FAQ: Глоссарий
Подход компании Lokad к оптимизации решений в области управления цепочками поставок опирается на различные точки зрения и инструменты из разных областей, а не только самой цепочки поставок. К ним относятся, помимо прочего, машинное обучение (ML), искусственный интеллект (ИИ), вероятностное прогнозирование, философия и экономика. Таким образом, наша терминология находится под влиянием множества дисциплин. Эта страница предназначена для объяснения того, как (и почему) Lokad использует эти термины в контексте оптимизации цепочки поставок — а также для передачи той специфической нюансировки, которую мы намерены донести при их использовании.
Целевая аудитория: отделы управления цепочками поставок и/или планирования.
Последнее обновление: май 2024

Что означает «Цепочка поставок»?
Для Lokad цепочка поставок — это и практика, и область изучения, которую можно определить следующим образом:
Цепочка поставок — это умение использовать опциональность в условиях изменчивости при управлении потоком материальных товаров.
Опциональность означает способность выбрать правильный «вариант» среди множества конкурирующих альтернатив. Этот выбранный «вариант» становится «решением». Принимаются во внимание все решения, формирующие поток материальных товаров, такие как заказы на пополнение запасов, производственные заказы и изменение цен. Кроме того, опциональность означает создание вариантов с самого начала. Например, вложение ресурсов в поиск альтернативных поставщиков предполагает намерение создать для компании дополнительные варианты.
Изменчивость означает неустранимую неопределенность, связанную с будущим состоянием рынка, т.е. условия могут существенно меняться из момента в момент. Это связано с тем, что цепочки поставок по своей природе подвержены воздействиям, которые не могут быть полностью контролируемы компанией. Эти воздействия включают спрос клиентов, цены на сырье, сроки поставки от поставщиков и т.д. Таким образом, любые методы или инструменты, используемые в управлении цепочкой поставок, должны прямо решать проблему несовершенных знаний и риска, присущих цепочкам поставок.
Наконец, поток материальных товаров является критически важным и отличает управление цепочкой поставок от, скажем, финансовой торговли. Цепочки поставок, по своей природе, ограничены своей физической сущностью — участники (например, клиенты, поставщики, оптовики, транспортные компании, производители и т.д.) распределены географически. Любые методы или инструменты, используемые для взаимодействия этих участников, должны непосредственно (и адекватно) учитывать многочисленные ограничения, которые обычно возникают. Примерами этих ограничений являются минимальное количество заказа (MOQ), минимальная стоимость заказа (MOV), полные загрузки грузовиков, ограниченное складское пространство и общая способность компании обрабатывать входящие/исходящие заказы и т.д.
Что такое «классическая точка зрения на цепочку поставок»?
Традиционный взгляд на цепочку поставок (MSCP), или классическая точка зрения на цепочку поставок, относится к нескольким ошибочным предположениям и практикам, с которыми обычно сталкиваются, включая:
-
MSCP предполагает, что будущее можно точно предсказать. Такие методы, как классическое прогнозирование временных рядов, пытаются выразить будущее в виде единственного значения (например, спроса, возвратов, коэффициентов брака, сроков поставки и т.д.). Это неверно, поскольку будущее, по своей природе, непредсказуемо (то есть неопределенность будущего невозможно полностью устранить с помощью прогнозирования). Таким образом, определение лишь одного будущего значения является не оптимальным с точки зрения управления рисками (так как отсутствуют измерения вероятностей).
-
MSCP предполагает, что цепочка поставок не подвержена враждебному поведению. Ни в какой момент MSCP не учитывает, что участники (например, сотрудники, клиенты, поставщики, партнеры, конкуренты и т.д.) могут преследовать собственные интересы, и что эти интересы могут негативно влиять на их цепочку поставок.
-
MSCP предполагает наблюдаемость. На практике же каждая крупная компания работает через чрезвычайно непрозрачную систему программных приложений, что делает прямое наблюдение за цепочкой поставок чрезвычайно сложным.
-
MSCP не поддается фальсификации. Он невосприимчив к реальности. Как бы ни были неэффективными методы, приведенные в традиционных учебниках или коммерческих предложениях, ни один из этих методов не может быть опровергнут обратной связью из реальной жизни.
По состоянию на 2024 год большинство крупных компаний внедрили несколько решений для оптимизации цепочки поставок с 1980-х годов, однако многие (если не большинство) из этих компаний до сих пор работают с таблицами. Это еще один ключевой аспект MSCP: поставщики программного обеспечения стали мастерами в перекладывании вины и неизменно обвиняют практиков цепочки поставок в том, что они не могут «следовать процессу» или «использовать адекватные параметры».
Однако реальность проще: сама теория MSCP не работает, и практики цепочки поставок возвращаются к своим таблицам, потому что какие бы примитивные эвристики у них ни были, эти эвристики (хоть и далеко не идеальны) превосходят «сложные методы», представленные в учебниках по MSCP.
Именно поэтому в 2011 году Lokad осуществил переосмысление цепочки поставок как области исследований и практики. Мы называем эту реформу количественной цепочкой поставок.
Классическая точка зрения MSCP прекрасно отражена в ряде классических учебников:
- Production and Operations Analysis, седьмое издание, авторы Стивен Нахмияс и Тава Леннон Олсен, 2015
- Inventory and Production Management in Supply Chains, четвёртое издание, авторы Эдвард А. Сильвер, Дэвид Ф. Пайк и Дуглас Дж. Томас, 2016
- Fundamentals of Supply Chain Theory, второе издание, Лоуренс В. Снайдер, Цзо-Жун Макс Шен, 2019
Что такое «Планирование спроса»?
С точки зрения традиционного взгляда на цепочку поставок, планирование спроса представляет собой совокупность процессов, используемых компанией для количественной оценки будущего спроса. Скрытая идея, лежащая в основе планирования спроса, заключается в том, что, как только будущий спрос точно оценен, адекватное управление цепочкой поставок сводится в основном к правильному и своевременному распределению ресурсов, чтобы компания поставляла рынок «ровно столько, сколько нужно».
Процессы планирования спроса включают методы, ориентированные на прошлое, такие как статистический анализ исторических продаж и прогнозирование соответствующих временных рядов. Они также включают методы, ориентированные на будущее, например, сотрудничество с отделами продаж и маркетинга для уточнения цифр на основе целей, установленных самой компанией.
Однако с точки зрения количественной цепочки поставок (QSC) компании Lokad, планирование спроса является устаревшей концепцией, не имеющей места в современной цепочке поставок. Вместо этого QSC утверждает, что выполнение цепочки поставок должно быть роботизировано, опираясь на числовые рецепты, которые обычно включают фазу предиктивного моделирования, за которой следует фаза стохастической оптимизации.
