00:00:07 Введение и обсуждение сдвигов парадигм в планировании цепей поставок.
00:00:51 Биография профессора Дэвида Симчи-Леви, его научная работа и созданные им компании.
00:02:43 Новый курс по планированию спроса и аналитике; акцент на цифровизации, аналитике и автоматизации.
00:04:22 Балансировка эффективности и устойчивости цепи поставок и проблемы измерения устойчивости.
00:07:08 Оценка рисков в цепях поставок и важность машинных расчетов перед интуицией.
00:09:47 Прогнозирование состояния цепи поставок за несколько недель вперед.
00:10:20 Работа команды Массачусетского технологического института по устойчивости цепей поставок и прогнозированию пандемий.
00:12:15 KPI против KPP и важность предиктивных данных.
00:15:35 Принятие неопределенности и различных вероятностей в прогнозах.
00:18:10 Время для выживания и выявление скрытых рисков и возможностей экономии затрат.
00:19:32 Важность объяснимого машинного обучения в принятии решений.
00:20:56 Роль ученых в области цепей поставок в создании объяснимых метрик.
00:24:17 Проблемы, с которыми сталкиваются компании при работе с черным ящиком прогнозирования.
00:25:51 Законы физики в цепи поставок и их значение.
00:27:34 Примеры законов физики в управлении цепями поставок.
00:29:16 Обсуждение научного спора и важности математических основ в создании алгоритмов и фреймворков.
00:30:57 Важность гибкости в проектировании цепи поставок и ее влияние на уровень обслуживания, запасы и время реакции.
00:32:29 Решение экономического компромисса в гибкости и необходимость фундаментальных теорий в оптимизации цепей поставок.
00:35:44 Фокус на фреймворках, а не на отдельных решениях, чтобы адаптироваться к изменяющейся природе цепей поставок.
00:37:18 Представление четырех фреймворков для цифровизации цепи поставок, начиная с единого представления спроса.
00:38:14 Сегментация цепи поставок для эффективных стратегий.
00:38:53 Фокус на S&OP и аналитике данных для планирования.
00:39:37 Джонас обсуждает сложность спроса и корпоративных систем.
00:43:01 Проблемы извлечения и понимания данных о спросе.
00:45:36 Переход от прогноза и планирования к числовым артефактам. {< timer “00:47:14” >}} Обсуждение того, что принимающие решения полагаются на результаты, а не на прогнозы или планы.
00:48:22 Возникающие алгоритмы в обучении и оптимизации цепей поставок и негативные тенденции.
00:49:33 Неправильная концепция перемещения производства ближе к рыночному спросу для обеспечения устойчивости.
00:50:09 Интеграция машинного обучения и оптимизации, офлайн и онлайн обучение.
00:53:22 Проблемы многоуровневого корпоративного программного обеспечения и новые алгоритмические парадигмы для упрощения процессов.
00:56:37 Обсуждение сложности информационных технологий в управлении цепями поставок.
00:57:57 Необходимость инструментов для работы с комплексными концепциями, такими как устойчивость и управление рисками.
00:58:43 Преимущества и ограничения Microsoft Excel в принятии решений в сфере управления цепями поставок.
00:59:30 Нежелание инвестировать в цифровизацию цепей поставок до пандемии.
01:00:20 Возможность улучшения деловой производительности с умеренными инвестициями в цифровизацию цепей поставок.
Резюме
В этом интервью Николь Зинт ведет дискуссию с Йоаннесом Верморелем, основателем Lokad, и профессором Массачусетского технологического института Дэвидом Симчи-Леви о оптимизации цепей поставок и роли технологий в принятии решений. Они подчеркивают важность балансировки эффективности и устойчивости, использования данных, аналитики и автоматизации для управления рисками. Вводятся ключевые показатели эффективности (KPI) и ключевые предикторы эффективности (KPP) как важные концепции для прогнозирующего принятия решений. Эксперты также обсуждают важность объяснимости искусственного интеллекта, “физические законы” в управлении цепями поставок, гибкость и экономические компромиссы между гибкостью и моделированием. Разговор подчеркивает необходимость цифровизации бизнеса компаний для решения будущих вызовов и возможностей.
Расширенное резюме
В этом интервью ведущая Николь Зинт беседует с Йоаннесом Верморелем, основателем Lokad, и профессором Массачусетского технологического института Дэвидом Симчи-Леви, автором более 300 публикаций, о оптимизации цепей поставок и роли технологий в принятии решений. Обсуждение исследует парадигмы обучения и адаптации в управлении цепями поставок, с акцентом на интеграции цифровизации, аналитики и автоматизации.
Профессор Симчи-Леви подчеркивает, что текущее состояние цепей поставок существенно отличается от состояния десять лет назад, и компании должны балансировать эффективность и устойчивость. Он отмечает, что в то время как эффективность легко измерить с помощью стратегий сокращения затрат, устойчивость более сложно количественно оценить. Интеграция данных, аналитики и автоматизации играет важную роль в решении этих проблем, помогая бизнесу выявлять и смягчать скрытые риски.
Йоаннес Верморел соглашается, что компромисс между устойчивостью и эффективностью является важным, подчеркивая вероятностную природу измерения риска. Он утверждает, что выживший эффект присутствует в рыночных оценках, что затрудняет оценку полного объема рисков, с которыми сталкиваются компании. Верморел подчеркивает важность принятия машинного, расчетного подхода к управлению рисками, вместо полного полагания на человеческую интуицию.
Профессор Симчи-Леви вводит понятия ключевых показателей эффективности (KPI) и ключевых предикторов эффективности (KPP). KPI фокусируются на текущем состоянии цепи поставок, в то время как KPP направлены на прогнозирование состояния цепи поставок в будущем. Профессор подчеркивает важность использования данных и аналитики для дополнения KPI с помощью KPP, позволяя компаниям принимать корректирующие меры до возникновения проблем.
Верморель поддерживает различие между KPI и KPP, подчеркивая, что многие директоры цепей поставок могут не осознавать предиктивную составляющую в своих KPI. Он объясняет, что реальные системы цепей поставок часто являются хаотичными, с входными данными, которые не являются полностью надежными, особенно при прогнозировании будущего. Верморель выступает за принятие неопределенности при работе с прогнозами будущего, поскольку даже хорошо осведомленное предположение может дать ценные идеи для принятия решений.
Профессор Симчи-Леви использует спортивную аналогию, чтобы проиллюстрировать важность KPP, ссылаясь на знаменитую цитату хоккеиста Уэйна Гретцки: “Я не катаюсь туда, где находится шайба, я катаюсь туда, где она будет”. В управлении цепями поставок это означает принятие решений сегодня для решения потенциальных проблем в будущем, обеспечивая адаптивность и устойчивость цепи поставок.
Обсуждение касается оптимизации цепи поставок, принятия неопределенности, сценарного анализа и использования машинного обучения и искусственного интеллекта в принятии решений в цепи поставок.
