Анализ ABC XYZ - Ep 144

00:00:00 Управление запасами: обсуждение уровня сервиса и резервного запаса.
00:00:22 Йоаннес оспаривает представления об уровне сервиса, резервных запасах.
00:02:10 Преимущества конкретных решений по управлению запасами.
00:03:07 Исследование сложности измерения уровня сервиса.
00:06:10 Йоаннес о плюсах и минусах анализа ABC XYZ.
00:10:31 Погружение в тонкости оптимизации запасов.
00:11:22 Сложности создания проверяемой системы.
00:12:15 Критика ABC XYZ и его психологических основ.
00:13:33 Анализ ABC XYZ и влияние человеческого восприятия.
00:16:12 Глубокий анализ ABC XYZ и значение вычислительного ранжирования.
00:21:04 Обсуждение нюансов категоризации запасов и их калибровки.
00:23:53 Введение перспективы «корзины», проблемы распределения запасов.
00:24:54 Прослеживание истории уровня сервиса в управлении запасами.
00:26:55 Подводные камни и вводящие в заблуждение последствия метрик уровня сервиса.
00:28:51 Разоблачение мифа об уровне сервиса и удовлетворенности клиентов.
00:32:34 Аналогия с водой для понимания цепей поставок.
00:34:25 Обсуждение динамической природы объема продаж продуктов.
00:36:00 Качество сервиса, ожидания клиентов, доступность товара.
00:38:20 Разоблачение математической ловушки в ассортименте продуктов.
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 Ошибочные предположения о цепочке поставок, переход к автоматизации.
00:51:01 Ошибка среднего дневного объема продаж.
00:52:49 Критика нестабильности категоризации продуктов.
00:54:07 Оспаривание ценности математической классификации.
00:56:11 Детераминированный против вероятностного подходов в цепочках поставок.
01:03:43 Обсуждение полезности ИИ в преодолении разрывов.
01:07:56 Оспаривание традиционных предположений о цепочках поставок.
01:10:33 Терпимость к неопределенности, сосуществование противоречий.
01:16:24 Реальность современных, сложных цепочек поставок.

Резюме

Конор Дохерти и Йоаннес Верморель исследуют популярный инструмент анализа запасов ABC XYZ Analysis, утверждая, что его чрезмерное упрощение приводит к утрате информации. Верморель оспаривает традиционные практики управления уровнем сервиса и резервным запасом по отдельности. Верморель выступает за применение технологий в управлении цепями поставок, учитывая сложность работы с большим количеством товаров. Он критикует анализ ABC XYZ за отсутствие динамичности и невнимание к мнению клиентов. Верморель отдает предпочтение вероятностному подходу в управлении цепями поставок, который может предложить более тонкое понимание рисков и способствовать принятию решений.

Расширенное резюме

В этом интервью ведущий Конор Дохерти и основатель компании Lokad Йоаннес Верморель анализируют популярный инструмент анализа запасов, ABC XYZ Analysis. Эта методология разделяет продукты на простые подгруппы на основе объема и изменчивости. Верморель считает, что данная методология является ошибочной, поскольку чрезмерное упрощение характеристик продуктов приводит к утрате ценной информации.

Интервью также затрагивает сложность установления соответствующих целей для уровня сервиса и резервного запаса. Верморель подчеркивает присущую этому заданию сложность, оспаривая традиционное представление о разбиении проблемы на, казалось бы, более простые части, такие как уровень сервиса и резервный запас.

Верморель ставит под сомнение неявное предположение, что решение вопросов уровня сервиса или резервного запаса по отдельности упрощает проблему. Он предполагает, что сложности, возникающие при определении необходимого количества для пополнения запасов, аналогичны тем, что возникают при выборе оптимального уровня сервиса. Тонкости обоих процессов схожи, что не позволяет считать один из них более простым, чем другой.

Объясняя свою позицию, Верморель проводит различие между конкретными, прямыми решениями относительно количеств запасов и абстрактной концепцией уровня сервиса. Он отмечает, что конкретные решения относительно запасов имеют явные, измеримые последствия для цепочки поставок, в отличие от абстрактных понятий уровня сервиса. Следовательно, он утверждает, что сосредоточение на конкретных, измеримых действиях, а не на абстрактных концепциях, может упростить проблему.

Затем Верморель переходит к критике таких инструментов, как анализ ABC XYZ, используемых для определения политики управления запасами. Он описывает эти инструменты как «механизмы приоритизации внимания», предназначенные для помощи людям в принятии решений по управлению запасами. Хотя эти инструменты могут быть полезны для определения того, каким продуктам уделять внимание на основе объема продаж, Верморель считает, что они не упрощают первоначальную проблему в корне.

Фактически, Верморель утверждает, что акцент на разработке инструментов, помогающих людям приоритизировать внимание при принятии решений, уводит нас от первоначальной проблемы. Этот сдвиг, который он сравнивает с понятием «як-а-бритва» в программировании, приводит к попыткам решить гораздо более сложную задачу: как наилучшим образом представить информацию человеку для принятия решений.

Он критикует этот подход, указывая на то, что если проблему изначально решают компьютеры, нет необходимости приоритезировать внимание людей. Компьютеру следует позволить решать задачу полностью, без вмешательства человека на каждом этапе процесса.

Дохерти настаивает на том, чтобы Верморель объяснил, почему он отвергает вариативность спроса как «побочное явление». Верморель отвечает, повторяя свою основную аргументацию: исходная задача заключалась в принятии правильного решения по управлению запасами. Однако, если в процесс вовлечены люди, их ограниченные возможности по обработке информации требуют приоритизации. Инструменты, такие как анализ ABC XYZ, были созданы для облегчения процесса приоритизации, но, по мнению Вермореля, это отвело нас от решения первоначальной проблемы.

Вместо этого Верморель предлагает присваивать каждому продукту ранг в зависимости от объема продаж. По его мнению, система ранжирования предлагает более информативный способ классификации, так как сохраняет больше данных. Эта система соответствует вычислительным возможностям современных компьютеров, позволяя проводить более точный анализ, чем способен человеческий разум.

Верморель также критикует идею о том, что человеческий разум является основным лицом, принимающим решения в управлении цепями поставок. Учитывая огромное количество продуктов, с которыми компания имеет дело ежедневно, он считает, что возможности человеческого разума по эффективному управлению запасами значительно ограничены. Он подразумевает, что полагаться на технологии для управления этими сложностями было бы эффективнее.

Он обсуждает практику деления продуктов на категории на основе объема продаж, оспаривая этот метод, так как он приводит к утрате информации. Он сравнивает этот метод с аппроксимацией круга многоугольником – чем больше сторон добавишь, тем ближе он к кругу, но никогда не будет его идеальным представлением. По мнению Вермореля, классификация продуктов в несколько категорий является грубым приближением гладкой, непрерывной кривой, которая отражает ранг каждого продукта на основе объема продаж.

