Анализ ABC XYZ - Ep 144

00:00:00 Управление запасами: Обсуждение уровня обслуживания и запасов безопасности.
00:00:22 Жоанн оспаривает представления о уровне обслуживания и запасах безопасности.
00:02:10 Преимущества конкретных решений по управлению запасами.
00:03:07 Исследование сложностей измерения уровня обслуживания.
00:06:10 Жоанн о плюсах и минусах анализа ABC XYZ.
00:10:31 Разбор тонкостей оптимизации запасов.
00:11:22 Сложности проектирования проверяемой системы.
00:12:15 Критика ABC XYZ, ее психологические корни.
00:13:33 Анализ ABC XYZ, влияние когнитивности человека.
00:16:12 Погружение в ABC XYZ, вычислительная оценка значения.
00:21:04 Обсуждение нюансов категоризации и калибровки запасов.
00:23:53 Введение взгляда с корзины, сложности распределения запасов.
00:24:54 Отслеживание истории уровня обслуживания в управлении запасами.
00:26:55 Ошибки, вводящие в заблуждение, связанные с показателями уровня обслуживания.
00:28:51 Развенчание мифа об уровне обслуживания и удовлетворенности клиентов.
00:32:34 Водная аналогия для понимания цепей поставок.
00:34:25 Обсуждение динамической природы объема продаж продукции.
00:36:00 Качество обслуживания, ожидания клиентов, наличие продукции.
00:38:20 Развенчание математической ловушки в ассортименте продукции.
00:41:16 Миф о математических моделях в управлении запасами.
00:42:12 Недостаток модели ABC XYZ: игнорирование поведения клиентов.
00:43:41 Недостатки ABC XYZ как механизма приоритизации.
00:44:46 Неудачные попытки исправить ABC XYZ.
00:47:35 Недостатки предположений о цепях поставок, переход к автоматизации.
00:51:01 Ложность обсуждения среднедневных продаж.
00:52:49 Критика волатильности категоризации продукции.
00:54:07 Оспаривание ценности математической классификации.
00:56:11 Детерминистский и вероятностный подходы в управлении цепями поставок.
01:03:43 Обсуждение полезности искусственного интеллекта в преодолении разрывов.
01:07:56 Оспаривание традиционных предположений о цепях поставок.
01:10:33 Терпимость к неопределенности, сосуществование противоречий.
01:16:24 Реальность современных сложных цепей поставок.

Резюме

Конор Доэрти и Жоанн Верморель исследуют популярный инструмент анализа запасов ABC XYZ Analysis, утверждая, что его слишком упрощенный подход приводит к потере информации. Верморель оспаривает традиционные практики управления уровнем обслуживания и резервным запасом отдельно. Верморель выступает за использование технологий в управлении цепями поставок, учитывая сложность обработки больших объемов продукции. Он критикует ABC XYZ анализ за отсутствие динамизма и непринятие во внимание точки зрения клиентов. Верморель отдает предпочтение вероятностному подходу в управлении цепями поставок, который может предложить более тонкое понимание рисков и помочь в принятии решений по запасам.

Расширенное резюме

В этом интервью Конор Доэрти, ведущий, и Жоанн Верморель, основатель Lokad, анализируют популярный инструмент анализа запасов - ABC XYZ Analysis. Этот метод категоризирует продукты на основе объема и вариации и разделяет их на простые подгруппы. Верморель считает, что этот методология недостаточно учитывает характеристики продуктов, что приводит к потере ценной информации.

В интервью также рассматривается сложность установления соответствующих уровней обслуживания и резервных запасов. Верморель подчеркивает врожденную сложность этой задачи, оспаривая традиционную идею разбиения проблемы на более простые части, такие как уровни обслуживания и резервные запасы.

Верморель ставит под сомнение неявное предположение о том, что решение проблемы уровней обслуживания или резервных запасов отдельно упрощает задачу. Он предлагает, что сложности, возникающие при определении необходимого количества для пополнения, такие же, как и при определении правильного уровня обслуживания. Сложности, связанные с обоими процессами, схожи, что делает один процесс не более простым, чем другой.

Объясняя свою точку зрения, Верморель различает между конкретными, прямыми решениями относительно количества запасов и абстрактным понятием уровня обслуживания. Он указывает на то, что конкретные решения относительно количества запасов имеют ясные, измеримые последствия для цепи поставок, в отличие от абстрактных представлений уровней обслуживания. Следовательно, он утверждает, что фокусирование на конкретных, измеримых действиях, а не на абстрактных концепциях, может упростить задачу.

Верморель переходит к критике инструментов, таких как ABC XYZ анализ, которые используются для определения политик запасов. Он описывает эти инструменты как “механизмы приоритизации внимания”, направленные на помощь людям в принятии решений по запасам. Хотя эти инструменты могут быть полезными для определения, какие продукты получают внимание на основе объема продаж, Верморель считает, что они не фундаментально упрощают исходную проблему.

Фактически, Верморель утверждает, что фокус на разработке инструментов, помогающих людям приоритизировать внимание при принятии решений, отвлек нас от исходной проблемы. Этот сдвиг, который он сравнивает с концепцией программного обеспечения “Yak shaving”, привел к попытке решить гораздо более сложную проблему: как лучше представить информацию людям для принятия решений.

Он критикует этот подход, указывая на то, что если компьютеры используются для решения проблемы, то нет необходимости приоритизировать внимание людей. Компьютеру следует иметь возможность решать проблему полностью, без вмешательства человека на каждом шаге процесса.

Доэрти давит на Вермореля в связи с его отказом от вариации спроса как “побочной проблемы”. Верморель отвечает, повторяя свой основной аргумент: исходная проблема заключалась в принятии правильного решения по инвентаризации. Однако, если люди являются частью процесса, их ограниченная способность обрабатывать информацию требует приоритизации. Инструменты, такие как анализ ABC XYZ, были созданы для облегчения этого процесса приоритизации, но Верморель предлагает, что это отвлекло нас от решения исходной проблемы.

Вместо этого Верморель предлагает присвоить каждому продукту ранг в соответствии с его объемом продаж. Он утверждает, что система ранжирования предлагает более информативный способ классификации продуктов, поскольку она сохраняет больше данных. Эта система соответствует вычислительным возможностям современных компьютеров, позволяя проводить более точный анализ, чем у человеческого разума.

Верморель далее критикует идею о том, что человеческий разум является основным принимающим решения в управлении цепями поставок. Учитывая большое количество продуктов, с которыми компания имеет дело ежедневно, он предлагает, что у человеческого разума есть значительное ограничение в способности эффективно управлять запасами. Он подразумевает, что полагаться на технологии для управления этими сложностями было бы более эффективно.

Он обсуждает практику разделения продуктов на категории на основе объемов продаж, оспаривая этот метод, поскольку он приводит к потере информации. Он сравнивает этот метод с приближением круга многоугольником - чем больше ребер вы добавляете, тем ближе он приближается к кругу, но он никогда не будет идеальным представлением. Для Вермореля классификация продуктов на несколько категорий является грубым приближением гладкой, непрерывной кривой, которая представляет ранг каждого продукта на основе объема продаж.