Профессор Симчи-Леви подчеркивает важность сценарного анализа в управлении цепями поставок. Создавая несколько сценариев на основе различных факторов, таких как изменения в спросе или нарушения, компании могут выявить скрытые риски и возможности экономии затрат. Однако он признает ограничения этого подхода, указывая на непредсказуемость событий в реальном мире. Чтобы преодолеть эти ограничения, он предлагает использовать критерии и инструменты, независимые от конкретных сценариев или информации о поставщиках. Он приводит примеры разработанных им концепций, таких как “время восстановления”, “влияние на производительность” и “время выживания”.
Как Симчи-Леви, так и Верморель согласны с важностью объяснимости в машинном обучении и искусственном интеллекте для управления цепями поставок. Они утверждают, что снабженческие планировщики не будут доверять рекомендациям машины, если они не смогут понять, как машина пришла к своим выводам. Верморель предлагает, чтобы рядом с алгоритмами искусственного интеллекта работал “ученый по цепям поставок”, который разрабатывал бы логику предиктивной оптимизации и ее объяснительные факторы, признавая необходимость человеческого опыта для эффективного принятия решений.
Профессор Симчи-Леви вводит понятие “законов физики” в контексте управления цепями поставок. Эти законы являются общими связями между различными факторами цепи поставок, которые универсально применимы, независимо от отрасли или конкретной цепи поставок. Он приводит примеры таких связей, таких как связь между резервным запасом, уровнем обслуживания и изменчивостью. Эти законы могут помочь компаниям лучше управлять своими цепями поставок, понимая основные принципы, управляющие их деятельностью.
Верморель поддерживает идею универсальных законов в управлении цепями поставок, приводя в качестве примера закон Ципфа. Он объясняет, что этот закон можно наблюдать в различных аспектах данных цепей поставок, таких как распределение продукции и размер поставщика. Знание этих законов может быть важным при создании эффективных инструментов, алгоритмов и фреймворков для оптимизации цепей поставок.
В обсуждении также затрагивается важность гибкости в управлении цепями поставок. Профессор Симчи-Леви объясняет, что хотя гибкость является необходимой, она не бесплатна. Компании должны понимать необходимый уровень гибкости, где в нее инвестировать и какие могут быть потенциальные выгоды. Используя законы физики, менеджеры цепей поставок могут разработать свои цепи поставок с учетом гибкости и количественно оценить ее влияние на различные аспекты цепи поставок, такие как уровень обслуживания, запасы и время реакции.
Они говорят о важности нахождения баланса и экономической компромисса между гибкостью и моделированием. Основной акцент делается на установлении надежных теорий в управлении цепями поставок для дальнейшего развития. Они также обсуждают необходимость долгосрочной стратегии, чтобы избежать постоянной необходимости в изменениях. Профессор Симчи-Леви упоминает четыре рамки для цифровизации цепей поставок, включая единое представление спроса, сегментацию цепи поставок и эффективное планирование. Жоанн Верморель подчеркивает сложность данных и важность инструментов для их извлечения и обработки. Он также описывает метод, который фокусируется на ежедневном выполнении без планов и прогнозов. Они заключают примером модной розницы и тем, как прогнозирование используется для управления цепью поставок.
Они обсудили новые тенденции и негативные тенденции в оптимизации цепей поставок. Группа обсудила, как новая норма разрушений и волатильности влияет на отрасль цепей поставок и как компании должны пересмотреть свои стратегии управления. Интеграция машинного обучения и оптимизации также была обсуждена как возможность для принятия лучших решений, при этом офлайн и онлайн обучение являются ключевыми компонентами. Однако сложность современного программного обеспечения предприятия и необходимость в лучших инструментах для принятия решений были рассмотрены как негативные тенденции, затрудняющие инициативы в области цепей поставок. Группа согласилась с тем, что компании должны воспользоваться возможностью цифровизации своего бизнеса для решения будущих вызовов и возможностей.
Полный текст
Nicole Zint: В сегодняшнем эпизоде мы обсуждаем эти парадигмы обучения и оптимизации цепей поставок. Мы рады приветствовать профессора Дэвида Симчи-Леви. Сегодня мы собираемся обсудить его работу и его более 300 публикаций. Профессор, как всегда, мы хотели бы начать с того, чтобы наши гости представили себя. Спасибо.
Prof. David Simchi-Levi: Привет, Николь. Привет, Жоанн. Очень рад быть здесь. Я Дэвид Симчи-Леви, и я преподаю в Массачусетском технологическом институте (MIT). Я уже долгое время занимаюсь научной деятельностью, последние 21 год я проработал в MIT. Но параллельно с научной деятельностью я основал несколько компаний. Первая компания была в области аналитики цепей поставок, компания, которая в 2009 году стала частью инфраструктуры технологий IBM. В то время у нас было около 350 клиентов, использующих нашу технологию для оптимизации запасов на многих уровнях, проектирования сети цепей поставок и других связанных вопросов. В 2011 году я основал еще одну компанию в области бизнес-аналитики. Фокус был не только на цепях поставок, но и за их пределами. Эта компания стала частью Essential Technology в 2016 году. Затем в 2014 году я основал компанию по облачным технологиям, которая в 2018 году стала частью Accenture. В настоящее время я свободен от компаний и сосредоточен на своих исследованиях в MIT. В MIT я руковожу Лабораторией Data Science. Лаборатория Data Science - это партнерство между MIT и около 20-25 компаниями, которые сосредоточены на решении некоторых из самых важных проблем, с которыми они сталкиваются, объединяя данные, модели и аналитику. Надеюсь, у нас будет возможность поговорить о некоторых захватывающих работах и возможностях, которые мы видим сегодня на рынке.
Nicole Zint: Это очень впечатляющая биография, я должна сказать, профессор. Кроме всего этого, вы недавно запустили курс “Планирование спроса и аналитика”, где вы упомянули эти три новые технологии: цифровизацию, аналитику и автоматизацию. Почему они так популярны прямо сейчас?
Проф. Дэвид Симчи-Леви: Интересно, что вы упомянули о новом курсе, который мы только что запустили по аналитике спроса и цепям поставок. В этом курсе, как вы отметили, мы сосредоточены на интеграции данных, аналитики и автоматизации. Здесь речь идет о том, что именно благодаря интеграции этих возможностей компании могут решать некоторые из самых сложных проблем, с которыми они сталкиваются в своем бизнесе. Подумайте о цепях поставок с длительными сроками поставки, значительном увеличении логистических затрат из-за изменений цен на нефть и нарушениях в цепях поставок, которые мы наблюдали за последние три-четыре года. От торговой войны между США и Китаем до COVID, войны на Украине и изменения климата, все это требовало от компаний переосмысления своей стратегии цепей поставок сегодня.
Nicole Zint: Сейчас норма совершенно отличается от того, что мы видели десять лет назад. Как вы эффективно управляете цепью поставок сегодня? Это отличается от того, что компании делали пять-десять лет назад, и я резюмирую одним примером. До примерно 2020 года в индустрии было много акцентов на эффективности цепи поставок, от линейного производства до аутсорсинга и оффшоринга. Компании сосредоточились на резком сокращении затрат в своей цепи поставок. Но то, что они наблюдали за последние три года, это необходимость балансировки эффективности и устойчивости цепи поставок. Эффективность легко измерить; вы сосредоточены на затратах. Устойчивость сложно измерить. Как измерить устойчивость? Как выявить скрытые риски? Все это связано с технологическими тенденциями, о которых я только что упомянула: цифровизацией, аналитикой и автоматизацией. Итак, Йоаннес, что вы думаете об этом компромиссе между устойчивостью и эффективностью, о котором только что сказал профессор?
