00:00:00 Введение в интервью
00:01:41 Ранняя карьера Иэна Райта и основание Logistics Sciences
00:05:33 Концепция оптимальности в цепочке поставок
00:10:06 Оптимизация, неопределенность и реальные сбои
00:18:18 Ограничения традиционной оптимизации и влияние пандемии
00:25:27 Ответ Lokad и адаптация цепочек поставок
00:32:45 Проблемы детерминированных моделей и компромиссы
00:41:09 Уровни сервиса, финансовые модели и проверки здравого смысла
00:50:48 Человеческий опыт, эвристика и итеративное моделирование
00:58:39 Стоимость человеческого вмешательства в цепочки поставок
01:06:24 Стратегия как инженерия и автоматизация решений
01:14:06 Децентрализованная модель Walmart и преодоление изоляции подразделений
01:21:39 Обратные связи и непрерывное улучшение цепочки поставок
01:29:18 Достижение оптимальности и преодоление шумихи вокруг поставщиков
01:35:42 Заключительные мысли о тенденциях технологий в цепочках поставок
Резюме
В недавнем интервью LokadTV Конор Догерти пригласил Иэна Райта, основателя Logistics Sciences, и Жоаннеса Вермореля, генерального директора Lokad, чтобы обсудить идею того, что в управлении цепочками поставок не существует оптимальных решений. Они оспорили традиционные взгляды на эффективность, подчеркивая сложности и неопределенности, противоречащие классическим представлениям. Иэн и Жоаннес подчеркнули, что разные заинтересованные стороны имеют различные представления об оптимальности, и практические решения должны соответствовать реальным условиям бизнеса. Они обсудили ограничения традиционных методов оптимизации и важность человеческого суждения при стратегическом принятии решений. Разговор подчеркнул необходимость моделей, способных учитывать неопределенность, и сосредотачиваться на истинных экономических результатах.
Расширенное резюме
В недавнем выпуске LokadTV Конор Догерти, директор по коммуникациям в Lokad, провел содержательную дискуссию с Иэном Райтом, основателем Logistics Sciences, и Жоаннесом Верморелем, генеральным директором и основателем Lokad. Разговор вращался вокруг провокационной идеи о том, что в управлении цепочками поставок не существует оптимальных решений — концепции, которая бросает вызов традиционным взглядам на эффективность и принятие решений.
Конор Догерти начал обсуждение, отметив широко распространенное убеждение, что оптимальные решения являются воплощением эффективности, когда ресурсы распределены идеально, издержки сведены к минимуму, а прибыль максимальна. Однако он отметил, что эти идеальные модели из учебников часто рушатся перед лицом реальных сложностей. Иэн Райт, с более чем 40-летним опытом в области цепочек поставок и логистики, рассказал о своем пути от академической среды до нефтяной отрасли, а затем к созданию Logistics Sciences. Его карьера отмечена акцентом на решении проблем в логистике и операционных исследованиях, с упором на практическое применение планирования и исполнения.
Жоаннес Верморель поддержал слова Иэна, отметив, что, хотя намерения, заложенные в операционных исследованиях после Второй мировой войны, были правильными, эта область столкнулась с аналогичными проблемами, каким испытал искусственный интеллект, пройдя через периоды завышенных ожиданий, сменявшихся разочарованиями. Он отметил, что многие методы операционных исследований не смогли принести компаниям реальные, применимые выгоды.
Затем разговор перешел к статье Иэна «Почему в планировании цепочки поставок и оптимизации логистических сетей не существует оптимального решения». Иэн объяснил, что разные заинтересованные стороны имеют различные определения оптимальности, что часто приводит к противоречивым представлениям. Практики сосредотачиваются на математических аспектах, тогда как бизнес-лидеры больше беспокоятся о практичных, осуществимых решениях. Он подчеркнул, что модели и инструменты — это лишь часть более общего решения, которое должно быть понятным для бизнеса.
Жоаннес развернул эту тему, обсудив ограничения традиционных методов оптимизации, которые часто не способны учитывать временной аспект и справляться с неопределенностью. Он подчеркнул важность количественных улучшений в бизнес-оптимизации, противопоставив их более статичному, математическому подходу традиционных операционных исследований.
Обсуждение также коснулось роли неопределенности в принятии решений в цепочке поставок. Иэн описал различные источники неопределенности — от предсказуемых колебаний до событий «черного лебедя» и неизвестных неизвестных. Он подчеркнул необходимость моделей, способных справляться с этими неопределенностями и предоставлять резервные решения.
Жоаннес поделился подходом Lokad во время локдауна COVID-19, когда они управляли решениями в цепочке поставок для клиентов, чьи офисные работники были в отпуске. Внедрив огромную дозу неопределенности в свои модели, Lokad смог принимать более взвешенные решения, демонстрируя эффективность своих систем оптимизации.
Затем разговор перешел к роли компромиссов в процессе принятия решений. Иэн подчеркнул, что компромиссы зачастую сводятся к финансовым соображениям, балансируя затраты с уровнями сервиса и другими факторами. Жоаннес утверждал, что многие компании сосредотачиваются на оптимизации процентов, а не на истинных экономических результатах, что приводит к субоптимальным решениям.
И Иэн, и Жоаннес согласились с важностью участия человека в стратегическом принятии решений. Хотя автоматизация и инструменты оптимизации могут справляться со многими задачами, человеческая интуиция и суждение остаются критически важными, особенно в областях, где механистический подход недостаточен.
В заключение, интервью подчеркнуло сложность и вызовы оптимизации цепочек поставок, акцентируя необходимость практичных, осуществимых решений, учитывающих неопределенность и предусматривающих человеческое суждение. И Иэн, и Жоаннес предоставили ценные идеи о том, как компании могут преодолевать эти трудности, подчеркивая важность согласования моделей с реальными операциями и фокусировки на истинных экономических результатах.
Полная стенограмма
Конор Догерти: С возвращением на LokadTV. Оптимальное решение часто считается вершиной эффективности — когда ресурсы распределены идеально, издержки сокращены, а прибыль максимальна. Звучит отлично в учебнике или классе, но на практике такие идеи часто терпят неудачу при столкновении с реальностью. Сегодняшний гость, Иэн Райт, расскажет нам о поиске оптимальности. Иэн является основателем Logistics Sciences и имеет более 40 лет опыта в управлении цепочками поставок.
Как всегда, если вам нравится то, что вы слышите, подпишитесь на наш канал на YouTube и следите за нами в LinkedIn. И на этом я представляю сегодняшнюю беседу с Иэном Райтом.