Фаза предиктивного моделирования охватывает все аспекты «прогнозирования», не только будущего спроса, но и всех других источников неопределенности (например, будущих сроков поставки, будущих цен на сырье, будущих возвратов клиентов и т.д.). Фаза стохастической оптимизации включает в себя все части, связанные с принятием решений (например, выбор объемов для повторного заказа, распределение имеющихся запасов через торговую сеть, изменение цен) — то, что традиционно отделяется от планирования спроса.
Планирование спроса устарело по нескольким причинам.
Во-первых, предполагается, что люди должны участвовать в проведении «количественной оценки будущего». Это полная трата времени и энергии. Безусловно, люди должны принимать участие в разработке числовых рецептов, поддерживающих предиктивные модели (как это делают специалисты по цепочкам поставок компании Lokad). Однако предиктивные модели должны работать полностью автономно, поскольку вмешательство человека в процесс, который обычно генерирует тысячи, если не миллионы, чисел ежедневно, не приносит никакой добавленной ценности.
Во-вторых, поскольку «ручное планирование спроса» уже является медленным и затратным, у компаний обычно не остается ресурсов для учета всех других источников неопределенности (например, сроки поставки, возвраты, качество и т.д.). Несмотря на то, что оценка будущего спроса является критически важной, это не единственный источник неопределенности. Будущие сроки поставки, цены на сырье, цены конкурентов, возвраты клиентов и т.д. — это другие ключевые источники неопределенности, которые также необходимо оценивать количественно.
В заключение, планирование спроса — это устаревший взгляд на организацию цепочек поставок. Эта концепция возникла до появления компьютеров и просуществовала несколько десятилетий дольше, чем следовало бы. На данный момент её следует заменить более подходящими подходами, такими как перспектива QSC компании Lokad.
Что такое «Качество обслуживания»?
В контексте оптимизации цепочки поставок «качество обслуживания» (QoS) означает способность компании обслуживать своих клиентов, удовлетворяя их скрытые ожидания. QoS не является метрикой или чем-то осязаемым: оно отражает намерение компании предоставлять клиентам качественное обслуживание. Таким образом, QoS носит направленный, но расплывчатый характер.
Попытка выявить скрытые ожидания клиентов является широкой и многогранной задачей. Опрос клиентов сопряжен с множеством проблем. Клиенты могут вежливо сказать, что они полностью удовлетворены обслуживанием, и при этом обращаться к конкурентам. И наоборот, клиенты могут громко жаловаться, оставаясь при этом яро преданными.
Кроме того, QoS никогда не является одномерной проблемой. Каннибализация и замена, наряду с ценовыми различиями, обычно затемняют истинное понимание «наличия» для клиентов. Часто необходимо также учитывать специфические для отрасли аспекты. Например, если на полке осталось много йогуртов, клиенты могут посчитать их неприемлемыми, если все они истекают через три дня.
На практике метрики, которые адекватно приближают QoS, могут быть выявлены только посредством тщательного и вдумчивого анализа бизнеса. Это требует глубокого осмысления и эмпатии к клиентам. Некоторые методологии существенно способствуют определению качественных приближенных метрик, например, экспериментальная оптимизация — подход, разработанный компанией Lokad.
Одна из самых больших ошибок традиционного взгляда на цепочку поставок заключается в том, чтобы представлять уровни обслуживания — вероятность отсутствия товара на складе — так, как будто уровни обслуживания являются адекватным приближением QoS. Это почти всегда неверно. Уровни обслуживания полностью игнорируют всю каннибализацию и замену, которые присутствуют практически во всех отраслях. Они также полностью игнорируют неровный спрос, когда клиенту необходимо, чтобы многие товары были доступны вместе для его удовлетворения (например, когда профессор закупает книги для всего класса студентов или требуется несколько одинаковых выключателей для проекта по ремонту дома). Уровни обслуживания также полностью не учитывают готовность клиента платить больше за ускоренное обслуживание или, наоборот, — платить меньше, если обслуживание задерживается.
В заключение, QoS — это целевая концепция. Она отражает то, что компания стремится оптимизировать, даже если критерии оптимизации остаются неуловимыми ввиду того, что компания сталкивается с сложной проблемой. QoS является направляющим принципом, который определяет поиск метрик, достоверно приближающих эту цель. Уровни обслуживания и другие наивные метрики не должны приниматься за адекватное приближение QoS.
Что такое «ИИ-пилот»?
Это относится к общей автоматизации организации цепочки поставок с использованием ИИ. ИИ-пилот включает процессы принятия решений (например, сколько нужно произвести?) а также рутинные поддерживающие процессы (например, получение актуальных MOQ для данного поставщика). Термин был введен компанией Lokad в начале 2024 года. ИИ-пилот, как программный продукт, разрабатывается специалистами по цепочкам поставок компании Lokad. Мы разрабатываем одного пилота для каждой клиентской компании, хотя между нашими реализациями существует много общих черт. ИИ-пилот работает на платформе Lokad, обладающей возможностями работы с большими данными и машинного обучения. ИИ-пилот — это услуга, предоставляемая компанией Lokad и обычно выставляемая ежемесячно.
Чтобы узнать больше о том, как работают ИИ-пилоты, послушайте наш подкаст на эту тему.
Что означает «количественная цепочка поставок»?
«Количественная цепочка поставок» (QSC) — это совокупность методологий и технологий, разработанных компанией Lokad в 2010-х годах. Она включает ряд техник, таких как вероятностное прогнозирование, стохастическая оптимизация и дифференцируемое программирование, которых нет в традиционном взгляде на цепочку поставок. Она также включает ряд методологий, таких как экспериментальная оптимизация, персоны цепочек поставок, состязательное исследование рынка, которых также нет в традиционном взгляде на цепочку поставок.
Термин «количественная цепочка поставок» был введен в 2017 году в книге основателя Lokad, Йоаннеса Вермореля, The Quantitative Supply Chain. Манифест QSC можно резюмировать следующим образом:
- Необходимо учитывать все возможные будущие; вероятность для каждой возможности
- Необходимо рассматривать все осуществимые решения; возможности vs. вероятности
- Экономические факторы должны использоваться для приоритизации осуществимых решений
- Управление требует автоматизации каждой рутинной задачи
- Специалист по цепочке поставок должен брать на себя ответственность за числовые результаты
Количественная цепочка поставок может рассматриваться как область исследований, объединяющая все материалы, необходимые для практической реализации ИИ-пилота для конкретной цепочки поставок.
Что такое «Цепочка поставок как услуга»?