Joannes Vermorel: Это действительно компромисс в экономическом смысле, потому что устойчивость обычно не является бесплатной. Речь идет о создании опций, которые вам необходимо поддерживать и устанавливать. Интересно то, что я полностью согласен с профессором Симчи-Леви в том смысле, что это очень сложно измерить, потому что в основе вы говорите о вероятностной перспективе будущего. Вы смотрите на вещи, которые могут произойти или не произойти. Например, если вы инвестируете в наличие второй линии поставщиков, которые находятся близко, но не используете их в этом году, вы видите затраты, но не видите самого существования опции, которая спасет вас, если вам понадобится.
Интересно то, что вы везде сталкиваетесь с эффектом выжившего. Вы видите только компании, которые все еще существуют. Те, которые совершили фатальную ошибку и исчезли, больше не существуют, поэтому вы их не видите. Когда вы смотрите вокруг и проводите опрос, вы всегда видите, в среднем, людей, принимающих слишком большие риски по сравнению с тем, что они должны. Причина этого смещения заключается в том, что у вас постоянно есть люди, которые принимали слишком большие риски и вышли с рынка, но когда вы проводите опрос, они больше не являются частью опроса, потому что вы опрашиваете только активные компании.
Хитрость, или скорее, одна из первых парадигм измерения риска, заключается в том, чтобы иметь оценку потенциалов, которые, в большинстве случаев, не реализуются, но тем не менее очень реальны. Если вы бросаете кости и имеете только 3% шанс попасть в критическое событие, которое приведет к прекращению вашей компании, и вы делаете это каждый год, на протяжении полувека, вы почти уверены, что ваша компания исчезнет из-за этих долгосрочных событий.
Nicole Zint: Цепи поставок обычно создаются крупными компаниями. Сегодня есть компании, которые очень крупные, например, Apple, но даже Apple не является совсем новым стартапом. Ему потребовалось десятилетия, чтобы стать тем, чем он является. Так что даже компании, которые выросли фантастически быстро, чтобы достичь такой зрелости цепи поставок, все равно говорим о процессе, занимающем несколько десятилетий. Поэтому это медленно, и оценка риска, когда вы думаете в терминах многолетнего периода, вы должны смотреть на вещи, которые происходят очень редко с человеческой точки зрения. Вот почему так важна машиноориентированная, расчетная перспектива, а не просто интуиция. Йоаннес, поделитесь своими мыслями по этому поводу.
Joannes Vermorel: Я считаю, что люди очень хорошо воспринимают вещи на человеческом уровне, а цепи поставок имеют тенденцию отклоняться от этого в сложности. Здесь просто слишком много вещей, но также и в терминах временного промежутка, мы действительно думаем в терминах того, что может произойти один раз или раз в четверть века. И все же, если вы управляете большой цепью поставок, это тот вид риска, о котором вы должны думать.
David Simchi-Levi: Позвольте мне продемонстрировать то, на что акцентировал внимание Жоанн. Компании обычно сосредотачиваются на ключевых показателях эффективности (KPI). Они спрашивают: “Какова производительность моей цепи поставок прямо сейчас?” Если уровень обслуживания низкий, они могут внести изменения, например, добавить больше запасов. Если транспортные расходы высоки, они могут сократить расходы. Обсуждение о стойкости, об использовании данных и аналитики также связано с дополнением KPI тем, что я называю ключевыми предикторами производительности (KPP). Все может выглядеть хорошо в цепи поставок сейчас, но мы хотели бы предсказать, каким будет состояние цепи поставок через шесть или семь недель. Потому что если мы сможем это сделать и увидеть потенциальную проблему, мы сможем решить проблему сегодня, прежде чем она повлияет на цепь поставок через семь недель.
И вы можете подумать: “Это возможно?” Фактически, пандемия показала нам, что мы можем сделать это очень эффективно. Позвольте мне проиллюстрировать это историей. Моя команда в лаборатории по науке о данных Массачусетского технологического института работала над стойкостью цепей поставок задолго до пандемии. Мы разработали новый способ измерения стойкости цепи поставок для выявления скрытых рисков. Мы внедрили его в нескольких компаниях. Первой компанией была Ford Motor Company, затем последовали другие компании, но не так много. Все изменилось в начале пандемии.
В феврале 2020 года, помните этот период времени, пандемия охватила Китай. Она не была в Европе, она не была в США, она затронула только Китай. Я написал очень короткую статью, используя модель и данные, которые у меня были, используя модель для стойкости цепи поставок, и я написал короткую статью, в которой говорилось, что в середине марта, через шесть недель, мы увидим нарушение цепей поставок как в Северной Америке, так и в Европе. И это именно то, что произошло. Таким образом, возможность использования данных, у нас есть как данные в режиме реального времени, которые поступают из внутренних данных компаний, так и внешние данные, позволяет компаниям дополнить свои KPI, ключевые показатели эффективности, с помощью KPP, ключевых предикторов производительности, которые отражают состояние цепи поставок прямо сейчас.
Nicole Zint: С помощью ключевых предикторов производительности мы можем предсказать, каким будет состояние моей цепи поставок через шесть или восемь недель, и принять корректирующие меры сегодня, прежде чем проблема затронет цепь поставок. Вот почему Жоанн акцентировал внимание на важности использования данных и аналитики для оказания большого влияния на эффективность цепи поставок.
Проф. David Simchi-Levi: Мне очень нравится это различие между KPI и KPP. Кстати, я считаю, что большинство директоров цепей поставок в большинстве компаний не осознают, что на самом деле подавляющее большинство того, что они называют KPI, включает, одним образом или другим, компонент прогнозирования. Например, если вы говорите, что у вас есть KPI по уровню обслуживания, то большинство уровней обслуживания на самом деле включают прогноз спроса. Когда вы говорите, что у вас есть такой уровень обслуживания или такой объем уровня обслуживания, на самом деле для большинства SKU спрос очень разреженный. У вас нет SKU, где вы говорите: “У меня есть уровень обслуживания 90%”. Это либо есть, либо отсутствует. Что у вас есть, в конечном счете, это пошаговый анализ или прогностическая модель какого-то рода, которая даст вам такого рода оценку вашего уровня обслуживания для вашего SKU, но это также оценка. И даже тогда часто возникают ситуации, когда, например, количество товара, которое у них есть, фактически зависит от вещей, где у них есть предполагаемые сроки поставки, которые не являются полностью гарантированными.
