00:00:07 Введение и обсуждение сдвигов парадигмы в планировании цепочки поставок.
00:00:51 Биография профессора Дэвида Симчи-Леви, его академическая деятельность и компании, которые он основал.
00:02:43 Новый курс по планированию спроса и аналитике; акцент на цифровизацию, аналитику и автоматизацию.
00:04:22 Балансировка эффективности цепочки поставок и её устойчивости, а также проблемы измерения устойчивости.
00:07:08 Оценка рисков в цепочках поставок и важность расчётов, основанных на машинах, по сравнению с интуицией.
00:09:47 Прогнозирование состояния цепочки поставок за несколько недель вперёд.
00:10:20 Работа команды MIT по устойчивости цепочки поставок и прогнозированию пандемий.
00:12:15 KPIs против KPPs и важность предиктивных данных.
00:15:35 Принятие неопределённости и различных вероятностей в прогнозах.
00:18:10 Время для выживания и выявление скрытых рисков и возможностей для экономии затрат.
00:19:32 Важность объяснимого машинного обучения в принятии решений.
00:20:56 Роль специалистов по цепочке поставок в разработке объяснимых метрик.
00:24:17 Проблемы, с которыми сталкиваются компании при использовании прогнозирования «чёрного ящика».
00:25:51 Законы физики в цепочке поставок и их значение.
00:27:34 Примеры законов физики в управлении цепочками поставок.
00:29:16 Обсуждение научных дебатов и важности математических основ в создании алгоритмов и структур.
00:30:57 Важность гибкости в проектировании цепочек поставок и её влияние на уровень сервиса, запасы и время отклика.
00:32:29 Рассмотрение экономического компромисса между гибкостью и необходимостью фундаментальных теорий в оптимизации цепочки поставок.
00:35:44 Фокус на структурах, а не на единичных решениях для учета изменчивого характера цепочек поставок.
00:37:18 Представление четырех структур для цифровизации цепочек поставок, начиная с единого взгляда на спрос.
00:38:14 Сегментация цепочки поставок для эффективных стратегий.
00:38:53 Акцент на S&OP и аналитике данных для планирования.
00:39:37 Йонас обсуждает сложность спроса и корпоративных систем.
00:43:01 Проблемы извлечения и понимания данных о спросе.
00:45:36 Переход от прогнозов и планов к числовым артефактам. {< timer “00:47:14” >}} Обсуждение того, как лица, принимающие решения, опираются на итоги, а не на прогнозы или планы.
00:48:22 Появляющиеся алгоритмы в обучении и оптимизации цепочек поставок, а также негативные тренды.
00:49:33 Ошибочная концепция переноса производства ближе к рыночному спросу ради устойчивости.
00:50:09 Интеграция машинного обучения и оптимизации, офлайн и онлайн обучение.
00:53:22 Проблемы многослойного корпоративного программного обеспечения и новые алгоритмические парадигмы для упрощения процессов.
00:56:37 Обсуждение ИТ-сложности в управлении цепочками поставок.
00:57:57 Необходимость инструментов для работы с такими сложными понятиями, как устойчивость и управление рисками.
00:58:43 Преимущества и ограничения Microsoft Excel в принятии решений по цепочкам поставок.
00:59:30 Нежелание инвестировать в цифровизацию цепочек поставок до пандемии.
01:00:20 Возможность улучшения бизнес-показателей при умеренных инвестициях в цифровизацию цепочек поставок.

Резюме

В этом интервью Николь Цинт ведёт дискуссию с Жоанном Верморелем, основателем Lokad, и профессором Дэвидом Симчи-Леви из MIT, об оптимизации цепочки поставок и роли технологий в принятии решений. Они подчеркивают важность балансирования эффективности и устойчивости, используя данные, аналитику и автоматизацию для управления рисками. Основные показатели эффективности (KPIs) и ключевые предикторы эффективности (KPPs) представлены как важные понятия для проактивного принятия решений. Эксперты также обсуждают важность объяснимости в ИИ, «законы физики» в управлении цепочками поставок, гибкость и экономические трейд-оффы между гибкостью и моделированием. Разговор подчеркивает необходимость цифровизации бизнеса компаниями для решения будущих проблем и использования возможностей.

Расширенное резюме

В этом интервью ведущая Николь Цинт разговаривает с Жоанном Верморелем, основателем Lokad, и профессором MIT Дэвидом Симчи-Леви, автором более 300 публикаций, об оптимизации цепочки поставок и роли технологий в принятии решений.

Профессор Симчи-Леви отмечает, что текущее состояние цепочек поставок кардинально отличается от того, что было десять лет назад, и компании должны находить баланс между эффективностью и устойчивостью. Он указывает, что в то время как эффективность легко измерить с помощью стратегий сокращения затрат, устойчивость сложнее поддается количественной оценке. Интеграция данных, аналитики и автоматизации играет ключевую роль в решении этих проблем, помогая бизнесу выявлять и уменьшать скрытые риски.

Жоанн Верморель соглашается, что компромисс между устойчивостью и эффективностью является существенным, подчёркивая вероятностную природу оценки рисков. Он утверждает, что смещение в пользу выживших широко распространено в оценках рынка, что затрудняет полноту оценки рисков, с которыми сталкиваются компании. Верморель акцентирует важность принятия подхода, основанного на вычислениях, а не только на человеческой интуиции, в управлении рисками.

Профессор Симчи-Леви вводит понятия ключевых показателей эффективности (KPIs) и ключевых предикторов эффективности (KPPs). KPI отображают текущее состояние цепочки поставок, в то время как KPP нацелены на прогнозирование будущего состояния цепочки поставок. Профессор подчеркивает важность использования данных и аналитики для дополнения KPI с помощью KPP, что позволяет компаниям принимать корректирующие меры до возникновения проблем.

Верморель подтверждает различие между KPI и KPP, отмечая, что многие руководители цепочек поставок могут не осознавать предиктивную составляющую своих KPI. Он объясняет, что реальные системы цепочек поставок часто бывают запутанными, с входными данными, которые не всегда надежны, особенно при прогнозировании будущего. Верморель выступает за принятие неопределенности при работе с прогнозами, так как даже хорошо обоснованное предположение может предоставить ценную информацию для принятия решений.

Профессор Симчи-Леви использует спортивную аналогию для иллюстрации важности KPP, ссылаясь на знаменитую цитату хоккеиста Уэйна Гретцки: «Я не катаюсь туда, где шайба, я катаюсь туда, куда шайба пойдет». В управлении цепочками поставок это означает принятие решений сегодня для решения потенциальных проблем в будущем, обеспечивая адаптивность и устойчивость цепочки поставок.

Обсуждение вращается вокруг оптимизации цепочек поставок, принятия неопределенности, сценарного анализа и использования машинного обучения и ИИ в принятии решений по цепочкам поставок.