Переходя к теме SKU (единицы складского учета), Верморель утверждает, что рассматривать SKU изолированно неправильно, так как это упрощает проблему, но не решает её эффективно. Он критикует метод резервного запаса, который включает уровень сервиса, поскольку он основан на предположениях о будущем спросе и сроке поставки, хотя они не распределены нормально, как предполагается в методе. Он указывает, что этот метод может привести к проблемным ситуациям, таким как отрицательные сроки поставки и продажи.

Верморель утверждает, что концепция уровня сервиса по своей сути ошибочна. Он отмечает, что может показаться интуитивно понятным, что более высокий уровень сервиса свидетельствует о более высокой удовлетворенности клиентов. Однако математическая модель, лежащая в основе расчета резервного запаса, не дает никакой информации о удовлетворенности клиентов.

Он подчеркивает важность рассмотрения управления цепями поставок как многомерной проблемы, учитывая разнообразие и количество продуктов, с которыми сталкиваются большинство компаний. Верморель предлагает применять иной подход для цепочек поставок с огромным числом SKU, поскольку сложные, возникающие свойства такой системы принципиально отличаются от свойств более простой системы с одним продуктом.

Затем Верморель обсуждает сложности оптимизации цепочек поставок. Так же, как понимание одной молекулы не дает полного представления о воде во всех её проявлениях, понимание одного продукта не означает понимание всей цепочки поставок. Цепочки поставок отличаются огромным разнообразием и сложностью, многие аспекты которых невозможно охватить с точки зрения одного продукта.

Верморель критикует распространённый подход в управлении цепями поставок — анализ ABC XYZ. Он отмечает, что объёмы продаж не являются статичными, а динамичны и подвержены значительным колебаниям со временем. Даже один продукт может переходить из одной категории в другую в течение своего жизненного цикла, что делает модель ABC XYZ, рассматривающую объём продаж как статичный, недостаточной.

Отсутствие динамичности создаёт проблемы, поскольку ожидания клиентов постоянно меняются, и цепочки поставок должны соответственно адаптироваться. Если от пекарни ожидается, что хлеб будет доступен каждый день, любой дефицит товара нарушает «социальный контракт», портя восприятие качества обслуживания клиентом. Это восприятие определяется не цепочкой поставок, а самими клиентами.

Интересно, что Верморель отмечает, что уровень сервиса для одного продукта не обеспечивает удовлетворительного клиентского опыта, когда речь идёт о множестве товаров. Например, в супермаркете с 95% уровнем сервиса для каждого продукта покупатель, желающий приобрести 20 товаров, может обнаружить, что чего-то не хватает, что снижает воспринимаемый уровень сервиса до менее чем 10%. Это расхождение иллюстрирует существенную разницу между математическими моделями и восприятием клиентов.

Верморель подчеркивает, что анализ ABC XYZ, несмотря на его обнадеживающее название (подразумевая безопасность и контроль), упускает несколько важных факторов. Он не учитывает изменчивость со временем, игнорирует взгляд клиента и не признаёт важность сочетания продуктов в корзине покупок.

Ведущий, Конор Дохерти, добавляет, что если покупатель заходит в магазин с намерением купить определённый товар и не находит его, он может уйти, не совершив покупку, что приводит к потере потенциальных продаж.

Верморель критикует анализ ABC XYZ как механизм приоритизации внимания, утверждая, что он не выделяет действительно значимые элементы в управлении цепями поставок. Он признаёт, что подход Demand Driven Material Requirements Planning (DDMRP), который расставляет приоритеты среди продуктов на основе отклонения от целевых буферов, является более разумным для приоритизации внимания.

Верморель утверждает, что анализ ABC XYZ не является полезным подходом для согласования сложности цепочек поставок. Он считает, что он основан на ряде ошибочных предпосылок и что попытки его исправления лишь приведут к наложению «изоленты» на метод, движущийся в неверном направлении. Вместо этого он выступает за подход, который ценит сложность и динамичность цепочек поставок, а также важность мнения клиентов.

Затем Верморель переходит к роли технологий в управлении цепями поставок, отмечая, что лишь недавно машины стали достаточно способны автоматизировать принятие решений в цепочках поставок. По его словам, эта эволюция происходит относительно медленно по сравнению с технологическими достижениями современности. Он иллюстрирует это исторической аналогией: переход от компаний, генерирующих собственную электроэнергию, к её покупке у электросети занял около 40 лет, несмотря на очевидные преимущества второго варианта.

Разговор переключается на подходы ABC и ABC XYZ к моделированию паттернов спроса, которые, по мнению Вермореля, являются недостаточными. Он критикует их статичную и абстрактную природу, утверждая, что они не способны точно отображать реальные явления. Например, он приводит, что категории продуктов могут быть нестабильными с течением времени, и их классификация может переходить из одной категории в другую в рамках ABC анализа, что не приносит существенной ценности для бизнеса.

Продолжая эту тему, Верморель критикует матрицу ABC XYZ как иллюзию закономерности, которая даёт бизнесу ложное чувство научной точности, в то время как реальность гораздо более хаотична и многогранна. Он утверждает, что эти классификации могут быть произвольными, что ведёт к чрезмерному упрощению сложного и непрерывного спектра категорий продуктов.

Далее обсуждение переходит к вероятностному подходу в управлении цепями поставок. Верморель подчёркивает ценность вероятностного прогнозирования как инструмента для сбора и обработки большого объёма информации, полезной для оценки неопределённости. По его мнению, этот метод особенно полезен, так как позволяет более тонко понять риски, что дополнительно даёт возможность компаниям принимать более обоснованные решения относительно количеств запасов.

Верморель затем углубляется в роль технологий в управлении цепочкой поставок, отмечая, что лишь недавно машины стали достаточно мощными для автоматизации принятия решений в цепочке поставок. Эта эволюция, как он замечает, относительно медленная по сравнению с технологическими достижениями современной эпохи. Он иллюстрирует этот момент исторической аналогией: переход от компаний, которые генерировали своё собственное электричество, к покупке его из электросети занял около 40 лет, несмотря на очевидные преимущества второго варианта.

Разговор переходит к рассмотрению подходов ABC и ABC XYZ для анализа спроса, которые Верморель считает недостаточными. Он критикует их статичный и абстрактный характер, утверждая, что они не способны точно отражать реальные явления. Например, он приводит в пример, что категории продуктов могут быть нестабильными со временем, и их классификация может перепрыгивать с одной категории на другую при анализе ABC, что приводит к отсутствию значимой ценности для бизнеса.

Продолжая эту тему, Верморель критикует матрицу ABC XYZ как иллюзию закономерности, создающую у бизнеса ложное ощущение научной точности, тогда как реальность намного более хаотичная и полна нюансов. Он утверждает, что эти классификации могут быть произвольными, что приводит к чрезмерному упрощению сложного и непрерывного спектра категорий продуктов.

Далее обсуждение переходит к вероятностному подходу в управлении цепочками поставок. Верморель подчеркивает ценность вероятностного прогнозирования как инструмента для захвата и обработки значительного объема информации, полезной для оценки неопределенности. Он считает, что этот метод особенно полезен, потому что позволяет более тонко понять риски, что, в свою очередь, помогает компаниям принимать более обоснованные решения относительно объемов запасов.