Переходя к теме SKU (Stock Keeping Units), Верморель возражает против рассмотрения SKU в изоляции, предлагая, что это упрощает проблему, но не решает ее эффективно. Он критикует метод безопасного запаса, который включает уровни обслуживания, поскольку он основан на предположениях о будущем спросе и сроке поставки, но они не распределены нормально, как предполагает метод. Он предполагает, что этот метод может привести к некоторым проблемным ситуациям, таким как отрицательные сроки поставки и продажи.

Верморель утверждает, что концепция уровня обслуживания фундаментально ошибочна. Он указывает на то, что может показаться интуитивным, что более высокий уровень обслуживания указывает на более высокую удовлетворенность клиента. Однако математическая модель, лежащая в основе расчетов безопасного запаса, не предоставляет никакого понимания удовлетворенности клиента.

Он подчеркивает важность рассмотрения управления цепями поставок как многомерной проблемы, учитывая разнообразие и количество продуктов, с которыми большинство компаний имеют дело. Верморель предлагает, что для цепей поставок с большим количеством SKU следует выбирать другой подход, поскольку сложные, возникающие свойства такой системы существенно отличаются от свойств более простой, однопродуктовой системы.

Затем Верморель обсуждает сложности оптимизации цепей поставок. Так же, как понимание одной молекулы не дает полного представления о воде во всех ее формах, понимание одного продукта не означает понимание всей цепи поставок. В цепях поставок существует огромное разнообразие и сложность, с множеством элементов, недоступных для представления из перспективы одного продукта.

Верморель критикует распространенный подход к управлению цепями поставок: анализ ABC XYZ. Он замечает, что объемы продаж не являются статическими, а скорее динамическими, с широкими колебаниями со временем. Даже один продукт может попадать в разные категории на протяжении своего жизненного цикла, что делает модель ABC XYZ, которая воспринимает объем продаж как статический, недостаточной.

Эта нединамичность проблематична, поскольку ожидания клиентов постоянно меняются, и цепи поставок должны соответствующим образом адаптироваться. Если от пекарни ожидают, что хлеб будет доступен каждый день, любой дефицит товара нарушает “социальный контракт”, нанося ущерб восприятию клиентом качества обслуживания. Это восприятие не определяется цепью поставок, а скорее самими клиентами.

Интересно, Верморель упоминает, что уровень обслуживания одного продукта не переводится в удовлетворительный опыт клиента, когда вовлечены несколько продуктов. Например, в супермаркете с уровнем обслуживания 95% для каждого продукта клиент, желающий приобрести 20 продуктов, может не найти все, что нужно, что снижает воспринимаемый уровень обслуживания до менее 10%. Это расхождение иллюстрирует значительную разницу между математическими моделями и восприятием клиентов.

Верморель подчеркивает, что анализ ABC XYZ, несмотря на свое успокаивающее название (подразумевающее безопасность и контроль), лишен нескольких важных факторов. Он не учитывает изменчивость со временем, игнорирует точку зрения клиента и не признает важность комбинаций продуктов в корзине покупателя.

Ведущий, Конор Доэрти, добавляет, что если клиент заходит в магазин с намерением купить определенный товар и не может найти его, он может уйти, не купив ничего, что приводит к потере потенциальных продаж.

Верморель критикует анализ ABC XYZ как механизм приоритизации внимания, утверждая, что он не выделяет действительно важные элементы в управлении цепями поставок. Он признает, что подход, основанный на планировании потребностей в материалах на основе спроса (DDMRP), который приоритизирует продукты на основе отклонения от целевых буферов, более разумен для приоритизации внимания.

Верморель утверждает, что анализ ABC XYZ не является полезным подходом для согласования сложностей цепей поставок. Он утверждает, что он основан на ряде ошибочных предпосылок и что попытки исправить его приведут только к накоплению “скотча” на методе, движущемся в неправильном направлении. Вместо этого он выступает за подход, который ценит сложности и динамизм цепей поставок и важность точки зрения клиента.

Затем Верморель углубляется в роль технологий в управлении цепями поставок, указывая на то, что только недавно машины стали достаточно способными автоматизировать принятие решений в цепях поставок. Он отмечает, что эта эволюция относительно медленна по сравнению с технологическими достижениями современности. Он иллюстрирует этот момент исторической аналогией: переход от генерации собственной электроэнергии компаниями к ее покупке у сети занял около 40 лет, несмотря на явные преимущества последнего.

Беседа переходит к фокусу на подходах ABC и ABC XYZ к паттернам спроса, которые Верморель находит недостаточными. Он критикует их статическую и абстрактную природу, утверждая, что они не точно представляют реальные явления. Например, он показывает, что категории продуктов могут быть нестабильными со временем, и их классификация может переходить из одной категории в другую в анализе ABC, что не приносит существенной ценности бизнесу.

Продолжая эту тему, Верморель критикует матрицу ABC XYZ как всего лишь иллюзию паттерна, давая бизнесам ложное ощущение научной точности, когда реальность намного более хаотична и нюансирована. Он утверждает, что эти классификации могут быть произвольными, что приводит к упрощению сложного и непрерывного спектра категорий продуктов.

Затем обсуждение переходит к вероятностному подходу к управлению цепями поставок. Верморель подчеркивает ценность вероятностного прогнозирования как инструмента для захвата и обработки большого количества информации, что полезно при оценке неопределенности. Этот метод, по его мнению, особенно полезен, поскольку он позволяет более тонко понимать риски, что дополнительно позволяет компаниям принимать более обоснованные решения относительно объемов запасов.

Верморель затем углубляется в роль технологий в управлении цепями поставок, указывая на то, что только недавно машины стали достаточно способными автоматизировать принятие решений в цепях поставок. Он отмечает, что эта эволюция относительно медленна по сравнению с технологическими достижениями современности. Он иллюстрирует этот момент исторической аналогией: переход от генерации собственной электроэнергии компаниями к ее покупке у сети занял около 40 лет, несмотря на явные преимущества последнего.

Беседа переключается на подходы ABC и ABC XYZ к паттернам спроса, которые Верморель находит недостаточными. Он критикует их статическую и абстрактную природу, утверждая, что они не точно отражают реальные явления в мире. Например, он показывает, что категории товаров могут быть нестабильными со временем, и их классификация может переходить из одной категории в другую в анализе ABC, что не приносит существенной ценности бизнесу.

Продолжая эту тему, Верморель критикует матрицу ABC XYZ как всего лишь иллюзию паттерна, давая бизнесам ложное ощущение научной точности, когда реальность намного более хаотична и тонка. Он утверждает, что эти классификации могут быть произвольными, что приводит к упрощению сложного и непрерывного спектра категорий товаров.

Затем обсуждение переходит к вероятностному подходу к управлению цепями поставок. Верморель подчеркивает ценность вероятностного прогнозирования как инструмента для захвата и обработки большого количества информации, что полезно при оценке неопределенности. Этот метод, по его мнению, особенно полезен, поскольку он позволяет более тонко понимать риски, что дополнительно позволяет компаниям принимать более обоснованные решения относительно объемов запасов.