Издалека Lokad можно описать как компанию, занимающуюся корпоративным программным обеспечением. Однако вблизи Lokad оказывается совсем иным, чем можно было бы ожидать от поставщика программного обеспечения. Lokad не только предоставляет роботизированные решения для управления цепочками поставок, но и берет на себя ответственность за эффективность цепочки поставок, возникающую в результате этих решений. Наши специалисты по цепочкам поставок постоянно контролируют и совершенствуют автоматизацию, внедренную для каждого нашего клиента. Таким образом, подписка на услуги Lokad обеспечивает нашим клиентам более прибыльное управление их цепочками поставок.
Такой подход принципиально отличается, скажем, от SaaS (software as a service), при котором клиентская компания остается окончательно ответственной за всё, что имеет значение. В SaaS IT-отдел освобождается от управления еще одним приложением, но только в этом и заключается отличие. Если что-то идет не так, например, непредсказуемый спрос, хаотичные поставки, неполные данные и т.п., вся ответственность ложится на команды по цепочке поставок. В случае SCaaS, наоборот, задачей Lokad является разобраться с этим. Конечно, на практике это совместное усилие Lokad и её клиента. Однако Lokad нацелена на достижение результатов, а не просто на поддержание работы серверов.
Что такое «числовой рецепт»?
Lokad автоматизирует процессы принятия решений в цепочке поставок, и мы обычно называем фрагменты программного обеспечения, которые фактически осуществляют эту автоматизацию, «числовыми рецептами». Эти числовые рецепты, как правило, довольно сложны, поскольку отражают внутреннюю сложность самих цепочек поставок. Рецепты представляют собой сочетание множества рутинных этапов подготовки данных, перемежающихся продвинутыми аналитическими процедурами — обычно алгоритмами машинного обучения или математической оптимизации.
Мы используем термин «рецепт», а не «алгоритм», поскольку эти рецепты отнюдь не настолько «чисты», как того ожидали бы большинство программистов, говоря об алгоритмах. Более того, в то время как алгоритм предназначен для решения четко определенной задачи, это обычно не относится к нашим рецептам. В конечном итоге, на кону стоит эффективность цепочки поставок в целом, и эта задача остается открытой и плохо определенной. Таким образом, оценка рецепта так же сложна, если не сложнее, чем его создание.
Что такое «(рутинные) решения в цепочке поставок»?
Решение в цепочке поставок — это решение, которое имеет реальные последствия для движения товаров. Например, пополнение запасов, производственные заказы и изменения цен — это решения, которые существенно влияют на поток товаров.
Современные цепочки поставок обычно предполагают ежедневное принятие десятков тысяч, а иногда и миллионов решений. Как правило, каждый отдельный SKU (единица хранения) включает примерно полдюжины решений, включая бездействие, которое тоже является решением (хоть и тривиальным).
Эти (ежедневные) решения часто называют «рутинными», поскольку их можно полностью автоматизировать. В этом смысле «рутинный» не означает «незначительный».
Решения противопоставляются «числовым артефактам» (вещам, которые кажутся важными, но не оказывают существенного влияния на рассматриваемую цепочку поставок). Действительно, с ростом объема аналитики обычно возникает путаница между этими понятиями. Например, прогноз спроса, класс ABC, страховочный запас, уровень обслуживания можно считать числовыми артефактами. Эти элементы, безусловно, могут играть важную роль при вычислении реальных решений, но сами по себе они не имеют значения. Не имеет значения, если прогноз ошибочен, пока пополнение запасов осуществляется адекватно, однако обратное, очевидно, не так.
Lokad делает акцент на «решениях», а не на «числовых артефактах», поскольку многие компании не видят леса за деревьями. Напротив, у них так много показателей эффективности (артефактов), что они уже не в состоянии увидеть, что на самом деле происходит с принимаемыми ими решениями. Наш акцент на «решениях» гарантирует, что Lokad стремится к тому, что действительно важно для наших клиентов (улучшенная эффективность цепочки поставок), а не идет в погоню за произвольными показателями (числовыми артефактами).
Что такое «числовой артефакт»?
Числовой артефакт — это число, которое воспринимается как важное, даже если оно не оказывает прямого или ощутимого влияния на цепочку поставок компании. Например, уровни обслуживания являются числовыми артефактами. Числовые артефакты не являются реальными, они представляют собой абстракции — часто произвольно выбранные специалистом.
Например, уровень обслуживания в 98% может скрывать тот факт, что многие клиенты уже полностью прекратили делать заказы из-за ранее низкого качества обслуживания. Более того, числовые артефакты нельзя контролировать напрямую. Компания может делать больше заказов на пополнение запасов, но она не может в одностороннем порядке установить, что уровень обслуживания будет равен 98%, так как именно потребители в конечном итоге решают, сколько товара будет потреблено.
Числовые артефакты по определению противопоставляются «решениям», имеющим реальные последствия для компании. Решения также полностью зависят от усмотрения компании. Типичные решения в цепочке поставок включают заказы на пополнение запасов, производственные заказы, изменения цен и т.д. В отличие от числовых артефактов, каждое неверное решение представляет собой безвозвратную потерю для компании. Например, класс ABC (числовой артефакт) для товара может быть совершенно неправильным, но если нет ни избытка запасов, ни их нехватки, это не имеет значения. С другой стороны, один чрезмерно большой заказ на закупку (решение) может превратить хорошо обеспеченный товар в крупное списание.
За эти годы Lokad жестким способом убедился, что числовые показатели в основном являются иллюзорными и ошибочными. Чаще всего точность прогнозов и уровни обслуживания полностью искажают само понятие проблемы (а именно, предвидение и удовлетворение спроса прибыльным способом для компании). Мы должны сосредоточиться на «долларах ошибки» для конкретного решения, а не на «процентах ошибки» для числового артефакта.
Что означает «роботизированный»?
Lokad роботизирует («автоматизирует») рутинные решения в цепочке поставок, превращая их в рутинные. Это означает, что все ежедневные решения, доверенные Lokad (например, производственные заказы, изменения цен, распределение запасов), генерируются полностью автономно. Как правило, большинство наших клиентов могут работать неделями без какого-либо прямого вмешательства со стороны Lokad — при условии, что рыночные условия не изменятся слишком драматично. Наши специалисты по цепочкам поставок постоянно совершенствуют числовые рецепты, которые мы внедрили, но для генерации решений в конкретный день не требуется присутствие специалиста — наши числовые рецепты разработаны для автономной работы.
Этот подход радикально отличается от того, что предлагают наши коллеги (другие поставщики корпоративного программного обеспечения) offer. В их случае специалисты по цепочкам поставок рассматриваются как «человеческие сопроцессоры» их системы. Как только специалисты перестают работать с программой, в компании ничего не происходит, так как их время расходуется исключительно на принятие решений в цепочке поставок.