Верморель выделяет два преимущества вероятностного прогнозирования: оно предоставляет более подробную информацию о системе и позволяет объединить финансовое видение с прогнозированием будущего. В отличие от точечных прогнозов, вероятностные прогнозы допускают множество методов, которые могут переоценить качество принимаемых решений в терминах евро или долларов.

Верморель утверждает, что подход прогнозирования ABC XYZ представляет собой тупиковый путь из-за своей неспособности связать метрические показатели с финансовыми результатами осмысленным образом. Он критикует попытки преодолеть этот 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 игнорируют фундаментальные проблемы, которые можно решить проще и эффективнее.

Основатель Lokad также подчеркивает важность качественного инженерного подхода в управлении цепочками поставок. Он предостерегает от чрезмерной сложности систем цепочки поставок и призывает сосредоточиться на решении базовых проблем. Например, он приводит гипотетический сценарий, когда супермаркет не закупает популярный бренд подгузников, что вынуждает покупателей уходить, как проблему, которую невозможно решить чрезмерно сложными методами прогнозирования.

Верморель советует тем, кто сомневается в эффективности вероятностного прогнозирования, ставить под вопрос свои предположения и основополагающую логику метода ABC XYZ. Он утверждает, что, хотя метод и выполняет свою предназначенную функцию (то есть создает матрицу продуктов, сгруппированных по двум измерениям), его базовая логика и видение метода ошибочны и, вероятно, устарели.

Дохерти предполагает, что две, на первый взгляд противоречивые, вещи могут быть истинными одновременно: устаревший метод может работать в течение некоторого времени, но при этом не быть наилучшим решением. Верморель развивает эту мысль, подразумевая, что бизнес часто принимает за норму «то, что работает», вместо того чтобы искать оптимальное решение. Он приводит аналогию с переноской воды в ведрах: хотя это и работает, существуют лучшие альтернативы.

И Дохерти, и Верморель соглашаются с важностью признания присущей неопределенности в управлении цепочками поставок и необходимости гибкости. Интервью заканчивается наставлением Вермореля постоянно пересматривать и ставить под сомнение устоявшиеся практики в цепочке поставок.

Полная транскрипция

Конор Дохерти: С возвращением на LokadTV. Установка оптимальных целевых уровней обслуживания и безопасных запасов — задача непростая, учитывая множество вариантов на рынке и поставщиков, пытающихся продать вам свои решения. Одним из таких инструментов является анализ ABC XYZ, и для его анализа сегодня со мной основатель Lokad, Жоанн Верморель. Давайте начнем с самого начала — уровней обслуживания, безопасных запасов, всех этих политик управления запасами. Почему их так сложно установить?

Жоанн Верморель: Существует множество вариантов, пытающихся ответить на эти вопросы. То, что мы воспринимаем как подпроблемы, на самом деле таковыми не являются. Например, давайте поговорим об уровнях обслуживания. Существует неявное предположение, что выбор уровня обслуживания как-то проще, будто это меньшая часть всей проблемы. Если вы справляетесь с этим, то сможете решить и остальные вопросы. Неявное предположение состоит в том, что мы декомпозировали проблему. Суть задачи — выбрать правильное количество продукции для производства, хранения или распределения. Когда вы говорите «уровень обслуживания» или «безопасные запасы», вы неявно делите проблему на части. Я оспариваю идею, что эта декомпозиция упрощает исходную проблему. Подходя к проблеме уровня обслуживания, вы сталкиваетесь с задачей, столь же сложной и изменчивой, как и исходная. Поэтому неудивительно, что установка уровня обслуживания не оказывается проще, чем определение фактического объема пополнения запасов.

Конор Дохерти: Если бы вы могли переосмыслить проблему своими словами, как бы вы ее описали?

Жоанн Верморель: В условиях оптимизации запасов мы пытаемся принять конкретное решение. Это решение осязаемо. Оно касается того, сколько единиц продукции распределить, произвести или приобрести. Это решение окажет ощутимое влияние на вашу цепочку поставок. В отличие от, скажем, решения установить уровень обслуживания в 97% для магазина. Это абстракция. Уровень обслуживания в 97% – понятие условное. Это, возможно, полезный ориентир, но не нечто, что имеет конкретное физическое отражение в вашей цепочке поставок. Когда я говорю «абстракция», я имею в виду, что уровень обслуживания связан с множеством открытых проблем, которые не возникают при конкретном решении. Если я решаю распределить 10 единиц в магазин, нет никакой неопределенности: можно проверить, что действительно были распределены 10 единиц. Однако с уровнем обслуживания все не так: если придет больше клиентов, чем я ожидал, уровень обслуживания в 97% не будет достигнут. Вот почему я считаю его артефактом, а не чем-то, что точно отражает базовую реальность цепочки поставок.

Конор Дохерти: И какая часть того, что вы только что описали, на самом деле учитывается с помощью такого инструмента, как анализ ABC XYZ, или его предшественник, ABC?

Жоанн Верморель: Практики управления цепочками поставок стремятся прийти к конкретному решению. Если вы просто смотрите на цифры и оцениваете, что вам нужно, это достаточно примитивный способ. Многие магазины до сих пор работают таким образом. Всё сводится к приблизительным оценкам, и это работает. Однако этот метод выглядит грубым, поэтому люди пытаются его усовершенствовать. И тогда они сталкиваются с проблемой – у них слишком много товаров, и они понимают, что человек, просматривающий список, не сможет каждый день подробно рассматривать каждый отдельный товар. Поэтому нам нужен какой-то механизм приоритизации внимания. Один из способов – сортировать товары от наибольшего объема продаж к наименьшему. Можно начать с верха списка и работать вниз, решая пересматривать топ-10 ежедневно, половину списка еженедельно, а весь список – только раз в месяц. Это один из способов, и по сути, в этом и заключается суть ABC. Но интересное в ABC XYZ то, что это по сути вариация данного подхода. Это механизм приоритизации внимания, предназначенный для человека.

Теперь, на данном этапе, я думаю, мы должны поставить под сомнение, какую именно проблему мы пытаемся решить. Мы начали с задачи выбора правильного объема товаров для распределения, производства или закупки. Это нечто очень осязаемое и конкретное. Однако, похоже, мы перешли от этой проблемы к другой, связанной с выбором уровня обслуживания и установлением безопасных запасов.

Затем мы перешли к еще одной проблеме – приоритизации внимания. Шаблон, который начинает проявляться, можно сравнить с в программировании феноменом, известным как Yak shaving (подбривание як). То есть вы намеревались сделать что-то предельно простое, например: «Я хочу обновить Windows 10 до Windows 11». Но в итоге вы оказываетесь занятыми чем-то, на первый взгляд, не связанным с исходной задачей, например, разборкой компьютеров и заменой гаек и болтов внутри них. У вас была ясная цель, но вас отвлекли на что-то лишь отдаленно связанное с этой задачей.

Именно это мы и делаем с нашей задачей оптимизации запасов. Мы начали с проблемы «Давайте определим правильное количество для распределения, производства или закупки». А теперь мы пытаемся решить гораздо более сложную задачу: «Как правильно организовать представление информации для человека?»