Верморель подчеркивает два преимущества вероятностного прогнозирования: оно предоставляет более подробную информацию о системе и позволяет связать финансовое видение с будущими предвидениями. В отличие от точечных прогнозов, вероятностные прогнозы предоставляют множество методов, которые могут переопределить качество принятия решений в евро или долларах.

Верморель утверждает, что подход к прогнозированию ABC XYZ представляет собой тупик из-за его неспособности связать метрические результаты с финансовыми результатами в осмысленном виде. Он критикует попытки преодолеть эту разрыв с помощью искусственного интеллекта или машинного обучения, которые он сравнивает с установкой авиационного двигателя на медленный автомобиль. Такие решения, по его мнению, излишне сложны и не учитывают фундаментальные проблемы, которые могут быть решены более простым и эффективным способом.

Основатель Lokad также подчеркивает важность инженерии качества в управлении цепями поставок. Он предупреждает о чрезмерной сложности систем цепей поставок и призывает сосредоточиться на решении базовых проблем. Например, он приводит гипотетический сценарий, когда супермаркет не имеет в наличии популярную марку подгузников, что заставляет клиентов уходить, как проблему, которая не будет решена с помощью излишне сложных методов прогнозирования.

Верморель советует тем, кто сомневается в вероятностном прогнозировании, оспорить свои предположения и подвергнуть сомнению основное рассуждение метода ABC XYZ. Он утверждает, что, хотя метод делает то, для чего предназначен (т.е. создает матрицу продуктов, агрегированных в кластеры по двум измерениям), основная логика и видение метода ошибочны и, вероятно, устарели.

Доэрти предлагает, что две кажущиеся противоречивые вещи могут быть одновременно верными: устаревший метод может работать в течение некоторого времени, но при этом не являться лучшим решением. Верморель развивает эту мысль, подразумевая, что бизнесы часто ошибочно принимают “работающий вообще” за “работающий оптимально”. Он приводит аналогию с переноской воды в ведрах: хотя это технически работает, существуют лучшие альтернативы.

И Доэрти, и Верморель соглашаются с важностью признания неопределенности в управлении цепями поставок и необходимостью гибкости. Интервью заканчивается предостережением Вермореля о постоянной переоценке и вызове установленных практик управления цепями поставок.

Полный текст

Конор Доэрти: Добро пожаловать на LokadTV. Установка соответствующего уровня обслуживания и запаса безопасности является сложной задачей, существует множество вариантов на рынке, и поставщики пытаются продать вам ответы. Одним из таких инструментов является анализ ABC XYZ, и здесь, чтобы помочь мне его проанализировать, находится основатель Lokad Джоаннес Верморель. Давайте начнем с самого начала - уровень обслуживания, запас безопасности, все эти политики запасов. Почему их так сложно установить?

Джоаннес Верморель: Существует множество вариантов, пытающихся ответить на эти вопросы. То, что мы воспринимаем как подзадачи, на самом деле не является подзадачами. Например, давайте поговорим о уровнях обслуживания. Существует неявное предположение, что выбор уровней обслуживания как-то проще, как меньшая часть всей проблемы. Если вы сможете справиться с этим, то вы справитесь и с другими вещами. Неявное предположение состоит в том, что мы разложили проблему на составные части. Проблема заключается в выборе правильного количества товара для производства, хранения или выделения. Когда вы говорите “уровень обслуживания” или “запас безопасности”, вы неявно разбиваете проблему на части. Я оспариваю идею, что такое разложение делает проблему проще, чем исходная. Когда вы сталкиваетесь с проблемой уровня обслуживания, вы сталкиваетесь с вызовом, который так же сложен и переменчив, как и ваша исходная точка. Таким образом, неудивительно, что установка уровня обслуживания не проще, чем непосредственное определение фактического количества для пополнения.

Конор Доэрти: Если бы вы могли переформулировать проблему в своих терминах, как бы вы ее видели?

Джоаннес Верморель: В условиях оптимизации запасов мы пытаемся принять решение. Решение является конкретным. Речь идет о том, сколько единиц выделить, произвести или приобрести. Это решение будет иметь очень конкретные последствия для вашей цепочки поставок. В отличие, скажем, от решения иметь уровень обслуживания 97% в этом магазине. Это абстракция. Нет такого понятия, как уровень обслуживания 97%. Это потенциально полезный артефакт, но это нечто, что имеет конкретный аналог в вашей цепочке поставок. Когда я говорю, что это абстракция, я имею в виду, что уровень обслуживания сопряжен с множеством открытых проблем, которых у вас нет при работе с решением. Если я решу выделить 10 единиц магазину, здесь нет никакой неоднозначности. Через некоторое время я смогу измерить, что я решил выделить 10, и 10 единиц были фактически перемещены. Однако это не относится к уровню обслуживания. Если появится больше клиентов, чем я ожидал, у меня фактически не будет уровня обслуживания 97%. Вот почему я считаю его артефактом, а не чем-то конкретным, отражающим базовую реальность вашей цепочки поставок.

Конор Доэрти: И насколько то, что вы только что описали, фактически отражается с помощью инструмента, такого как анализ ABC XYZ или его предшественника, ABC?

Джоаннес Верморель: Практики в сфере цепей поставок хотят получить решение. Если вы просто смотрите на цифры и оцениваете, что вам нужно, это очень низкотехнологичный способ сделать это. Множество магазинов до сих пор работает таким образом. Это все примерные оценки, и это работает. Однако этот метод кажется грубым, поэтому люди пытаются его усовершенствовать. Затем они сталкиваются с проблемой - у них много товаров, и они понимают, что человек, просматривающий список товаров, не будет пересматривать каждый товар каждый день. Таким образом, нам нужен механизм приоритизации внимания. Один из способов - сортировка товаров по объему продаж от самых высоких до самых низких. Вы можете начать с верхнего и двигаться вниз, решив пересматривать верхние 10 товаров ежедневно, половину списка еженедельно и полный список только раз в месяц. Это одно из того, что вы могли бы сделать, и это в основном суть ABC. Но интересная вещь в ABC XYZ заключается в том, что это вариация этого. Это механизм приоритизации внимания, предназначенный для людей.

Теперь, на этом этапе, я думаю, что мы должны оспорить, какую проблему мы пытаемся решить. Мы начали с проблемы, хотящей выбрать правильное количество товара для выделения, производства или приобретения. Это что-то очень конкретное и прямое. Однако кажется, что мы перешли от этой проблемы к другой проблеме, которая заключалась в выборе уровня обслуживания, а также выборе запасов безопасности.

Затем мы столкнулись с еще одной проблемой, которая заключается в приоритизации внимания. Я вижу начинающий проявляться шаблон, который в программировании известен как “Yak shaving”. Так что вы хотели сделать что-то очень простое, например, “Я хочу обновить Windows 10 до Windows 11”. Но затем вы оказываетесь делая нечто кажущееся не связанным, например, открывая компьютеры, меняя гайки и болты в компьютерах. У вас была очень простая цель в виду, но вы отклонились и занялись чем-то, что только косвенно связано с исходной задачей.

Вот точно то, что мы делаем здесь с нашей проблемой оптимизации запасов. Мы начали с проблемы “Давайте выберем правильное количество для выделения, производства или закупки”. И теперь мы пытаемся решить гораздо более сложную проблему: “Как я должен организовать информацию для представления этим человеком?”