Хорошо, отлично. Иэн, большое спасибо, что присоединились к нам. Для тех, кто может быть не знаком с вами — я уже представил вас ранее, но для всех, кто не знаком с вашей работой, не могли бы вы дать краткое вступление?
Иэн Райт: Думаю, вы упомянули, что я работаю в этой области уже 40 лет. На самом деле, я работаю гораздо дольше, но моя карьера охватывает 40 лет. В академической сфере мой интерес к экономике и географии соединился в изучении того, что тогда называлось транспортом, откуда я родом. Фактически, это были экономика, география, бизнес, и это разжегло у меня большой интерес к решению проблем, особенно в том, что теперь называется логистикой и операционными исследованиями. Затем я занялся операционными исследованиями, продолжая уделять большое внимание транспортным и логистическим проблемам, а затем тому, что мы все знаем как цепочка поставок. То есть, это было более 40 лет назад.
Затем, чтобы начать зарабатывать на жизнь, я устроился в нефтяную отрасль в качестве научного сотрудника по управлению в Castrol. Меня буквально бросили в самое пекло, ведь я сразу погрузился в проекты стратегического планирования на высшем уровне. Я разработал несколько систем профилактического обслуживания для распределительной сети компании, познакомился с программным обеспечением для планирования с точки зрения сети и автопарка. Затем я присоединился к компании, предоставлявшей эти системы — в то время в ней был всего один человек, нас было двое — и помог ему в их развитии. Потом я переехал в США с клиентом этой компании и занялся ГИС и использованием ГИС для визуализации того, чем мы занимались в сфере планирования. Так я получил раннее знакомство с тем, что сейчас повсеместно используется в ГИС и визуализации в начале 80-х.
Оттуда я занялся логистикой третьей стороны, первоначально через проект разработки программного обеспечения. Хотя я был знаком с 3PL в Великобритании на протяжении всей моей карьеры, в США это понятие было довольно новым в начале 90-х, и там только начинали разрабатывать идеи по созданию комплексных решений для продажи клиентам. Эти решения включали, например, выбор места для вашего склада или организацию работы ваших транспортных средств. Это было отличным применением моего опыта, но, что важнее для меня, стало ценным уроком в планировании реализации и исполнения, а не отказом от участия в эксплуатации созданного решения — уроком, полезным для всех, кто занимается тем, чем мы занимаемся.
Со временем я отошел от непосредственного планирования. Я сформировал несколько групп по разработке решений и возглавлял их. Затем я стал брать на себя все большую ответственность в организациях, в которых работал. Но в конце концов, после периода работы в консалтинге, который мне не очень понравился, я решил создать консалтинговую фирму Logistic Sciences. А если хотите узнать, что такое Logistic Sciences, то это, по сути, мой способ вернуться к тому, что мне нравится — решать проблемы, особенно связанные с цепочками поставок и логистикой, используя мои ограниченные знания и инструменты для помощи людям в решении задач в этой сфере. Так что, не знаю, поможет ли это вам понять, откуда я, — понятия не имею, куда меня приведет путь, но…
Конор Догерти: Спасибо, Иэн. И, на самом деле, Жоаннес, я уверен, многое из этого вам знакомо. Ведь идея решения проблем и переосмысления процесса принятия решений в цепочке поставок — это то, что вас сильно затрагивает, не так ли?
Жоаннес Верморель: Да, я имею в виду, что намерения, заложенные в операционных исследованиях после Второй мировой войны, были правильными в том смысле, что мы пытались превратить методы управления в нечто численно обоснованное и улучшаемое. Это, как я думаю, было одним из правильных намерений и до сих пор остается актуальным. Проблема в том, что всё оказалось довольно интересно. Люди очень часто говорят о различных зимах, через которые проходил ИИ, искусственный интеллект, с завышенными ожиданиями, за которыми следовало разочарование из-за того, что он не работал. Я считаю, что операционные исследования прошли через подобные фазы, и некоторые волны методов, известных тогда, просто не смогли превратиться в реальные, применимые выгоды для компаний.
Конор Догерти: Ну, это как раз переходит к теме сегодняшнего разговора, к которой Иэн вдохновился, увидев вашу работу в LinkedIn. Вы публикуете множество статей. У меня даже одна из них передо мной, по которой я сделал заметки. Надеюсь, камера ее зафиксирует. Итак, я прочитал её, мы все её прочитали. Эта статья, которая стала отправной точкой для нашего разговора, называется «Почему в планировании цепочки поставок и оптимизации логистических сетей не существует оптимального решения». Она занимает примерно 13 страниц. Для тех, кто её не читал, пожалуйста, представьте краткое резюме на уровне исполнительного отчета.
Иэн Райт: По сути, речь идет о том, чтобы донести идею, что у разных людей разные представления об оптимальности. И в общем, я замечаю, что эти представления либо противоречат друг другу, либо просто конфликтуют, поскольку представление практикующего специалиста об оптимальности часто гораздо больше сосредоточено на том, что он делает с помощью инструмента или применяемой техники. И это довольно часто, как упомянул Жоаннес, концентрируется на математике, в то время как тот, кто является получателем оптимизации, — это бизнесмен.
Я считаю, что мы можем сосредоточиться на бизнесе и частном секторе, хотя, конечно, возможностей для работы с цепочками поставок гораздо больше. Однако бизнесмен вовсе не должен беспокоиться о математике, методологии, инструменте или модели. И когда я работаю с собственными клиентами и в проектах, я сосредоточиваюсь на том, чтобы они понимали: инструменты, которые мы используем, и модели, которые мы строим, — это лишь малая часть пути к решению, которое они могут применять при принятии решений и реализации. Таким образом, основная идея статьи заключалась в том, чтобы донести: модель — не главное, важно само решение. И существует столько компонентов, столько аспектов решения, которое имеет смысл для бизнеса.
Conor Doherty: По этому поводу, и Йоаннес, я обращусь к тебе через минуту, но то, как ты это сформулировал, еще раз, когда объясняешь это своим клиентам, ты стараешься – и я это записал – в основном убедиться, что люди понимают. И в этом контексте, я думаю, что ключевое слово, которое нужно сразу прояснить, заключается в том, что когда ты говоришь об оптимальности, ты опять же проводишь разграничение между практиком и математиком. Часто некоторые термины могут означать немного разные вещи в зависимости от области применения. Йоаннес и я недавно обсудили эвристики, и эвристика в математическом смысле в отличие от экономического может отличаться. Так что когда ты говоришь о поиске оптимального решения или представлении оптимальности, что именно ты имеешь в виду, пожалуйста?
