Точка зрения производителя
Несколько дней назад потенциальный клиент задал несколько резких вопросов относительно применимости подхода Quantitative Supply Chain для решения проблем цепей поставок, с которыми сталкиваются многие крупные производственные компании.
Рассмотрим ситуацию, когда на производство выходит множество товаров, но всего лишь из относительно немногих типов рабочих ячеек/машин, способных произвести любой товар в цикле следующей недели при условии наличия достаточной квалифицированной рабочей силы и сырьевых материалов. Какой должна быть структура спроса и возможностей компании, чтобы вероятностное прогнозирование оказалось существенно превосходящим хороший, стандартный APS, такой как JDA или SAP APO? Не достаточно ли агрегированных прогнозов, которые менее хаотичны и, следовательно, лучше подходят для традиционного прогнозирования и APS, для решения поставленной задачи?
Вероятностное прогнозирование касается не только спроса, но и учета всех аспектов, остающихся по своей природе неопределенными: спроса, а также сроков поставки, возвратов, изменения цен и т.д. Чем выше неопределенность, тем больше конкурентное преимущество дает любой числовой метод, который сразу учитывает неопределенность, вместо того чтобы полностью игнорировать проблему. Аггрегирование «классических» прогнозов – это числовой эквивалент того, чтобы подмести пыль под ковер. Месячный прогноз может быть точнее – если измерять в процентах – по сравнению с ежедневным; однако дополнительная точность достигается за счет дополнительной задержки на рынке, поскольку статистический индикатор по своей сути охватывает целый месяц.
Игнорирование структурных рисков – таких как потеря крупного клиента и всей его текущей массы заказов – является рецептом для создания постоянного потока мертвых запасов со временем, так как все клиенты в какой-то момент прекратят сотрудничество – даже если потом их удастся вернуть через год. На более обыденном уровне игнорирование изменчивости сроков поставки приводит к неэффективному распределению запасов, поскольку именно запасы предназначены для покрытия этой изменчивости. Без вероятностного прогноза неопределенность даже не может быть оценена должным образом. Как правило, изменчивые сроки поставки никогда не распределяются нормально.
Однако вероятностные прогнозы – это всего лишь числовые артефакты. В конечном итоге имеют значение только решения, их эффективность измеряется в евро, а не промежуточными числовыми данными, использованными для их получения – будь то классические или вероятностные прогнозы. Главный недостаток APS заключается в том, что они просто не оптимизируют цепочку поставок с финансовой точки зрения. Улучшение MAPE прогнозов – это тщеславие; имеет значение только ROI. Вероятностные прогнозы выигрывают не потому, что они точнее, а потому, что их гораздо удобнее превращать в решения, оптимизированные по произвольным критериям ROI.
Таким образом, если финансовые ставки в цепочке поставок имеют значение, APS никогда не будут «достаточно хорошими» в моем понимании, поскольку APS даже не пытаются оптимизировать решения по цепочке поставок с финансовой точки зрения. На практике команды по цепям поставок в итоге берут на себя всю ответственность за финансовую эффективность через свои Excel-таблицы; за это APS не получают ни одной похвалы.
Quantitative Supply Chain и DDMRP конкурируют как числовые рецепты для оперативного горизонта. Однако разве Quantitative Supply Chain не сталкивается с подобными вопросами ограничений поставок? Или вы моделируете их явно? Как вы прокладываете тактический горизонт, чтобы выявлять узкие места по мощности производства заблаговременно и давать руководству возможность их устранить, например, путем запроса дополнительной мощности?
В отличие от DDMRP, Quantitative Supply Chain (QSC) действительно поставляется с «готовыми» числовыми рецептами. QSC — это, по сути, принципиальный подход к созданию полезных рецептов, предназначенных для непосредственного производственного использования и доработки со временем. Сбор и развитие числовых инструментов, достаточно универсальных, чтобы справляться с безумным разнообразием ограничений цепочки поставок (например, минимальный объем заказа, ведомость материалов, денежные потоки, штрафы по SLA и т.д.), является одной из ключевых задач QSC.
В компании Lokad мы на протяжении более десятилетия активно переходим от одного технологического поколения к другому. Мы разработали две алгебры для решения этого класса задач вместе с несколькими нелинейными решателями, последняя итерация которых на сегодняшний день — дифференцируемое программирование. Суть этих инструментов заключается в том, чтобы дать возможность специалисту по цепям поставок – как уже отмечалось – явно моделировать все эти ограничения. Поскольку сами ограничения различны, требуется определенная выразительность программирования, чтобы иметь шанс адекватно их смоделировать.
Затем финансовая точка зрения – один из основных принципов QSC – дает замечательные инсайты в области ограничений цепочки поставок. В частности, становится возможным оценить выгоды, связанные со снятием любого конкретного ограничения. Дело не столько в том, чтобы поднять проблему производственной мощности, сколько в том, чтобы обосновать прибыльность любых инвестиций, направленных именно в эту область.
