Экономические факторы

Из перспективы Количественной Цепочки Поставок, экономические факторы представляют собой финансовую оценку положительных и отрицательных результатов решений в цепи поставок. Экономические факторы формируют вызовы оптимизации цепи поставок в решаемые оптимизационные задачи, где оптимизационная метрика является финансовой. Через количественную оценку экономических факторов становится возможным оценить долларовую ошибку, связанную с неправильными решениями, изначально основанными на неполных данных, таких как прогнозы спроса. Эти экономические факторы представляют собой противоположность бизнес-агностическим метрикам, которые широко используются, таким как MAPE (средняя абсолютная процентная ошибка). Эти бизнес-агностические метрики часто являются вредными, потому что они “одевают” проблемы цепи поставок как числовые оптимизационные задачи, полагаясь на в значительной степени произвольные критерии оптимизации.

Статистические прогнозы имеют одну точку зрения

Инструменты и методы прогнозирования спроса имеют одну ясную цель: вычисление более точных прогнозов . Прогнозы считаются точными согласно различным метрикам, известным и выбранным из-за их математических и статистических свойств. В то время как такие метрики могут быть отличными с математической точки зрения, они фундаментально не учитывают доменные особенности и игнорируют, по своей сути, любые бизнес-специфические факторы или ограничения.

Хотя это может показаться противоречивым, статистические прогнозы фундаментально определяются выбранной метрикой ошибки. Выбор MSE (среднеквадратичная ошибка) вместо MAE (средняя абсолютная ошибка) имеет решающие последствия для точности данной модели. На первый взгляд может показаться, что метрика ошибки имеет незначительное влияние. В конце концов, прогнозная модель производит одинаковый прогноз спроса, независимо от того, какая метрика используется для оценки ее результата. Однако любая компания, полагающаяся на статистические прогнозы, обязана принимать выборы - часто неявные выборы - относительно используемых прогнозных моделей; и как только вводятся метрики точности, компания начинает предпочитать модели, которые лучше себя ведут по отношению к вышеупомянутым метрикам.

Обобщенные статистические показатели (например, MAPE, MAE, MSE и т. д.) не имеют никакой деловой привязки. Проще говоря, эти показатели акцентируют внимание на процентных ошибках, а не на долларовых ошибках. Хотя минимизация процентных ошибок может быть хорошей вещью, к сожалению, существует слишком много противоположных примеров. Статистические показатели не обеспечивают никаких гарантий того, что финансовый результат принятого решения, основанного на прогнозе, будет оптимальным или даже прибыльным. Иногда экономические факторы оказываются слабо коррелированными с обобщенными статистическими показателями, но это происходит случайно, и полагаться на случайность не является правильной методологией для оптимизации цепочки поставок. На практике эту проблему обычно усугубляет контринтуитивная природа большинства ситуаций, когда чисто статистические показатели расходятся с показателями деловой производительности.

Пример: Рассмотрим продукт, продаваемый в магазине, где в среднем продается только 1 единица в неделю, с сроком поставки в 1 день (ежедневное пополнение). Лучший медианный прогноз спроса на этот продукт на любой заданный день равен нулю единиц. Средний прогноз мог бы дать дробное количество 1/7, но медианный прогноз указывает на ноль. В то время как спрос, который нужно удовлетворить в течение одного дня, очень близок к нулю, фактический запас, который необходимо держать для правильного обслуживания клиентов, вероятно, будет намного больше; для удовлетворения ожиданий клиентов в плане качества обслуживания, скорее всего, потребуется 2 или 3 единицы. Проблема здесь не в том, что прогноз неточен, потому что, если спрос стационарен и действительно случайный, то упомянутые прогнозы с точки зрения статистики являются абсолютно точными. Проблема заключается в том, что были проигнорированы деловые факторы.