Ian Wright: В общем, я воспринимаю оптимальность не в том смысле, как это делает математик, потому что для меня это прекрасное понятие, если ты живешь в мире математики. Но нам приходится жить по тому, что является наилучшим решением в существующих обстоятельствах. Так что же на самом деле происходит? Что на самом деле происходит в мире? Нам нужно выяснить, что происходит, а затем представить решение, которое является наилучшим, что мы можем предложить в данных условиях, чтобы смягчить или уменьшить большинство проблем, с которыми мы сталкиваемся. Это то решение, которое мы ищем, которое хотим представить.
Conor Doherty: Йоаннес? О, да, спасибо, Иэн. Снова, идея быть лучшим из доступных не означает абсолютного совершенства. Есть что добавить или ты согласен?
Joannes Vermorel: Да, я имею в виду, что, опираясь на характеристику оптимизационной перспективы в математике как чего-то красивого, я согласен. Это чрезвычайно простая идея. Я могу подытожить это для аудитории. Суть в том, что вы берете функцию, которая будет оценивать то, что вам нужно, а затем частью входных данных этой функции являются ваши переменные, то, что вы можете регулировать, что может изменяться по вашей воле. Это поступает на вход, а функция выдает оценку. И, в своей основе, оптимизация ищет ту единственную комбинацию входных данных, которая является формализацией вашего решения и экстремизирует результат – экстремизирует, например, минимизируя, если вы хотите сократить затраты, или максимизируя, если хотите увеличить прибыль, что-то в этом роде.
И интересно то, что эта простая задача обладает чистой и понятной математической характеристикой. Затем вы можете сказать всевозможные интересные вещи о ваших входных данных, о вашем выходе, о том, как он ведет себя, и какие классы алгоритмов существуют для поиска решения, и сможете ли вы с математической точки зрения утверждать, что при данных предположениях ваш метод является наилучшим, или нет, и так далее. И, кстати, эта область исследований теперь официально называется OR. Раньше это означало операционные исследования, а теперь это просто математическая оптимизация. И их уже не волнует, говорим мы о бизнес-проблеме или нет. Их интересует разработка решателей – класса программного обеспечения, предназначенного для выполнения таких оптимизаций в математическом смысле.
Когда мы говорим об оптимизации в математическом контексте, я считаю, что это, можно сказать, самое кристально понятное понимание того, что такое оптимизация. Это не означает, что, будучи кристально ясной, она является самой актуальной. Это просто означает, что она самая чистая по своей сути, как чистота кристалла. Но это не значит, что она применима во всех ситуациях. А когда мы говорим об оптимизации в бизнес-контексте, мы подразумеваем, что хотим улучшить процессы с количественным подходом. Видите, вот в чем разница.
Потому что я также могу улучшить бизнес, например, создавая лучшую культуру, где люди более преданы делу, но практически невозможно измерить что-либо в этом количественно. Так что, когда мы говорим об оптимизации, мы имеем в виду улучшение с использованием количественных инструментов и, в идеале, количественных результатов. Это, знаете ли, то есть – и я возвращаюсь к вашему пониманию оптимизации – я описал бы её как в основном процесс количественных улучшений. Это и представляет собой бизнес-подход к оптимизации.
Ian Wright: Я думаю, нет, я полностью, полностью согласен с Йоаннесом. Одно из важных, что нам нужно понять, связано с оптимальностью – в рассматриваемых проблемах присутствуют разные измерения, и довольно часто эти измерения игнорируются или остаются незамеченными. И одно из самых базовых измерений – пожалуй, самое фундаментальное – это измерение времени.
Оно имеет огромное значение для того, что вы можете сделать с моделью или техникой, или технологией, а также для того, что необходимо делать в реальной операционной деятельности и что вы можете сделать в данных условиях. И это меняет, меняет природу того, что можно считать оптимальным.
Conor Doherty: Ну, на самом деле, и опять же, это идеальное выражение того, что вы можете сделать. И это снова переходит к обсуждению того, что, как я считаю, и для Йоаннеса это, безусловно, ключевой элемент любых обсуждений об оптимальности или, по сути, принятии решений – это природа неопределенности при принятии этих решений.
Таким образом, в вашей статье вы говорите об неопределенности и реальной сложности, существующей в цепочке поставок. Не могли бы вы подробнее прокомментировать источники неопределенности, которые действительно влияют на стремление к оптимальности в любом направлении оптимизации?
Ian Wright: Существует множество видов неопределенности и, эм, даже бывают такие виды, о существовании которых вы даже не подозреваете. То, на чем сосредоточены большинство, для меня является просто отражением динамичной природы цепочки поставок. Они просто динамичны, поэтому существует неопределенность, связанная с этой динамикой, и её можно анализировать с помощью количественного анализа и вероятностного анализа, чему, я знаю, вы уделяете большое внимание.
Но затем вы переходите к тем областям неопределенности, которые ближе к риску. Так что есть как незначительные, так и чрезвычайно большие риски, и это также отражается в том, что вы выходите за рамки предсказуемого или вероятностно предсказуемого контекста до той степени, что фактически говорите о, как я упоминал в статье, о событиях «черного лебедя». И, просто, парень, я совсем потерял нить.
Так, извините, возможно, вам придется это отредактировать, но вы переходите от модели малого мира, которая предсказуема, и имеет элементы, которые можно предсказать по данным, доступным довольно легко, затем переходите к событиям «черного лебедя», которые, по сути, могут произойти, но возможность их предсказания гораздо меньше, и, в конце концов, некоторые события «черного лебедя» просто невозможно предсказать. Вы просто знаете, что они могут произойти. А затем, я думаю, даже более катастрофически, довольно часто во многих случаях того, что я называю в статье, заимствуя фразу, неизвестными неизвестными.
Дональд Рамсфельд… на самом деле, это был не Дональд Рамсфельд, а кто-то ранее, кто заимствовал эту идею так же, как и я, но в любом случае. И затем вы переходите к вопросу: насколько далеко нам нужно идти, чтобы понять не только те «неизвестные неизвестные», которые мы не можем учесть – даже события «черного лебедя» не всегда можем включить в операционное планирование – но те предсказуемые, основанные на вероятности, которые мы можем и должны учитывать.
И еще я бы сказал, что вы можете перейти в другое измерение деятельности, где вы, как я думаю, уже говорил в моделировании, не просто смотрите на решение, а рассматриваете решение, состоящее из множества взаимозависимых элементов, к которым можно переключаться или которые можно активировать по необходимости. Но основная цель – оставаться как можно ближе к тому, что вы назвали оптимальным в вашем предпочтительном решении.