Joannes Vermorel: Таким образом, наличие двух концепций в бинарном виде очень интересно, особенно чтобы понять, как в реальных системах поставок, которые очень запутаны, где есть много внутренних, но не совсем надежных данных, особенно когда речь идет о будущем, существует серая зона, которая очень размыта между этими двумя концепциями. И многие люди, я думаю, одна из проблем заключается в том, чтобы слишком доверять и считать, что это нейтральное объективное, я бы сказал, наблюдение прошлого для многих показателей. Это не так. И есть еще один аспект, который заключается в том, что как только вы хотите иметь дело с риском, это означает, что вы больше не можете иметь наивную перспективу на будущее. Вам нужно думать о том, что, когда вы предсказываете, что произойдет нарушение, вы, скорее всего, если вы очень осторожны, скажете что-то вроде: “Я уверен на 80%, что начиная с восьми недель как минимум и двадцати недель как максимум, произойдет нарушение”, и так далее. Но в основе это означает, что как только вы касаетесь будущего, у вас есть вещи, которые вероятны, но не определены. И все же это имеет ценность. Это не значит, что из-за степени неопределенности вы должны сказать, что ее не существует. Я имею в виду, иметь очень хорошее предположение, даже если это просто предположение, уже что-то имеет большую ценность, и вы должны действовать на основе этого, даже если это только вероятности.
Prof. David Simchi-Levi: Позвольте мне, Николь, если вы позволите, проиллюстрировать, почему компании должны думать о KPI и KPP на примере спорта. Я никогда не играл в хоккей, но мне нравится хоккей. И если вы подумаете о одном из лучших хоккеистов в Северной Америке, Грецки, он говорил: “Я не катаюсь туда, где находится шайба; я катаюсь туда, где шайба будет находиться”. В этом и заключается суть KPP.
Nicole Zint: Я хочу принять решение сегодня относительно того, где будет находиться моя цепочка поставок через шесть или семь недель, потому что если я могу сделать это сегодня, я могу зарезервировать мощности, сократить затраты и эффективно реагировать на потенциальное нарушение, которое, как предполагает моя система, я увижу в ближайшем будущем. Таким образом, очень интересно, что мы можем предсказать или, можно сказать, предположить, что может произойти в нашей цепочке поставок через шесть, семь или восемь недель. Однако в Lokad мы стараемся принять эту неопределенность и скорее не можем точно предсказать, что произойдет, но мы хотим иметь общее представление о вероятности различных будущих событий. Так что, профессор, когда вы говорите, что вы предсказываете что-то через шесть или семь недель, как вы можете знать? Вы просто фокусируетесь на одном будущем сценарии, который выводит модель, или вы скорее учитываете эти различные вероятности?
Проф. Дэвид Симчи-Леви: Мы используем комбинацию подходов. Нет универсальной стратегии, и я хотел бы подчеркнуть это, так как это связано с тем, на что сосредотачивались Джоаннес и вы. Один из подходов - это сценарный анализ. Мы создаем несколько сценариев; сценарии могут быть связаны с изменением спроса, сценарий может быть связан с нарушением у определенного поставщика или в определенном регионе. И, используя это, мы пытаемся выявить скрытые риски в цепи поставок. Но у нас есть ограничения на нашу способность создавать сценарии, и чтобы проиллюстрировать это, просто подумайте о том, что произошло за последние три месяца по сравнению с тем, что произошло два года назад. Кто бы мог предсказать то, что мы видим сейчас в Восточной Европе, верно? Так что сценарный анализ очень важен, это часть нашей работы, но нам также нужны критерии и инструменты, которые не зависят от конкретного сценария, например, независимо от информации, которую мы можем получить от конкретных поставщиков. Такие инструменты все еще существуют и доступны для использования компаниями сегодня. Позвольте мне проиллюстрировать это на примере. Я разработал несколько концепций в области устойчивости цепи поставок: одна из них - это Время восстановления и Влияние на производительность; все они зависят от сценария. Но я также разработал Время выживания. Что такое Время выживания? Время выживания полностью не зависит от сценария. Вы смотрите на всю цепь поставок от начала до конца, у вас есть карта цепи поставок, вы знаете, где находится ваш запас и сколько у вас запаса, и теперь вы удаляете объект из цепи поставок и спрашиваете, без этого объекта, как долго я могу обеспечивать поставку по спросу? Это не зависит от сценария, верно? Это дано нарушение, и я скажу вам, как долго я могу управлять поставкой. Это позволяет мне выявить риски в цепи поставок, а также возможности экономии затрат. Когда мы внедряли это в нескольких компаниях, мы поняли, что иногда компании размещают большой запас в неправильном месте для своего собственного продукта. Это позволяет вам выявить скрытые риски и также выявить возможности экономии. Таким образом, один подход не дает нам хорошего понимания устойчивости цепи поставок; это несколько подходов.
Николь Зинт: Последний элемент, который я добавлю, заключается в том, что мы очень сосредотачиваемся на использовании машин, машинного обучения и оптимизации для принятия лучших решений. Но никто не будет следовать рекомендации машины, если машина не сможет объяснить себя. Поэтому, помимо возможности создания прогноза или рекомендуемого решения, нам нужно объяснение того, почему этот прогноз показывает, что спрос на продукт A значительно вырастет в Мидвесте, но не будет успешным на Западном побережье. Возможность объяснения того, что выходит из машины, является критической частью этого процесса принятия решений.
Джоаннес Верморель: Присоединяясь к вашим комментариям о необходимости объяснимости моделей, мое собственное наблюдение состоит в том, что числовые модели, даже полу-тривиальные, такие как линейная регрессия с несколькими коэффициентами, по умолчанию очень непрозрачны. Это своего рода данность, как только у вас есть цифры. Компьютеры гораздо лучше справляются с вычислениями, чем люди, и для обычного негениального наблюдателя человека это становится полностью непонятным, как только появляются числа.
И типичный подход заключается в том, что число, имеющее смысл с точки зрения объяснения, обычно крайне зависит от контекста. Очень соблазнительно просто создать стену метрик с миллионами чисел, которые можно извлечь, проецируя ваши данные во всех возможных направлениях. Современные компьютеры позволяют это делать очень легко, но у ваших планировщиков цепи поставок есть ограниченное количество времени для этого.
Таким образом, подход, который использует Lokad, заключается в том, что на алгоритмическом уровне для того, что мы называем ученым по цепи поставок (это похоже на ученого по данным, специализирующегося на цепи поставок), будет относительно просто создать предиктивную оптимизационную логику и ее объясняющие факторы. Но есть одно но: я не ожидаю, что искусственный интеллект или какие-либо сложные методы машинного обучения смогут выполнить эту работу. Я больше придерживаюсь парадигматического подхода, где я говорю, что у меня есть классы алгоритмов, где я знаю, что ученый по цепи поставок, с его человеческим интеллектом, может сделать дополнительный шаг и сделать то, что мы называем “белым ящиком”.
Это позволяет им создавать такие метрики, которые будут иметь смысл для управления цепью поставок в целом, чтобы они могли понять, что происходит. Но в этом есть очень человеческий элемент, который заключается в том, чтобы кто-то создал числа, чтобы вы могли выбрать несколько ключевых показателей эффективности. Ваши числа, не только ключевые показатели эффективности, могут быть TPP в соответствии с вашим определением, но они очень тщательно выбираются. Единственный фокус в том, чтобы иметь алгоритмический метод, который очень хорошо подходит для этого глубокого разложения того, что происходит.
