторых отраслях цена деталей относительно непрозрачна. Выяснение актуальной цены детали, возможно, очень дорогого оборудования, может занять несколько дней. Когда операция охватывает тысячи деталей, существует компромисс между оплатой более дорогих деталей и затратами на труд, связанными с операциями по подбору поставщиков.
Сохранение комплектов : решение о том, стоит ли продавать последнюю единицу данного продукта как отдельную продажу или лучше сохранить эту единицу для последующей продажи в составе комплекта. Действительно, существуют ситуации, когда наличие комплектов, то есть комбинаций деталей или продуктов, имеет большое значение, в то время как наличие отдельных деталей имеет меньшее значение. Однако, обслуживая последнюю деталь как отдельный продукт, можно создать проблему недостатка запаса для более важного комплекта. Таким образом, существует компромисс между выгодой от своевременного обслуживания отдельной детали и риском последующей более серьезной проблемы с нехваткой комплекта.

До формализации решения в виде таковых, решения в области цепочек поставок обычно принимаются довольно неявно, возможно, людьми, но также и программными системами. Например, конфигурация запасов по принципу Min/Max неявно принимает несколько решений, а не только решение о количестве для заказа: пока значение Max не равно нулю, продукт будет включен в ассортимент. Также пересчет запасов не осуществляется до запуска пополнения, что является еще одним неявным решением и т.д. К сожалению, поскольку невозможно оптимизировать то, что не измеряется, именно отсутствие формализации самих решений обычно препятствует систематическому улучшению эффективности цепочки поставок, достигаемому за счет этих решений.

Числовые артефакты против решений

При столкновении с сложными проблемами цепочки поставок эксперты рискуют перепутать средства и цель. Например, при возникновении потребности в пополнении, составление еженедельного прогноза спроса для SKU является лишь составляющей некоторого, но не единственного, числового алгоритма вычисления количества для повторного заказа. Еженедельный прогноз — это лишь промежуточный расчет, в то время как количество для заказа является окончательным решением. С точки зрения Количественная цепочка поставок, мы называем эти промежуточные расчеты числовыми артефактами. Количественная цепочка поставок не отвергает важность числовых артефактов; однако, она также подчеркивает, что эти артефакты — всего лишь одноразовые, мимолетные числовые выражения, которые вносят вклад в окончательный результат: решения цепочки поставок.

Что касается числовой оптимизации, то заблуждение заключается в мысли, что оптимизация числовых артефактов по произвольным математическим метрикам, например, прогнозов спроса, оптимизированных по WMAPE (взвешенная средняя абсолютная процентная ошибка), каким-то образом механически приводит к финансовой выгоде. Хотя это может показаться противоинтуитивным, в цепочке поставок обычно все обстоит иначе. Проблемы цепочки поставок, как правило, обладают высокой асимметрией. Например, в аэрокосмической отрасли отсутствие детали стоимостью 200 USD может привести к простою самолета стоимостью 200 миллионов USD. Количество деталей, которые должны храниться на складе, не обязательно определяется исключительно ожидаемым спросом: стоимость детали по сравнению со стоимостью ее отсутствия может полностью определять процесс принятия решения по запасам.

В отличие от этого, Количественная цепочка поставок подчеркивает, что в конечном итоге важны только решения, поскольку только они являются ощутимыми элементами, имеющими реальные и измеримые финансовые последствия для компании. Таким образом, несмотря на первостепенную важность оценки эффективности решений, управление цепочками поставок также должно проявлять здоровый скептицизм по отношению к KPI, применяемым к непредписывающим, необязывающим, мимолетным числовым результатам, таким как еженедельные или ежемесячные прогнозы спроса.

Ограниченные решения: между реальностью и фикцией

Решения в количественной цепочке поставок обычно ограничены условиями: ответы действительны только если они удовлетворяют набору числовых ограничений. Например, заказы на покупку могут подчиняться MOQ (минимальным объемам заказа), что представляет собой нелинейное ограничение. Кроме того, склад имеет ограниченную емкость хранения - ещё одно нелинейное ограничение.

Часто ограничения генерируются на основе базовых экономических драйверов, связанных с операциями цепочки поставок: с учётом текущей цены продукта; распределение продукта может быть экономически оправданным только если товары продаются, упакованные на поддоны, и, следовательно, продукт можно продавать только партиями, например по 50 единиц, что соответствует загруженному поддону.