Однако это очень сложная проблема. И совершенно не ясно, что решение этой проблемы - это лучший способ ответить на наш исходный вопрос. Например, предположим, у нас есть два числа, и мы хотим их сложить. Действительно ли мне нужно задумываться о том, чтобы разработать систему, которая может представлять промежуточные шаги человеку, чтобы проверить правильность сложения? Это на порядки сложнее, чем просто разработать схему для выполнения сложения.

Моя критика здесь в отношении этого подхода ABC XYZ заключается в том, что мы начали с проблемы, которая казалась очень сложной. Она действительно довольно сложная. Мы попытались разложить эту проблему, но мы отклонились. Теперь мы пытаемся разобраться с другой проблемой, которая почти как эмпирическая психология: как организовать правильную приоритизацию внимания для людей. Но если вы собираетесь использовать компьютер для решения этой проблемы в первую очередь, зачем вам нужно приоритизировать внимание человека? Просто пусть компьютер решит проблему за вас.

Conor Doherty: Если я могу немного поддержать вас в этом, потому что я следовал, но как прокси для аудитории, я понимаю, что анализ ABC, как правило, основан на объеме продаж или выручке от продаж. Мы разбиваем наши SKU на три категории: A, B, C. XYZ - это второе измерение, обычно разброс спроса. И если я правильно понял, вы фактически отвергаете количественную оценку разброса спроса как побочное заботу. Можете объяснить, почему?

Joannes Vermorel: Мы начали с проблемы: мы хотим принять правильное решение по запасам, выраженное в количестве. Мы поняли, что если мы вовлечем человека в процесс, у человека есть ограниченная способность обрабатывать информацию. Поэтому нам нужно приоритизировать это. Если мы просто сделаем базовую приоритизацию от большего объема продаж к меньшему объему продаж, мы получим ABC.

Когда у нас есть это, нам нужно дополнительно поддержать этого человека, помогая ему понять, какой уровень безопасности запаса и уровень обслуживания будет соответствовать каждой из этих линий. Но это просто разложение проблемы таким образом, чтобы человеческий разум мог ее обработать.

XYZ - это добавление еще одного измерения, которое будет отражать степень шума или вариации среди этого списка. Так что мы берем первые, скажем, десять процентов, самых продаваемых наших продуктов, а затем мы хотим разделить этот список на части, которые представляют степень фонового шума для каждого продукта. Так что вместо простого списка сегментов у вас есть матрица. Вот вам ABC XYZ.

Но это в основном что-то, что очень сильно нацелено на человеческий разум. Вопрос, который вы должны задать себе, если вы хотите, чтобы машина обрабатывала весь процесс от начала до конца, есть ли какая-либо польза от этой сегментации? Помогает ли она мне решить проблему?

Совсем нет. Критики, вероятно, указали бы на то, что, создавая, в общем, матрицу из девяти категорий, вы можете определить разброс и наиболее значимые SKU. Затем вы можете установить соответствующие уровни, например, сколько запаса безопасности я хочу для этого? Какой уровень для каждого SKU? Есть разница между AX и CZ, например. Давайте предположим на минуту, что эти два измерения информативны. Ну, с точки зрения компьютера, почему бы не рассмотреть дискретные группы? Зачем иметь полдюжины подгрупп для объема и еще полдюжины для разброса? Вы можете просто использовать ранги, чтобы выстроить продукты от наибольшего объема продаж до наименьшего объема продаж. Вы можете получить число, которое дает вам точный ранг среди вашего портфеля по объему. Затем вы можете сделать то же самое для разброса.

Ранги дают вам строго больше информации. Если вы смотрите на свои классы в смысле ABC или XYZ, класс - это просто приближение ранга. Это приближение служит только одной цели - быть более усваиваемым человеческим разумом. Но с точки зрения компьютера, вы просто сохраняете ранг. Ранг дает вам строго больше информации. Класс - это потерянное представление; вы теряете много информации. Из этой потери информации ничего хорошего не выходит.

Если мы сказали, что эти два измерения имеют значение, я не говорю, что они не имеют значения. Я просто говорю, что с точки зрения размерного разложения вашей проблемы эти измерения произвольны. Не очень ясно, что это лучший способ решить ее. Если вы просто смотрите на эти два измерения и сохраняете ранги, у вас будет что-то, что, как индикаторы, создаст пару рангов для каждого продукта. Эта пара рангов строго информативнее, чем ваша пара классов.

Это не просто метод, который идет вместе с интересующим объемом и дисперсией; он с самого начала разрабатывался с учетом человеческого разума в качестве процессора этой информации. И вот где я вызываю сомнения - зачем вам это в первую очередь? У нас есть мощные компьютеры. Вы думаете, что есть что-то, что требует человеческой души для принятия этих решений по инвентаризации?

Если мы посмотрим на магазин, в котором есть 10 000 продуктов, все эти вещи вращаются каждый день. Вы думаете, что есть что-то для человека, который будет тратить, в среднем, около четырех секунд на каждый продукт? Будет ли там что-то вроде вспышки гениальности?

Я не оспариваю, что человеческий разум может делать невероятные вещи, когда ему дают время и ресурсы. Если взять Альберта Эйнштейна и дать ему месяцы или годы, он может делать вещи, которые невероятны, гораздо превосходящие то, что мы можем делать с помощью машин. Но это не контекст, в котором мы работаем в снабжении. Люди испытывают огромное давление, чтобы просто сделать свою работу.

Итак, если мы посмотрим, сколько секунд мозговой мощи вы сможете выделить на каждый SKU, обычно это очень мало. Для большинства отраслей это будет вопросом секунд на SKU в день. Мы обсуждали категории, но мы не обсуждали, как категории калибруются. Это результат работы нескольких человеческих разумов, насколько я понимаю.

Но если вы видите, что у вас есть ранги, и теперь вы можете решить с помощью процентилей, что у вас будет разделение, вы можете сказать, что категория A находится до процентиля 10. Это топ-10 или процентиль A - топ-два процента, потому что когда вы строите график всех продуктов от самого продаваемого до самого непродаваемого, то получаете практически всегда кривую Ципфа, о которой я упоминал в одной из своих лекций. Эта кривая непрерывна, без плато или дискретных разделов, она полностью гладкая.

Это подобно приближению круга в старых видеоиграх, где вам приходилось приближать круг многоугольником. Если вы делали восьмиугольник, вы получали круг низкого разрешения. Добавляя больше ребер, вы приближаетесь к кругу визуально. Если у вас тысячи ребер, вы получаете нечто, очень похожее на круг.

Но то, что я вижу здесь, похоже на то, что вы пытаетесь приблизить круг квадратом. Если у вас есть четыре класса, вы приближаете свой сегмент квадратом. Если у вас пять, у вас будет пятиугольник и так далее. Чем больше классов вы добавляете, тем лучше ваше приближение. Но если вы полностью убираете приближение, у вас остается ранг каждого отдельного продукта.

Итак, я бы сказал, не вводите группы, придерживайтесь рангов. Если вы предполагаете, что объем и дисперсия являются полезными измерениями, что я оспариваю, то эти ранги дают вам более информативную версию этих двух измерений. Любой механизм группировки, который вы вводите, будет ухудшать эту информацию.