Conor Doherty: Ну, на самом деле, чтобы подхватить цитату, не вдохновленную Дональдом Рамсфельдом, другие источники неопределенности, которые люди считают «известными известными», как ты сказал в статье, в стабильном спросе и предсказуемых цепочках поставок. Йоаннес, это известные известные или известные неизвестные или неизвестные неизвестные?
Joannes Vermorel: Да, я думаю, эта типология хороша, но опять же, если вернуться к базовому инструменту, который мы используем для количественного анализа, если вернуться к тому, что было разработано в рамках операционных исследований, измерение времени отсутствовало. Первая причина его отсутствия, довольно банальная, заключается в том, что при увеличении размерности задач эти методы работают очень плохо при решении более сложных проблем. Они не очень масштабируемы, по крайней мере не в том смысле, в каком мы понимаем масштабируемые решения сегодня, особенно если учесть недавнее развитие того, что произошло, скажем, на фронте deep learning.
Таким образом, первая проблема заключалась в том, что у нас была совсем базовая проблема масштабируемости – без измерения времени. А затем, как только мы начинаем учитывать временной аспект, будущее уже не известно идеально, и нам приходится сталкиваться с определенной изменчивостью. И в данном случае это будут просто «известные неизвестные». Знаете, это очень мягкий случай неопределенности. Ожидается, что lead times будут варьироваться, ожидается, что спрос будет меняться и т.д. Так что эти случаи относительно просты.
А затем мы входим в область так называемой стохастической оптимизации, потому что внезапно ваше решение может оказаться хорошим или плохим в зависимости от будущих обстоятельств, которые вы не контролируете. Таким образом, есть альтернативные сценарии, в которых это решение выглядит хорошим, но, безусловно, существуют возможные сценарии, где со временем оно окажется неудачным. Я бы сказал, что это довольно банальные проблемы, с которыми мы сталкиваемся до того, как перейти к «неизвестным неизвестным» и всем этим диким видам неопределенности, когда у нас остаются еще более базовые проблемы, и именно здесь, как мне кажется, идея «граней» становится очень интересной.
Мы просто действительно не знаем, как что-либо оценить. Это неочевидно. Когда мы говорим, что хотим оптимизировать прибыль, существует неопределенное количество способов подсчета прибыли. Нужно ли учитывать эффекты второго порядка, эффекты третьего порядка? Что я имею в виду под эффектами второго порядка? Вы даете скидку в 10% сейчас, и клиент ожидает, что при следующем визите в магазин он получит аналогичную скидку. Это эффект второго порядка. Вы только что дали скидку, но это обошлось вам дороже, потому что вы создали ожидание. Так что, опять же, это должно учитываться.
А затем, если вы поступите так, ваш конкурент может агрессивно решить еще больше снижать цены или, в конце концов, полностью отказаться от конкуренции, оставив вас одних или, по крайней мере, с меньшим числом конкурентов. Видите, все это – очень обыденные аспекты того, что именно я пытаюсь количественно оценить. Это сложно. Я думаю, что еще одна грань, которая не рассматривается в классической литературе по оптимизации, заключается в том, что специалисты думают, как будто проблемы понятны с самого начала.
Conor Doherty: Иэн, в вашей статье вы привели много конкретных примеров компаний, которые добились успеха или потерпели неудачу в решении тех видов неопределенности, о которых мы только что говорили – будь то сроки поставок, нестабильные модели спроса и т.д. Не могли бы вы привести еще подробности этих кейсов, пожалуйста?
Ian Wright: Да, многие проекты, над которыми я работаю, имеют стратегический характер. Некоторые – тактические. В основном, я уже не занимаюсь планированием исполнения. Поэтому большинство примеров, о которых я могу подумать в этом контексте, касаются компаний, которые не планируют тактически или стратегически, не решая вопросы предсказуемости или ее отсутствия.
Совсем недавно, за последние три года, произошло событие, за год до которого, я думаю, никто не сказал бы, что предсказал его. Безусловно, я считаю, что ни одна система планирования в какой-либо компании не могла бы предусмотреть и включить в свои расчеты элементы, учитывающие влияние пандемии и то, что произошло с запасами, последствия сокращения запасов, резкое снижение спроса и так далее. Столько различных широко распространенных последствий. Классическим примером являются полупроводники.
Мой опыт оказался двояким: так много компаний, вышедших из пандемии в пищевом производстве, и не только в фармацевтике, но и в производстве медицинских приборов, в целом в секторе логистики здравоохранения, внезапно осознали, что им приходится планировать то, чего они не ожидали. Они работали с внутренними системами, управляющими бизнесом, управляющими их цепочкой поставок, потому что эти системы больше не предоставляли им данные, способные заложить основу для моделей, позволяющих понять, что им следует делать дальше.
Итак, я работал над множеством проектов для производителей пищевых продуктов, которые пытались наверстать упущенное из-за огромного всплеска спроса в местах, где у них не было мощностей, и им нужно было очень быстро понять, где эти мощности должны быть размещены и почему именно там. Было так много фундаментальных проблем с тем, как это осуществить, потому что это было похоже на вопрос: как построить цепочку поставок для продукта, которого сегодня не существует? Как это планировать? А затем сам процесс реализации – это следующий этап.
Conor Doherty: Иэн, это хороший переход к Йоаннесу. Ведь это, по сути, твоя стихия – реализация решений в ситуациях, насыщенных неопределенностью. Есть ли примеры успехов или неудач компаний, когда дело касается тех видов неопределенности, о которых мы говорим?
Joannes Vermorel: Да, я думаю, знаете, если вернуться к годам локдауна, 2020, 2021, интересный момент в том, что у Lokad были, я бы сказал, очень хорошие операционные успехи, но, думаю, именно потому, что мы занимались оптимизацией.
Позвольте мне описать, что сегодня большинство компаний делает фактически с помощью океана таблиц. Они ничего не оптимизируют — ни в математическом смысле, ни так, как мы только что описали. По сути, они в основном воспроизводят то, что уже было сделано раньше. Они практически сопоставляют шаблоны с собственными предыдущими решениями. Они даже не следуют за спросом или чем-либо подобным; они просто в основном повторяют то, что делали раньше, что означает, что бюджет распределяется практически так же, как и в прошлом году, резервные запасы снова корректируются минимально по сравнению с прошлым годом и так далее. Таким образом, всё делается по нарастающей, по отношению к статусу-кво. Оптимизации не происходит. Мы лишь отражаем статус-кво, немного корректируя его, но не количественно, а немного в ту сторону, которая кажется подходящей.