Профессор Симчи-Леви подчеркивает важность сценарного анализа в управлении цепочками поставок. Генерируя несколько сценариев на основе различных факторов, таких как изменения спроса или перебои, компании могут выявлять скрытые риски и возможности для экономии затрат. Однако он признает ограничения этого подхода, ссылаясь на непредсказуемость реальных событий. 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 на восстановление», «влияние на производительность» и «время для выживания».

И Симчи-Леви, и Верморель соглашаются с важностью объяснимости в машинном обучении и ИИ для управления цепочками поставок. Они утверждают, что человеческие планировщики цепочек поставок не будут доверять рекомендациям машины, если не смогут понять, как машина пришла к своим выводам. Верморель предлагает, чтобы человек — «учёный по цепочкам поставок» — работал вместе с алгоритмами ИИ для формирования логики предиктивной оптимизации и факторов, объясняющих её, при этом признавая, что для эффективного принятия решений требуется человеческий опыт.

Профессор Симчи-Леви вводит понятие «законов физики» в контексте управления цепочками поставок. Эти законы представляют собой общие взаимосвязи между различными факторами цепочки поставок, которые применимы универсально, независимо от отрасли или конкретной цепочки поставок. Он приводит примеры таких взаимосвязей, например связь между резервным запасом, уровнем сервиса и изменчивостью. Эти законы могут помочь компаниям лучше управлять цепочками поставок, понимая основные принципы, управляющие их операциями.

Верморель поддерживает идею универсальных законов в управлении цепочками поставок, приводя в пример закон Ципфа. Он объясняет, что этот закон можно наблюдать в различных аспектах данных цепочек поставок, таких как распределение продуктов и размер поставщиков. Знание этих законов может сыграть ключевую роль в создании эффективных инструментов, алгоритмов и структур для оптимизации цепочек поставок.

Обсуждение также касается важности гибкости в управлении цепочками поставок. Профессор Симчи-Леви объясняет, что, хотя гибкость и необходима, она не дается бесплатно. Компании должны понимать, какая именно гибкость им нужна, куда инвестировать и каковы её потенциальные преимущества. Используя законы физики, менеджеры по цепочкам поставок могут проектировать свои цепочки поставок с учетом гибкости и количественно оценивать её влияние на различные аспекты цепочки поставок, такие как уровень сервиса, запасы и время отклика.

Они говорят о важности нахождения баланса и экономического компромисса между гибкостью и моделированием. Основное внимание уделяется установлению ядра надёжных теорий в управлении цепочками поставок, на котором можно строить дальнейшие решения. Также обсуждается необходимость долгосрочной стратегии, чтобы избежать постоянной потребности в изменениях. Профессор Симчи-Леви упоминает четыре структуры для цифровизации цепочек поставок, включая единый взгляд на спрос, сегментацию цепочек поставок и эффективное планирование. Жоанн Верморель подчеркивает сложность данных и важность инструментов для их извлечения и обработки. Он также описывает метод, ориентированный на ежедневное исполнение без планов или прогнозов. В заключение приводится пример розничной торговли модной одеждой и то, как прогнозирование используется для управления цепочками поставок.

Были обсуждены возникающие и негативные тренды в оптимизации цепочек поставок. Группа рассмотрела, как новая реальность с постоянными сбоями и волатильностью влияет на отрасль цепочек поставок, и как компаниям необходимо пересмотреть свои стратегии управления. Интеграция машинного обучения и оптимизации также обсуждалась как возможность для более эффективного принятия решений, при этом ключевыми компонентами являлись офлайн и онлайн обучение. Однако сложность современного корпоративного программного обеспечения и необходимость более качественных инструментов для поддержки принятия решений рассматривались как негативные тенденции, препятствующие инициативам в области цепочек поставок. Группа согласилась, что компаниям следует воспользоваться возможностью цифровизации бизнеса для решения будущих проблем и использования возможностей.

Полная расшифровка

Николь Цинт: В сегодняшнем выпуске мы обсуждаем эти парадигмы для обучения и оптимизации цепочек поставок. Для нас большая честь, что к нам присоединился профессор Дэвид Симчи-Леви. Сегодня мы будем обсуждать его работу и его более чем 300 публикаций. Профессор, как всегда, начнём с того, что наши гости представятся. Спасибо.

Проф. Дэвид Симчи-Леви: Привет, Николь. Привет, Жоанн. Рад быть здесь. Я Дэвид Симчи-Леви, и я работаю в MIT. Я долгое время занимаюсь академической деятельностью, более 21 года в MIT. Но параллельно с академической работой я основал несколько компаний. Первая компания занималась аналитикой цепочек поставок и в 2009 году стала частью технологической инфраструктуры IBM. В то время у нас было около 350 клиентов, использующих нашу технологию для многозвенной оптимизации запасов, разработки сетей цепочек поставок и сопутствующих задач. В 2011 году я основал ещё одну компанию, связанную с бизнес-аналитикой. Фокус был не только на цепочках поставок, но и за их пределами. Эта компания стала частью Essential Technology в 2016 году. Затем, в 2014 году я основал компанию в области облачных технологий, которая в 2018 году вошла в состав Accenture. В настоящее время у меня нет компании, и я сосредоточен на исследованиях в MIT. В MIT я возглавляю лабораторию Data Science. Лаборатория Data Science — это партнерство между MIT и примерно 20-25 компаниями, направленное на решение одних из самых важных и сложных задач, с которыми они сталкиваются, путем объединения данных, моделей и аналитики. Надеюсь, у нас будет возможность поговорить о некоторых захватывающих проектах и возможностях, которые мы наблюдаем сегодня на рынке.

Николь Цинт: Должна сказать, это очень впечатляющее портфолио, профессор. Помимо всего прочего, вы также недавно запустили курс «Планирование спроса и аналитика», где упомянули три новые технологии: цифровизацию, аналитику и автоматизацию. Почему они так популярны в настоящее время?

Проф. Дэвид Симчи-Леви: Интересно, что вы упомянули новый курс, который мы только что запустили, посвящённый аналитике спроса и цепей поставок. В этом курсе, как вы отметили, мы сосредоточены на интеграции данных, аналитики и автоматизации. Благодаря объединению этих возможностей компании могут решать одни из самых сложных задач в своем бизнесе. Подумайте о цепях поставок с длительными сроками поставки, о значительном росте логистических затрат из-за изменения цен на нефть и о перебоях в цепях поставок, которые мы наблюдали последние три-четыре года. От торговой войны между США и Китаем до COVID, от войны в Украине до изменения климата — все это заставило компании уже сегодня пересмотреть свою стратегию в области цепей поставок.