Конор Доэрти: Это очень плавно переходит к перспективе корзины, что меня очень интересует в контексте решения этой проблемы. Она рассматривает SKU в сочетании, а не в изоляции. Как это вписывается в этот разговор?

Жоанн Верморель: Мы начали с простой проблемы, по крайней мере, простой в своем выражении: выбор правильного количества товара на складе для выделения, производства, закупки или сохранения. Мы отклонились от нее из-за широко используемого метода, связанного с уровнем обслуживания и запасами безопасности, но я действительно сомневаюсь в правильности этих методов.

Взгляд на уровень обслуживания основан на исторически упрощенных предположениях о будущем спросе, где мы прогнозируем нормально распределенную ошибку по спросу, так же и для времени выполнения заказа. Однако неопределенность не является нормально распределенной, но это уже другая проблема.

Как только у нас есть наша нормальное распределение, которое является гауссовым, мы выбираем параметр, квантиль, который дает тот же эффект, что и уровень обслуживания. Это даст мне целевое количество, которое я должен поддерживать на складе. Этот запас безопасности является результатом разницы между средним и квантилем при рассмотрении одномерного распределения.

Но из-за того, что это нормальное распределение, оно стремится к бесконечности в обоих направлениях. Классическая модель запасов безопасности дает вам некоторые странные результаты, такие как отрицательные времена выполнения заказа и отрицательные продажи, что очень странно, но они являются частью модели.

Это означает, что вы можете выбрать значение уровня обслуживания, которое может дать вам любое целевое значение запаса между плюс бесконечностью и минус бесконечностью, в зависимости от того, как вы выбираете свой уровень обслуживания. Это не теоретический вывод, это буквально то, что говорит вам математика. Так что, когда у вас есть гауссово распределение, вы выбираете свой квантиль, и он может принимать любое конечное значение, между минус бесконечностью и плюс бесконечностью.

Конор Доэрти: Можете ли вы объяснить концепцию уровня обслуживания в управлении цепями поставок?

Жоанн Верморель: При рассмотрении уровней обслуживания важно понимать, что диапазон может охватывать отрицательную бесконечность до положительной бесконечности. Фактически, ваш уровень обслуживания идентичен количеству, которое вы решаете пополнить. Для любого количества, которое вы выбираете для пополнения, существует соответствующий уровень обслуживания, понимаемый как нормальное распределение. Это не просто аналогия; это математическое эквивалентность. Для каждого известного вам количества, если у вас есть модель запасов безопасности, будет соответствующий уровень обслуживания в этой настройке нормального распределения.

Теперь люди могут ошибочно полагать, что поскольку уровень обслуживания выражен в процентах, это проще или легче. Это иллюзия. Единственное слегка хорошее в этом заключается в том, что это помогает нормализовать масштаб, потому что все ваши продукты имеют различные объемы и жизнеспособность. Выражение вашего количества, которое должно быть выделено, закуплено или произведено в виде целевого уровня обслуживания делает его независимым от объема и независимым от предвзятости. Однако это слабый аргумент.

Термин “уровень обслуживания” может ввести в заблуждение, потому что люди могут подумать, что очень высокий уровень обслуживания всегда воспринимается положительно клиентами. Это неправильное понимание. Математика модели запасов безопасности ничего не говорит о удовлетворенности клиентов. Люди склонны думать, что если они стремятся к высокому уровню обслуживания, это должно быть хорошо для клиентов. Но это полное непоследовательность.

Конор Доэрти: Можете ли вы подробнее рассказать, почему это восприятие уровня обслуживания может быть проблемой?

Жоанн Верморель: Проблема возникает из наивного представления о качестве обслуживания как одномерной проблеме. Это могло быть верно в 18 веке для пекарни, продающей один продукт, например, хлеб. Эта одномерная перспектива все еще существует на некоторых товарных рынках.

Но большинство современных цепей поставок имеют дело с тысячами, если не десятками тысяч продуктов. Когда мы умножаем количество SKU на количество мест, мы легко можем получить десятки тысяч, сотни тысяч или даже миллионы SKU для крупных компаний. Это значительное количество SKU вызывает проблемы с одномерным анализом.

Разница в масштабе может стать разницей в сущности. Возникающие свойства, которые вы получаете, когда у вас есть тонны продуктов, очень отличаются от того, что у вас было, когда у вас был только один продукт.

Конор Доэрти: Когда вы упоминаете возникающие свойства, можете ли вы дать некоторые пояснения? Кажется, это важная деталь.

Жоанн Верморель: Да, конечно. Примером возникающего свойства является то, как молекула воды ведет себя по-разному в зависимости от своего состояния - будь то газ, жидкость или твердое вещество. Если вы хотите объяснить все поведения, которые можно наблюдать с водой, это займет недели или месяцы. Это не так просто, как выбрать молекулу и объяснить ее за 30 минут, что, возможно, было бы возможно с учениками старших классов. Тот же принцип применяется, когда вы имеете дело с множеством SKU в цепочке поставок, а не только с одним. Это требует более сложного анализа.

Существует опасность думать, что когда вы все понимаете о одной молекуле воды, вы знаете все о самой воде. Это не совсем так. Аналогично, когда вы говорите: “У меня есть модель, которая объясняет один продукт, и теперь я могу объяснить свою цепочку поставок, которая состоит из множества продуктов”, я бы настоятельно рекомендовал быть осторожным. Есть много вещей, которые невозможно представить в вашей модели с одним продуктом. Это всего лишь упрощенный пример, который не отражает истинной сложности вашей цепочки поставок.

Даже если мы рассмотрим только один продукт, с течением времени возникают вариации. Например, если вы рассмотрите только один продукт в изоляции, его рейтинг будет сильно колебаться со временем. Большинство продуктов имеют жизненный цикл, в котором они начинают медленно, нарастают, достигают плато и затем в какой-то момент снижаются. Таким образом, эту одномерную модель, которая рассматривает объем продаж, как статический показатель, можно считать неверной. Она динамична, и это еще одно измерение, которое часто упускается из виду.

Частью качества обслуживания является этот динамический, зависящий от времени поведения. Если мы возьмем пример пекарни, клиенты ожидают найти хлеб каждый день. Любое отсутствие товара на складе нарушает этот социальный контракт.

Напротив, если вы ненадежная пекарня, в которой хлеб есть только через день, но ваш хлеб намного дешевле, чем у конкурентов, клиенты все равно могут быть довольны вами. У них есть встроенное ожидание вашего обслуживания.

Качество обслуживания - это не то, что находится в вашей цепочке поставок - это фундаментально в умах ваших клиентов. Не все согласятся с этим, поэтому это несогласованно. Если мы начнем агрегировать эти ожидания, это может быть вводящим в заблуждение.

Когда мы добавляем несколько продуктов в смесь, вступает в игру еще одно измерение. Если клиенты хотят несколько продуктов, мы должны рассмотреть, могут ли они найти комбинацию, которая имеет смысл для них. Одна из распространенных ошибок - предположить, что если у всех моих продуктов уровень обслуживания 100%, то все комбинации продуктов также будут иметь уровень обслуживания 100%. Это верно только в том случае, если у вас никогда не заканчивается товар, что практически невозможно.