Вроде работает, но вот в чём дело: процесса оптимизации не происходит, что означает, что если вы кардинально измените условия работы, у вас не будет никакого механизма, чтобы отразить эти новые условия. Позвольте повторить: все ваши таблицы и существующие процессы разработаны для того, чтобы воспроизводить то, что вы делали раньше. В то время как в Lokad у нас были внедрены системы оптимизации. Что происходило, когда возникали беспрецедентные ситуации? Мы практически вручную вводили огромную дозу неопределённости в наши модели.
Мы не знали, что произойдёт. Мы просто говорили: «Хорошо, спрос, как правило, представляет собой то, что мы называем эффектом дробовика». Вы видите будущее спроса, которое просто выглядит как вероятность. Ну, если у вас ситуация, как во время локдауна, вы просто увеличиваете угол дробовика, чтобы будущее стало очень нечетким. То же самое касается задержек, то же самое — и для цен. Вы просто предполагаете, что внезапно знаете намного меньше о будущем. Но это можно сделать, и если вы предполагаете, что вдруг знаете намного меньше, вы можете снова запустить логику оптимизации — это стохастическая оптимизация, чтобы получить решения, которые будут более осторожными с учётом существующих рисков.
Вы в некоторой степени учитываете худшее, что может произойти в отношении задержек, цен, спроса и т.д., и принимаете решения, становясь гораздо более консервативными по отношению к тем рискам, которые количественно выросли. Мой вывод таков: это работает. Это действительно работает очень хорошо, но проблема в том, что нужно больше оптимизации, а не меньше. Хотя это не та статическая перспектива операционных исследований, когда ничего не меняется.
Второй момент — это дополнительный аспект, который, по моему мнению, почти никогда не обсуждался в эпоху операционных исследований, вероятно, с 1950 по 1980 годы, за эти 30 лет, — качество вашего оборудования. Насколько быстро вы можете перейти от одного экземпляра моделирования к следующему? Это действительно практический оперативный вопрос.
Ian Wright: Думаю, существовали и практические проблемы, связанные с этим, потому что технология была недостаточной. Не хватало данных, так как технология для этого была недостаточной. Но, безусловно, технологии, позволяющие проводить планирование быстрее, просто не существовало. Могу сказать, что видел, как модели оптимизации работали 24 часа, в отличие от сегодняшнего времени, когда, работая с коллегами, я думаю: «Модель ещё не закончила, прошло уже пять минут, что мне теперь делать?» Я не хочу перебивать тебя, Joannes, но, думаю, во многом это было связано с тем, что сегодня у нас гораздо лучше технологии.
Joannes Vermorel: Полностью согласен, и это отдельный вопрос, но действительно практический. Если у вас есть технология оптимизации, но её перезапуск занимает 24 часа, и вам нужно 20 итераций, чтобы сойтись к чему-то относительно удовлетворительному в отношении нового состояния вашей цепочки поставок, это никогда не сработает. Люди просто возвращаются к таблицам. Нет времени проходить через все эти этапы. Вы возвращаетесь к своим таблицам, которые, может быть, не обеспечивают такую оптимизацию, но по крайней мере дают вам ответ в разумные сроки.
Я думаю, это был именно тот случай, когда Lokad справлялся хорошо в этот период. У нас была оптимизация, но были инструменты оптимизации, которые были достаточно гибкими, чтобы их можно было тестировать неоднократно, десятки раз в день, пока мы не получили что-то, что действительно работало. В противном случае наши клиенты просто отказались бы от услуг, которые тогда предлагал Lokad.
Ian Wright: Интересно, потому что у меня всегда возникали трудности с тем, что я называю оптимизацией снимка. Особенно, планирование цепочки поставок и сетевые модели всегда были задачами целочисленного программирования на основе фиксированного снимка. Все решатели — это просто снимки, и вопрос времени всегда меня беспокоил: как мы можем воспользоваться преимуществами подходов, подобным моделированию, где можно учитывать временное измерение немного лучше, и как можно как-то объединить этот подход.
Например, есть компания в России — симуляционная компания, которая предложила объединить оптимизацию. Я думал, что это было здорово в своё время. К сожалению, я не очень хорошо знаком с их реализованной оптимизационной частью, потому что они — симуляционная компания. Один вопрос — время. Другой вопрос, как мне кажется, в определении решения с вероятностью также связан с технологической проблемой, с которой мы сегодня можем справиться. Это связано с количеством данных, объемом данных, которые можно включить при выведении решения.
Многое выходит за рамки деятельности корпорации, компании или подразделения, для которого вы проводите оптимизацию, и не учитывается, когда запускается новый продукт или когда вы вступаете в совершенно новый мир после пандемии. Единственное, на что вы часто можете опереться, — это данные, не имеющие никакого отношения к истории ваших прошлых операций. Вам нужно рассматривать гораздо более широкий спектр данных, чтобы, например, при расчёте вероятностей учитывались экзогенные переменные наряду со всеми традиционными переменными, связанными с деятельностью, которую вы пытаетесь поддерживать.
Joannes Vermorel: Концептуально, да, хотя я немного не согласен с этим. Дело в том, что данные, выходящие за рамки транзакционных, очень дороги для компаний. Получение данных по конкурентной разведке приемлемо, это не слишком затратно, но если вы пойдёте дальше, просто собирая цены ваших конкурентов, всё очень быстро становится крайне сложным.
Наш подход заключается в том, что, как правило, сначала нужно создать модели, в которых вы анализируете свои данные более информативно. Примером может служить запуск нового продукта: у вас нет истории продаж, поэтому традиционная перспектива временных рядов говорит, что у вас ничего нет. Но если вы откажетесь от временной перспективы и примете альтернативное видение, вы можете заметить, что запуски вашего продукта имеют характер удачи или неудачи, и что успехи, которых можно ожидать, ведут себя согласно какому-то распределению, как и неудачи. Так что да, вы можете использовать исторические данные, чтобы делать выводы о продукте.
Снова, если смотреть на запуски: если неизвестная студия выпускает фильм, вероятность того, что эта незнакомая студия создаст фильм, собравший 1 миллиард в кинотеатрах, крайне мала. Но если это Disney или Warner Brothers, тогда вероятность может составлять что-то вроде 5%.
Таким образом, во-первых, используя транзакционные данные, которые есть в компаниях, вы обычно можете узнать намного больше, чем кажется, поскольку все застряли в перспективе временных рядов. Есть и другие способы.