Николь Зинт: Нормальная ситуация сегодня совершенно отличается от того, что мы видели десять лет назад. Как сегодня эффективно управлять цепью поставок? Это уже не то, что делали компании пять-десять лет назад, и я приведу один пример. До примерно 2020 года в отрасли уделяли большое внимание эффективности цепи поставок — от бережливости до аутсорсинга и офшоринга. Компании стремились резко сократить затраты в цепи поставок. Но за последние три года они заметили необходимость уравновешивания эффективности и устойчивости цепей поставок. Эффективность легко измерить: внимание уделяется затратам. Устойчивость измерить сложнее. Как измерить устойчивость? Как выявить скрытый риск? Все это связано с технологическими тенденциями, о которых я только что упомянула: цифровизация, аналитика и автоматизация. Так, Жоаннес, что ты думаешь о компромиссе между устойчивостью и эффективностью, о котором только что сказал профессор?

Жоаннес Верморель: Это действительно компромисс в экономическом смысле, потому что устойчивость, как правило, ничего не стоит бесплатно. Речь идет о формировании дополнительных возможностей, которые нужно поддерживать и развивать. Интересно то, что я полностью согласен с профессором Симчи-Леви в том, что измерить это крайне сложно, ведь в основе лежит вероятностное видение будущего. Вы рассматриваете события, которые могут произойти, а могут и не произойти. Например, если вы инвестируете в создание второй линии поставщиков, которые расположены поблизости, но не используете их в этом году, вы видите затраты, но не замечаете саму возможность, которая могла бы спасти вас, если она понадобится.

Интересно, что здесь проявляется эффект выжившего. Вы видите только те компании, которые еще существуют. Те, кто совершил фатальную ошибку и исчез, уже не наблюдаются, поэтому их не видно. Когда вы оглядываетесь или проводите опрос, среднестатистически оказывается, что люди берут на себя слишком много риска, чем следует. Причина этого смещения в том, что те, кто предпринимал чрезмерный риск и уходил с рынка, уже не участвуют в опросах, поскольку опрашиваются только действующие компании.

Хитрость, а скорее нечто большее — один из первых подходов к измерению риска — заключается в оценке потенциалов, которые зачастую не реализуются, но тем не менее являются реальными. Если вы бросаете кости и у вас всего 3% шанс столкнуться с критическим событием, которое поглотит вашу компанию, и делаете это каждый год на протяжении полувека, почти наверняка ваша компания исчезнет из-за этих долговременных рисков.

Николь Зинт: Цепи поставок традиционно создавались для специализированных, то есть очень крупных компаний. Сегодня есть компании, которые действительно огромны, например, Apple, но даже Apple — это не совсем молодой стартап. Ей потребовались десятилетия, чтобы утвердиться и стать тем, чем она является. Таким образом, даже для компаний, которые росли фантастически быстро, достижение зрелости цепи поставок — это многодесятилетний процесс. Процесс медленный, а оценка риска в рамках многих десятилетий требует учета событий, которые происходят крайне редко с человеческой точки зрения. Именно поэтому машинный, расчетный подход, а не просто интуиция, становится таким важным. Жоаннес, поделись, пожалуйста, своими мыслями по этому поводу.

Жоаннес Верморель: Я считаю, что люди отлично воспринимают события в человеческом масштабе, а цепи поставок, как правило, выходят за рамки этого по своей сложности. Слишком много факторов, и когда речь заходит о временном интервале, мы думаем о событиях, которые могут происходить раз в четверть века или даже реже. И все же, управляя крупной цепью поставок, об этом риске следует задумываться.

Дэвид Симчи-Леви: Позвольте мне проиллюстрировать то, на чем настаивал Жоаннес, с помощью ключевого наблюдения. Компании обычно сосредотачиваются на KPI. Они спрашивают: «Какова эффективность моей цепи поставок прямо сейчас?» Если уровень обслуживания низкий, они могут внести изменения, например, добавить запасов. Если транспортные расходы высоки, предпринимают шаги по их сокращению. Это обсуждение устойчивости, использование данных и аналитики, также направлено на дополнение KPI тем, что я называю KPP — ключевыми предикторами эффективности. Сейчас в цепи поставок все может казаться в порядке, но мы хотели бы предсказать, каким будет ее состояние через шесть или семь недель. Ведь если мы сможем это сделать и обнаружим потенциальную проблему, мы сможем решить ее уже сегодня, до того как через семь недель она ударит по цепи поставок.

И вы можете подумать: «Разве это возможно?» На самом деле, пандемия показала нам, что мы можем действовать очень эффективно. Позвольте привести пример. Моя команда в Лаборатории Data Science MIT занималась устойчивостью цепей поставок задолго до пандемии. Мы разработали новый способ измерения устойчивости цепи поставок для выявления скрытых рисков. Мы внедрили его в ряде компаний. Первой компанией стала Ford Motor Company, затем за ней последовали и другие, но их было не так много. Все изменилось в начале пандемии.

В феврале 2020 года, помните тот период, когда пандемия началась в Китае. Это происходило не в Европе, не в США, а только в Китае. Я написал очень короткую статью, используя имеющуюся у меня модель и данные для оценки устойчивости цепи поставок, в которой говорилось, что к середине марта, то есть через шесть недель, мы увидим перебои в цепях поставок как в Северной Америке, так и в Европе. И именно это и произошло. Таким образом, возможность использования данных — как внутренних в режиме реального времени, так и внешних — позволяет компаниям дополнять свои KPI, ключевые показатели эффективности, KPP, ключевыми предикторами, отражающими текущее состояние цепи поставок.

Николь Зинт: С помощью ключевого предиктора эффективности можно узнать, каким будет моя цепь поставок через шесть или восемь недель, и принять корректирующие меры уже сегодня, до того как проблема заденет цепь поставок. Именно поэтому Жоаннес подчеркивал важность использования машин, основанных на данных и аналитике, чтобы оказать значительное влияние на эффективность цепей поставок.

Проф. Дэвид Симчи-Леви: Мне очень нравится это различие между KPI и KPP. Кстати, я считаю, что большинство директоров по цепям поставок не осознают, что фактически подавляющее большинство так называемых KPI в той или иной форме уже включает компонент прогнозирования. Например, если вы говорите, что у вас есть KPI по уровню обслуживания, то во многих случаях этот показатель уже включает прогноз спроса. Когда вы утверждаете, что у вас определенный уровень обслуживания, на деле для большинства SKU спрос довольно скуден. У вас не бывает такого SKU, для которого можно было бы сказать: «У меня 90% уровень обслуживания». Он либо есть, либо его нет. То, что у вас есть, — это, в конечном итоге, пошаговый анализ или предиктивная модель, которая дает оценку уровня обслуживания для вашего SKU, но это все же оценка. И даже в этом случае часто встречаются ситуации, когда, например, количество запасов фактически определяется данными с ETAs, которые не являются полностью гарантированными.