Проф. Дэвид Симчи-Леви: Правильно, и я могу подчеркнуть, почему это так важно, на примере реализации того, что я называю единым представлением.
Николь Зинт: В случае очень крупной компании потребительских товаров, когда вы внедряете это, начинают поступать телефонные звонки, обычно от финансовой группы. Телефонные звонки бывают трех типов. Первый говорит: “Эй, ученые-данные, эй, Тим, мы не понимаем, почему ваш фокус подразумевает, что этот продукт или семья будет расти невероятно хорошо в одном регионе, но не будет хорошо развиваться в другом регионе”, верно? Это часть объяснимости.
Дэвид Симчи-Леви: Вторая часть еще более сложная. Вы получаете еще один телефонный звонок, и финансовые люди говорят: “Мы не понимаем, вы только что дали нам прогноз, потому что мы даем прогноз каждую неделю на следующие 80 недель. Прогноз, который вы дали нам сегодня, отличается от прогноза, который вы дали нам четыре недели назад. Что происходит? Мир не изменился”.
Дэвид Симчи-Леви: Третий звонок звучит так: “Эй, месяц назад вы дали нам прогноз о сегодняшнем спросе, но он совершенно другой. Если мы не сможем решить эти три проблемы, никто не будет доверять черному ящику, который выдает прогнозы неделями на протяжении каждого продукта. Вот почему так важно понимать, что то, что вы делаете в своей компании, то, что делает моя команда в лаборатории по науке о данных Массачусетского технологического института, - это не только наука. Чтобы быть эффективным, это требует сочетания науки и искусства. Наука - это машина и данные в аналитике; искусство - это понимание, интуиция, опыт, которыми обладают люди, в данном случае в сфере поставок. Это сочетание двух факторов. Но если мы не сможем общаться с машиной, чтобы понять, что она говорит, людям будет трудно следовать рекомендациям машины”.
Николь Зинт: Итак, профессор, прежде чем я перейду к основным вопросам о том, какие новые парадигмы у нас есть, я просто хочу спросить вас, вы также упоминали эти “законы физики” в своем курсе, применимые к практикам в сфере поставок и компаниям. Но что вы подразумеваете под “законами физики” с точки зрения поставок?
Дэвид Симчи-Леви: Для меня “законы физики” - это общие взаимосвязи между информацией, мощностью, уровнем обслуживания, запасами, которые всегда верны, независимо от того, имеете ли вы региональную цепочку поставок или глобальную цепочку поставок, независимо от того, фокусируетесь ли вы на высоких технологиях, потребительских товарах или фармацевтике.
Николь Зинт: Не могли бы вы привести пример одной из этих взаимосвязей, о которой вы только что упомянули?
Дэвид Симчи-Леви: Взаимосвязь между запасами, безопасным запасом, уровнем обслуживания и изменчивостью. Мы знаем, как количественно описать взаимосвязь между этими тремя факторами: безопасным запасом или запасами, изменчивостью и уровнем обслуживания. Понимая взаимосвязь между этими тремя факторами, вы можете понять, как управлять своей цепочкой поставок лучше.
Дэвид Симчи-Леви: Еще один пример - это взаимосвязь между уровнем информации и уровнем волатильности в цепочке поставок. Понимая это, вы можете понять, насколько видимость и обмен информацией могут позволить нам снизить волатильность. А какова взаимосвязь между волатильностью и потерями продаж? Если вы понимаете это, вы поймете, “О, мне нужно снизить…”
Николь Зинт: Как я могу управлять волатильностью, чтобы повысить уровень обслуживания и снизить потери продаж?
Проф. Дэвид Симчи-Леви: Один из способов снизить волатильность - это обмен информацией. В моей книге, которая вышла в четвертом издании в сентябре прошлого года, я рассказываю о 40 или 50 типах “законов физики”, которые позволяют компаниям выявлять возможности в своем бизнесе. Это глобальные взаимосвязи, и поэтому я называю их законами физики.
Подумайте о том, что мы узнали на уроках физики в школе или колледже. Идея заключается в том, что в бизнесе есть некоторые фундаментальные взаимосвязи, которые определяют своего рода количественное измерение различных частей. Вы имеете ситуации, где вы можете проецировать уравнения, которые будут верными, как, например, четыре уравнения Максвелла в физике, всегда. Это не зависит от конкретной ситуации.
Joannes Vermorel: Итак, по сути, цепи поставок не совсем о поэзии. В бизнесе есть эти фундаментальные взаимосвязи, которые определяют своего рода количественное измерение различных частей. Например, в моих лекциях я указываю, что практически каждое распределение, наблюдаемое в цепи поставок, является законом Ципфа. От самых объемных продуктов до длинного хвоста, вы получите закон Ципфа. То же самое относится к поставщикам, от самых крупных до самых маленьких, вы получите закон Ципфа, и так далее.
Эта теория может быть оспорена научно, например, вопросом о том, является ли она лучшей теорией для объяснения мира или есть ли ситуации, которые противоречат общей теории. Однако она не подлежит обсуждению в том смысле, что вы просто можете не верить в нее на основе вашей конкретной отрасли.
Интересно то, что когда у вас есть эти математические основы для классов явлений, это невероятно мощно для создания инструментов, алгоритмов и фреймворков. В Lokad мы широко используем это. Например, распределение Ципфа имеет последствие, что вы можете сжимать данные цепи поставок в значительной степени, так как большинство ваших строк гарантированно будут либо нулями, либо единицами, что делает их пригодными для сжатия.
Еще один пример - вы можете фактически обойти алгоритм быстрой сортировки в терминах сортировки. Вы можете быть быстрее, чем теоретический оптимум, просто из-за низкой кардинальности того, что вам нужно решить. Есть много вещей, которые важны с точки зрения проектирования программного обеспечения и также проектирования теорий цепи поставок, построенных на основе этих математических основ.
Nicole Zint: Итак, сегодня мы здесь с Жоаннесом Верморелем и профессором Дэвидом Симчи-Леви, чтобы поговорить о оптимизации цепи поставок. Жоаннес, вы часто говорите о важности гибкости в цепях поставок. Можете ли вы немного разъяснить это?
Joannes Vermorel: Если позволите, я приведу пример. Все понимают концепции, идею гибкости. Все понимают, что больше гибкости лучше, чем меньше, но гибкость не бесплатна. Сколько гибкости мне нужно? Где мне следует инвестировать в гибкость и каковы потенциальные преимущества гибкости? Это ключевые вопросы, на которые нужно ответить. Но помимо этого вопрос заключается в том, как я определяю гибкость? Как только у вас есть точное определение гибкости, например, способность реагировать на изменения, и изменения могут происходить разными способами, изменение объема спроса, изменение микса спроса, нарушение, мы точно знаем, как спроектировать цепь поставок с учетом гибкости. Это происходит из низкой физики, и как только вы это знаете, вы можете количественно оценить, как это отразится на моем уровне обслуживания? Как это отразится на моем запасе? Как это отразится на моем времени реакции? И это используется компаниями в автомобильной промышленности, в промышленности потребительской упаковки, используя законы физики для переосмысления степени, уровня гибкости в цепи поставок. То же самое верно для избыточности, то же самое верно для устойчивости. Вот почему законы физики настолько важны.