Отделение прогнозирования от оптимизации цепочки поставок

Экономические факторы представляют собой конкретное разделение задач оптимизации цепочки поставок, где деловые аспекты - то есть экономические факторы - отделяются от общих аспектов - то есть чисто статистических прогнозов. В этом разделе мы кратко рассмотрим преимущества этого разделения, а также его ограничения.

Что касается численной оптимизации, существует общий принцип, согласно которому всегда предпочтительнее оптимизировать проблему в целом, а не оптимизировать ее части в изоляции. Однако этот принцип остается верным только до тех пор, пока решение оптимизационной задачи с монолитной точки зрения остается технически осуществимым. Тем не менее, большинство литературы по цепочке поставок - включая эту книгу - склонны согласиться с тем, что прогнозирование спроса является сложным предприятием, которое объединяет статистику, алгоритмы, программную инженерию и, возможно, распределенные вычисления при использовании платформы облачных вычислений. Таким образом, изоляция аспекта прогнозирования спроса предлагает возможность предоставить продвинутые прогнозы спроса, не обременяя технологию множеством специфических для отрасли соображений.

Аналогичное преимущество достигается путем изоляции логики оптимизации цепочки поставок от логики прогнозирования спроса, поскольку оптимизация цепочки поставок остается “защищенной” от технических аспектов, связанных с прогнозированием спроса. Это позволяет гораздо глубже погрузиться в более детальные аспекты экономических факторов: ограничения на пространство хранения, ценовые промежутки, изменяющиеся затраты на нехватку товара, изменяющиеся затраты на устаревание и т. д. Более детальное понимание экономических факторов приводит к принятию лучших решений, которые более тесно соответствуют рискам и возможностям компании.

Пример: Рассмотрим компанию, у которой есть два склада и которая обслуживает точно такие же детали с обоих складов. Оба склада находятся рядом, но по привычке все клиенты всегда заказывают нужные детали с одного и того же склада. Когда деталь больше не доступна на этом конкретном складе, сотрудники склада звонят в другой склад, чтобы узнать о наличии детали там, и если деталь доступна, она отправляется на склад, который оказался без запасов.

Аргумент в пользу вероятностного прогнозирования

Как мы видели в предыдущем разделе, разделение прогнозирования спроса от оптимизации бизнеса предоставляет возможность осуществлять стратегию оптимизации цепочки поставок, использующую как передовую аналитику прогнозирования, так и детальное представление о самом бизнесе. Однако следует отметить, что при составлении прогнозов спроса прогностический движок ничего не знает о факторах, специфичных для бизнеса, которые имеют значение с точки зрения оптимизации цепочки поставок. Тем не менее, бизнес-сценарии, которые оказывают наибольшее финансовое влияние, обычно являются экстремальными сценариями с точки зрения статистики. Например, это неожиданно высокий спрос, который обычно вызывает нехватку товара, в то время как неожиданно низкий спрос обычно приводит к списанию товара со склада.

Классические инструменты прогнозирования сильно акцентируют внимание на средних или медианных прогнозах; это полностью упускает суть с точки зрения бизнеса. Независимо от того, насколько точным может быть такой тип прогноза, если интересующий бизнес-сценарий находится на статистическом экстремуме, то инструмент прогнозирования не сможет предоставить соответствующую статистическую проекцию для количественной оценки вероятного финансового результата бизнес-сценария. В отличие от этого, вероятностные инструменты 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 гораздо больше вычислительных ресурсов, чем их классические однозначные аналоги, потому что, по сути, вероятностные прогнозы “насильно” решают задачу прогнозирования. Поскольку прогностический движок не знает о соответствующих бизнес-сценариях, которые следует учитывать, он просто производит далеко идущий статистический ответ, который (приблизительно) охватывает все возможные сценарии. На практике, благодаря возможности доступа к обширным вычислительным ресурсам по очень низким ценам через платформы облачных вычислений, увеличенные требования к вычислительным мощностям, необходимым для генерации вероятностных прогнозов, в основном не являются проблемой, при условии наличия соответствующей технологии.