Жоаннес Верморель: Таким образом, двоякая природа, я думаю, наличие двух понятий очень интересно, особенно когда понимаешь, что в реальных системах цепей поставок, которые очень запутаны, где много внутренних, но не вполне надежных данных, особенно когда задеваешь будущее, появляется серая зона, где эти понятия размываются. И, по моему мнению, одна из проблем состоит в том, чтобы не верить слишком слепо в нейтральное, объективное наблюдение за прошлым по многим показателям. Это не так. И затем возникает еще один аспект: как только вы имеете дело с риском, вы уже не можете придерживаться наивной перспективы единственного будущего. Вы должны учитывать, что, когда вы предсказываете надвигающийся сбой, при должной осторожности можете сказать что-то вроде: «Я на 80% уверен, что сбой начнется не ранее чем через восемь недель и не позже чем через двадцать недель», и так далее. Но в основе всего лежит принятие того факта, что, как только вы касаетесь будущего, вы имеете дело с вероятными, но не определенными событиями. И все же это имеет ценность. Не потому, что присутствует определенная степень неопределенности, следует утверждать, что ее нет. Даже очень точное предположение, пусть это всего лишь догадка, уже имеет большую ценность, и на нем стоит действовать, даже если речь идет всего лишь о вероятностях.

Проф. Дэвид Симчи-Леви: Позволь, Николь, если можно, привести пример из спорта, чтобы показать, почему компаниям важно учитывать KPI и KPP. Я никогда не играл в хоккей, но он мне нравится. И если вспомнить одного из лучших хоккеистов Северной Америки, Гретцки, он говорил: «Я не катаюсь туда, где находится шайба; я катаюсь туда, где она будет». Именно об этом и говорит KPP.

Николь Зинт: Я хочу принять решение сегодня относительно того, где окажется моя цепь поставок через шесть или семь недель, потому что если смогу сделать это сегодня, то смогу зарезервировать мощности, сократить затраты и эффективно отреагировать на потенциальный сбой, который предсказывает моя система. Очень интересно, что мы можем предсказать или, по крайней мере, предположить, что может произойти в нашей цепи поставок через шесть, семь или восемь недель. Однако в Lokad мы стараемся принять эту неопределенность и осознаем, что мы не можем точно предсказать, что произойдет, но хотим получить общее представление о вероятности различных будущих сценариев. Так, профессор, когда вы говорите, что предсказываете что-то на шесть или семь недель вперед, как именно вы это знаете? Вы сосредоточены на одном будущем сценарии, который выводит модель, или учитываете различные вероятности?

Проф. Дэвид Симчи-Леви: Мы используем комбинацию подходов. Универсальной стратегии не существует, и позвольте мне подчеркнуть, что это связывает то, на чем вы и Жоаннес делали акцент. Один из подходов — сценарный анализ. Мы формируем несколько сценариев: сценарии могут быть связаны с изменением спроса, с перебоем у конкретного поставщика или в определенном регионе. С их помощью мы пытаемся выявить скрытые риски в цепи поставок. Но наши возможности по созданию сценариев ограничены, и чтобы это проиллюстрировать, достаточно подумать о том, что произошло за последние три месяца в сравнении с тем, что было два года назад. Кто бы мог предсказать то, что мы сейчас наблюдаем в Восточной Европе? Таким образом, сценарный анализ очень важен — это часть нашей работы, но нам также нужны критерии и инструменты, не зависящие от конкретного сценария, например, независимые от информации от отдельных поставщиков. Такие инструменты существуют и доступны компаниям уже сегодня. Позвольте привести пример. Я разработал несколько концепций устойчивости цепей поставок: одна — Time to Recover (время на восстановление) и Performance Impact (влияние на эффективность); все они зависят от сценария. Но я также разработал концепцию Time to Survive (время до выживания). Что такое Time to Survive? Time to Survive полностью не зависит от сценария. Вы рассматриваете всю цепь поставок от начала до конца, строите карту цепочки поставок, знаете, где находится и в каком объеме ваш инвентарь, а затем исключаете один объект из цепи и спрашиваете: без этого объекта, как долго я смогу удовлетворять спрос? Это не зависит от сценария, верно? Это дано уже с учетом перебоя, и я смогу сказать, сколько времени смогу управлять поставками. Это позволяет выявлять не только риски в цепи поставок, но и возможности для экономии. Когда мы применяли этот подход в нескольких компаниях, мы поняли, что иногда компании размещают слишком много инвентаря не в том месте для своего продукта. Это позволяет выявлять скрытые риски и находить возможности для экономии.

Николь Зинт: Последний момент, который я хотела бы добавить, заключается в том, что мы уделяем большое внимание использованию машин, машинного обучения и оптимизации для принятия лучших решений. Но никто не последует рекомендации от машины, если она не сможет объяснить свою логику. Поэтому помимо возможности создавать прогноз или рекомендованное решение, нам нужно объяснение, почему этот прогноз показывает, что спрос на продукт A значительно вырастет в Среднем Западе, но не будет успешным на Западном побережье. Способность объяснять выводы машин — критически важная часть процесса принятия решений.

Жоаннес Верморель: Продолжая ваши комментарии о необходимости объяснимости моделей, мое наблюдение таково: числовые модели, даже такие полусатные, как линейная регрессия с несколькими коэффициентами, по умолчанию весьма непрозрачны. Это естественно, ведь как только появляются цифры, компьютеры становятся намного лучше людей в расчетах, и для того чтобы обычный, не являющийся гением, человек понял ситуацию, не требуется много чисел.

И типичный подход состоит в том, что число, имеющее смысл с точки зрения объяснения, чрезвычайно зависит от контекста. Очень заманчиво просто создать стену метрик с миллионами чисел, полученных путем проецирования ваших данных в самых разных направлениях. Это очень просто сделать с современными компьютерами, но у ваших специалистов по цепям поставок времени на это совсем немного.

Таким образом, подход, который использует Lokad, заключается в разработке процесса, при котором на алгоритмическом уровне будет относительно просто для того, кого мы называем специалистом по цепочке поставок (то есть специалистом по данным, специализирующимся на цепочке поставок), создать как предсказательную оптимизационную логику, так и её поясняющие факторы. Но есть один нюанс: я не ожидаю, что ИИ или какие-либо изысканные методы машинного обучения смогут выполнить эту работу. Я скорее придерживаюсь парадигматического подхода, при котором я утверждаю, что у меня есть классы алгоритмов, о которых я знаю, что специалист по цепочке поставок, используя свой по-настоящему человеческий интеллект, способен сделать дополнительное усилие, создавая то, что мы называем белой коробкой.

Это позволяет им создавать такие метрики, которые будут понятны руководству цепочки поставок в целом, чтобы они могли понять, что происходит. Но здесь присутствует очень человеческий элемент: требуется, чтобы кто-то фактически создавал числа, чтобы можно было выбрать несколько КПЭ. Ваши числа, а не просто КПЭ, могут соответствовать вашему определению TPP, но они очень тщательно отобраны. Единственный фокус — иметь алгоритмический метод, который отлично подходит для такого глубокого разложения происходящего.

Профессор Дэвид Симчи-Леви: Верно, и я могу подчеркнуть, почему это так важно, приведя пример реализации того, что я называю единым представлением.