Напротив, Lokad превращает каждую минуту работы специалистов по цепочкам поставок в инвестицию в улучшение числового рецепта, который обеспечивает роботизацию решений. Если специалисты по цепочкам поставок перестанут работать, это не повлияет на роботизированное выполнение числового рецепта. Числовой рецепт просто перестанет совершенствоваться. Если это будет продолжаться некоторое время, это неизбежно приведет к снижению качества решений, поскольку числовой рецепт утратит свою актуальность (в связи с изменениями рыночных условий).
Однако Lokad внедрил ряд механизмов самоконтроля для раннего обнаружения ухудшения качества, что позволяет инициировать проверку числового рецепта человеком (сначала специалистом по цепочкам поставок, а затем практиком из компании-клиента).
Что такое «инициатива в цепочке поставок»?
Это относится конкретно к проекту в цепочке поставок, реализуемому с точки зрения ‘Количественной цепочки поставок’ (QSC) от Lokad. Цель такой инициативы — роботизировать определенную категорию решений в цепочке поставок и достичь результатов, превосходящих человеческие возможности. Цель такой инициативы состоит не только в решении конкретной проблемы в цепочке поставок клиента, но и в обеспечении системного, всекорпоративного улучшения.
Инициативы Lokad в сфере цепочки поставок обычно направлены на решения, связанные с заказами на закупку, производственными заказами, распределением запасов, изменениями цен, детализированными производственными графиками и т.д. По сути, мы решаем все рутинные, повторяющиеся задачи, необходимые для поддержания работы цепочки поставок клиента.
Инициативой в цепочке поставок руководят специалисты по цепочкам поставок (SCS) от Lokad. Задача SCS — разработать все необходимые числовые рецепты для автоматизации интересующих решений в цепочке поставок. Кроме того, SCS отвечает за визуализацию (например, посредством отчетов и панелей мониторинга) числовых рецептов, чтобы клиенты (особенно высшее руководство) могли понять, как и почему автоматизация обеспечивает результаты, превосходящие человеческие возможности.
Результатом инициативы Lokad в области цепочки поставок является запуск в эксплуатацию числовых рецептов, разработанных SCS для клиента. Этот результат автоматизирует решения и фактически превращает цепочку поставок в продуктивный актив для клиента (так же, как оборудование автоматизирует производство физических товаров).
Что такое «экспериментальная оптимизация»?
Экспериментальная оптимизация — это методология, применяемая Lokad для решения проблем, в которых само понятие «улучшения» неясно на начальном этапе оптимизационного процесса. Такая неясность обусловлена тем, что критерии оптимизации (метрики) и их желательные уровни либо неизвестны, либо, даже если они заранее установлены, не могут быть немедленно обоснованы в финансовых терминах (например, рентабельностью, ROI и т.д.). Суть «экспериментальной оптимизации» заключается в установлении строгого (некоторые скажут «научного») метода количественной оценки того, что означает «улучшение» для цепочки поставок с финансовой точки зрения.
Например, рассмотрим модный магазин, который хочет улучшить качество обслуживания. Одна из главных проблем заключается в том, что определить, что такое «качество обслуживания» для среднего клиента, крайне сложно из-за различий в покупательских привычках мужчин и женщин, а также влияния замещающих товаров. Замещения по своей природе затрудняют понимание того, как клиенты воспринимают ваше предложение, даже если они совершили покупку – например, купив простую черную футболку вместо простой белой, которой нет в наличии. На бумаге продажа была совершена, но отсутствие простой белой футболки может сигнализировать о конце лояльности клиента, особенно если это происходит регулярно. Более того, мужчины, как правило, реже тратят время на просмотр множества товаров, чем женщины, поэтому отсутствие именно того товара, который им нужен (или подходящей замены), может сыграть решающую роль при покупке. Таким образом, представления руководства о собственном бизнесе (и клиентах) могут оказаться чрезвычайно вводящими в заблуждение, что, в свою очередь, может направить их стратегии пополнения запасов в неверное русло.
В этой связи экспериментальная оптимизация заключается в проведении серии экспериментов, которые ставят под сомнение сами критерии оптимизации — тот самый инструмент, который количественно определяет, является ли цепочка поставок лучше или хуже (например, «качество обслуживания»). Суть метода состоит в выборе критерия, проведении математической оптимизации (или, точнее, стохастической оптимизации) по этому критерию и оценке полученных решений для цепочки поставок. Эта оценка проводится не в агрегированном виде, а в сравнении с самыми абсурдными решениями, которые просто не могут быть правильными. Затем критерий необходимо модифицировать, чтобы постепенно исключить эти абсурдные решения, пока они не исчезнут вовсе.
Таким образом, итоговый критерий был получен в результате серии экспериментов. В отличие от классического подхода к оптимизации, который предполагает, что критерии известны заранее и не подлежат сомнению в реальном мире, экспериментальная оптимизация выявляет критерии путем многократного их тестирования в реальных условиях.
Вернувшись к предыдущему примеру с модным магазином, экспериментальная оптимизация может показать, что оптимальным решением является перераспределение уже существующих запасов между магазинами, или, возможно, что простая перестановка витрин в каждом магазине достаточна для стимулирования большего потока клиентов и улучшения воспринимаемого качества обслуживания. Эти выводы можно сделать только после многократного экспериментирования с (точной настройкой) числового рецепта, который генерирует рекомендации по оптимизации.
Цепочка поставок, как и любая другая система, больше, чем сумма её частей. Фактически, проблема цепочки поставок заключается в том, что большинство предполагаемых улучшений лишь смещают проблемы, а не решают их, поскольку проблемы рассматриваются как локальные, а не как проявление системных вопросов. Например, повышение уровня обслуживания обычно подразумевает и увеличение списания запасов. Таким образом, невозможно подрегулировать изолированный элемент внутри системы без воздействия на остальные части системы. В результате всегда сложно количественно определить, улучшает ли что-либо систему (цепочку поставок) или ухудшает.
Кроме того, в конкретном случае цепочек поставок эта сложность усугубляется тем, что события разворачиваются достаточно медленно. В случае модного магазина, упомянутого ранее, мужчины могут быть невероятно лояльны к магазину, который постоянно имеет необходимые им товары, благодаря удобству отсутствия необходимости тратить много времени на покупки. В результате, периоды отсутствия товара на складе могут оказаться катастрофическими для лояльности клиентов и проявиться лишь спустя значительное время (так как мужчины могут делать покупки несколько раз в год, приобретая при этом много товаров за один визит, чтобы максимизировать ценность каждой поездки). Все эти соображения и непредвиденные обстоятельства опрокидывают наивные подходы к количественной оценке эффективности цепочки поставок, поэтому Lokad выступает за решение, основанное на экспериментальной оптимизации.