Однако эта задача чрезвычайно сложна. И совершенно неясно, что её решение является наилучшим способом ответить на исходный вопрос. Например, представим, что у нас есть два числа, которые мы хотим сложить. Должен ли я действительно задумываться о разработке системы, которая сможет показать промежуточные шаги для проверки правильности сложения человеком? Это в разы сложнее, чем просто разработать схему для сложения.

Моя критика данного подхода ABC XYZ заключается в том, что мы начали с крайне сложной задачи. На самом деле, она и так довольно сложна. Мы пытались декомпозировать эту задачу, но нас отвлекли. Теперь мы пытаемся разобраться с проблемой, которая почти относится к эмпирической психологии: как организовать правильную приоритизацию внимания для человека. Но если вы изначально собираетесь использовать компьютер для решения этой задачи, зачем вам приоритизировать внимание человека? Пусть компьютер решает эту проблему за вас.

Конор Дохерти: Если можно немного уточнить, потому что я понял, но, как представитель аудитории, я понимаю, что анализ ABC обычно базируется либо на объеме продаж, либо на доходе от них. Мы разделяем наши артикулы на три категории: A, B, C. XYZ – это второе измерение, обычно связанное с вариативностью спроса. И, если я правильно понял, вы фактически отвергаете количественную оценку вариации спроса как побочный вопрос. Не могли бы вы объяснить, почему?

Жоанн Верморель: Мы начали с задачи – нам необходимо принять правильное решение по запасам, выраженное в конкретном количестве. Мы поняли, что, если вовлечь в процесс человека, его способность обрабатывать информацию ограничена. Поэтому необходима приоритизация. Если просто сортировать по объему продаж от высокого к низкому, мы получаем ABC.

Как только это сделано, нужно дополнительно поддержать оператора, помогая ему понять, каким должны быть безопасные запасы и уровень обслуживания для каждой из этих групп. Но это всего лишь разбиение проблемы таким образом, чтобы она была более понятна человеческому мозгу.

XYZ добавляет еще одно измерение, которое будет отражать степень шума или вариации в этом списке. То есть мы берем, скажем, верхние десять процентов самых продаваемых товаров, и затем делим этот список на части, которые отражают уровень фонового шума для каждого продукта. Таким образом, вместо обычного списка сегментов вы получаете матрицу. Вот что такое ABC XYZ.

Но этот метод по сути разработан именно для человеческого восприятия. Вопрос, который вы должны задать себе: если я хочу, чтобы компьютер обработал весь процесс от начала до конца, есть ли хоть какая-то польза от такой сегментации? Помогает ли она решить проблему?

Совсем нет. Критики, вероятно, укажут, что, создавая матрицу из девяти категорий, можно определить вариативность и выделить наиболее значимые артикулы. Затем можно установить соответствующие уровни, например, определить, сколько безопасных запасов нужно для каждого SKU. Между, скажем, комбинациями AX и CZ существует различие. Предположим на минуту, что эти два измерения дают полезную информацию. Но с точки зрения компьютера, зачем использовать дискретные группы? Зачем делить на несколько подгрупп по объему и несколько по вариации? Можно просто использовать ранжирование, чтобы упорядочить товары от наивысшего объема продаж к наименьшему. Можно присвоить каждому товару число, отражающее его точное место в рейтинге по объему. Затем сделать то же самое для вариации.

Ранжирование дает однозначно больше информации. Если смотреть на классы по типу ABC или XYZ, класс — это лишь приближение ранга. Это приближение служит лишь для того, чтобы сделать информацию более усваиваемой для человеческого мозга. Но с точки зрения компьютера, лучше сохранить ранговые значения. Ранг дает намного больше информации. Класс — это сжатое представление, при котором теряется масса данных. Из этой потери ничего хорошего не выходит.

Если предположить, что эти два измерения действительно имеют значение, я не утверждаю, что они не важны. Я лишь говорю, что с точки зрения разбиения задачи на измерения, они являются произвольными. Неясно, что это наилучший подход. Если просто взять эти два измерения и сохранить ранжирование, вы получите набор данных, который в виде индикаторов даст пару рангов для каждого продукта. Эта пара рангов однозначно информативнее, чем пара классов.

Это не просто метод, при котором объем и вариация оказываются интересными; он изначально разработан так, чтобы информацию обрабатывал человеческий мозг. И вот здесь я и ставлю вопрос — зачем это вообще нужно? У нас есть сверхмощные компьютеры. Вы действительно считаете, что принятие решений о запасах требует участия человеческой интуиции?

Если взглянуть на магазин с 10 000 товарами, все они обновляются каждый день. Считаете ли вы, что это дело требует того, чтобы человек тратил в среднем около четырех секунд на каждый товар? Может ли в этом процессе вспыхнуть искра гения?

Я не спорю, что человеческий ум способен на невероятные вещи, если у него есть время и ресурсы. Если взять, скажем, Альберта Эйнштейна и дать ему месяцы или годы, он сможет сделать нечто невероятное, намного превосходящее то, что могут делать машины. Но это не тот контекст, в котором мы работаем в цепочке поставок. На людей оказывается огромное давление, заставляющее их просто выполнять работу.

Таким образом, если посмотреть, сколько секунд мозговых усилий можно выделить на SKU, обычно это очень немного. Для большинства отраслей это вопрос нескольких секунд на SKU в день. Мы обсудили категории, но не обсуждали, как калибруются эти категории. Насколько я понимаю, это результат работы множества человеческих умов.

Но если вы заметите, что можно иметь ранги и затем, используя процентные точки, решить, где провести деление, вы можете сказать, что категория A включает до 10-го процентиля. То есть это верхние 10% или, скажем, категория A — топ-2%, потому что если вы построите график всех продуктов от самых продаваемых к наименее продаваемым, вы почти неизбежно получите кривую Ципфа, о которой я упоминал в одной из своих лекций. Эта кривая непрерывна, без плато или дискретных разрывов, она полностью гладкая.

Это похоже на аппроксимацию круга в старых видеоиграх, где круг приходилось приближать многоугольником. Если взять, например, восьмиугольник, получится круг с низким разрешением. Добавляя больше сторон, визуально приближаешься к кругу. Если у вас есть тысячи сторон, вы получите что-то, что очень похоже на круг.

Но то, что я вижу здесь, выглядит так, как будто вы пытаетесь аппроксимировать круг квадратом. Если у вас четыре класса, вы приближаете ваш сегмент квадратом. Если пять — получится пятиугольник, и так далее. Чем больше классов вы добавляете, тем точнее ваше приближение. Но если убрать приближение вовсе, останется просто ранг каждого отдельного продукта.

Таким образом, я бы сказал: не вводите группы, придерживайтесь рангов. Если вы предполагаете, что объём и вариативность являются полезными измерениями, что я ставлю под сомнение, то ранги дают вам более информативное представление об этих двух измерениях. Любой механизм группировки, который вы введёте, снизит точность этой информации.