Николь Цинт: В случае спроса в очень крупной компании потребительских товаров, когда вы внедряете это, начинаете получать звонки, обычно от финансового отдела. Звонки бывают трёх типов. Первый: “Эй, специалисты по данным, эй, Тим, мы не понимаем, почему ваш акцент указывает на то, что этот продукт или семейство продуктов будет расти невероятно хорошо в одном регионе, но не покажет хороших результатов в другом регионе,” верно? Это часть объяснимости.

Дэвид Симчи-Леви: Второй тип ещё более сложен. Вы получаете ещё один звонок, и сотрудники финансового отдела говорят: “Мы не понимаем, вы только что дали нам прогноз, ведь мы каждую неделю предоставляем прогноз 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: “Эй, месяц назад вы дали нам прогноз по сегодняшнему спросу, но он существенно отличается. Если мы не сможем решить эти три задачи, никто не поверит в «чёрный ящик», который выдаёт прогнозы неделями и неделями по каждому продукту. Именно поэтому так важно признать, что то, что вы делаете в своей компании, то, что делает моя команда из MIT Data Science Lab, — это не просто наука. Чтобы быть эффективным, нужно сочетать науку и искусство. Наука — это машина и данные в аналитике; искусство — это интуиция, предвидение, опыт людей, в данном случае в цепочке поставок. Это сочетание двух. Но если мы не сможем “поговорить” с машиной, чтобы понять, что она говорит, людям будет трудно следовать её рекомендациям.”

Николь Цинт: Итак, профессор, прежде чем я перейду к основным вопросам о том, какие новые парадигмы у нас есть, я хотела бы спросить: вы также упомянули эти “законы физики” в вашем курсе, применимые к специалистам по цепочке поставок и компаниям. Но что вы имеете в виду под “законами физики” с точки зрения цепочки поставок?

Дэвид Симчи-Леви: Для меня “законы физики” — это общие взаимосвязи между информацией, мощностями, уровнем обслуживания и запасами, которые всегда верны, независимо от того, является ли ваша цепочка поставок региональной или глобальной, и независимо от того, сосредоточены ли вы на высоких технологиях, потребительских товарах или фармацевтике.

Николь Цинт: Не могли бы вы привести пример одной из тех взаимосвязей, которые вы только что упомянули?

Дэвид Симчи-Леви: Это взаимосвязь между запасами, уровнем safety stock, уровнем обслуживания и изменчивостью. Мы знаем, как количественно определить связь между этими тремя величинами: запасами (или safety stock), изменчивостью и уровнем обслуживания. Как только вы понимаете эту взаимосвязь, вы можете понять, как лучше управлять своей цепочкой поставок.

Дэвид Симчи-Леви: Другой пример — взаимосвязь между уровнем информации и величиной волатильности в цепочке поставок. Как только вы это поймёте, вы осознаете, насколько прозрачность и обмен информацией могут помочь в снижении волатильности. А какова взаимосвязь между волатильностью и потерянными продажами? Если вы поймёте это, то осознаете: “О, мне нужно снизить…”

Николь Цинт: Как я могу управлять волатильностью, чтобы повысить уровень обслуживания и снизить потери продаж?

Профессор Дэвид Симчи-Леви: Один из способов снизить волатильность — это обмен информацией. В моей книге, четвертое издание которой вышло в сентябре прошлого года, я обсуждаю около 40-50 типов “законов физики”, которые позволяют компаниям выявлять возможности в их бизнесе. Это глобальные взаимосвязи, и поэтому я называю их законами физики.

Подумайте о том, что мы изучали на уроках физики в школе или колледже. Идея заключается в том, что существуют фундаментальные взаимосвязи в бизнесе, которые определяют своего рода количественную оценку различных частей. Есть ситуации, когда можно вывести уравнения, которые будут верны всё время, как, например, четыре уравнения Максвелла в физике. Это не зависит от конкретной ситуации.

Иоаннес Верморель: То есть, по сути, цепочки поставок — это не совсем поэзия. Существуют фундаментальные взаимосвязи в бизнесе, которые задают своего рода количественную оценку различных компонентов. Например, в моей серии лекций я указываю, что практически любое распределение, наблюдаемое в цепочке поставок, подчиняется закону Ципфа. От товаров с самым большим объёмом до длинного хвоста — действует закон Ципфа. То же самое касается поставщиков: от самых крупных до самых мелких — действует закон Ципфа, и так далее.

Эту теорию можно подвергнуть сомнению в научном смысле, поставив под вопрос, является ли она лучшей для объяснения мира или существуют ли ситуации, противоречащие общей теории. Однако это не предмет для дебатов в том смысле, что вы не можете просто выбрать не верить в неё, исходя из специфики вашей отрасли.

Интересно, что когда у вас есть эти математические основы для классов явлений, они невероятно эффективны для создания инструментов, алгоритмов и фреймворков. В Lokad мы применяем это повсеместно. Например, закон распределения Ципфа приводит к тому, что вы можете значительно сжимать данные цепочки поставок, поскольку большинство строк гарантированно содержат нули или единицы, что делает их пригодными для сжатия.

Другой пример заключается в том, что вы фактически можете превзойти алгоритм быстрой сортировки по скорости сортировки. Вы можете быть быстрее теоретического оптимума благодаря низкой кардинальности задачи, которую необходимо решить. Существует множество аспектов, важных как для проектирования программного обеспечения, так и для создания теорий цепочки поставок, основанных на этих математических основах.

Николь Цинт: Итак, сегодня мы здесь с Иоаннесом Верморелем и профессором Дэвидом Симчи-Леви, чтобы поговорить об оптимизации цепочки поставок. Иоаннес, вы часто говорите о важности гибкости в цепочках поставок. Не могли бы вы подробнее остановиться на этом вопросе?

Иоаннес Верморель: Это оживляет картину, если вы позволите мне. Все понимают концепцию, идею гибкости. Все знают, что больше гибкости — лучше, чем меньше, но гибкость не бывает бесплатной. Сколько гибкости мне нужно? Куда стоит инвестировать в гибкость и каковы потенциальные выгоды от неё? Это ключевые вопросы, на которые необходимо ответить. Но кроме того, встает вопрос: как определить гибкость? Как только у вас появляется точное определение гибкости, например, способность реагировать на изменения, а изменения могут происходить по-разному — изменение объёма спроса, его состава, сбои — мы точно знаем, как спроектировать цепочку поставок для обеспечения гибкости. Это проистекает из законов физики, и, как только вы это понимаете, вы можете количественно оценить, как это повлияет на уровень обслуживания, на запасы, на время реакции. Именно этим и пользуются компании автомобильной и потребительской упаковочной промышленности, используя законы физики для переосмысления степени гибкости цепочки поставок. То же самое относится к избыточности, то же самое — к устойчивости. Вот почему законы физики так важны.

Николь Цинт: Очень интересно, что вы упомянули гибкость, ведь мы часто наблюдаем, как компании принимают решения о том, хранить ли определённый продукт в их центральном складе или на более локальных складах; здесь существует, по сути, компромисс между большей гибкостью при хранении в центральном распределительном центре и лучшим обслуживанием клиентов, поскольку они получают продукт быстрее.