Для более детального понимания существует полноценная лекция по Экспериментальной оптимизации для цепочки поставок.
Что такое «вероятностное прогнозирование»?
Вероятностное прогнозирование – это процесс определения всех возможных будущих значений/результатов/сценариев (например, спроса на конкретный артикул) и назначения вероятности каждому значению. Вероятность отражает, насколько вероятно, что данное значение станет «реальным» (например, вероятность продажи 4 единиц может составлять 3%; продажи 5 единиц – 4%; продажи 6 единиц – 2% и т.д.). В совокупности данное распределение вероятностей (также известное как «вероятностный прогноз») охватывает 100% потенциальных значений (например, спроса).
Прогноз называют «вероятностным», если предсказанное значение представляет собой распределение вероятностей, а не единственную точку. Вероятностные прогнозы противоположны традиционным точечным прогнозам, которые доминируют в теории цепочек поставок в мейнстриме. Главное преимущество вероятностных прогнозов заключается в том, что они учитывают неустранимую неопределенность будущего, вместо того чтобы притворяться, что «идеальный» прогноз уже не за горами, если только можно обнаружить слегка более точную модель. Вероятностные прогнозы количественно определяют неопределенность, и эта оценка имеет первостепенное значение для последующего принятия решений для цепочки поставок с учетом рисков. Без вероятностных прогнозов решения становятся хрупкими, так как они полностью игнорируют обыденные вариации (например, спрос, время выполнения заказа), которые ожидаются даже в обычных рыночных условиях.
Стоит отметить, что любой точечный прогноз временного ряда может быть «математически» преобразован в распределение вероятностей. Именно это и делается с нормативными запасами, поскольку как спрос, так и время выполнения заказа могут быть смоделированы с помощью нормальных (гауссовых) распределений. Однако, хотя такие методы номинально генерируют распределения вероятностей, они полностью упускают суть. Основная задача, которую должен решать вероятностный прогноз, заключается в создании более богатого прогноза – такого, который содержит больше информации, чем точечный прогноз. Этот вероятностный прогноз не обязательно является более точным, так же как цветная фотография не обязательно обладает лучшим разрешением, чем черно-белая. Однако по своей природе точечный прогноз лишён этого дополнительного измерения. Даже если математический приём используется для добавления вероятностей, эти вероятности будут почти полностью выдуманы, как и колоризация изображения может выглядеть правдоподобно, но фактически быть неверной.
Короче говоря, вероятностные прогнозы представляют собой один из ключевых этапов обработки данных, необходимых для предиктивной оптимизации цепочки поставок.
Что такое «общее прогнозирование»?
Прогнозирующая техника называется «общей», если она поддерживает данные, которые не представлены в виде временных рядов. Действительно, хотя прогнозы временных рядов очень полезны для визуализации, в конечном итоге они являются упрощённой и одномерной моделью, неспособной отразить происходящие в реальной цепочке поставок события.
Рассмотрение нескольких временных рядов также не решает проблему.
Например:
- повторные покупки от одних и тех же клиентов невозможно смоделировать с помощью временных рядов, так как временной ряд спроса полностью сглаживает источник каждой приобретаемой единицы.
- каннибализация или замещение не могут быть представлены в виде временных рядов, поскольку зависимости между товарами теряются.
- конкурирующие компании по ценам, скидкам на объем, уровням обслуживания и т.д. не могут быть учтены с помощью временного ряда, так как он не способен отразить эти причинно-следственные факторы.
В мейнстримной теории цепочек поставок точечные прогнозы временных рядов считаются началом и концом. Однако тщательное изучение реальных ситуаций должно показать, что прогнозы на основе временных рядов неизменно представляют собой крайне упрощённое и ошибочное описание ситуации – см. примеры выше. Согласно Квантитативной цепочке поставок (QSC) от Lokad, лучше быть приблизительно правильным, чем абсолютно неправильным. Притворяться, что реальная проблема (например, замещения) не существует, не решает её.
По этой причине, начиная с начала 2010-х, Lokad разработал и внедрил целый ряд более совершенных технологий прогнозирования, которые обеспечивают более общие формы прогнозов (выходящие за рамки базовых временных рядов). Согласно нашей концепции QSC, каждый источник неопределенности требует собственного вероятностного прогноза. Эти «общие прогнозы» предоставляются не с помощью «моделей прогнозирования», а посредством программных парадигм машинного обучения, таких как дифференцируемое программирование.
Что такое «классическое прогнозирование»?
Под «классическим прогнозированием» мы подразумеваем точечное прогнозирование временных рядов. Точечные прогнозы временных рядов настолько распространены в мейнстримной теории цепочек поставок, что многие, включая многих специалистов по цепям поставок, не осознают, что точечные прогнозы временных рядов являются всего лишь одной формой статистических прогнозов. На самом деле существует множество альтернативных форм статистического прогнозирования, и точечные временные ряды – одна из наиболее упрощённых.
Примечание: Упрощённый прогноз не обязательно является плохим. Фактически, Lokad считает, что программное обеспечение для прогнозирования не должно быть сложнее, чем необходимо для выполнения своей задачи. Однако точечные прогнозы временных рядов являются непомерно упрощёнными, как было продемонстрировано в «Что такое общее прогнозирование?».
Точечные прогнозы временных рядов обрели популярность в самом начале 20-го века, за полвека до появления корпоративных компьютеров. Пока мощные компьютеры не стали широко доступны, точечные прогнозы временных рядов были единственным видом статистических прогнозов, которые можно было создать. Несмотря на их крайнюю упрощённость, создание прогнозов временных рядов уже представляло собой слишком много работы, чтобы оправдать затраты – учитывая, что они выполнялись без вычислительной мощности корпоративных компьютеров. В результате большинство компаний использовали всевозможные трюки, чтобы полностью исключить необходимость статистического прогнозирования с самого начала.
Существует два различных и взаимодополняющих подхода, позволяющих выйти за рамки классических прогнозов. Первый подход заключается в замене подхода «точечного прогноза» на «вероятностный прогноз».
Вероятностные прогнозы, в отличие от их «точечных» аналогов, предоставляют полные плотности вероятностей. Вероятностные прогнозы учитывают неустранимую неопределенность будущего и прямо количественно оценивают эту неопределенность. С точки зрения цепочки поставок, вероятностные прогнозы значительно превосходят точечные, поскольку они позволяют впоследствии вычислять решения для цепочки поставок с учетом рисков. Напротив, точечные прогнозы игнорируют все источники неопределенности, и решения, основанные на этих прогнозах, по своей природе являются хрупкими.