Конор Дохерти: Это очень плавно переходит к перспективе корзины, которая меня действительно интересует в контексте решения этой проблемы. Здесь SKU рассматриваются в комбинации, а не изолированно. Как это вписывается в данный разговор?

Йоаннес Верморел: Мы начали с простой проблемы, по крайней мере, простой в формулировке: выбрать правильное количество запасов для распределения, производства, покупки или хранения. Нас отвлекли на широко распространённый метод, связанный с уровнем обслуживания и запасами безопасности, но я действительно ставлю под сомнение обоснованность этих методов.

Перспектива уровня обслуживания исходит из исторически упрощённых допущений о будущем спросе, где мы прогнозируем нормально распределённую ошибку спроса, то же самое для времени ожидания. Однако неопределённость не распределена нормально, но это уже другая тема.

Когда у нас есть нормальное распределение, то есть Гауссово, мы выбираем параметр — квантиль, дающий тот же эффект, что и уровень обслуживания. Это даст мне целевое количество, которое я должен поддерживать в запасах. Эти запасы безопасности являются результатом разницы между средним значением и квантилем, если смотреть на одномерное распределение.

Но поскольку это нормальное распределение, оно простирается до бесконечности в обе стороны. Классическая модель запасов безопасности даёт странные результаты, такие как отрицательное время ожидания и отрицательные продажи, что весьма странно, но это часть модели.

Это означает, что вы можете выбрать такое значение уровня обслуживания, которое даст любое целевое значение запасов от минус бесконечности до плюс бесконечности, в зависимости от того, как вы задаёте уровень обслуживания. Это не теоретическая ситуация, это буквально то, что говорит математика. Итак, когда у вас есть Гауссово распределение, вы выбираете квантиль, который может прийти к любому окончательному порогу, от минус бесконечности до плюс бесконечности.

Конор Дохерти: Можете ли вы объяснить концепцию уровня обслуживания в управлении цепочками поставок?

Йоаннес Верморел: При рассмотрении уровней обслуживания крайне важно понимать, что диапазон может охватывать от минус бесконечности до плюс бесконечности. По сути, ваш уровень обслуживания идентичен тому количеству, которое вы решаете пополнить. Для любого количества, которое вы выбираете для пополнения, существует соответствующий уровень обслуживания, понимаемый через нормальное распределение. Это не просто аналогия; это математическое равенство. Для каждого количества, которое вы знаете, если у вас есть модель запасов безопасности, найдется соответствующий уровень обслуживания в условиях нормального распределения.

Теперь люди могут находиться под иллюзией, что поскольку уровень обслуживания выражается в процентах, он кажется более простым или лёгким. Это иллюзия. Единственное немного положительное в этом заключается в том, что он помогает нормализовать масштаб, так как все ваши продукты имеют разный объём и жизнеспособность. Выражение количества, которое должно быть распределено, куплено или произведено, как целевого уровня обслуживания делает его независимым от объёма и предвзятости. Однако это слабый аргумент.

Термин «уровень обслуживания» может быть вводящим в заблуждение, потому что люди могут подумать, что очень высокий уровень обслуживания всегда воспринимается положительно клиентами. Это недоразумение. Математика модели запасов безопасности не говорит ничего о удовлетворенности клиентов. Люди склонны считать, что если они нацелены на высокий уровень обслуживания, это обязательно хорошо для клиентов. Но это полный нелогичный вывод.

Конор Дохерти: Можете ли вы подробнее рассказать, почему такое восприятие уровня обслуживания может представлять проблему?

Йоаннес Верморел: Проблема возникает из наивного представления о приравнивании качества обслуживания к одномерной проблеме. Это могло быть правдой в XVIII веке для пекарни, продающей один продукт, например, хлеб. Такая одномерная перспектива до сих пор существует на некоторых товарных рынках.

Но большинство современных цепочек поставок имеют дело с тысячами, если не десятками тысяч продуктов. Когда мы умножаем количество SKU на число мест, мы легко получаем десятки тысяч, сотни тысяч или даже миллионы SKU для крупных компаний. Такое значительное количество SKU бросает вызов одномерному анализу.

Различие в величине может стать различием по качеству. Эмерджентные свойства, которые возникают, когда у вас есть тонна продуктов, сильно отличаются от тех, что были, когда у вас был всего один продукт.

Конор Дохерти: Когда вы упоминаете эмерджентные свойства, не могли бы вы подробнее рассказать об этом? Это выглядит как важная деталь.

Йоаннес Верморел: Да, конечно. Примером эмерджентного свойства является то, как молекула воды ведёт себя по-разному в зависимости от своего состояния — будь то газ, жидкость или твёрдое тело. Если бы вы хотели объяснить все поведенческие особенности воды, вам понадобились бы недели или месяцы. Это не так просто, как взять одну молекулу и объяснить её за 30 минут, что могло бы быть возможно с учащимися старших классов. Тот же принцип применяется, когда вы имеете дело с множеством SKU в цепочке поставок, а не с одним. Это требует более сложного анализа.

Существует опасность в мысли, что, однажды поняв всё о одной молекуле воды, вы знаете всё о самой воде. Это не совсем так. Аналогично, когда вы говорите: “У меня есть модель, которая объясняет один продукт, а теперь я могу объяснить мою цепочку поставок, состоящую из множества продуктов”, я бы призвал к осторожности. Есть множество аспектов, которые невозможно предусмотреть, имея дело с одним продуктом. Это всего лишь упрощённый пример, который не отражает истинную сложность вашей цепочки поставок.

Даже если рассматривать один продукт, со временем наблюдаются изменения. Например, если рассматривать один продукт в изоляции, его рейтинг будет сильно колебаться с течением времени. Большинство продуктов имеют жизненный цикл: сначала они растут медленно, затем набирают обороты, достигают плато и, в какой-то момент, начинают снижаться. Таким образом, эта одномерная модель, которая рассматривает объём продаж как статичный, неверна. Он динамичен, и это ещё одно измерение, которое часто упускается из виду.

Часть качества обслуживания заключается в этом динамичном, зависящем от времени поведении. Если взять пример пекарни, клиенты ожидают увидеть хлеб каждый день. Любой его недостаток является нарушением этого социального договора.

Напротив, если вы ненадёжная пекарня, в которой хлеб есть лишь через день, но ваш хлеб значительно дешевле конкурентов, клиенты всё равно могут быть довольны. У них уже сформированное ожидание вашего сервиса.

Качество обслуживания — это не то, что содержится в вашей цепочке поставок, оно находится в сознании ваших клиентов. Не все с этим согласятся, поэтому это непоследовательно. Если начать агрегировать эти ожидания, это может ввести в заблуждение.

Когда мы добавляем в расчёт несколько продуктов, вступает в игру другое измерение. Если клиенты хотят несколько продуктов, нам нужно рассмотреть, смогут ли они найти комбинацию, которая имеет для них смысл. Распространённая ошибка — предполагать, что если все мои продукты имеют 100% уровень обслуживания, то и все комбинации продуктов также будут иметь 100% уровень обслуживания. Это верно только в том случае, если у вас никогда не заканчиваются запасы, что почти невозможно.