Второе заключается в том, что если вы признаёте, что просто не знаете, давайте осознаем, что люди, принимающие эти решения, как люди, тоже не обладают секретным источником информации. В человеческом мозге нет кристального шара, который позволил бы заглянуть в будущее или что-либо подобное, особенно когда речь идёт о цепочках поставок, где у вас десятки тысяч продуктов, о существовании которых вы знаете только потому, что они существуют. Многие специалисты по планированию спроса и поставок даже не знают точно, что их компания продаёт или производит.
Итак, возвращаясь к этому, я бы сказал, во-первых, у нас есть транзакционные данные, которые можно использовать в гораздо большем объёме, как только вы отказываетесь от перспективы временных рядов. Но затем есть ещё тот факт, что эту дополнительную информацию очень трудно получить. Так что, возможно, нам следует принять тот факт, что неопределённости будет много.
Традиционные инструменты вообще не предусматривают работу с неопределённостью. Когда я говорю о традиционных инструментах, я имею в виду все решатели, обеспечивающие математическую оптимизацию рынка. Все решатели, которые мне известны и признаны, являются просто детерминированными; они не могут работать с неопределённостью. Мы только что получили на этом канале одного пионера, который пытается внедрить свой прототип стохастического оптимизатора InsightOpt, Meinolf Sellmann, у которого были его инструменты Seeker. Но это действительно единичный случай, и, по сути, это единственный, о котором я знаю, что пытается продвигать это с коммерческой точки зрения.
Итак, возвращаясь к рассматриваемому вопросу, я считаю, что если у вас нет никаких инструментов для работы с неопределённостью в любой её форме, идея, что вы просто справитесь с этой ситуацией, увеличивая неопределённость и позволяя ей быть, даже неосуществима. Но если такие инструменты у вас есть, то это становится вполне естественным. Вы пробуете что-то беспрецедентное, неопределённость зашкаливает, и ваш оптимизатор просто позволяет вам действовать соответственно.
Ian Wright: Думаю, здесь мы начинаем расходиться в мнениях, потому что существует разница в фокусе между стратегическим планированием и планированием, когда приближается этап исполнения, где варианты резко сокращаются. Я исхожу из преимущественно стратегического планирования. Когда, например, говорят, что дополнительные объемы данных для нового продукта дорогие — это может быть так, но существует множество различных данных, которые можно использовать при моделировании до того, как перейдете к оптимизации.
Вы можете моделировать корреляцию между множеством различных экзогенных аспектов экономических данных и демографической информацией, связанной с тем видом продукта и рынком, которому вы хотите его предоставить. Вот откуда я, Joannes, когда говорю о добавлении дополнительных элементов данных. Я имею в виду рассмотрение корреляций с данными, которые разумно доступны и обычно связаны с демографией и проникновением на рынок.
Ещё один аспект, который, как мне кажется, в конечном итоге мы всегда должны учитывать как поставщики технологий и практики в этой области, заключается в том, что бизнес в конечном счёте сводится к финансам. Основной элемент того, что мы должны делать при планировании, — это сводить всё к затратам и их минимизации, в зависимости от обстоятельств. По моему мнению, данные о затратах используются недостаточно эффективно, например, в сетевых моделях оптимизации цепочки поставок. Люди с радостью принимают предположения о затратах при составлении моделей, вместо того чтобы активно искать более конкретные ожидания относительно затрат, что вполне осуществимо. Думаю, это то, на что, с технологиями, которые у нас есть сегодня, можно гораздо сильнее сосредоточиться и лучше понять, что мы можем сделать, привлекая данные для более полного понимания контекста нашей работы.
Conor Doherty: Это отличный момент, чтобы немного продвинуться вперёд, потому что, как только у вас появляются все данные, вам в конечном итоге приходится принимать решение. Ещё один момент, о котором вы говорите в статье, — это роль компромиссов в принятии этих решений. Как только у вас готова модель и есть все данные, перед вами всё равно встаёт ряд решений, зачастую просто выбор вариантов. Как же компромиссы вписываются в поиск оптимального решения?
Ian Wright: Быстро отмечу одну вещь. У вас никогда не бывает всех данных. У вас есть те данные, что есть, конечно, но они всегда несовершенны. Поэтому вам приходится работать с тем, что есть. Я по натуре циник, как вы, наверное, заметите, да? Что касается компромиссов, то в цепочке поставок очевиден один компромисс — это, по сути, финансы. Хочу ли я потратить деньги, чтобы предоставить услугу и продукт, которые желает мой клиент? Я хочу предоставить продукт так, как клиент хочет его получить, а это означает, что мне придётся тратить на это деньги. Насколько далеко я готов зайти этим путём?
Компромисс — это, например, баланс между запасами и затратами на транспортировку. Но есть компромиссы, связанные с тем, сколько мер предосторожности я внедряю для снижения риска, сколько потенциальных операционных путей я создаю для своего бизнеса, чтобы иметь возможность выполнить вероятностный план, который отличается от моего обычного сценария? Компромисс заключается в том, рассматриваю ли я краткосрочные последствия выбранных моделей и планов или же учитываю долгосрочную перспективу, что часто означает финансовый компромисс, так как я инвестирую сейчас в то, что произойдёт только в более поздний период.
Компромиссы, по моему мнению, — это своего рода эвфемизм для того, что мне нужно правильно управлять финансами. Как же я уравновешиваю всё это? Не уверен, отвечаю ли я на твой вопрос, Conor, но всё сводится к тому, что я готов сбалансировать в своей модели, учитывая, что я ограничен в её возможностях. Что я готов сбалансировать, чтобы получить нужное размещение знака доллара или евро?
Conor Doherty: Спасибо, Ian. А теперь, Joannes, обращаюсь к вам, потому что, как всегда, подготавливаю материал для того, о чем, как я знаю, вам нравится говорить. Я отметил, что в основе того, что люди пытаются оптимизировать, если не ошибаюсь, действительно являются затраты или финансы. Но дело в том, что часто, когда речь идёт о принятии решений в цепочке поставок, люди или компании стараются оптимизировать такие показатели, как уровни обслуживания. Я думаю, вы уже говорили, что то, что люди считают оптимизацией, — это затраты, но на самом деле это всего лишь числовой артефакт. Так что вопрос, если можно, к вам: когда люди сосредотачиваются на этих традиционных целях в цепочке поставок, действительно ли они оптимизируют затраты или смотрят не в ту сторону?
Joannes Vermorel: Если посмотреть на доминирующие практики в цепочке поставок сегодня, то на слайдах PowerPoint заявляют, что фокусируются на экономической жизнеспособности. На практике же — нет. Всё сводится к процентам в уровнях обслуживания, возвратах запасов и тому подобное. Эти показатели слабо коррелируют с вашей конечной прибылью, и то лишь слабо.