Второй подход заключается в замене подхода «временных рядов» на альтернативу с более высокой размерностью. По своей природе временные ряды являются одномерными. Это ограничение означает, что прогнозы на основе временных рядов просто не способны зафиксировать даже самые базовые взаимосвязи, которые можно наблюдать в потоке товаров цепочки поставок.
Например, прогнозы временных рядов не могут уловить каннибализацию и замещение. Они не могут учесть риск того, что стабильный объём продаж полностью зависит от одного крупного клиента (например, в ситуациях B2B). Они не способны уловить перспективу корзины покупателя, совершающего покупки в гипермаркете, которому нужны все необходимые ингредиенты для завершения рецепта (то есть отсутствие какого-либо товара означает, что ничего не будет куплено). Lokad использует дифференцируемое программирование для создания предиктивных моделей, которые выходят за пределы одномерной перспективы временных рядов и захватывают истинную информацию, представляющую интерес.
В заключение, классическое прогнозирование – это устаревшая статистическая концепция, не имеющая места в современной цепочке поставок. Опора на классические прогнозы, то есть на точечные прогнозы временных рядов, – рецепт неудачи, поскольку такие прогнозы приводят, в лучшем случае, к хрупким решениям, а в худшем – к абсолютно неправильным решениям. Вместо этого мы рекомендуем использовать общее вероятностное прогнозирование, обычно с применением программной парадигмы машинного обучения, такой как дифференцируемое программирование.
Что такое «перспектива корзины»?
Перспектива корзины представляет собой вопрос первостепенной важности для всех отраслей, где от клиентов ожидается покупка множества товаров одновременно (как единая транзакция), а не отдельных товаров. Это касается воспринимаемой ценности покупки товаров в комплексе вместо по отдельности. Другими словами, ценность наличия всех товаров в совокупности может быть больше, чем сумма разрозненных значений товаров, приобретённых по отдельности. Эта перспектива имеет решающее значение для многих отраслей, таких как розничная торговля общими товарами. Признание этой взаимозависимости в спросе приводит к принятию более эффективных решений для цепочки поставок по сравнению с традиционными методами, которые рассматривают покупку каждого артикула как изолированное событие.
Например, рассмотрим ситуацию, когда покупатель заходит в супермаркет для покупки нескольких товаров. Эти товары представляют собой смесь необходимых основных продуктов (например, молоко, хлеб и яйца) и товаров для удовольствия (например, мороженое и шоколад). Если в супермаркете отсутствует товар для удовольствия (например, шоколад), покупатель, скорее всего, всё равно приобретёт другие товары (молоко, хлеб, яйца и мороженое). Однако, если отсутствует основной продукт (например, молоко), покупатель может уйти, не совершив покупку, и обратиться к конкуренту для завершения покупок. Таким образом, финансовое наказание за отсутствие основного товара выходит за рамки самого товара, затрагивая всю корзину продаж.
По сути, между товарами существуют взаимосвязи, и отсутствие некоторых товаров влияет на вероятность покупки других. Lokad учитывает это тонкое, но значимое явление в своих рекомендациях по принятию решений для цепочки поставок, чтобы оптимизировать запасы и сократить нехватку товаров (ранжируя по степени ущерба), тем самым увеличивая общие продажи, прибыль клиентов и удовлетворённость покупателей.
Кто такой «специалист по цепям поставок»?
Специалист по цепям поставок (SCS) – это человек, который возглавляет одну из инициатив по количественной цепочке поставок (QSC) Lokad вместе с клиентом, например, обеспечение заказов с учетом рисков, списков распределения запасов, цен и т.д. Термин «специалист по цепям поставок» был введён Жоаннесом Верморелем, генеральным директором и основателем Lokad, в 2017 году. Основная обязанность SCS заключается в создании, поддержке и владении числовыми рецептами, ответственными за принятие решений в рамках данной инициативы цепочки поставок.
В отличие от data scientist, чья основная задача заключается в создании моделей для поддержки процесса принятия решений, специалист по цепям поставок лично отвечает за качество рекомендаций, выработанных числовыми рецептами. Более того, SCS также непосредственно отвечает за создание всей системы инструментов (например, панелей управления, отчётов), которые объясняют логику и обоснованность принятых решений. Это может показаться несколько парадоксальным, но, хотя Lokad делает акцент на роботизации рутинных процессов принятия решений, мы также ставим личную ответственность во главу угла. QSC – это не «система», отвечающая за эффективность цепочки поставок, а человек, руководящий QSC.
Однако, хотя SCS несёт личную ответственность, он не один в своей миссии. Lokad полностью посвящает себя тому, чтобы каждый специалист по цепям поставок получал максимальную поддержку. Это подразумевает предоставление SCS всех необходимых программных инструментов, математических средств, методологий, обучения и мониторинга со стороны старших специалистов по цепям поставок.
Более подробное описание обязанностей SCS можно найти в нашей специальной статье в базе знаний Специалист по цепям поставок.
Кто такой «практик по цепям поставок»?
Термин «практик по цепям поставок» обычно относится ко всем людям, которые традиционно участвуют в процессе или отвечают за принятие решений для цепочки поставок, необходимых для функционирования компании. Поскольку нет единообразной терминологии, название должности варьируется в зависимости от отрасли и компании. Распространённые варианты «практика по цепям поставок» включают планировщика спроса и предложения, аналитика запасов, прогнозиста спроса, категорийного менеджера, менеджера по запасам, менеджера по производству, менеджера по закупкам, менеджера по ценообразованию и т.д.
Квантитативная цепочка поставок (QSC) предлагает модернизированное представление о роли практика по цепям поставок. В то время как традиционный практик по цепям поставок напрямую отвечает за ручную поддержку процесса принятия решений, QSC рекомендует полностью механизировать все повторяющиеся задачи. Благодаря этой роботизации практики по цепям поставок могут сосредоточиться на задачах, приносящих компании большую добавленную стоимость. В частности, практики по цепям поставок находятся в авангарде критики числовых рецептов (программных модулей, поддерживающих роботизацию цепочки поставок), собирая обратную связь и высокоуровневую информацию от клиентов и поставщиков.
Что означает термин «руководитель цепочки поставок»?
Для Lokad этот термин конкретно относится к человеку, который находится в положении, позволяющем разрешать противоречивые предложения внутри компании относительно роботизированных процессов принятия решений, координирующих цепочку поставок.
Эта роль имеет решающее значение в инициативе Количественная цепочка поставок (QSC), которая объединяет процессы принятия решений в цепочке поставок посредством явных финансовых оценок, выполняемых с помощью программной логики. QSC выявляет все противоречия и неопределенности, которые обычно присутствуют в компании. В результате, чтобы убедиться, что инициатива в цепочке поставок не окажется заблокированной из-за нерешительности, необходимо назначить руководителя цепочки поставок, наделенного полномочиями урегулировать конфликтующие предложения с стратегической точки зрения (например, достижение ожидаемого уровня обслуживания любой ценой против нахождения оптимизированного набора решений в рамках ограниченного бюджета).