Когда вы начинаете изучать вероятность наличия или отсутствия комбинаций продуктов, вы получаете перспективу, которая очень отличается от того, что может дать вам простая модель безопасности запасов/уровня обслуживания.

Просто чтобы проиллюстрировать это, давайте рассмотрим пример супермаркета, у которого уровень обслуживания для всех его продуктов составляет 95%, что довольно хорошо. В Европе средний уровень отсутствия товара на полке составляет 7%, поэтому 95% уровень обслуживания - это довольно хорошо. Если у вас есть клиент, который хочет 20 продуктов, что даже не является большой корзиной, вероятность того, что хотя бы один из этих продуктов отсутствует, вероятно, высока. Мне бы понадобилось посчитать, но при условии независимой доступности вероятно у вас есть менее 10% шансов найти все.

Итак, мы начинаем с того, что с точки зрения безопасности запасов и спроса кажется очень хорошим, создавая впечатление о уровне обслуживания 95% и выше. Но с точки зрения клиента, вероятно, менее 10% клиентов, заходящих в магазин, найдут именно то, что искали. Эти две вещи могут быть верными одновременно. У вас может быть уровень обслуживания 95% и выше, и все же менее 10% ваших клиентов уйдут из магазина довольными.

Что насчет товаров, которые ожидаются вашими клиентами, но не являются частью вашего ассортимента? Уровень обслуживания в этом смысле слепой. Если есть товар, который очень востребован, но у вас его просто нет, это не будет считаться нехваткой товара или уровнем обслуживания ноль процентов - он просто не учитывается вообще.

Например, если я возьму крайность и представлю себе магазин, заполненный товарами, которые никому не нужны, этот магазин имеет, по определению, уровень обслуживания 100%. Никто не хочет этих товаров, но они выставлены на показ, поэтому у вас идеальный уровень обслуживания. Чем больше у вас товаров, которые никому не нужны, тем лучше ваш уровень обслуживания. Это полностью механическая проблема, проблема с этими математическими моделями.

Мы должны быть очень осторожны, особенно когда у этих моделей есть звучные названия, такие как “Safety Stock”. Существует нелогичный переход, когда люди предполагают, что потому что это математическая модель с хорошим названием, она должна быть хорошей для клиентов, но это необоснованный скачок.

Конор Доэрти: Подведем итоги того, что вы сказали, критика ABC XYZ с точки зрения корзины. Клиенты, как правило, не покупают в изоляции. Если у них нет доступа к определенному артикулу, это может заставить их покинуть магазин, не купив ничего, даже другие товары высокого качества. Это означает, что магазин теряет все потенциальные продажи, а не только отдельный артикул.

Жоанн Верморель: Да, и если мы вернемся к первоначальному намерению, ABC XYZ должна быть механизмом приоритета внимания для людей. Но это хороший механизм для приоритизации внимания? Я бы сказал, что абсолютно нет. Как механизм приоритизации, он плохой - он не выделяет ничего действительно значимого.

И хотя я не являюсь большим поклонником DDMRP, я признаю, что как механизм приоритизации внимания, способ, которым DDMRP определяет буферы и приоритизирует продукты по отклонению от целевых буферов, имеет больше смысла, чем ABC XYZ. По крайней мере, он вполне приемлем в этом отношении. ABC XYZ - нет.

Конор Доэрти: Есть ли способ совместить ABC XYZ как инструмент приоритизации внимания с этими только что описанными проблемами, особенно с точки зрения корзины?

Жоанн Верморель: Нет, его нет. Вы начинаете с ряда плохих предпосылок. Во-первых, вы говорите, что хотите, чтобы человек был вовлечен, что я оспариваю. Затем вы делаете вторую ошибку с моделью моно-продукта, моно-SKU с встроенным предположением о нормальном распределении. Это очень плохо. Это приводит к катастрофическим результатам. Затем, если вы делаете еще одно ошибочное предположение о дискретизации вашего пространства, это не добавляет никакой информации, на самом деле оно теряет информацию. Мы отклонились от напряжений, которые только усугубляются.

Теперь мы понимаем, что у нас накопилось много дефектов. Мы пытаемся исправить это с помощью того, что можно сравнить с клейкой лентой, добавляя переменные, которые дают нам ABC XYZ. Мы могли бы попытаться найти другие способы исправить метод, но на самом деле мы идем в неправильном направлении. Каждый дополнительный шаг, который вы делаете, просто добавляет больше клейкой ленты. Это не хорошая инженерия.

Процесс, который вы создаете, просто не очень хороший. Добавление больше заплаток не сделает его лучше. Единственное решение - вернуться и пересмотреть сделанные предположения. Действительно ли они действительны? Если нет, вам следует полностью пересмотреть подход, который вы выбираете.

Если мы вернемся к нашей отправной точке, мы начали с конкретной проблемы - принятия решений по запасам. Но на протяжении нашего пути к решению проблемы мы сделали много предположений, и теперь мы сталкиваемся с последствиями этих ошибок. Когда вы сделали много ошибок, вы не можете просто сделать второе доказательство, чтобы исправить свою проблему.

Это похоже на ситуацию, когда вы спрашиваете математика, может ли второе доказательство исправить неправильное. Ответ - нет. Вы не можете исправить свою проблему с помощью второго доказательства. Единственный способ - отбросить неправильное доказательство, сделать работу заново, и тогда у вас будет правильный путь. То же самое с программным обеспечением. Если у вас есть неправильные предположения, вы не можете исправить их позже. Вам нужно вернуться к моменту, где вы сделали ошибку, исправить ее, и затем продолжить свой путь.

Многие компании создали целые практики на основе неправильных предположений. Из-за того, что цепи поставок очень непрозрачны и сложны, люди могут работать десятилетиями, не осознавая ничего лучшего.

Прошло всего 20 лет с тех пор, как у нас появились вычислительные машины, способные автоматизировать принятие решений в цепи поставок недорого. Современные компьютеры, способные справиться с сложностью современной цепи поставок, не существовали всегда. Они существуют уже довольно долгое время, но не веками. Для многих крупных компаний, занимающихся цепями поставок, автоматизация стала возможной только 20 лет назад.

Для сравнения, в США и в Европе потребовалось около 40 лет, чтобы перейти от компаний, производивших свою собственную электроэнергию, к покупке электроэнергии из сети. Принятие технологии может быть медленным процессом. В конце 19-го и начале 20-го века, как в Европе, так и в США, потребовалось около 40 лет, чтобы перейти от производства электроэнергии внутри компании к покупке ее из сети.

Так что с точки зрения временных рамок развитие машин, способных выполнять все эти вычисления без участия человека на каждом этапе процесса, все еще является довольно недавним.

Conor Doherty: Давайте вернемся немного назад. Вы говорили о статическом подходе ABC и, в расширении, ABC XYZ. Можете ли вы немного раскрыть оба подхода или какие-либо альтернативные подходы к анализу спроса?