Когда вы начинаете исследовать вероятность наличия или отсутствия комбинаций продуктов, вы получаете перспективу, которая сильно отличается от той, что может дать простая модель запасов безопасности/уровня обслуживания.

Чтобы это проиллюстрировать, давайте возьмем пример супермаркета, у которого уровень обслуживания всех продуктов составляет 95%, что довольно неплохо. В Европе в среднем отсутствует 7% товаров на полках, так что 95% — это довольно хорошо. Если у вас есть клиент, который хочет 20 продуктов, что даже не является большим набором, вероятность того, что хотя бы один из этих продуктов отсутствует, вероятно, высока. Мне нужно было бы провести расчёты, но при условии независимой доступности вы, вероятно, имеете менее 10% шанс найти всё.

Таким образом, мы начинаем с того, что с точки зрения запасов безопасности и спроса всё выглядит очень хорошо, создавая впечатление уровня обслуживания более 95%. Но с точки зрения клиента, вероятно, менее 10% покупателей, зашедших в магазин, найдут именно то, что искали. Эти две вещи могут быть верны одновременно. Вы можете иметь уровень обслуживания свыше 95%, и при этом менее 10% клиентов будут удовлетворены и уйдут из магазина счастливыми.

А как быть с продуктами, которые ожидают ваши клиенты, но которые не входят в ваш ассортимент? В этом смысле уровень обслуживания «слеп». Если есть продукт, на который очень высокий спрос, но у вас его просто нет, это не будет считаться отсутствием товара или 0% уровнем обслуживания — просто не учитывается вообще.

Например, если я пойду до крайности и представлю магазин, заполненный продуктами, которые никому не нужны, то такой магазин по определению имеет 100% уровень обслуживания. Никто не хочет эти продукты, но они выставлены, поэтому уровень обслуживания идеален. Чем больше у вас продуктов, которые никому не нужны, тем выше ваш уровень обслуживания. Это полностью механическая проблема, проблема этих математических моделей.

Нужно быть очень осторожными, особенно когда у этих моделей звучные положительные названия, например “Запас безопасности.” Существует нелогичный переход, когда люди полагают, что поскольку это математическая модель с хорошим названием, она обязательно полезна для клиентов, но это необоснованный вывод.

Конор Дохерти: Подытоживая, важно понять нашу критику ABC XYZ с позиции корзины. Клиенты, как правило, не покупают товары по отдельности. Отсутствие доступа к какому-либо SKU может привести к тому, что клиент уйдёт из магазина, не совершив никаких покупок, включая этот конкретный SKU.

Йоаннес Верморел: Да, и если мы вернёмся к исходной идее, ABC XYZ должен служить механизмом принятия решений для приоритизации внимания людей. Но является ли он хорошим механизмом для расстановки приоритетов? Я бы сказал, однозначно нет. Как механизм приоритизации, он слаб — он не выделяет ничего по‑настоящему значимого.

И, хотя я не являюсь большим поклонником DDMRP, признаю, что как механизм приоритизации внимания, способ, которым DDMRP определяет буферы и расставляет приоритеты для продуктов на основе отклонения от целевых буферов, имеет больше смысла, чем ABC XYZ. По крайней мере, в этом отношении он на полпути к адекватности. А ABC XYZ нет.

Конор Дохерти: Есть ли способ примирить ABC XYZ как инструмент приоритизации внимания с учетом описанных нами проблем, особенно с точки зрения корзины?

Йоаннес Верморел: Нет, не существует. Вы начинаете с серии неверных предпосылок. Сначала вы говорите, что хотите, чтобы человек был вовлечён в процесс, что я оспариваю. Затем вы совершаете вторую ошибку, используя моно-продуктовую, моно-SKU модель с встраиваемым предположением о нормальном распределении. Это очень плохо. Это приводит к катастрофическим результатам. Далее, если вы сделаете ещё одно ошибочное предположение о дискретизации вашего пространства, это не добавляет никакой информации, а фактически теряет её. Нас отвлекли на напряжения, которые только усиливаются.

Теперь мы понимаем, что накопилось множество недостатков. Мы пытаемся исправить их чем-то, что можно сравнить со скотчем, вновь добавляя переменные, которые дают нам ABC XYZ. Мы могли бы попытаться найти другие способы исправить метод, но на самом деле мы идем в неверном направлении. Каждый дополнительный шаг — это просто добавление ещё одного куска скотча. Это не хорошая инженерия.

Процесс, который вы создаёте, просто не очень хорош. Добавление большего количества исправлений не сделает его лучше. Единственное решение — вернуться назад и пересмотреть сделанные предположения. Действительно ли они верны? Если нет, вам следует полностью пересмотреть подход, который вы используете.

Если вернуться к нашей исходной точке, мы начали с конкретной проблемы — принятия решений по запасам. Но на протяжении всего пути решения проблемы мы сделали множество предположений, и теперь сталкиваемся с последствиями этих ошибок. Сделав много ошибок, вы не можете просто создать второе доказательство, чтобы исправить проблему.

Это похоже на ситуацию, когда вы спрашиваете математика, может ли второе доказательство исправить неверное. Ответ: нет. Вы не можете решить проблему вторым доказательством. Единственный выход — отбросить неверное доказательство, заново выполнить работу, и тогда вы получите правильный путь. То же самое и с программным обеспечением. Если у вас есть неправильные предположения, их нельзя исправить уже после этого. Вам нужно вернуться к тому моменту, когда была сделана ошибка, исправить её, а затем продолжить свой путь.

Многие компании выстроили целые практики, основываясь на неверных предположениях. Из-за того, что цепочки поставок очень непрозрачны и сложны, люди могут работать десятилетиями, не осознавая, что можно было бы сделать лучше.

Прошло всего 20 лет с тех пор, как появились вычислительные машины, достаточно способные автоматизировать решения в цепочке поставок дешево. Современные компьютеры, способные справляться со сложностью современной цепочки поставок, не существовали вечно. Они появились относительно давно, но не веками. Для многих крупных компаний, управляющих цепочками поставок, эта автоматизация стала возможной только 20 лет назад.

Чтобы дать вам представление для сравнения, в США и Европе потребовалось около 40 лет, чтобы перейти от компаний, производивших собственную электроэнергию, к покупке электроэнергии из сети. Принятие новой технологии может быть долгим процессом. В конце XIX и начале XX века, как в Европе, так и в США, переход от внутреннего производства электроэнергии к её покупке из сети занимал примерно 40 лет.

Таким образом, с точки зрения временных масштабов, разработка машин, способных выполнять все эти расчёты без участия человека на каждом этапе процесса, является довольно недавним достижением.

Конор Дохерти: Давайте немного вернемся назад. Вы говорили о статическом подходе ABC и, следовательно, ABC XYZ. Можете подробнее рассказать об обоих подходах или любых альтернативных подходах к моделям спроса?