Предполагать, что ваша прибыльность каким-либо образом коррелирует с уровнем сервиса — это просто безумие. Это не работает. Это крайне упрощённый подход. Во-первых, стоит отметить, что доминирующие практики основаны на интуитивном понимании людей, что они не смогут убедить никого, если скажут, что хотят оптимизировать проценты. Так что на слайдах будет написано, что мы оптимизируем те доллары, но на практике в их программных системах действуют правила, абсолютно никак не связанные с этой долларовой моделью. Я бы сказал, что те, что я наблюдал в реальных условиях, за исключением Lokad, представляли собой строго нефинансовые, неэкономические подходы.
Теперь, если мы перейдём к экономической перспективе, где начинают учитываться эти доллары, я полностью согласен с тем, что правильно всё устроить крайне сложно. Это трудно, и, собственно, существует множество кошмарных историй, часто показываемых в голливудских фильмах, где финансовый специалист оказывается злодеем, практикующим невероятно глупое краткосрочное мышление в ущерб чему-то, что должно случиться в далёком будущем.
Финансовая перспектива имеет дурную репутацию, и действительно, подход, на который опирался операционный анализ 40 лет назад, был крайне упрощённым. Они стремились использовать всего несколько базовых переменных: затраты — стоимость запасов, стоимость того или иного — и вуаля, задача решена, пусть теперь волшебство проявится в виде оптимального решения, возникающего из модели.
В Lokad мы это заметили и поняли, что перед нами стоит настоящая проблема: как определить, что наша функция оценки, наша экономическая функция оценки, та, которая считает доллары, отражает достаточную приближенную правду. Это очень сложный вопрос, и мы обнаружили методологию, описанную в моей серии лекций по цепочке поставок под названием “экспериментальная оптимизация”.
Вы понимаете, что ваша экономическая модель верна, когда она генерирует разумные решения. Это очень странно. В конце концов, люди считали, что нужно иметь правильную метрику оценки, чтобы получать оптимальные решения. А мы делаем практически наоборот. Мы генерируем решения, а затем из этих сгенерированных решений, экстремизированных по данной метрике, анализируем, являются ли они разумными или нет.
Когда мы видим явно дисфункциональные решения, вопиюще безумные, мы часто возвращаемся к экономической модели и понимаем, что что-то не так, что мы упустили. Таким образом, у нас возникает весьма итеративный процесс: мы определяем наши доллары, оптимизируем, получаем решения, некоторые из них оказываются безумными, пересматриваем способ подсчёта долларов и повторяем процесс.
После множества итераций мы, наконец, приходим к такому решению, в котором у никого больше не возникает сомнений. Мы называем это принципом нулевого безумия. Мы хотим прийти к такой настройке, при которой система не генерирует ни одной явно абсурдной записи “из коробки”. Именно в этот момент, по мнению Lokad, система готова к запуску в производство.
Но видите ли, суть в том, что мы полностью переворачиваем перспективу, присущую операционному анализу. Вместо того чтобы считать функцию оценки заданной, мы предполагаем, что она будет вырабатываться посредством пошагового процесса. Это очень странно, так как, по крайней мере для французов, это противоречит картезианской перспективе “снизу вверх”, применению принципов и их простому развёртыванию. Это гораздо более эмпирический процесс.
Ian Wright: Должен признаться, и прошу прощения за это, но я вынужден признаться в моей относительной неосведомлённости о Lokad. Однако ваш подход к определению разумности в обсуждаемом контексте меня очень заинтересовал. Что же составляет разумное решение?
Joannes Vermorel: Ian, чтобы привести пример, который я приводил в своей серии лекций, начну с аналогии, а затем вернёмся к цепочке поставок. Существуют задачи, когда решение общей проблемы оказывается невероятно сложным, а отдельные её конкретные случаи — очень простыми.
В качестве примера, допустим, я даю вам фильм для просмотра и говорю, что он о римском гладиаторе или что-то в этом роде, и прошу вас заметить, если есть элементы, совершенно не соответствующие историческому периоду, например, самолёт на заднем плане. Существует известный фильм, где в арене идут бои, а на небе в фоне виден самолёт.
Если я попрошу вас найти общий алгоритм, который определит все ошибки в фильме, не соответствующие эпохе, это окажется совершенно пугающей задачей. Вам потребовалась бы энциклопедия всего того, что ещё не было изобретено — даже терминов, настроения, отношения, самого образа мышления. Это просто невероятно сложная задача. Но на практике, если поставить стажёра перед записью, он скажет: “О, здесь самолёт — это плохо.” Я не могу предоставить вам список всех неправильных моментов, но могу заметить этот конкретный пример безумия.
Системы цепочки поставок во многом похожи на это. Очень сложно дать общее правило, которое точно определяло бы, что считается безумием, а что — нет. Это проблема общего интеллекта, а не то, что можно уместить в простом алгоритме. Но оказывается, люди довольно неплохо умеют замечать такие проблемы.
Примером может служить следующая ситуация: у вас в исторических данных наблюдается серия дефицитов товаров, которые не были должным образом учтены, и внезапно ваша оценка будущего спроса падает до нуля, потому что из-за дефицитов ничего не продавалось, и ваша модель глупо прогнозирует ноль. Затем вы предлагаете политику нулевого пополнения запасов. Вопрос звучит так: “Каков ваш целевой уровень запасов? Ноль, потому что мы наблюдали очень низкий спрос, так что оставим его равным нулю.”
Если вы задумаетесь над этим, то, да, мой прогноз будет на 100% точным, ведь я прогнозирую ноль, пополняю ноль, и всё вроде бы в порядке. Но нет, всё не так. Эта проблема называется “замораживанием запасов”. Это пример безумия, и существует множество ситуаций, когда, анализируя решения, можно обнаружить дисфункциональные моменты, когда цифры необъяснимо завышены или занижены, или когда что-то просто не имеет смысла.
Историческим примером из практики Lokad является случай с одним из наших первых клиентов в авиационной отрасли, когда мы начали рассматривать вопрос пополнения запасов и предложили купить некоторые детали. Клиент ответил нам: “О нет, мы не собираемся покупать эти детали. Эти детали пойдут на Boeing 747, а через 10 лет над Европой уже не будет летать Boeing 747. Срок службы этих деталей составляет четыре десятилетия, так что если мы купим их сейчас, мы сможем использовать их только 10 лет, а затем эти самолёты исчезнут.”