Joannes Vermorel: Что ж, мы классифицируем наши продукты по двум измерениям - среднему объему продаж и дисперсии. Но это снова абстракции. Это не реально. Нет такой вещи, как мгновенный объем продаж. Этого не существует. Это разница между конкретными решениями, например, перемещением 10 единиц, и сказать: “Эти продукты в среднем продаются по 0,5 единицы в день”. Такого не существует. Единственное, что вы можете сказать, это то, что за последние две недели вы продали около семи единиц, что приближается к 0,5 единицы в день.

Conor Doherty: Как вы оцениваете этот объем с точки зрения управления цепями поставок?

Joannes Vermorel: Этот объем и дисперсия являются статистическими показателями. Вопрос в том, насколько стабильны они со временем. Мы провели множество тестов в Lokad и увидели, что для большинства бизнесов, даже если мы просто рассматриваем анализ ABC, значительная часть продуктов будет менять категорию с одного квартала на другой. Если вы перейдете к более точному анализу, например, по месяцам, количество продуктов, меняющих категорию, значительно увеличится.

Conor Doherty: Так что есть проблемы с этим методом классификации?

Joannes Vermorel: Да, проблема с классификацией, особенно при анализе ABC или XYZ, заключается в том, что вы увеличиваете количество смен категорий продуктов. Если вы удваиваете количество категорий, вы увидите, что между 80 и 90 процентами продуктов меняют категории с квартала на квартал. Это не дает ценной информации о вашем бизнесе, это просто шум.

Эти показатели были своего рода мусором, потому что они создают иллюзию паттерна. Это может показаться научным, но это в основном продажа иллюзии. Организация продуктов в матрице может выглядеть математической, но это просто произвольные ранжирования, определенные комитетом.

Например, когда вы классифицируете людей как богатых, среднего класса и бедных, вы имеете дело со спектром, который является непрерывным. Ваши границы полностью произвольны. Та же проблема существует, когда вы классифицируете свои продукты.

Conor Doherty: Итак, какова ваша точка зрения на вероятностный подход?

Joannes Vermorel: Вероятностный подход сложно сравнить, потому что это полное изменение парадигмы. Первое основное отличие заключается в том, нужны ли нам люди в процессе или нет. Количественная оптимизация цепи поставок говорит нет. Мы хотим иметь лучшее, что современное аппаратное и программное обеспечение может предложить для цепи поставок. Вовлечение людей или их отсутствие является относительно случайным.

Таким образом, вовлечение людей в цепь поставок является второстепенным. Вероятностные прогнозы очень интересны в этом отношении, потому что они предоставляют огромное количество информации. Мы перешли от классов, которые теряют много информации, к рангам, которые дают точечные измерения. Но вероятностные прогнозы предлагают другой вид точности. Вместо одного точечного показателя мы принимаем неопределенность, представляя окружающую нас неопределенность системы. Почему это важно? Компьютеры не имеют узких мест человеческого разума и могут обрабатывать огромные объемы информации. Этот метод помогает собрать гораздо больше информации о вашей системе, вашей цепи поставок, ваших продуктах и т. д., по сравнению с точечными показателями.

Да, это один из способов рассмотреть это с информационной точки зрения, то есть то, что вы собрали в терминах чистой информации о вашей ситуации. Еще один аспект вероятностного прогнозирования - это риск-менеджмент. В конечном итоге нам нужно связать наше решение с анализом рисков. Мы делаем всю эту оптимизацию запасов, чтобы определить количество запасов, которые мы хотим выделить, произвести и закупить. Основанием для этих решений должны быть евро или доллары ошибки и вознаграждения.

Помните, миссия компании - быть прибыльной. Да, есть много других вещей, которые компания должна стремиться к достижению, но без прибыли компания прекратит свое существование. Для компаний, работающих с цепями поставок, маржа тонкая, и выживание не гарантировано. Каждый год многие крупные компании обанкротиваются. Поэтому нам нужно оценивать решения в терминах евро и долларов.

Таким образом, вероятностные прогнозы предоставляют больше информации о системе, но они также открывают путь к механизмам, которые позволяют связать ваше финансовое видение с вашим предвидением будущего. Они обеспечивают более богатый набор информации и предоставляют методы, подходящие для выражения качества ваших решений в евро и долларах.

С другой стороны, методы, такие как ABC XYZ, являются тупиковым путем. Они не предоставляют эффективного способа связи между этими метриками и желаемым финансовым результатом. Вы всегда можете создать сложные обходные пути, но эти методы лучше заменить чем-то, что полностью обходит матрицу ABC XYZ.

Conor Doherty: Некоторые люди утверждают, что вы можете использовать искусственный интеллект или машинное обучение, чтобы связать проблему, о которой вы только что говорили. Они предлагают, что искусственный интеллект может эффективно применить “большой кусок клейкой ленты” к метрикам ABC XYZ, чтобы достичь того, о чем вы говорите.

Joannes Vermorel: Вы предполагаете, что у нас есть метод, который генерирует матрицу, не подходящую для целей, что приводит к низкокачественному вводу. Затем мы пытаемся связать это с нашей истинной целью. Однако входной сигнал настолько неправильный, что нам потребуется невероятно сложное обходное решение, чтобы преодолеть эту проблему. Это неэффективно и неэффективно. Часто люди называют это подходом “клейкой ленты на стероидах”, где целью является связь чего-то неподходящего с выходом и преодоление этой проблемы с помощью передовой аналитики. Это похоже на то, что говорят: “Моя машина слишком медленная, давайте разработаем авиационный двигатель на вершине моей машины, потому что моя машина слишком медленная”. Хотя это может сделать вашу машину быстрее, это не правильное решение. Это излишне сложная инженерия.

Если ваша машина недостаточно быстрая, может быть, стоит пересмотреть, достаточно ли мощности у ее двигателя, или, может быть, в машине слишком много веса из-за вещей, которые вы положили. Решение не всегда должно быть добавочным. Например, прикручивание авиационного двигателя на вершину машины, чтобы сделать ее быстрее, не является разумной инженерией.

Людям очень трудно связать стоимость этих метрик с соответствующими затратами. Это часто приводит к привлечению аналитических сверхспособностей, таких как искусственный интеллект или машинное обучение. Они часто рассматриваются как магия, как если бы мы призывали полубога анализа данных, чтобы сделать что-то почти волшебное для нас.

Хотя есть случаи, когда эти продвинутые методы могут сработать, я бы сказал, что это излишняя сложность. Это похоже на создание устройства, которое слишком сложно для своего же блага. Качественная инженерия заключается в создании вещей, которые просты и поддерживаемы, а не такие сложные, как только можно.

Если вы вводите излишнюю сложность, вы можете потратить больше времени на отладку сверхсложного алгоритма машинного обучения, который вы едва понимаете, вместо того, чтобы сосредоточиться на основных проблемах. Например, ваш супермаркет может не продавать ту марку подгузников, которую хотят родители. Новые родители могут уйти из вашего магазина, потому что не видят ожидаемой марки, и ваш анализ уровня обслуживания или система искусственного интеллекта вам об этом не скажут.

Конор Доэрти: Чтобы завершить, что бы вы сказали людям, которые все еще отстаивают ABC XYZ, но открыты для перехода на следующий уровень?