Йоаннес Верморель: Мы классифицируем наши продукты по двум измерениям — среднему значению (объёму продаж) и дисперсии. Но это, опять же, абстракции. Они не соответствуют реальности. Понятия моментального объёма продаж не существует. Это просто не бывает. Разница между конкретными решениями, такими как перемещение 10 единиц, и заявлением: «Эти продукты в среднем продаются 0.5 единицы в день» состоит именно в этом. Фактически, можно сказать, что за последние две недели вы продали около семи единиц, что приближенно соответствует 0.5 единицы в день.

Конор Дохерти: Как вы оцениваете этот объём с точки зрения управления цепочкой поставок?

Йоаннес Верморель: Этот объём и дисперсия являются статистическими показателями. Вопрос в том, насколько они стабильны со временем. Мы провели многочисленные тесты в Lokad и обнаружили, что для большинства бизнесов, даже если смотреть только на анализ ABC, значительная часть продуктов меняет категорию от одного квартала к другому. Если анализировать по более коротким периодам, например, помесячно, число продуктов, меняющих категорию, значительно возрастает.

Конор Дохерти: Значит, есть проблемы с этим методом классификации?

Йоаннес Верморель: Да, проблема классификации, особенно когда речь идёт о анализе ABC или XYZ, заключается в том, что количество переключений категорий продуктов увеличивается. Если удвоить число категорий, то от 80 до 90 процентов продуктов будут менять категорию от квартала к кварталу. Это не даёт ценной информации о вашем бизнесе; это просто шум.

Эти показатели были практически мусором, поскольку создавали иллюзию закономерности. Это может казаться научным, но по сути это продажа иллюзии. Организация продуктов в матрице может выглядеть математически, но это всего лишь произвольные ранги, установленные комитетом.

Например, когда вы классифицируете людей как богатых, средних, представителей среднего класса и бедных, вы имеете дело с непрерывным спектром. Ваши границы совершенно произвольны. Та же проблема существует, когда вы классифицируете ваши продукты.

Конор Дохерти: Итак, каковы ваши взгляды на вероятностный подход?

Йоаннес Верморель: Вероятностный подход трудно сравнивать, так как это полное изменение парадигмы. Первое основное отличие заключается в том, нужны ли люди в процессе или нет. Количественная цепочка поставок говорит — нет. Мы хотим использовать все лучшее, что современное вычислительное оборудование и программное обеспечение могут предложить для цепочки поставок. Присутствие человека здесь носит скорее второстепенный характер.

Таким образом, участие человека в цепочке поставок — это скорее случайность. Вероятностные прогнозы в этом отношении очень интересны, поскольку предоставляют огромное количество информации. Мы перешли от классов, которые теряют много информации, к рангам, дающим точечное измерение. Но вероятностные прогнозы предлагают иной вид точности. Вместо одного точечного показателя мы принимаем неопределённость, отражающую окружающую неопределённость нашей системы. Почему это важно? У компьютеров нет узких мест, присущих человеческому мышлению, и они могут обрабатывать огромное количество информации. Этот метод помогает собрать намного больше данных о вашей системе, цепочке поставок, продуктах и многом другом по сравнению с точечными показателями.

Да, это один из способов взглянуть на это с точки зрения информации — на то, что вы собрали в виде чистых данных о вашей ситуации. Другой аспект вероятностного прогнозирования — с точки зрения управления рисками. В конечном итоге нам нужно перевести наше решение в рамки какого-либо анализа рисков. Мы занимаемся оптимизацией запасов, чтобы решить, какие объёмы инвентаризации мы хотим выделить, произвести и закупить. Обоснования этих решений должны выражаться в евро или долларах ошибок и вознаграждений.

Помните, миссия компании — быть прибыльной. Да, у компании есть множество других целей, к которым она должна стремиться, но без прибыли компания перестанет существовать. Для компаний, управляющих цепочками поставок, маржи малы, и выживание не гарантировано. Многие крупные компании банкротятся каждый год. Поэтому нам нужно оценивать решения в терминах евро и долларов.

Таким образом, вероятностные прогнозы предоставляют больше информации о системе, а также прокладывают путь к механизмам, позволяющим соединить ваше финансовое видение с прогнозами будущего. Это обеспечивает более богатый набор данных и предоставляет методы, способные выразить качество ваших решений в евро и долларах.

С другой стороны, методы вроде ABC XYZ являются своего рода тупиком. Они не предоставляют эффективного способа преодоления разрыва между этими метриками и желаемым финансовым результатом. Вы всегда можете разработать сложные обходные решения, но эти методы лучше заменить чем-то, что полностью обходило бы матрицу ABC XYZ.

Конор Дохерти: Некоторые утверждают, что можно использовать ИИ или машинное обучение для преодоления описанного разрыва. Они предполагают, что ИИ может фактически применить «большой кусок скотча» к метрикам ABC XYZ для достижения того, о чем вы говорите.

Йоаннес Верморель: Вы подразумеваете, что у нас есть метод, создающий матрицу, непригодную для поставленной цели, что приводит к низкому качеству входных данных. Мы потом пытаемся связать это с нашей истинной целью. Однако входной сигнал настолько неисправен, что для преодоления этого разрыва нам потребовался бы невероятно сложный обходной путь. Это неэффективно и не результативно. Часто люди называют это подходом «скотч на стероидах», когда цель состоит в том, чтобы связать нечто субоптимальное с выходными данными, используя продвинутую аналитику. Это всё равно, что сказать: «Моя машина слишком медленная, давайте установим авиационный двигатель на мою машину, потому что моя машина слишком медленная». Хотя это может сделать вашу машину быстрее, это не правильное решение. Это переусложненная инженерия.

Если ваша машина недостаточно быстра, возможно, стоит пересмотреть, достаточно ли мощный двигатель в ней установлен или, может быть, в машине слишком много лишнего веса из-за добавленных вещей. Решение не должно быть всегда аддитивным. Например, крепление авиационного двигателя к машине для увеличения скорости — неразумное инженерное решение.

Людям невероятно сложно соотнести ценность этих метрик с соответствующими затратами. Это часто приводит к использованию аналитических суперспособностей, таких как ИИ или машинное обучение. Их зачастую воспринимают как магию, как будто вызывают полубога анализа данных, чтобы он сотворил для нас нечто почти волшебное.

Хотя бывают случаи, когда эти продвинутые методы могут сработать, я бы сказал, что это излишняя сложность. Это как создание устройства, которое слишком усложнено само по себе. Качественная инженерия заключается в создании простых и удобных для обслуживания решений, а не в том, чтобы усложнять их насколько возможно.

Если вы вводите чрезмерную сложность, вы можете потратить больше времени на отладку сверхсложного алгоритма машинного обучения, который вы едва понимаете, вместо того чтобы сосредоточиться на базовых проблемах. Например, в вашем супермаркете может не продаваться тот бренд подгузников, который хотят родители. Новые родители могут уйти из вашего магазина, потому что не найдут ожидаемого бренда, и ни ваш анализ уровня обслуживания, ни система ИИ не подскажут вам об этом.

Конор Дохерти: В завершение, что бы вы сказали людям, которые всё еще выступают за ABC XYZ, но готовы сделать шаг вперёд?