Примечание: QSC не предполагает, что руководитель цепочки поставок обладает врожденной способностью всегда быть «правым». Выяснение того, что работает, а что нет, является задачей методологии экспериментальной оптимизации, применяемой компанией Lokad, а не руководителя цепочки поставок.
Что такое решение с учетом риска?
В контексте оптимизации цепочки поставок решение считается принятым с учетом риска, если оно тщательно уравновешивает экономические расходы, связанные с неопределенным будущим состоянием рынка и самой цепочки поставок. Решение с учетом риска является «лучшим» в том смысле, что при учете всех возможных будущих сценариев и их соответствующих вероятностей средний финансовый результат, связанный с этим решением, оказывается выше, чем у альтернатив.
Также решения с учетом риска, как правило, являются антихрупкими (в отличие от хрупких решений). Это означает, что их ожидаемые экономические выгоды остаются достаточно высокими (или хотя бы приемлемыми) в широком диапазоне будущих вариаций. Это свойство достигается за счет учета всех нелинейных ограничений и издержек (например, скоропортящихся товаров).
Имплицитное предположение, лежащее в основе самой идеи решений с учетом риска, заключается в том, что серьезные экономические издержки возникают на крайних значениях: именно неожиданно высокий спрос приводит к дефициту запасов, а неожиданно низкий спрос – к избыточным запасам. Между этими крайностями все проходит практически по плану, и любые улучшения в сценарии «по плану» для компании в основном незначительны.
В противоположность этому, большинство процессов принятия решений, рекомендованных традиционной теорией цепочки поставок, не приводят к принятию решений с учетом риска. Фактически, такие решения, как правило, являются хрупкими. Они хрупки (см. полное объяснение ниже) из-за отсутствия одного критически важного элемента для выработки решения с учетом риска: вероятностного прогноза. Действительно, если единственный доступный прогноз – это точечный временной ряд, то процесс принятия решений подразумевает «ставку на все» на одном будущем значении (например, спросе), которое предполагается идеально известным. Такой подход неизбежно приводит к хрупким решениям, поскольку они становятся сразу же недостаточными в момент возникновения исключения или непредвиденного риска – явления, которое слишком часто встречается в цепочке поставок и которое можно легко предвидеть с помощью вероятностного прогноза.
Более детальное (хотя и более техническое) описание того, как на практике принимаются решения с учетом риска, можно найти в нашем учебном руководстве Приоритизированное пополнение запасов в Excel с использованием вероятностных прогнозов и в нашей лекции QSC Распределение запасов по розничной сети на основе вероятностных прогнозов.
Что такое хрупкое решение?
В контексте оптимизации цепочки поставок решение является хрупким, если незначительные изменения условий рынка или состояния самой цепочки поставок подрывают первоначально ожидаемые экономические выгоды этого решения. Процессы принятия решений, продвигаемые традиционной теорией цепочки поставок, неизменно приводят к хрупким решениям – даже при умеренных условиях рынка, когда ничего примечательного не происходит.
По нашему мнению, решения должны быть с учетом риска. Такой подход и рекомендует философия Количественной цепочки поставок (QSC) от Lokad. На практике для принятия решения с учетом риска требуются два важных элемента: во-первых, вероятностное прогнозирование, а во-вторых, стохастическая оптимизация.
Вероятностное прогнозирование количественно оценивает будущую неопределенность в виде распределения вероятностей. Стохастическая оптимизация вычисляет решение, которое окажется «лучшим» в среднем с учетом всех возможных будущих вариантов и их соответствующих вероятностей. Это достигается путем объединения экономических факторов, ограничений и вероятностных прогнозов.
Что такое эпистемологическая коррупция?
Эпистемологическая коррупция – это когда совокупность знаний теряет свою целостность и перестает быть ценным для людей или организации, которые полагаются на эти знания для улучшения своей деятельности.
Область цепочек поставок, как область исследований, к сожалению, с конца Второй мировой войны переживает серьезный случай эпистемологической коррупции. Существуют две основные причины такого нынешнего положения дел:
Во-первых, академические круги, в основном непреднамеренно, провалили свою работу десятилетия назад. Хотя ежегодно публикуются десятки тысяч статей, практически ни одна из них не может быть воспроизведена или опровергнута (в попперианском смысле фальсифицируемости*). В отличие от других областей, которые не страдают от массовой эпистемологической коррупции (например, изучение алгоритмов), статьи по цепочке поставок почти никогда не используются в реальных условиях и, уж точно, не на протяжении долгого времени, когда используются.
Во-вторых, рыночные аналитики, поставщики программного обеспечения и консультанты на протяжении десятилетий выступают в роли противников. Действительно, можно извлечь прибыль из затягивания решения проблем, а не из их решения. Устаревшие методы, которые давно должны были уйти в прошлое, поддерживаются участниками рынка, слишком стремящимися сохранить статус-кво. Что странно, статус-кво существует так долго, что большинство этих людей могут честно утверждать, что, с их точки зрения, методы существовали «всегда» – потому что, технически, проблемы фактически возникли до них.
Решением для широко распространенных случаев эпистемологической коррупции являются более эффективные методологии и методы, позволяющие компаниям быстрее (и лучше) отделять зерно от плевел. С этой целью Lokad с 2011 года проводит переосмысление подходов в цепочке поставок. Этот новый подход называется «Количественная цепочка поставок» (QSC). Он включает альтернативные техники и методологии, такие как вероятностное прогнозирование и экспериментальная оптимизация.
Термин «фальсифицируемость в попперианском смысле» относится к философии науки, разработанной Карлом Поппером. По мнению Поппера, чтобы теория считалась научной, она должна быть фальсифицируемой — то есть должна существовать возможность наблюдения или эксперимента, которые могли бы опровергнуть теорию. Иными словами, научные теории должны делать предсказания, которые можно проверить и потенциально опровергнуть. Эта концепция имеет решающее значение для отличия научных теорий от ненаучных. Исследования в области цепочек поставок (как правило) лишены фальсифицируемости, поскольку теории невозможно проверить и потенциально опровергнуть, что подрывает их научную ценность и способствует эпистемологической коррупции в этой области.
Что такое «правильность по замыслу»?