На практике почти всегда существует несколько вариантов, конкурирующих за решение одной и той же проблемы: возможно, можно накопить запасы заранее вместо увеличения производственной мощности, возможно, можно увеличить объемы производства для повышения пропускной способности, возможно, следует повысить цены при пиковых нагрузках на производство и т.д. Подход QSC позволяет расставлять приоритеты для всех этих вариантов на основе ROI, причем список приоритетов постоянно обновляется вместе с исходными данными.
На практике единственным ограничением для заглядывания в будущее является статистическая неопределенность, которая с этим связана. Большинство «основанных на данных» инвестиций – дополнительные запасы, дополнительная мощность – негативно влияют на рыночные сдвиги, что зачастую делает их неактуальными. Эта проблема затрагивает все количественные методы – как QSC, так и DDMRP – и единственным известным мне способом смягчения этой проблемы является явное вероятностное прогнозирование.
Некоторые демонстрации SAP по IBP показывают множество эффектных возможностей: от проекции и визуализации воздействия задержки поставки до возможности управления тактическим горизонтом. Считаете ли вы, что Lokad сможет занять эту нишу, тем самым устраняя потребность в подобных инструментах? Или вы видите APO/IBP как относительно простой промежуточный слой, использующий эти преимущества, а Lokad – как систему дифференциации/инноваций, которая преобразует решения (заказы на закупку, производство, перемещение) и передает их в APO/IBP?
Lokad предназначен в качестве аналитического слоя, располагающегося поверх транзакционного слоя, обычно ERP или WMS. Цель заключается в формировании окончательных решений, которые уже соответствуют всем применимым ограничениям, устраняя необходимость в дальнейшем «умном» анализе данных. В этом отношении Lokad занимает ту же функциональную нишу, что и SAP APO и SAP IBP.
Что касается пользовательского опыта, я считаю, что веб-панели управления Lokad работают плавно и быстро. Однако в наши дни создание привлекательных панелей и возможностей анализа сценариев довольно просто для разработчиков программного обеспечения. Визуализация воздействия задержки поставки – это хорошо, но я склонен считать, что это не самый капиталистичный способ рационально использовать время сотрудников цепочки поставок. Программное обеспечение для цепочек поставок зачастую требует чрезмерного количества рабочей силы только для поддержания работы.
Мы рассматриваем противоположный подход: каждый час, потраченный на работу с Lokad, должен быть инвестирован в улучшение решения, выполнение которого полностью автоматизировано. Таким образом, возвращаясь к примеру с задержкой поставки, я бы отметил, что задержка поставки – это всего лишь симптом предыдущих неверных решений: возможно, пополнение запасов было выполнено слишком мало и слишком поздно, возможно, выбор ненадежного поставщика или перевозчика, возможно, неверная приоритизация поставок между клиентами, конкурирующими за один и тот же запас, и т.д.
Сосредоточенность на числовом рецепте, который генерирует все рутинные решения по цепочке поставок, не выглядит особенно привлекательно – уж точно не так, как возможности анализа сценариев. Lokad также может предоставлять такие возможности, однако, если не существует четкого способа превращать эти усилия в поток лучших решений, автоматически генерируемых системой, я не советую своим командам выбирать этот путь.
При рассмотрении конфигураций цепей поставок (открытых/закрытых производственных подразделений и складов; каким клиентам выделять какие распределительные центры и т.д.), ценность инвестиций в гибкость и сокращение сроков поставки от поставщика или собственного производственного подразделения, то есть дизайн цепочки поставок по методике Llamasoft – обычно основывается на сценариях, которые невозможно построить на основе истории: являются ли такие вопросы теми, для которых можно использовать Lokad?
В конце 90-х многие эксперты предвидели, что будущее фотографии за цифровыми технологиями и что аргентная фотография обречена, но 20 лет спустя мы все еще находимся за десятилетия от обладания технологией машинного обучения, способной генерировать столь высокоуровневые инсайты, просто «обрабатывая» патентные базы данных.
Quantitative Supply Chain — и Lokad — по своей сути являются статистическими. Когда речь идет об оптимизации решений по цепочке поставок, которые оказываются полными статистическими выбросами как по масштабу, так и по частоте, например, при решении вопроса об открытии нового завода, статистическая перспектива в лучшем случае слаба и зачастую вводит в заблуждение.
Учитывая сроки поставки, Lokad гораздо лучше подходит для принятия решения о том, следует ли использовать авиаперевозки для каждой отдельной поставки, в отличие от решения о том, стоит ли перемещать стратегических поставщиков из Азии в Северную Америку.
Как правило, если решение по цепочке поставок можно пересматривать ежедневно, то оно является хорошим кандидатом для Lokad. Исторические данные не обязаны точно соответствовать придуманным сценариям. Исследование альтернативных связей между клиентами и распределительными центрами — именно тот тип задач, для которых был разработан Envision.