Краткий обзор общих экономических факторов

Экономические факторы определяют положительные и отрицательные результаты принятия решений в цепочке поставок. Расчет этих результатов требует фактического наблюдения за еще не наблюдаемым спросом, но если имеется прогноз спроса, результаты могут быть смоделированы в свою очередь. Экономические факторы предназначены для охвата всех бизнес-последствий, которые возникают в результате принятия решения, а не только краткосрочных финансовых результатов. На практике установление экономических факторов часто сводится к проведению предварительных расчетов, учитывающих различные бизнес-сценарии.

Одним из наиболее распространенных решений в цепочке поставок является заказ еще одной единицы для одного товара. Если имеется немедленный спрос на заказанную единицу, компания обслужит единицу с прибылью. Это представляет собой выгоду, связанную с принятием решения о заказе. Если нет немедленного спроса на товар, компании придется понести затраты на хранение для хранения этой дополнительной единицы. Это представляет собой затраты, связанные с принятием решения о заказе. Установление экономических факторов для решения о заказе состоит в записи как полученных выгод, так и понесенных затрат относительно решения для заданного сценария спроса.

Кроме выгод и затрат, ограничения также определяют диапазон приемлемых решений в цепочке поставок:

Емкость хранения: Магазины и склады имеют максимальную емкость, что предотвращает дополнительные заказы, превышающие определенное количество товара.
Минимальный объем заказа (MOQ): Поставщики принимают заказы только сверх минимального объема заказа, выраженного, например, в количестве единиц или сумме заказа. Эти MOQ также могут быть интерпретированы и моделированы как фиксированные затраты на заказы у поставщиков.
Капитальные затраты: У компании ограниченный доступ к ликвидности, поэтому ей необходимо ограничивать выделение капитала на запасы. Получение доступа к дополнительным средствам может занять много времени у руководства компании и может не соответствовать ее стратегическим ориентациям.
Транспортная мощность: При импорте товаров из-за рубежа заказы могут быть правильно размерированы, чтобы они точно помещались в один контейнер. Контейнеры имеют максимальный вес и объем. Контейнеры также могут быть интерпретированы как форма фиксированных затрат на заказы.

Экономические факторы должны учитывать все вышеупомянутые ограничения, а также множество других на практике. Если ограничения не учитываются, то система, объединяющая прогнозы спроса с экономическими факторами, скорее всего, будет предлагать решения, которые на самом деле не могут быть выполнены в реальности, например, попытка заполнить склад сверх его емкости.

Взгляд Lokad на экономические факторы

Lokad предоставляет вероятностный прогнозный движок. Хотя данные должны быть правильно квалифицированы и очищены перед внедрением в прогнозный движок, наш прогнозный движок позволяет автоматизировать статистическую прогнозирование в полном объеме без необходимости настройки статистических параметров. Прогнозный движок Lokad работает “из коробки” для множества отраслей (торговля, производство, авиакосмическая промышленность и т. д.).

Однако экономические факторы чрезвычайно разнообразны. Чтобы управлять таким разнообразием, Lokad разработал Envision - язык программирования, специализированный для оптимизации цепочки поставок. Видимым результатом работы Envision является создание панелей управления, однако основная функция Envision заключается в встраивании экономических факторов в прогнозы с помощью скриптов, чтобы можно было автоматически вычислять оптимизированные решения, например, количество товара для повторного заказа сегодня.

Правильное сочетание экономических факторов и вероятностных прогнозов требует применения политик, которые могут использовать эти данные. Например, политика приоритетного заказа особенно подходит для доставки количества товара, которое полностью уравновешивает риски бизнеса, связанные с запасами, с прогнозами спроса.

На практике обзор и формализация экономических факторов, комбинирование этих факторов с вероятностными прогнозами, квалификация и очистка исторических данных, генерация оптимизированных решений, соответствующих конкретному набору применимых бизнес-ограничений - все эти задачи выполняются командой Lokad через ежемесячную подписку на сервис оптимизации запасов.