Йоаннес Верморель: Я бы посоветовал им пересмотреть свои предположения и оспорить свои взгляды, лежащие в основе требований. Не поддавайтесь аргументу традиции. То, что что-то делалось десятилетиями, не означает, что это до сих пор актуально. Две сотни лет назад главной работой в Париже было носить воду в ведрах. Очевидно, что сегодня это не так.

Когда что-то делается всегда, оно, вероятно, имело свою ценность при определённых условиях. Отказываться от этого не стоит без тщательного обдумывания. Но предпосылки, лежащие в основе метода, необходимо пересмотреть. Когда я общаюсь с людьми, продвигающими ABC XYZ, я призываю их ставить под сомнение предпосылки, лежащие в основе метода. Я не утверждаю, что метод неверен, но считаю, что логика и видение, на которых он основан, могут быть ошибочными или устаревшими. На этом следует сосредоточиться.

Конор Дохерти: Ну, если я могу добавить одну маленькую мысль в завершение, я бы сказал, что с точки зрения терпимости к неоднозначности две, на первый взгляд противоречивые, вещи могут быть истинными одновременно. Например, возможно, вы используете ABC или ABC XYZ десятилетиями, и это работало для вас. Это может быть так, но это ничего не говорит об утверждении, что существуют лучшие методы. Это на самом деле не подтверждает правильность метода. Так что две вещи могут быть истинными одновременно, и для некоторых людей это бывает сложно понять.

Йоаннес Верморель: Я понимаю. Это запутанность факторов, и всё переплетено. Потому что, когда вы говорите, что ABC или ABC XYZ работали для вас, я ставлю это под сомнение. ABC XYZ не определяет окончательные количества пополнения. Проблема в том, что после этого есть ещё шаги, и может потребоваться масса человеческих суждений. Мы начинали с идеи, что управляющий магазином смотрит на один табличный документ, мой объём продаж и выбирает мои продукты. Затем мы вставляем эти данные в середину матрицы. Но если ваш процесс заключается в том, чтобы создать эффектную матрицу, притвориться учёным, выглядеть умно перед коллегами, а затем выбросить матрицу и вернуться к старым методам, вы вполне можете в итоге сказать, что это работало очень хорошо для вас.

Это может дать вашему коллеге некое обоснование, создать у вас иллюзию, заблуждение о том, что эта часть вашей работы действительно что-то приносила. В конечном итоге мы занимались чем-то совершенно иным, чтобы прийти к единственному важному решению — финальному решению по запасам. Из-за того, что цепочки поставок очень сложны и непрозрачны, можно выполнить множество промежуточных действий, которые не имеют смысла, хотя и кажутся значимыми.

Если вы оглядитесь по миру, то увидите, что у многих примитивных племён существуют ритуалы для вызова дождя. Я не думаю, что сегодня многие скажут, что танцы для дождя повлияют на погоду и улучшат урожайность ваших культур. Но люди скажут: “Мы танцевали ради погоды тысячи лет, потом пошёл дождь, и у нас был хороший урожай.”

Да, возможно, но, может быть, некоторые из шагов, которые вы делали, были совершенно бесполезны. В конечном итоге именно это вам и нужно оценить. Действительно ли этот шаг вносит столько пользы в конечный результат, который является конкретным решением, а не просто промежуточными данными? Существуют ли альтернативные методы, которые были бы лучше? Потому что в конечном итоге, если у вас есть что-то, что работает для вас в том смысле, что вообще работает, мы снова возвращаемся к переносу воды в ведрах. Это, безусловно, работает, но существуют альтернативы, которые существенно лучше.

Конор Дохерти: Именно в этом суть проблемы. Две вещи могут быть истинными одновременно. Вы можете носить воду в ведре, но при этом можете также транспортировать её на лодке или чем-то значительно большим, вот что я имею в виду. Но опять же, две вещи могут быть истинными одновременно, и признание того, что между понятиями часто существует неоднозначность или размытость, о которой вы говорите, бывает сложно для людей.

Йоаннес Верморель: Да, и именно это нужно изменить. Когда люди говорят: “Это работало для меня” в отношении тех практик, которые я наблюдаю в цепочках поставок, вам действительно следует усомниться в том, что они подразумевают под “это работало для меня”. Что это значит? Это не является ложным утверждением само по себе, но если всё, что вы можете сказать, это “это было как-то правильно”, этого недостаточно.

В современной распределённой цепочке поставок, где ваше человеческое восприятие крайне ограничено, можно сказать, что обоснованность утверждения “это работало для меня” совершенно не одинакова, если вы имеете дело с небольшой системой, с одной стороны, или с суперсложной цепочкой поставок, которую нельзя наблюдать целиком, с другой. Снова, если есть управляющий магазином, который курирует одну полку и говорит: “Знаете, для меня это выглядит хорошо. Я смотрю на эту полку и вижу, что именно это хотят мои клиенты”, я буду доверять его суждениям. Это потому, что это находится прямо перед вами, у вас есть понимание системы. Вы можете поставить себя на место ваших клиентов. Вы используете свою эмпатию — посмотрите на это. У вас есть вся необходимая информация прямо перед вами. Вы можете вынести качественную оценку, и, скорее всего, она будет относительно разумной, если человек действует добросовестно и так далее. Теперь, является ли это той ситуацией, с которой вы сталкиваетесь в цепочках поставок?

Я бы сказал, что обычно вовсе не так. Типичная ситуация в цепочке поставок такова: вы клерк в офисе за тысячу километров от того места, куда будут отгружаться и потребляться товары. Вы не смотрите на полку, вы смотрите на Excel-таблицу. У вас есть десятки продуктов, по которым вы видели только коды товаров. Большую часть времени вы никогда не видели продукты вживую. И даже если вы их видели, то, безусловно, не все. Вы обслуживаете клиентов, которых никогда не встречали, а данные представляются из системы, которая крайне сложна и которую вы едва понимаете, вроде вашего ERP и тому подобное. Ваша логика такова: вы пытаетесь использовать свою собственную человеческую рациональность, чтобы справиться с чем-то, что является лишь крошечной, крошечной частью общей картины.

Я весьма сомневаюсь в том, что можно с уверенностью сказать, что это сработало. Я мог бы воспользоваться своим собственным суждением и сказать, что это сработало. Знаете, если это что-то очень локальное, когда вы видите всю картину, я бы сказал: “Да, может быть, вы не можете объяснить, почему это работает, но я доверяю вашему суждению.” Если же вы смотрите на нечто, что составляет даже не один процент от целого, и говорите мне, что это сработало, я отвечаю: нет. Вы этого не видите, это просто то, что вы привыкли видеть в этом одном проценте. Именно тогда вы и говорите, что это сработало. Вы просто утверждаете, что то, что находится перед вашими глазами, не отклоняется от того, к чему вы привыкли, глядя на этот один процент головоломки.

Конор Дохерти: Йоаннес, я думаю, что сегодня мы обсудили огромное количество материала, и у меня больше нет вопросов. Большое спасибо за ваше время и большое спасибо за просмотр. Увидимся в следующий раз.