Экономические драйверы

С точки зрения Количественная цепочка поставок, экономические драйверы представляют собой финансовую количественную оценку положительных и отрицательных последствий решения в цепочке поставок. Экономические драйверы превращают задачи оптимизации цепочки поставок в решаемые задачи оптимизации, где оптимизационная метрика оказывается финансовой. Благодаря количественной оценке экономических драйверов становится возможным оценить денежные потери, связанные с несовершенными решениями, изначально основанными на несовершенных данных, таких как прогнозы спроса. Эти экономические драйверы вводятся как контрпункт универсальным метрикам, которые остаются широко используемыми, таким как MAPE (средняя абсолютная процентная ошибка). Эти универсальные метрики зачастую вредны, поскольку они представляют задачи цепочки поставок как задачи числовой оптимизации, опираясь на в значительной мере произвольные критерии оптимизации.

Статистические прогнозы однобокие

Инструменты и методы прогнозирования спроса имеют одну четкую цель: вычисление более точных прогнозов. Прогнозы считаются точными согласно различным метрикам, известным и выбранным за их математические и статистические свойства. Хотя такие метрики могут быть отличными с математической точки зрения, они по своей сути нейтральны к специфике бизнеса и, по замыслу, игнорируют любые бизнес-специфичные драйверы или ограничения.

Хотя это может показаться нелогичным, статистические прогнозы в основе своей зависят от выбранной метрики ошибки. Выбор MSE (среднеквадратичная ошибка) вместо MAE (средняя абсолютная ошибка) имеет серьезные последствия для точности данной модели. На первый взгляд может показаться, что метрика ошибки имеет незначительное влияние. В конце концов, модель прогнозирования выдает один и тот же прогноз спроса, независимо от того, какая метрика затем используется для оценки результата. Однако любая компания, полагающаяся на статистическое прогнозирование, вынуждена делать выбор – часто неявный – относительно того, какие модели прогнозирования использовать; и как только вводятся измерения точности, компания начинает отдавать предпочтение моделям, демонстрирующим лучшие показатели по упомянутым метрикам.

Универсальные статистические метрики (например, MAPE, MAE, MSE и т.д.) не имеют привязки к конкретному бизнесу. Проще говоря, эти метрики делают акцент на процентах ошибки, а не на денежном ущербе от ошибки. Хотя минимизация процентных ошибок может быть полезной, к сожалению, существует слишком много противоречащих этому примеров. Статистические метрики не дают гарантии, что финансовый результат решения, основанного на прогнозе, будет оптимальным или даже прибыльным. Иногда экономические драйверы оказываются лишь слабо коррелированными с универсальными статистическими метриками, но это происходит случайно, и полагаться на случайность – не является надлежащей методологией оптимизации цепочки поставок. На практике эта проблема зачастую усугубляется тем, что во многих ситуациях чисто статистические метрики расходятся с показателями бизнес-результативности.

Пример: Рассмотрим продукт, который продается в магазине, где в среднем продается только 1 единица в неделю, со сроком поставки равным 1 дню (ежедневное пополнение). Лучший медианный прогноз спроса для этого продукта на любой день равен нулю единиц. Средний прогноз мог бы дать дробное значение 1/7, но медианный прогноз показывает ноль. Хотя покрытие спроса за 1 день очень близко к нулю, фактический запас, который необходимо держать для надлежащего обслуживания клиентов, вероятно, значительно больше; может потребоваться 2 или 3 единицы, чтобы удовлетворить ожидания клиентов по качеству обслуживания. Проблема здесь не в том, что прогноз неточен, ведь если спрос стационарен и действительно случайный, то упомянутые прогнозы статистически совершенно точны. Проблема в том, что бизнес-специфичные драйверы были проигнорированы.