Правильность по замыслу – это принцип, который подчеркивает важность того, чтобы дизайн системы по своей сути предотвращал определенные виды ошибок или сбоев. Этот подход противоположен более распространенной практике, когда опираются на обширное тестирование и контроль качества для обнаружения и исправления проблем после их возникновения. Цель принципа «правильность по замыслу» заключается в минимизации необходимости постоянного обслуживания и снижении риска катастрофических сбоев, которые могут возникнуть в результате сложности систем. В контексте оптимизации цепочки поставок этот принцип особенно актуален, поскольку аналитический слой (слой, ответственный за процессы принятия решений) не должен усугублять уже существующий хаос в цепочке поставок.
Числовые алгоритмы – предназначенные для поддержки процессов принятия решений в цепочке поставок – часто реализуются с помощью универсальных инструментов, не обеспечивающих «правильность по замыслу». В результате такие числовые алгоритмы обычно терпят неудачу из-за множества причин. Производство выходит из строя из-за ошибок выхода за пределы индекса, ошибок нехватки памяти, гонок данных, числовых переполнений или недополнений и т.д. Философия «двигайся быстро и ломай все» приемлема для приложений для повседневного использования, но не для критически важных бизнес-систем.
С этой целью Lokad разработала Envision – свой DSL (domain-specific programming language), предназначенный для прогнозной оптимизации цепочек поставок с учетом принципа правильности по замыслу. Lokad не начинала с Envision еще в 2008 году, когда компания была основана. На протяжении многих лет мы полагались на универсальные языки программирования, такие как Python. Нам потребовались годы, чтобы осознать, что наши попытки терпят неудачу чаще, чем успех, именно из-за Python.
Еще более загадочно, что ситуация была точно такой же и для команд data science наших клиентов. История почти всегда разворачивалась следующим образом: в течение трех недель команда data science создавала прототип, который казался весьма перспективным. Однако спустя один год интенсивных усилий, направленных на обеспечение его работоспособности в реальных производственных условиях, проект был отброшен, так как так и не достиг необходимого уровня «готовности к производству».
Таким образом, после многих лет боли и страданий мы пришли к выводу в 2012 году, что основной проблемой, которую нужно решать, является сам язык программирования. Другими словами, Python оказался не решением, а проблемой. Итак, не имея лучшей альтернативы, инженерная команда Lokad начала десятилетнюю работу по созданию DSL, предназначенного для цепочек поставок, который «по замыслу» в полной мере решал бы все эти проблемы. Так появилась Envision.
Более чем через десятилетие, теперь под прямым контролем с помощью обширных числовых алгоритмов, написанных на Envision, находится товарный запас на сумму в несколько миллиардов долларов (USD и EUR). Envision значительно повысила не только производительность специалистов по цепочке поставок Lokad, но и существенно снизила частоту «глупых» и очень дорогостоящих ошибок.
В заключение, правильность по замыслу является ключевым требованием для любого языка программирования, предназначенного для управления реальными цепочками поставок. Многие поставщики программного обеспечения, из-за простой небрежности или некомпетентности, не решают эту проблему напрямую, неизменно причиняя огромный ущерб своим клиентам.
Что такое «поддерживаемость»?
Поддерживаемость, в контексте программного обеспечения для цепочек поставок, означает способность компании и ее поставщиков программного обеспечения поддерживать работоспособность своего прикладного ландшафта.
Что касается «управления» цепочкой поставок, «поддерживаемость» является довольно простой задачей. Существует масса патчей безопасности и совместимости, чтобы поддерживать программное обеспечение в работоспособном состоянии при изменяющихся условиях (например, изменения операционных систем, браузеров, версий баз данных и т.д.). Если компания не требует функциональных изменений в своих «управленческих» приложениях, поддерживаемость в значительной степени гарантирована, если поставщик хоть немного компетентен.
Однако оптимизация цепочки поставок – это совсем другая проблема. Числовые алгоритмы, автоматизирующие процессы принятия решений, со временем неизбежно теряют свою актуальность. Причина этого распада заключается не столько в том, что рынок растет и сжимается, сколько в том, что такие вариации достаточно просто учесть численно в рамках статичных числовых алгоритмов (например, скользящая средняя делает это, пусть и примитивным способом).
Скорее, причиной распада является эволюция решаемых проблем. Изменяющиеся рыночные условия требуют не просто количественно отличающихся ответов, а совершенно иных решений. Например, почтовые компании никогда не сталкивались с проблемой управления инвестициями в SEM (поисковый маркетинг) для поддержки распродаж избыточных запасов – ситуация, с которой регулярно сталкиваются компании электронной коммерции.
Программное обеспечение для оптимизации цепочки поставок намного более восприимчиво к изменяющимся рыночным условиям, чем программное обеспечение для управления цепочкой поставок. По состоянию на 2024 год не редкость встретить компании, которые до сих пор используют систему управления запасами, внедренную в 1990-х годах (которая, возможно, все еще работает нормально), так как канцелярские задачи по ведению учета запасов практически не менялись за последние 30 лет. Однако логика оптимизации цепочки поставок, способная оставаться актуальной даже в течение 3 лет, встречается крайне редко.
Большинство поставщиков решений для оптимизации цепочки поставок не признают эту фундаментальную проблему. В результате инвестиции, как правило, сосредоточены в начале, когда компания-клиент только внедряется поставщиками. В первые несколько месяцев, когда поставщик все еще активно участвует в настройке системы, решение кажется удовлетворительным. Однако, через 18 месяцев после завершения фазы внедрения, числовые алгоритмы утрачивают актуальность до такой степени, что их невозможно использовать. Неизбежно, специалисты по цепочке поставок возвращаются к своим таблицам, которые, несмотря на примитивность, могут поддерживаться, чтобы оставаться хоть чем-то актуальными.
Проблема поддерживаемости является одной из основных причин, приведших Lokad в 2012 году к созданию Envision – DSL (предметно-ориентированного языка программирования), предназначенного для прогнозной оптимизации цепочек поставок. Действительно, в первые годы существования Lokad (основанной в 2008 году) мы поняли, что какие бы числовые алгоритмы мы ни разрабатывали, чаще всего, независимо от того, насколько хороша была их первоначальная реализация, эти алгоритмы приходилось существенно переписывать примерно каждые 18 месяцев. Это была цена, которую приходилось платить, чтобы автоматизация оставалась строго согласованной с постоянно меняющейся стратегией и приоритетами наших клиентов. Таким образом, Envision была специально разработана для удовлетворения потребности в постоянном переписывании кода, чтобы избежать утраты актуальности.
В заключение, поддерживаемость, если говорить об оптимизации цепочки поставок, определяется в значительной степени способностью компании регулярно переписывать числовые рецепты, которые регулируют выполнение её собственной цепочки поставок. Хотя эта способность обусловлена размером команды специалистов по цепочке поставок, которую можно выделить для этой задачи, она также сильно зависит от качества языка программирования, используемого для реализации числовых рецептов с самого начала.