Однако также бывает, что ограничения могут возникать из произвольных организационных правил. Например, компания могла решить, что годовой бюджет на закупки для подразделения будет ограничен 1 миллионом USD. Это бюджетное ограничение устанавливается задолго до того, как фактические продажи подразделения станут известны. В такой ситуации решения по закупкам должны соответствовать нелинейному ограничению, являющемуся результатом относительно произвольного процесса бюджетирования.

Количественная цепочка поставок стремится в наибольшей степени отразить реальные ограничения цепочки поставок, одновременно предоставляя возможность новым, возможно пересмотренным, организациям работать без оков, наложенных произвольными аспектами прежних процессов. Действительно, в цепочке поставок большинство произвольных ограничений является результатом отсутствия автоматизации: если «оптимальный» бюджет на подразделение не может быть надежно переоценен ежедневно с учётом всех поперечных аспектов на уровне всей компании, то естественно прибегнуть к годовому или квартальному бюджету.

Решения требуют приоритизации и координации

Почти все решения в цепочке поставок взаимозависимы: каждая дополнительная единица, закупленная у поставщика, займёт дополнительное место на складе, пока склад не заполнится, и тогда операции остановятся. Эти зависимости обычно косвенные и их сложно решать с числовой точки зрения, но это не делает их менее важными с точки зрения цепочки поставок – и даже стратегически. Если общий уровень сервиса составляет 99%, что очень хорошо, но у крупнейшего клиента уровень сервиса всего 85%, поскольку все случаи отсутствия товара сконцентрированы в группе продуктов, закупаемых этим клиентом, то компания сталкивается с серьёзным риском потерять своего крупнейшего клиента.

Приоритизация решений обычно является самым простым способом максимально эффективно использовать общие, но ограниченные ресурсы цепочки поставок. Например, поскольку складская емкость и оборотный капитал ограничены, цель состоит не просто в том, чтобы купить ещё одну единицу товара, которая оказывается прибыльной, а в том, чтобы определить следующую единицу товара, которая является наиболее прибыльной по всему ассортименту. Рассмотрение решений по закупкам в изоляции создаёт риск исчерпания складского пространства или бюджета на закупки на малоприбыльные товары.

На практике эта приоритизация требует существенных изменений в аналитическом программном обеспечении, поддерживающем цепочку поставок. Вместо того чтобы рассматривать каждое решение изолированно, как это происходит в примитивных методах цепочки поставок, например, Min/Max инвентаризации, все решения необходимо объединить и ранжировать по их оценочной прибыльности. Такой процесс реализуем с современными программными решениями, но он требует значительно больше вычислительных ресурсов по сравнению с ранними методами цепочки поставок.

Координация решений необходима для учёта всех поперечных ограничений, применяемых к операциям цепочки поставок. Например, при заказе товаров у зарубежного поставщика может возникнуть сильный экономический стимул заказать целый контейнер. Таким образом, задача заключается не столько в выборе количеств для каждого продукта, сколько в определении таких количеств, которые в совокупности точно соответствуют вместимости контейнера. Поперечные ограничения повсеместны в цепочке поставок: настройка ассортимента новой коллекции в модной индустрии, обеспечение высокого уровня сервиса для клиентов, ищущих определённый список товаров в магазине DIY, недопущение опустошения центрального склада из-за чрезмерных заказов одного магазина за счёт других и т.д.

Традиционный и крайне неэффективный способ решения таких вопросов координации состоит в выполнении двухэтапного расчёта, при котором на первом этапе полностью игнорируется проблема координации, а на втором этапе первоначальный числовой результат корректируется, чтобы удовлетворять требуемым ограничениям. Что касается приведённого выше примера с контейнером, то сначала можно вычислить оптимальные количества для заказа, полностью игнорируя аспект контейнера; затем можно скорректировать эти количества так, чтобы итоговая сумма действительно соответствовала вместимости контейнера. Основной недостаток такого двухэтапного расчёта заключается в том, что второй этап полностью игнорирует все экономические факторы, учтённые при расчёте на первом этапе. Другими словами, корректировка результатов на втором этапе может «разрушить» все усилия, вложенные в вычисление прибыльных решений на первом этапе. Современное программное обеспечение решает такие ситуации посредством внедрения числовых решателей, которые могут напрямую учитывать эти поперечные ограничения. Снова же, эти решатели требуют резко больше вычислительных ресурсов по сравнению с наивными двухэтапными аналогами, но, учитывая типичные современные вычислительные мощности, это не представляет проблемы.