Nicole Zint: Довольно интересно, что вы упомянули гибкость, потому что мы часто видим, когда компании должны принимать решения о том, оставлять ли определенный продукт на своем центральном складе или в более местных складах, у вас есть этот баланс или компромисс между большей гибкостью, когда он находится в центральном DC, или лучшим обслуживанием вашим клиентам, потому что они получают товар быстрее.
David Simchi-Levi: Да, действительно, здесь речь идет о поиске этого идеального баланса. Но я думаю, что самый важный момент, который делает Йоаннес, заключается в том, что это не просто поиск баланса, поиск баланса - это, можно сказать, данность. Он указывает на то, что существует компромисс, экономический компромисс, который всегда присутствует с гибкостью, и его можно моделировать, и на него можно полагаться для оптимизации во всех ситуациях. Вот что он говорит, я думаю, что это своего рода прозвище закона физики. Это закон, я бы сказал, физических цепей поставок. Вы знаете, что это как сокращение для этого. Есть основы, которые могут быть, которые были установлены. Они не являются естественно полными; они не являются естественно окончательными, но они есть. И важно подходить, знаете ли, к этим цепям поставок в этом случае с таким менталитетом, где все не обсуждается. Вы видите, в этом суть такого подхода физики. Когда люди говорят, что у нас есть уравнение для электромагнетизма, вы знаете, что мы в основном называем четыре уравнения Максвелла, так что Максвеллом мы не закончены, но все равно, четыре уравнения электромагнетизма. Вы можете попытаться опровергнуть их, но тем временем все будут заниматься электромагнетизмом, говоря, что это то, что я считаю истинным все время. Это не вариант. Люди не говорят, что естественно невозможно найти ситуацию, где они будут виноваты. Это не наука. Речь идет о том, чтобы открыть поток в вашей модели, и мы находим дальше. Но суть в том, что я думаю, что это очень интересно, чтобы установить, я бы сказал, ядро.
Nicole Zint: Итак, Йоаннес, можете ли вы рассказать нам о теориях, на которых вы опираетесь, чтобы создать количественный подход, который работает для оптимизации цепей поставок?
Joannes Vermorel: Есть две теории в научном смысле, на которых можно опираться, чтобы выстроить на этом. Знаете, в отличие от просто иметь мнения и дебаты. Потому что проблема в том, что если у вас нет этого ядра, становится очень сложно иметь количественный подход, который не является случайным. Вы хотите иметь метод, который имеет потенциал работать всегда во всех компаниях. Это вершина обобщенности. Но если у вас есть очень прочные основы, вы можете иметь вещи, которые приближаются к этому все ближе и ближе. Я думаю, что именно здесь заключается истинный интерес.
Nicole Zint: Интересно, что вы говорите о поиске такого решения, которое может работать для множества разных проблем, а не только для одной. И на самом деле, профессор, это то, что мы также видим в ваших публикациях. Что вы часто говорите не только о единственном алгоритме или единственном решении, но скорее о рамках, которые могут быть применимы к целому ряду различных проблем. Так почему именно вы сосредоточились на этом, а не просто предоставили отдельные модули?
Проф. Дэвид Симчи-Леви: Ну, это, вероятно, очень очевидно, но в то же время мы видим, что это не так часто, когда люди сосредотачиваются на рамках. Но всегда находят это одно решение. Но когда цепь поставок меняется, и вы упомянули, знаете, если мир постоянно меняется, тогда мы застреваем. Поэтому нам нужно снова и снова и снова решать проблему. И на самом деле, в Lokad мы сосредоточены именно на этом. На поиске подхода к решению проблемы, а не на том единственном решении, которое применимо только сейчас.
Nicole Zint: Профессор, можете ли вы также ответить на вопрос о том, почему вы сосредоточились на рамках?
Проф. Дэвид Симчи-Леви: В вашем описании фокуса моих исследований, большая часть фокуса заключается в том, чтобы убедиться, что у нас есть долгосрочная стратегия для цепочки поставок. Таким образом, нам не нужно менять нашу стратегию каждую неделю или каждый день из-за недавних нарушений или изменений в спросе. И, возможно, я подчеркну это с помощью работы, которую я провел в области цифровизации цепочки поставок. Какие рамки мы выявили в цифровизации цепочки поставок, которые позволяют компаниям получить большую часть преимуществ полной цифровизации без четырех или пятилетних инвестиций в цифровую цепочку поставок? И я выделил четыре рамки. Первая, о которой я упоминал ранее, - это единое представление спроса, заменяющее консенсусный прогноз. Консенсусный прогноз использовался руководителями и отраслью много, много лет. Финансы будут иметь свой собственный прогноз. Операции будут иметь свой прогноз. Продажи будут иметь другой прогноз. А затем они соберутся на совещании, чтобы договориться о компромиссе. Не ясно, что этот компромисс правильно отражает реальность. То, на что вы хотите сосредоточиться, это согласование данных. Как только у меня есть данные, я хотел бы, чтобы аналитика и машина сгенерировали прогноз, который может быть использован различными функциональными областями. Это первое. Второе - это…
Nicole Zint: Расскажите нам о рамках, которые вы используете в оптимизации цепочки поставок.
Проф. Дэвид Симчи-Леви: Конечно, рамка, которую мы используем, основана на идее того, что стратегия “один размер подходит всем” не подходит для большинства компаний. Если посмотреть, что делают большинство компаний, они имеют одну стратегию для всех каналов, всех рынков и всех продуктов. Мы подчеркиваем сегментацию цепочки поставок, сегментацию продуктов, сегментацию рынков и сегментацию каналов. Это позволяет компаниям точно настроить стратегию цепочки поставок для каждого кластера, для каждой группы и, как результат, быть более отзывчивыми в зависимости от характеристик каждого сегмента. Третий элемент в этой рамке - это фокус на SNOP (планирование продаж и операций), которое использует данные и аналитику для помощи компаниям в определении эффективного плана. Последнее - признание того, что, несмотря на эффективность плана, всегда возникают отклонения от плана, такие как нарушения поставок и изменения спроса. Если я могу заранее определить эти нарушения и отклонения, я могу эффективно на них реагировать. Это часть KPP (ключевых показателей эффективности) и контрольной башни, на которые, я уверен, ваша компания сосредоточена с многими клиентами.
Nicole Zint: Йоаннес, что вы думаете о том, что говорит профессор Симчи-Леви, особенно о процессе SNOP, который также есть у Lokad?