Дэвид Симчи-Леви: Так, действительно, речь идет о нахождении своего рода идеального баланса. Но я думаю, что суть, которую подчёркивает Иоаннес, заключается не только в нахождении баланса — само нахождение баланса уже подразумевается. Он указывает, что существует компромисс, экономический компромисс, который всегда сопровождает гибкость, и что его можно смоделировать, и что на нём можно полагаться при оптимизации в любых ситуациях. Видите, вот что он имеет в виду: я полагаю, что это своего рода прозвище закона физики. Это закон, можно сказать, физических цепочек поставок. Это как сокращённое обозначение. Существуют определённые основы, которые были установлены. Они не являются естественно полными, не являются окончательно определёнными, но они существуют. И важно подходить к этим цепочкам поставок с установкой, при которой не всё подлежит сомнению. Видите, в этом и заключается суть такого физического подхода. Когда люди говорят, что у нас есть уравнения для электромагнетизма, по сути, мы имеем то, что называем четырьмя уравнениями Максвелла, так что нам не хватит просто уравнений Максвелла, но, в общем, это четыре уравнения электромагнетизма. Вы можете попытаться их опровергнуть, но в то же время все будут заниматься электромагнетизмом, считая, что это всегда истинно. Это не вариант. Люди не говорят, что естественно невозможно найти ситуацию, в которой они окажутся неправыми. Это не наука. Речь идёт о поиске потока в вашей модели, и мы продолжаем дальше. Но суть в том, что, как мне кажется, очень интересно установить, скажем, базис.

Николь Цинт: Итак, Иоаннес, могли бы вы рассказать нам о теориях, на которые вы опираетесь для построения количественного подхода, работающего для оптимизации цепочки поставок?

Иоаннес Верморель: Существует две теории в научном смысле, на которые можно опереться, чтобы строить дальнейшие конструкции, а не полагаться лишь на мнения и дебаты. Потому что проблема в том, что если у вас нет такого базиса, становится очень сложно иметь количественный подход, который не является случайным. Вы хотите иметь метод, который потенциально будет работать всегда во всех компаниях. Это вершина общности. Но если у вас есть очень прочные основы, вы можете приблизиться к этому идеалу. Думаю, вот где заключается настоящий интерес.

Николь Цинт: Интересно, что вы говорите о поиске решения, которое может работать для множества различных проблем, а не только для одной. И, на самом деле, профессор, это то, что мы также видели в ваших публикациях. Вы часто говорите не об отдельном алгоритме или решении, а о фреймворке, который может быть применим к совершенно разным проблемам. Так почему же вы сосредоточились именно на этом, а не на раздаче отдельных модулей?

Профессор Дэвид Симчи-Леви: Ну, это, вероятно, очень очевидно, но в то же время мы видим, что не так часто люди сосредотачиваются на фреймворке. Обычно находится одно решение. Но когда цепочка поставок меняется, а, как вы упомянули, мир меняется постоянно, мы застреваем. Поэтому приходится переделывать проблему снова и снова. И, собственно, в Lokad мы делаем именно так: ищем подход к решению проблем, а не одно единственное решение, применимое только в данный момент.

Николь Цинт: Профессор, не могли бы вы также ответить на вопрос, почему вы сосредотачиваетесь на фреймворках?

Профессор Дэвид Симчи-Леви: В описании направления моего исследования основной акцент делается на том, чтобы у нас была долговременная стратегия для цепочки поставок, чтобы нам не приходилось менять стратегию каждую неделю или даже каждый день из-за недавних сбоев или изменений спроса. И, возможно, я подчеркну это на примере работы, которую я проделал в области цифровизации цепочек поставок. Какие фреймворки мы определили в цифровизации цепочек поставок, позволяющие компаниям извлечь большинство преимуществ полной цифровизации без инвестиций на четыре или пять лет в цифровую цепочку поставок? И я выделю четыре фреймворка. Первый, который я упоминал ранее, — это единое представление спроса, заменяющее консенсус-прогноз. Консенсус-прогноз использовался руководителями и в индустрии на протяжении многих лет. Финансы предоставляют собственный прогноз, операции — свой, продажи — другой. Затем они собираются на консенсусном совещании, чтобы договориться о компромиссе, который не всегда точно отражает реальность. То, чего вы хотите добиться, фреймворк, на котором я сосредоточен, заключается в том, чтобы договориться об исходных данных. Как только у меня появляются данные, я хочу, чтобы аналитика и машина сгенерировали прогноз, пригодный для использования различными функциональными подразделениями. Это первый из них. Второй — это…

Николь Цинт: Не могли бы вы рассказать нам о фреймворке, который вы используете в оптимизации цепочки поставок?

Проф. Дэвид Симчи-Леви: Конечно, наша структура основана на идее, что универсальная стратегия не подходит для большинства компаний. Если вы посмотрите, что делают большинство предприятий, они применяют одну стратегию ко всем каналам, рынкам и продуктам. Мы делаем акцент на сегментации цепочки поставок, сегментации продуктов, рынков и каналов. Это позволяет компаниям тонко настраивать стратегию цепочки поставок для каждого кластера, каждой группы и, как следствие, быть более адаптивными в зависимости от характеристик каждого сегмента. Третий элемент этой структуры – сосредоточенность на SNOP (Sales and Operations Planning), который использует данные и аналитику для того, чтобы помочь компаниям определить эффективный план. И последнее – признание того, что, насколько бы эффективен ни был план, всегда имеются отклонения от него, такие как сбои в поставках и изменения спроса. Если я смогу выявить эти сбои и отклонения на ранней стадии, я смогу очень эффективно на них отреагировать. Это часть KPP (Key Performance Parameters) и контрольной башни, на чем, я уверен, делает акцент ваша компания со многими своими клиентами.

Николь Зинт: Йоаннес, что ты думаешь о словах профессора Симчи-Леви, особенно о процессе SNOP, который используется и в Lokad?

Йоаннес Верморель: Да, эм, но я бы сказал, что это не совсем иной подход. Из-за нашего фокуса и наших корней мы смотрим на ситуацию под несколько иным углом. Это не значит, что мы обязательно не согласны. Первое, что я замечаю, — мы никогда не наблюдаем цепочку поставок напрямую, поэтому, когда мы говорим, например, о спросе, здесь происходит посредничество корпоративных систем, которые могут быть очень сложными. Типичный ERP, которому уже три декады, имеет за собой 30 лет, и речь идет о 2000 таблицах. В каждой таблице порядка 50–200 полей, а если вы имеете дело с многонациональной компанией, может возникнуть полу-кошмарная ситуация, когда в каждой стране работает своя, отличающаяся ERP, то есть для 40 стран. Таким образом, входной сигнал имеет чрезвычайно высокую IT-сложность, которую нельзя недооценивать. Во-первых, несмотря на то, что все данные присутствуют, даже если они корректны, то есть это чистые транзакционные данные, проблема заключается в том, что системы изначально не были созданы для измерения спроса; их строили для управления цепочками поставок. Таким образом, перед нами стоит, я бы сказал, жесткий барьер — непрозрачность приложенческого ландшафта. Второе: когда вы начинаете рассматривать конкретные отрасли, оказывается, что спрос намного более детализирован. Например, представьте, что у вас есть компания, продающая электротовары клиентам в B2B-сегменте. Фактически, заказ, который они получают, связан с тем, что клиент хочет построить здание, и поэтому они оформляют большой заказ, который может включать в себя потенциально тысячи продуктовых позиций, причем с запланированной доставкой. То есть, они скажут: «Мы хотим, чтобы через девять месяцев все это было доставлено, но первые 500 позиций — через три месяца, затем следующие 500 — через четыре месяца и так далее».