Жоанн Верморель: Я бы посоветовал им пересмотреть свои предположения и вызвать сомнения в своих представлениях, которые лежат в основе их требований. Не позволяйте себе обманываться традиционным аргументом. Просто потому, что что-то делается десятилетиями, не означает, что оно все еще актуально. Двести лет назад главная работа в Париже заключалась в том, чтобы носить воду в ведрах. Очевидно, что сейчас это не так.

Когда что-то делается всегда, вероятно, это имело некоторую ценность в определенных условиях. Его не следует отбрасывать без тщательного обдумывания. Но предположения, лежащие в основе метода, нужно пересмотреть. Когда я разговариваю с людьми, которые продвигают ABC XYZ, я призываю их вызывать предположения, лежащие в основе метода. Я не говорю, что метод неправильный, а скорее то, что рассуждения и видение, лежащие в основе метода, могут быть ошибочными или устаревшими. На это стоит сосредоточиться.

Конор Доэрти: Что ж, если я могу добавить небольшую мысль в конце, я бы сказал, что лично для меня в плане терпимости к неопределенности две кажущиеся противоречивые вещи могут быть одновременно верными. Например, возможно, вы использовали ABC или ABC XYZ десятилетиями, и это сработало для вас. Это может быть правдой, но это ничего не говорит о том, что есть лучшие методы. Это на самом деле не относится к правильности метода. Таким образом, две вещи могут быть одновременно верными, и для некоторых людей это может быть сложно понять.

Жоанн Верморель: Я понимаю это. Это путаница факторов, и это повсюду. Потому что реальность заключается в том, что, когда вы говорите, что ABC или ABC XYZ сработало для вас, я вызываю это. ABC XYZ не дает вам конечные значения количества перезаказа. Проблема в том, что после этого есть еще другие шаги, чтобы добраться до этого, и в этом может быть множество субъективных суждений. Мы начали с идеи о том, чтобы иметь только менеджера магазина, который смотрит на одну таблицу, мой объем продаж и что я выбираю для своих товаров. Затем мы вставляем в середину этой матрицы. Но если ваш процесс заключается в создании сложной матрицы, притворяться ученым, выглядеть умным перед коллегами, а затем отбросить матрицу и вернуться к старым способам, вы можете очень хорошо сказать, что это сработало очень хорошо для вас.

Может быть, это даст вашему коллеге обоснование, это может дать вам своего рода иллюзию, заблуждение о том, вносит ли этот аспект вашей работы фактический вклад во что-либо. В конце концов, мы делали совершенно другую работу, чтобы прийти к единственному решению, которое имеет значение, а именно к окончательному решению о запасах. Поскольку цепи поставок очень сложны и непрозрачны, вы можете делать много вещей между этими этапами, которые не имеют никакого смысла и кажутся очень полезными.

Если вы посмотрите вокруг, вы увидите множество примитивных племен, которые проводят ритуалы, чтобы вызвать дождь. Я не думаю, что сейчас многие люди скажут, что танцы для дождя влияют на погоду и улучшают урожайность ваших посевов. Но люди скажут: “Мы танцевали для погоды тысячи лет, и потом пошел дождь, и у нас был хороший урожай”.

Да, вы можете, но возможно, были шаги в том, что вы делали, которые были абсолютно бесполезными. В конце концов, это то, что вам действительно нужно оценить. Вносит ли этот шаг действительно такой же вклад, как вы думаете, в качество конечного результата, который является конкретным решением, а не артефактами, которые вы создаете по пути? Есть ли альтернативные методы, которые были бы лучше? Потому что в конечном счете, если у вас есть что-то, что работает для вас в том смысле, что оно работает вообще, мы возвращаемся к тому, чтобы носить воду в ведрах. Конечно, это работает, но есть альтернативы, которые намного лучше.

Conor Doherty: Ну, вот в чем именно я хотел сказать. Две вещи могут быть верными одновременно. Вы можете носить воду в ведре, но в то же время вы также можете перенести ее на лодке или на что-то значительно большее. Но опять же, две вещи могут быть верными одновременно, и признание того, что часто существует неопределенность между концепциями или неопределенность, о которой вы часто говорите, может быть сложным для людей.

Joannes Vermorel: Да, и вот в этом-то и заключается то, что вам нужно изменить. Когда люди говорят: “Это сработало для меня” по этим практикам, которые я вижу в цепи поставок, вам действительно нужно вызвать сомнения в том, что они имеют в виду под “это сработало для меня”. Что это значит? Это не является ложным утверждением само по себе, но если все, что вы можете сказать, это “это было как-то правильно”, этого недостаточно.

В современной распределенной цепи поставок, где ваше человеческое восприятие очень ограничено, вы можете сказать, что достоверность этого утверждения “это сработало для меня” абсолютно не такая же, если вы имеете дело с небольшой системой с одной стороны или суперсложной цепью поставок, которую вы не можете наблюдать в целом. Опять же, если есть управляющий магазином, который управляет одной полкой и говорит: “Знаете, это выглядит хорошо для меня. Я смотрю на эту полку и говорю, что это именно то, что хотят мои клиенты”, я буду доверять вашему суждению. Потому что это то, что находится перед вами, у вас есть представление о системе. Вы можете поставить себя на место своих клиентов. Вы используете свою эмпатию, смотрите на это. У вас есть все необходимые сведения прямо перед вами. Вы можете сделать оценку ценности, и эта оценка, вероятно, будет относительно разумной, предполагая, что человек действует добросовестно и так далее. Но сталкиваетесь ли вы с такой ситуацией в цепях поставок?

Я бы сказал, что обычно совсем нет. Типичная ситуация в цепи поставок - вы являетесь клерком в офисе в тысяче километров от места, где товары будут отправлены и потреблены. Вы не смотрите на полку, вы смотрите на электронную таблицу Excel. У вас есть десятки товаров, для которых вы видели только коды товаров. Большую часть времени вы никогда не видели товары в реальности. И даже если вы видели некоторые, вы определенно не видели их все. Вы обслуживаете клиентов, которых вы никогда не видели, и данные представлены из системы, которая является суперсложной и которую вы едва понимаете, такую как ваша ERP и так далее. Ваше рациональное мышление заключается в том, что вы пытаетесь использовать свое собственное человеческое рациональное мышление, чтобы справиться с чем-то, что является только крошечной, крошечной частью картинки.

Я очень сомневаюсь в том, насколько можно сказать, что это сработало. Я могу использовать своё собственное суждение, чтобы сказать вам, что это сработало. Знаете, если это что-то очень локализованное, где вы видите всю картину, я бы сказал: “Да, может быть, вы не можете объяснить мне, почему это сработало, но я доверяю вашему суждению”. Если вы смотрите на что-то, что составляет даже не один процент от общего объема, и вы говорите мне, что это сработало, я говорю нет. Вы не видите этого, просто то, что это делает то, что вы привыкли видеть в этом одном проценте. Вот когда вы говорите, что это сработало. Вы просто говорите, что то, что у вас перед глазами, не отклоняется от того, что вы привыкли видеть для этого одного процента головоломки, на которую вы смотрите.

Conor Doherty: Йоаннес, я думаю, мы охватили огромный объем информации сегодня, и у меня больше нет вопросов. Большое спасибо за ваше время и спасибо за просмотр. Увидимся в следующий раз.