Joannes Vermorel: Да, но это, я бы сказал, не совсем другой подход. Из-за нашего фокуса и нашего происхождения мы смотрим на этот вопрос с немного иного ракурса. Это не значит, что мы особенно не согласны. Первое, что я вижу, это то, что мы никогда не наблюдаем прямо поставочную цепочку, поэтому, когда мы говорим, например, о спросе, есть посредничество корпоративных систем, которые могут быть очень сложными. Типичная ERP, которая существует уже три десятилетия, имеет 2000 таблиц. Каждая таблица имеет около 50-200 полей, и если вы говорите с международной компанией, то они могут оказаться в полусонном кошмаре, где в каждой стране есть своя ERP-система, а значит, 40 стран. Итак, во-первых, входной сигнал чрезвычайно сложен с точки зрения чисто IT-сложности, и это не следует принимать на легкий счет. Так что вот первое, я бы сказал, это брутальная непрозрачность прикладного ландшафта. Второе, что у нас есть, это то, что мы называем спросом, когда вы начинаете смотреть на реальные отрасли, вы увидите, что он намного более детализированный. Например, предположим, у вас есть компания, которая продает электроматериалы клиентам B2B. Реальность заключается в том, что заказ, который они получают, это заказ на строительство здания, и они собираются передать большой заказ с потенциально тысячами товарных позиций, и они фактически планируют доставку. Таким образом, они скажут: “Мы хотим, чтобы через девять месяцев все это было доставлено, но мы хотим, чтобы первые 500 позиций были доставлены через три месяца, затем первые 500 через четыре месяца и т.д.”
Nicole Zint: Итак, Йоаннес, расскажите нам, как вы подходите к проблеме прогнозирования спроса и какие с этим связаны сложности?
Joannes Vermorel: Да, детализация спроса может быть довольно сложной. Например, если у вас есть большой заказ партии, который требует плановых поставок в течение шести месяцев, как вы считаете спрос? Считаете ли вы его при его возникновении или при его доставке? Очевидно, здесь много сложностей. Что я хочу сказать, это то, что когда мы говорим “спрос”, это нечто одномерное с временной перспективой временных рядов, где можно сделать прогноз. Обычно это очень многомерная проблема, которая может быть усугублена тем, что если вы вводите свой собственный новый тип продукта, который заменяет старое поколение продуктов, у вас будут очень агрессивные эффекты каннибализации, просто потому что это буквально ваша собственная превосходная технология, которая каннибализирует вашу собственную предыдущую технологию продуктов. Таким образом, продукты обычно очень близки, и ваше следующее поколение является лучшей заменой всего, что было раньше.
David Simchi-Levi: Да, и поэтому крайне важно иметь правильные инструменты и хорошо подготовленного ученого по логистической цепи, чтобы справиться с этим вызовом. SQL - это один из языков программирования, используемых для извлечения данных, но нам нужны лучшие инструменты, чем это, чтобы осмыслить огромное количество данных, с которыми нам приходится работать.
Joannes Vermorel: Именно. В Lokad мы сосредоточены на том, чтобы подумать о том, какие инструменты нужны нашим ученым по логистической цепи. У нас нет никакого искусственного интеллекта, который мог бы просто взять данные и дать нам прогноз спроса. Нам нужен человеческий интеллект, чтобы осмыслить данные. Одним из вопросов, которые мы задаем, является: какие инструменты у них есть? Есть ли у них SQL или что-то лучше?
Nicole Zint: А что насчет плана? Как вы к этому подходите?
Joannes Vermorel: Ну, Lokad - очень операционная компания, и мы сосредоточены на повседневном выполнении логистических цепей. То, что мы делаем сейчас, - это полное исчезновение плана. Больше нет планов, больше нет прогнозов. Или, по крайней мере, эти вещи все еще существуют как числовые артефакты, но они полностью временные и зарыты в конвейере данных системы. Единственные видимые эффекты - это решения в конечной игре. Например, что вы покупаете? Что вы производите? Куда вы перемещаете запасы? Поднимаете или снижаете цену? Так что, если из Китая идет нарушение, это входные данные, но то, что оно изменяет план, не имеет значения. Единственное, что увидят люди, - это решения, которые немного изменяются. И если они посмотрят на движущие силы в долларах или евро, они увидят, что риски, выраженные в долларах для определенных классов риска, выросли из-за этой новой информации.
Nicole Zint: Итак, Joannes, что вы думаете о влиянии нарушений в логистической цепи?
Joannes Vermorel: Ну, нарушения в логистической цепи могут вызвать серьезные риски для поставщиков из-за границы. Они могут увеличить связанный с ними риск и отклонить все решения от них. Однако для большинства компаний прогноз и план становятся числовыми артефактами, которые не имеют большого значения. Я имею в виду, что есть много других числовых артефактов, которые не являются гражданами первого класса и не привлекают интерес компании. Возможно, мне нужно узнать больше о том, что вы делаете, чтобы дать более существенный комментарий к тому, что вы описали.
Prof. David Simchi-Levi: Компании, с которыми я сотрудничал, сталкиваются с проблемами в разных частях логистической цепи, что может потребовать иного подхода к планированию и прогнозированию. Позвольте мне привести очень быстрый пример: если вы подумаете о модной рознице, часть портфеля - это портфель, который я не могу предсказать в любом случае. Мы можем составить прогноз, но он настолько ненадежен, что логистическая цепь сосредоточена только на скорости. Но есть и другие части их портфеля, где я могу очень хорошо предсказывать, и этот прогноз используется для управления всей логистической цепью. Возможно, многие руководители логистической цепи не видят прогноз, но он используется для определения местоположения запасов, объема запасов, реагирования на заказы. Но в первой части не только прогноз скрыт, его нет, потому что он настолько ненадежен, и логистическая цепь в основном сосредоточена на скорости. В этой части, я думаю, ваша точка зрения немного отличается, немного глубже, что даже если у вас есть прогноз и у вас есть план, то вы хотите продемонстрировать принятие решения только на основе конкретного события, а не на основе того, что влияет на результат, а именно прогноз или план. Однако мне, конечно, нужно немного больше информации о том, что вы делаете, чтобы определить потенциальные возможности в этой области.
Nicole Zint: Дэвид, какие новые алгоритмы вы видите в настоящее время в области обучения и оптимизации логистической цепи, а также какие негативные тенденции вы видите, становящиеся популярными?
Prof. David Simchi-Levi: Я думаю, позвольте мне начать со второй части, которая касается негативных тенденций. Негативная тенденция влияния нарушений и волатильности, которую мы видим на рынке, будет с нами еще много лет. Это новая норма, и в результате компании должны пересмотреть свой подход…
Nicole Zint: Joannes, вы говорили о некоторых негативных тенденциях, которые влияют на клиентов. Можете ли вы раскрыть это?
Joannes Vermorel: Да, конечно. С моей точки зрения, есть две проблемы, которые влияют на клиентов. Первая проблема заключается в том, что современное корпоративное программное обеспечение имеет невероятно многоуровневую структуру. Есть слои на слоях, и данные перетекают с одного слоя на другой. В современных системах мы говорим о более чем 100 слоях, через которые проходят данные. Data science добавляет около 20 слоев. Чтобы дать вам представление, когда вы говорите, что хотите заниматься data science на Python, на самом деле вы не делаете все на Python. У вас есть слои, выполненные в Pandas, слои, выполненные в NumPy, слои, выполненные внутри kit и так далее. Многие компании сталкиваются с огромными трудностями из-за того, что за последние несколько десятилетий системы стали настолько многоуровневыми, что каждый слой представляет собой возможность возникновения ошибок, регрессий и всех видов неприятностей. Это сильно затрудняет все инициативы в сфере поставок. Они пытаются что-то сделать, но в конечном итоге даже не могут правильно определить уровень запасов, потому что искусственный интеллект проходит через более чем 50 систем и это очень сложно.