Николь Зинт: Итак, Йоаннес, можешь рассказать, как вы подходите к прогнозированию спроса и с какими сложностями сталкиваетесь?

Йоаннес Верморель: Да, детализация спроса может быть довольно сложной. Например, если у вас есть большой заказ с распределенной поставкой на протяжении шести месяцев, как вы его учитываете? Регистрируете ли вы спрос в момент его возникновения или в момент поставки? Очевидно, что здесь много нюансов. Я имею в виду, что когда мы говорим «спрос», это не одномерное понятие с временными рядами, по которым можно просто проектировать. Обычно это очень многомерная проблема, которую еще усложняет тот факт, что если вы вводите новый тип продукта, заменяющий старое поколение, у вас возникают весьма агрессивные эффекты каннибализации — буквально ваше собственное более совершенное технологическое решение заменяет прежние продукты. Таким образом, продукты зачастую очень похожи, и ваше следующее поколение оказывается всеобъемлющей лучшей заменой всему, что было ранее.

Дэвид Симчи-Леви: Да, и поэтому так важно иметь правильные инструменты и отлично подготовленного специалиста по цепочке поставок, чтобы справляться с этой задачей. SQL — это один из языков программирования, используемых для извлечения данных, но нам нужны более продвинутые инструменты, чтобы разобраться в огромном объеме данных, с которыми мы работаем.

Йоаннес Верморель: Именно. В Lokad мы сосредоточены на том, какие инструменты необходимы нашим специалистам по цепочке поставок. У нас нет такого ИИ, который просто возьмет данные и выдаст прогноз спроса. Нам необходим человеческий интеллект для осмысления данных. Один из вопросов, который мы задаем: какими инструментами они располагают? Есть ли у них SQL или что-то более мощное?

Николь Зинт: А как насчёт плана? Как вы к нему подходите?

Йоаннес Верморель: Ну, Lokad — это очень операционная компания, и мы сосредоточены на ежедневном выполнении задач в цепочках поставок. Сегодня мы делаем так, чтобы план полностью исчезал. Больше нет планов, нет прогнозов. Или, по крайней мере, они всё ещё существуют как числовые артефакты, но они совершенно преходящи и зарыты в конвейере извлечения данных. Единственные видимые результаты — это конечные решения. Например: что купить? Что произвести? Куда переместить запасы? Поднять или опустить цену? Таким образом, если появляется сбой из Китая, это служит входным сигналом, но тот факт, что он изменяет план, не имеет существенного значения. Единственное, что люди видят, — это решения, которые корректируют курс. И если они анализируют движущие силы в долларах или евро, они увидят, что риски, выраженные в долларах для определённых категорий, взлетели из-за этой новой информации.

Николь Зинт: Итак, Йоаннес, что ты думаешь о влиянии сбоев на цепочку поставок?

Йоаннес Верморель: Сбои в цепочке поставок могут создавать серьезные риски для зарубежных поставщиков. Это может резко увеличить их связанные риски и исказить все принимаемые решения. Однако для большинства компаний прогноз и план превращаются в числовой артефакт, который теряет своё значение. То есть, существует множество других числовых артефактов, не являющихся основными, которые не привлекают внимания компании. Мне, вероятно, нужно узнать побольше о том, чем вы занимаетесь, чтобы дать более содержательный комментарий по описанному вами вопросу.

Проф. Дэвид Симчи-Леви: Компании, с которыми я сотрудничал, сталкиваются с проблемами в различных звеньях цепочки поставок, что может требовать разного подхода к планированию и прогнозированию. Позвольте привести очень краткий пример: если говорить о модной розничной торговле, то часть ассортимента настолько непредсказуема, что прогнозы не имеют смысла. Мы можем создать прогноз, но он настолько ненадежен, что цепочка поставок ориентируется исключительно на скорость. Однако в других сегментах ассортимента прогноз можно сделать с высокой точностью, и этот прогноз полностью используется для управления цепочкой поставок. Возможно, многие руководители цепочки поставок даже не видят этот прогноз, но он помогает определять, где разместить запасы, какой их объем и как реагировать на заказы. Но в первой части не только отсутствует прогноз, он вовсе скрыт, потому что он настолько ненадежен, а цепочка поставок в основном ориентируется на скорость. В этом случае, мне кажется, ваша позиция немного иная, чуть глубже, чем просто наличие прогноза и плана – вы хотите показать, что конечный результат является итогом конкретного события, а не того, что дало этому результату, будь то прогноз или план. Теперь важный вопрос: будет ли человек, принимающий решение, чувствовать себя комфортно, если он видит только результат, не понимая, что на него влияет — сам план или прогноз. Но мне, безусловно, требуется немного больше информации о том, чем вы занимаетесь, чтобы определить потенциальные возможности в этой области.

Николь Зинт: Дэвид, какие новые алгоритмы вы видите в настоящее время в области обучения и оптимизации цепочек поставок, и какие негативные тенденции, по вашему мнению, также набирают популярность?

Проф. Дэвид Симчи-Леви: Думаю, начну со второй части, то есть с негативных тенденций. Негативная тенденция, связанная с воздействием сбоев и волатильности, которую мы наблюдаем на рынке, будет сопровождать нас еще многие годы. Это новая реальность, и поэтому компаниям необходимо переосмыслить подход к…

Николь Зинт: Йоаннес, вы упоминали о некоторых негативных тенденциях, влияющих на клиентов. Не могли бы вы подробнее об этом рассказать?

Йоаннес Верморель: Да, конечно. С моей точки зрения, существует две проблемы, которые воздействуют на клиентов. Первая проблема заключается в том, что современное корпоративное программное обеспечение невероятно многослойное. Слои наслаиваются один на другой, и данные переходят с одного слоя на другой. Для современных систем речь идет о более чем 100 слоях, через которые проходят данные. Data Science добавляет еще около 20 слоев. Чтобы дать вам представление, когда вы говорите о Data Science на Python, реальность такова, что не всё делается на Python. Есть слои, реализованные с помощью Pandas, слои на основе NumPy, слои внутри kit и так далее. Многие компании сталкиваются с огромными трудностями, потому что за последние десятилетия системы стали настолько многослойными, что каждый слой представляет возможность возникновения багов, регрессий и разных сбоев. Всё это сказывается на инициативах в области цепочек поставок жестко и прямо. Они пытаются что-то сделать, а в итоге не могут даже правильно определить уровень запасов, потому что ИИ проходит через свыше 50 систем, и всё очень запутано.