Разделение прогнозирования и оптимизации цепочки поставок

Экономические драйверы представляют собой конкретное разбиение задач оптимизации цепочки поставок, где бизнес-специфичные аспекты – т.е. экономические драйверы – отделены от универсальных аспектов – т.е. чисто статистических прогнозов. В этом разделе мы кратко рассмотрим преимущества такого разбиения, а также его ограничения.

Что касается числовой оптимизации, существует общее правило, что всегда предпочтительнее оптимизировать задачу в целом, а не оптимизировать отдельные её части изолированно. Однако это справедливо лишь до тех пор, пока решение задачи оптимизации с монолитной точки зрения остается технически осуществимым. Тем не менее, большинство литературы по цепочке поставок – в том числе и эта книга – сходятся во мнении, что прогнозирование спроса является сложной задачей, сочетающей статистику, алгоритмы, программную инженерию и, возможно, распределенные вычисления, когда используется платформа облачных вычислений. Таким образом, изоляция аспекта прогнозирования спроса дает возможность предоставлять продвинутые прогнозы спроса, не перегружая технологию множеством специфичных для отрасли соображений.

Аналогичное преимущество достигается при изоляции логики оптимизации цепочки поставок от логики прогнозирования спроса, поскольку оптимизация цепочки остается «защищенной» от технических деталей, связанных с прогнозированием спроса. Это позволяет гораздо глубже изучить тонкости экономических драйверов: ограничения по складам, ценовые скидки, различающиеся стоимости дефицита товара и затраты на устаревание и т.д. Более подробное понимание экономических драйверов приводит к принятию лучших решений, которые более точно соответствуют рискам и возможностям компании.

Пример: Рассмотрим компанию, которая имеет два склада и обслуживает идентичные запчасти с обоих складов. Эти два склада расположены рядом, но по привычке все клиенты склонны заказывать необходимые им запчасти с одного и того же склада. Когда на этом складе конкретная деталь становится недоступной, персонал связывается с другим складом для уточнения наличия детали, и если деталь имеется, она отправляется на склад, оказавшийся без запаса.

Аргументы в пользу вероятностного прогнозирования

Как мы видели в предыдущем разделе, отделение прогнозирования спроса от бизнес-оптимизации предоставляет возможность реализовать стратегию оптимизации цепочки поставок, которая использует как продвинутую аналитику прогнозирования, так и детальное понимание самого бизнеса. Однако следует отметить, что при составлении прогнозов спроса прогностический движок ничего не знает о бизнес-специфичных факторах, имеющих значение с точки зрения оптимизации цепочки поставок. Тем не менее, бизнес-сценарии, оказывающие наибольшее финансовое воздействие, обычно являются крайними сценариями – «крайними» с статистической точки зрения. Например, именно неожиданно высокий спрос обычно вызывает дефицит товара, в то время как неожиданно низкий спрос часто приводит к списанию запасов.

Классические инструменты прогнозирования уделяют большое внимание средним или медианным прогнозам; с бизнес-точки зрения это полностью упускает с виду суть проблемы. Независимо от того, насколько точен этот тип прогноза, если интересующий бизнес-сценарий находится на статистическом крае, то инструмент прогнозирования не сможет предоставить соответствующую статистическую проекцию для количественной оценки вероятного финансового результата. В отличие от этого, инструменты вероятностного прогнозирования оценивают соответствующие вероятности для всех возможных уровней спроса, что, в свою очередь, предоставляет возможность оценить все возможные бизнес-сценарии.

Неудивительно, что вероятностные прогнозы требуют значительно больше вычислительных ресурсов, чем их классические однозначные аналоги, поскольку, в некотором смысле, вероятностные прогнозы методом перебора решают задачу прогнозирования. Поскольку прогностический движок не знает, какие бизнес-сценарии следует учитывать, он просто выдает обширный статистический ответ, который (примерно) охватывает все возможные сценарии. На практике, благодаря возможности получения огромных вычислительных мощностей по очень низкой цене через облачные платформы, повышенные вычислительные требования для генерации вероятностных прогнозов в основном не представляют проблемы, при условии наличия соответствующей технологии.