Prof. David Simchi-Levi: Могу я добавить к этому что-то? Вывод из того, что говорит Йоаннес, заключается в том, что качество того, что делают люди, страдает.
Joannes Vermorel: Да, это верно. Вторая проблема, которую я вижу, заключается в том, что некоторые методы машинного обучения, такие как глубокое обучение, являются чрезвычайно техническими и добавляют свои собственные слои. Это становится очень сложным для выполнения. Конечно, очень крупные компании справляются с этим, но это очень, очень сложно. Поэтому я вижу новые классы алгоритмических парадигм, которые позволяют нам удалять целые классы слоев, где мы можем объединить, например, обучение и оптимизацию и слой базы данных в один. Вы просто удаляете целые классы слоев, чтобы все, что вы хотите сделать в области поставок, можно было сделать в масштабе с использованием ИТ-систем без введения слишком большого хаоса. Реальность заключается в том, что если я вернусь к тому, почему компаниям требуется столько лет для выполнения своих задач, очень часто это не чисто фантазийный кусок машинного обучения, который требует так много времени, или очень умная алгоритмическая часть системы, которая занимает так много времени и усилий. Это все, что происходит до и после, что очень слабо интегрировано, и в итоге вы получаете…
Nicole Zint: Извините за прерывание, но можете уточнить, что вы имеете в виду под “всем, что происходит до и после”?
Joannes Vermorel: Да, конечно. Перед фантазийной частью машинного обучения вам нужно иметь правильные конвейеры данных, правильные базы данных и правильную очистку данных. После части машинного обучения вам нужно иметь правильные способы интеграции вывода этой части машинного обучения в систему ERP или систему управления заказами или систему WMS. Все эти элементы должны быть хорошо интегрированы, и в этом заключается сложность.
Nicole Zint: Итак, Йоаннес, расскажите нам о сложности оптимизации цепи поставок с точки зрения данных.
Joannes Vermorel: Это чрезвычайно сложно, я бы сказал, конвейеры данных. Таким образом, сложность логистики данных фактически превосходит сложность логистики физических товаров. Это как точка зрения поставщика программного обеспечения. Но сейчас мое собственное наблюдение заключается в том, что люди, которые удваивают усилия в отношении вещей, которые только увеличивают сложность ИТ-систем компаний, могут вызвать страховую реакцию на эти драматические события, которые произошли за последние два года. Но это не сделает вашу цепь поставок более устойчивой, если в конечном итоге вы вводите еще один класс риска через суперсложные взрывы. В настоящее время я вижу все больше и больше компаний, которые останавливаются из-за проблем с ИТ, которые могут быть связаны с программой-вымогателем, но иногда это просто внутренние ошибки.
Nicole Zint: Профессор Симчи-Леви, как вы считаете, как технологии могут быть использованы для улучшения оптимизации цепи поставок?
Проф. Дэвид Симчи-Леви: Если мы говорили до пандемии о возможностях использования технологий, машинного обучения, оптимизации для улучшения деловой производительности и цепи поставок, люди бы согласились. Но руководители были очень неохотны вкладывать в цифровизацию цепи поставок, цифровизацию международной цепи поставок. Не потому, что они не видят пользу, они понимают пользу, но они беспокоятся о огромных финансовых вложениях и длительном времени, необходимом для достижения желаемой пользы. То, что пандемия показала нам, это то, что будущее уже здесь, что сегодня, с доступными данными, мы можем быть более гибкими и устойчивыми в наших цепях поставок.
Joannes Vermorel: Если мы хотим делать больше, особенно быть умными в отношении сложных концепций, таких как устойчивость, управление рисками, которые не поддаются прямому измерению, нам нужно иметь инструменты, способные справиться с этим. Но мы не должны разрабатывать вещи, которые можно развернуть и внедрить в относительно короткий срок, и это действительно вызов. Вопрос в том, что сейчас универсальным инструментом, который используется для принятия решений в течение 48 часов, является Microsoft Excel. И если у нас действительно есть что-то, что обладает всеми свойствами, которые люди ищут в Excel, то есть инструмент принятия решений, который можно использовать для управления многомиллиардной цепью поставок и принятия решений, которые необходимо принять сейчас, с превосходной корректностью по дизайну, то это один из способов взглянуть на это. Это определенно тот вид исследовательской ориентации, которую мы преследуем.
Nicole Zint: Профессор Симчи-Леви, можете ли вы прокомментировать то, что только что сказал Жоанн?
Проф. Дэвид Симчи-Леви: Позвольте мне продолжить то, что сказал Жоанн, и связать это с сегодняшними вызовами цепи поставок и вызовами информационных технологий.
Nicole Zint: Итак, Жоанн, на ваш взгляд, насколько важна цифровизация цепи поставок и как это может быть полезно для бизнеса?
Joannes Vermorel: С помощью доступных нам технологий мы можем значительно улучшить деловую производительность. Мы можем не достичь всех преимуществ полноценной цифровизации цепи поставок, но с умеренными финансовыми вложениями и относительно коротким периодом времени компании могут оказать огромное влияние на финансовые показатели. Поэтому, по моему мнению, среди всех вызовов, которые мы видели, есть одна важная положительная тенденция. Мы понимаем, что будущее или реальность уже здесь, и компании, которые задумываются о том, как двигаться вперед, должны воспользоваться этой возможностью, чтобы начать изменять и цифровизировать часть своего бизнеса, чтобы иметь возможность решать не вчерашние вызовы, а вызовы и возможности завтра.
Nicole Zint: Профессор, вы согласны с точкой зрения Жоанна о важности цифровизации цепи поставок?
Проф. Дэвид Симчи-Леви: Абсолютно, я полностью согласен с Жоанном. Преимущества цифровизации цепи поставок значительны, и компании, которые не принимают ее, останутся позади. Мы видим, что компании во всех отраслях принимают цифровизацию и получают пользу от нее. От оптимизации уровней запасов до сокращения времени доставки, цифровизация цепи поставок имеет потенциал преобразовать бизнесы.
Nicole Zint: И можете ли вы привести пример компании, которая успешно внедрила цифровизацию цепи поставок?
Проф. Дэвид Симчи-Леви: Конечно, отличным примером является Walmart. Walmart - один из крупнейших розничных продавцов в мире и смог использовать цифровизацию цепи поставок для снижения операционных расходов и улучшения финансовых показателей. С помощью анализа данных и алгоритмов машинного обучения Walmart смог оптимизировать уровни запасов, сократить потери и улучшить время доставки.
Nicole Zint: Спасибо, профессор, за этот пример. И спасибо вам обоим за то, что присоединились ко мне сегодня для этой очень интересной дискуссии о цифровизации цепи поставок.