Проф. Дэвид Симчи-Леви: Можно добавить кое-что? Суть слов Йоаннеса в том, что качество выполняемой работы страдает.

Йоаннес Верморель: Да, это верно. Вторая проблема, которую я наблюдаю, заключается в том, что некоторые методы машинного обучения, такие как глубокое обучение, невероятно технически сложны и добавляют свои собственные слои поверх уже существующих. Это становится очень трудно реализовать. Безусловно, очень крупным компаниям это удается, но это чрезвычайно сложно. Поэтому я вижу появление новых классов алгоритмических парадигм, которые позволяют нам убирать целые слои, объединяя, например, процессы обучения, оптимизации и базу данных в одно целое. Вы просто устраняете целые классы слоев, так что что бы вы ни делали в области цепочки поставок, у вас появляется возможность реализовывать это в масштабах IT-систем, не внося при этом лишнего хаоса. Реальность такова, что если вернуться к вопросу, почему компаниям требуется так много лет для реализации своих идей, то часто это не столько изощренность машинного обучения или сложность алгоритмов, сколько всё, что происходит до и после, которое интегрируется очень слабо, и в итоге вы получаете…

Николь Зинт: Извините, что прерываю, но не могли бы вы пояснить, что вы подразумеваете под «всем, что происходит до и после»?

Йоаннес Верморель: Да, конечно. Прежде чем приступить к изощренному машинному обучению, необходимо настроить правильные конвейеры данных, создать надлежащие базы данных и обеспечить корректную очистку данных. А после машинного обучения нужно обеспечить способы интеграции его результатов в ERP-систему, систему управления заказами или WMS. Все эти элементы должны быть хорошо интегрированы, и вот здесь и заключается сложность.

Николь Зинт: Итак, Йоаннес, можете рассказать о сложности оптимизации цепочки поставок с точки зрения данных?

Йоаннес Верморель: Я бы сказал, что конвейеры данных чрезвычайно сложны. Сложность логистики данных фактически перевешивает сложность логистики физических товаров. Это как классическая точка зрения поставщика программного обеспечения. Но сейчас я наблюдаю, что компании, удваивающие свои усилия, позволяют IT-сложности стремительно расти. Это может быть реакция страха на драматические события последних двух лет. Однако это не сделает вашу цепочку поставок более устойчивой, если в итоге вы добавите ещё один класс риска из-за чрезмерной сложности. В наши дни я вижу всё больше компаний, которые останавливаются из-за IT-проблем — будь то атака программ-вымогателей или внутренние баги.

Николь Зинт: А профессор Симчи-Леви, как вы думаете, каким образом технологии могут быть использованы для улучшения оптимизации цепочки поставок?

Проф. Дэвид Симчи-Леви: Если бы мы обсуждали до пандемии возможности использования технологий, машинного обучения и оптимизации для улучшения бизнес-показателей и цепочек поставок, все бы согласились. Но руководители были бы крайне неохотно инвестировать в цифровизацию цепочки поставок, в том числе межцепочечную цифровизацию. Не потому, что они не видят выгоды – они её понимают, – а потому что их пугают огромные финансовые вложения и длительные сроки получения ожидаемой прибыли. Пандемия показала нам, что будущее уже наступило, что сегодня, благодаря доступным данным, мы можем сделать наши цепочки поставок более гибкими и устойчивыми.

Йоаннес Верморель: Если мы хотим добиться большего, особенно разумно подходить к таким сложным понятиям, как устойчивость и управление рисками, которые не поддаются прямым измерениям, нам нужны инструменты, способные справляться с этим. Но мы не должны разрабатывать решения, которые можно развернуть и ввести в эксплуатацию за относительно короткий срок, и это действительно вызов. Вопрос в том, что на данный момент универсальным инструментом, позволяющим принять решение в эксплуатации за 48 часов, является Microsoft Excel. И если у нас появится нечто, обладающее всеми свойствами, которые ищут в Excel — инструментом для принятия решений, который можно использовать для управления многомиллиардной цепочкой поставок и принимать необходимые решения здесь и сейчас с превосходной корректностью по замыслу, — это будет один из путей решения. Это определенно именно то направление исследований, которому мы отдаем предпочтение.

Nicole Zint: Профессор Симчи-Леви, не могли бы вы прокомментировать то, что только что сказал Йоаннес?

Проф. Дэвид Симчи-Леви: Позвольте мне продолжить мысли Йоаннеса и связать их с сегодняшними проблемами цепочек поставок и ИТ-проблемами.

Nicole Zint: Итак, Йоаннес, на ваш взгляд, насколько важна цифровизация цепочек поставок, и как она может принести пользу бизнесу?

Йоаннес Верморель: Используя доступные технологии, мы можем значительно повысить эффективность бизнеса. Возможно, мы не сможем извлечь все преимущества полной цифровизации цепочек поставок, но при умеренных финансовых вложениях и за относительно короткое время компании могут существенно повлиять на свою прибыль. Именно поэтому, на мой взгляд, несмотря на все обнаруженные нами проблемы, существует одна важная положительная тенденция. Мы понимаем, что будущее уже наступило, и компании, которые думают о дальнейшем развитии, должны воспользоваться этой возможностью, чтобы начать менять и цифровизировать часть своего бизнеса, чтобы справляться не с проблемами вчерашнего дня, а с проблемами и возможностями завтрашнего.

Nicole Zint: Профессор, вы согласны с мнением Йоаннеса относительно важности цифровизации цепочек поставок?

Проф. Дэвид Симчи-Леви: Абсолютно, я полностью согласен с Йоаннесом. Преимущества цифровизации цепочек поставок значительны, и компании, которые её не примут, останутся позади. Мы наблюдаем, как предприятия из различных отраслей внедряют цифровизацию и получают от неё пользу. От оптимизации уровней запасов до сокращения сроков поставки – цифровизация цепочек поставок способна преобразить бизнес.

Nicole Zint: Можете привести пример компании, которая успешно внедрила цифровизацию цепочек поставок?

Проф. Дэвид Симчи-Леви: Конечно, отличным примером является Walmart. Walmart – один из крупнейших розничных торговцев в мире, и он сумел использовать цифровизацию цепочек поставок для снижения операционных расходов и увеличения прибыли. Применяя аналитику данных и алгоритмы машинного обучения, Walmart смог оптимизировать уровни запасов, сократить отходы и улучшить сроки доставки.

Nicole Zint: Спасибо, Профессор, за этот пример. И спасибо вам обоим за участие в сегодняшней очень интересной дискуссии о цифровизации цепочек поставок.