Краткий обзор распространенных экономических драйверов

Экономические драйверы определяют положительные и отрицательные результаты решения в цепочке поставок. Расчет этих результатов требует фактического наблюдения за еще не зафиксированным спросом, но если прогноз спроса доступен, результаты можно моделировать. Экономические драйверы предназначены для охвата всех бизнес-аспектов, вытекающих из решения, а не только краткосрочных финансовых результатов. На практике установление экономических драйверов часто напоминает выполнение приблизительных расчётов, учитывающих различные бизнес-сценарии.

Одним из наиболее распространенных решений в цепочке поставок является заказ еще одной единицы товара. Если на заказанную единицу существует немедленный спрос, компания реализует ее с прибылью. Это представляет собой прибыль, связанную с решением о заказе. Если немедленного спроса на товар нет, компании придется понести затраты на хранение этой дополнительной единицы. Это представляет собой затраты, связанные с решением о заказе. Определение экономических драйверов для решения о заказе состоит в фиксации как получаемой прибыли, так и понесенных затрат для данного сценария спроса.

Помимо прибыли и затрат, ограничения также формируют диапазон допустимых решений в цепочке поставок:

Вместимость склада : Магазины и склады имеют максимальные вместимости, что не позволяет заказывать запас сверх определенного количества.
MOQ : Поставщики принимают заказы только при количестве, превышающем минимальные объемы заказа, выраженные, например, в единицах или сумме заказа. Эти MOQ также могут интерпретироваться и моделироваться как фиксированные затраты на заказы поставщиков.
Капитальные затраты : У компании ограниченный доступ к ликвидности, поэтому необходимо лимитировать капитальные затраты на запасы. Получение доступа к большему капиталу может занимать очень много времени для менеджмента компании и может не соответствовать ее стратегическим установкам.
Транспортная емкость : При импорте товаров из-за рубежа заказы могут требовать правильной комплектации, чтобы они точно поместились в один контейнер. Контейнеры имеют как максимальную массу, так и максимальный объем. Контейнеры также могут интерпретироваться как форма фиксированных затрат на заказы.

Экономические драйверы должны учитывать все вышеупомянутые ограничения и многие другие на практике. Если ограничения не учитываются, то система, объединяющая прогнозы спроса с экономическими драйверами, скорее всего предложит решения, которые невозможно реализовать в реальности, например, попытки заполнить склад сверх его вместимости.

Взгляд Lokad на экономические драйверы

Компания Lokad предоставляет движок для вероятностного прогнозирования. Хотя данные должны быть должным образом квалифицированы и очищены перед загрузкой в движок прогнозирования, наш прогнозный движок затем позволяет автоматизировать процесс статистического прогнозирования в целом без какой-либо настройки. Прогнозный движок Lokad работает «из коробки» для многочисленных отраслей (торговля, производство, аэрокосмическая отрасль …).

Экономические драйверы, однако, невероятно разнообразны. Чтобы управлять таким разнообразием, Lokad представила Envision – предметно-ориентированный язык программирования, предназначенный для оптимизации цепочки поставок. Видимый результат работы Envision заключается в создании дашбордов, однако основная функция Envision заключается во внедрении экономических драйверов в прогнозы с помощью скриптов, чтобы оптимизированные решения – например, количество для повторного заказа сегодня – могли быть вычислены автоматически.

Правильное сочетание экономических драйверов и вероятностных прогнозов требует наличия политик, способных использовать эти данные. Например, политика приоритетных закупок особенно подходит для определения объемов заказов, которые полностью уравновешивают бизнес-риски, связанные с запасами, и прогнозы спроса.

На практике просмотр и формализация экономических драйверов, их сочетание с вероятностными прогнозами, квалификация и очистка исторических данных, генерация оптимизированных решений, соответствующих точному набору применимых бизнес-ограничений – все эти задачи выполняются командой Lokad по ежемесячной подписке на услугу оптимизации запасов.