Это был очевидный случай, когда мы забыли учесть тот факт, что срок полезного использования детали не может превышать срок службы самолёта, для которого она предназначена. Такие ситуации, в зависимости от отрасли, будут возникать бесконечной чередой, являясь проявлениями этого безумия. Хотя я не могу дать вам общее правило или алгоритм для их выявления, на практике всё работает очень хорошо, потому что люди могут обнаружить эти моменты.
Ian Wright: Теперь мы абсолютно на одной волне, что довольно странно, потому что я знаю, что нам предстоит обсудить несколько вопросов. Моя главная идея в карьере, связанная с работой с этой технологией и внедрением её в компании клиентов, всегда заключалась в том, что нельзя исключать человека. Необходимо учитывать и использовать человеческий фактор при внедрении и использовании технологии.
Поскольку сейчас, и в обозримом будущем, у нас нет технологий, способных заменить многие аспекты человеческого фактора, о которых вы говорите, например, распознавание абсурда или безумия, таковых ещё не существует. Единственный способ появления такой возможности — попытаться каким-либо образом встроить человеческие аспекты в процесс. Сегодня это просто невозможно.
Joannes Vermorel: Да, я с вами согласен. Есть два аспекта, на которые я хотел бы ответить в связи с вашими комментариями. Во-первых, иногда безумные решения можно признать таковыми только уже после их принятия. Вы должны допустить ошибку, чтобы понять, что что-то пошло не так и имело плохие последствия. Но помимо человеческого фактора, информация должна возвращаться из реального мира. Вам нужна обратная связь из реальности, чтобы получить эту информацию. Так что это вопрос высокого уровня интеллекта. Даже если бы у нас был искусственный интеллект, способный мыслить, как человек, у него были бы свои ограничения. В определённой степени, единственный способ понять мир — дать себе возможность экспериментировать. Это был бы первый аспект.
Второй аспект касается роли людей. Мои коллеги при проектировании систем используют людей в качестве сопроцессоров. Ваша система генерирует решения, числа, распределение ресурсов и тому подобное. Затем появляются все эти записи, которые являются безумными, и вы ожидаете, что у вас будет армия сотрудников, чтобы вручную вмешаться и исправить всё это. Для аудитории все системы с оповещениями и исключениями как раз и работают таким образом. Оповещения и исключения — это ещё один способ сказать, что у нас есть человеческие сопроцессоры, которые обработают то, что моя система не способна обработать.
Моя проблема с этим заключается в том, что люди довольно дорогие. Это стоит дорого. Поэтому, на мой взгляд, это не самое разумное использование их времени, ведь человеческие сопроцессоры будут бесконечно повторять ту же самую ерунду, связанную с теми же оповещениями и исключениями.
Вот почему в Lokad мы смотрим на это совершенно по-другому. Мы считаем, что при обнаружении какой-либо ерунды, будь то оповещение или исключение, кто-то из специалистов Lokad, учёный по цепочке поставок, должен вмешаться и скорректировать реализацию того, что осуществляет предиктивную оптимизацию, чтобы данная проблема не повторялась. Без исключений. Каждая обнаруженная ерунда тщательно анализируется. Является ли это действительно ерундой или олицетворяет умную оптимизацию? Если это действительно ерунда, то необходимо исправить саму логику оптимизации. Вы не хотите, чтобы тот же сотрудник сообщал об одной и той же проблеме на следующий день.
Ian Wright: Я думаю, что мы всё ещё на одной волне, безусловно, на одном уровне. Я подхожу к этому с более стратегической и тактической точки зрения, и меня не волнует перспектива увидеть комнату, полную людей из “Большого Брата”, сидящих за компьютерами и исправляющих ошибки. Я говорю о том, что необходимо для развертывания операций в стратегическом или тактическом плане. Это означает привлечение опытных заинтересованных лиц для поддержания разумности в выбранном направлении и в реализуемых решениях.
Что касается всей идеи, которую, как я понимаю, вы выдвигаете, Joannes, то по мере того как мы продвигаемся с технологиями, которые вы разрабатываете и уже разработали, и с общим движением в сторону повышения возможностей в области ИИ, способность системы к самоисправлению в рамках управления событиями станет более осуществимой. Мы уйдём от дорогостоящих помещений с операторами за компьютерами. Но это не сегодня, поэтому вам придётся работать в рамках возможностей, доступных на данный момент.
Conor Doherty: Если можно, позвольте заметить, что, как мне кажется, Ian, вы комментируете роль человека в стратегическом смысле, а Joannes, вы, похоже, говорите о принятии решений в повседневных, рутинных ситуациях. Являются ли эти области взаимоисключающими?
Joannes Vermorel: Это потому, видите ли, моя точка зрения, и, возможно, она немного странная, заключается в том, что если мы переходим в сферу стратегических соображений, то ваш акцент в управлении цепочкой поставок должен быть сосредоточен на том, как сконструировать механизм, генерирующий правильные решения. Люди думают, что есть стратегические решения, тактические решения и так далее. Я же считаю, что существуют решения, которые повторяются. Некоторые повторяются каждый день, некоторые — каждый час, некоторые — каждый месяц, а некоторые — раз в год. Когда речь идёт о механизации, вы хотите механизировать всё, что повторяется достаточно часто. Остальные вопросы вы решаете ад-хок.
Стратегия, если подумать в рамках такого подхода, заключается не столько в принятии решения на определённом уровне с последующей передачей остальных задач другим звеньям вашей организации, сколько в том, чтобы сформировать стратегическое видение: что мне нужно сделать, чтобы инженерная культура моей компании породила механизированные процессы принятия решений, которые действительно улучшают мой конечный результат. Это совершенно иной способ понимания стратегии.
Ian Wright: Полностью с вами согласен. Я всегда рассматривал это как роль архитектора, разрабатывающего концепцию здания, которое затем передаётся инженеру, определяющему, как его построить, потом строителям, которые его возводят, и, наконец, тем, кто работает в здании и занимается его обслуживанием. На всех этих уровнях архитектор не должен предлагать что-то, что невозможно спроектировать, построить или содержать в рабочем состоянии. Это моя топовая аналогия процесса, в котором мы участвуем.
Однако в цепочке поставок всё несколько иначе, ведь вы можете разработать стратегию сегодня, но вам придётся повторять этот процесс и в следующем году. Проблема с цепочками поставок заключается в том, что они динамичны и адаптивны. Мы должны реагировать на меняющийся мир и его потребности. Вы повторяете процесс разработки стратегии, но делаете это таким образом, чтобы было практически осуществимо, прагматично и позволяло реализовать работоспособное решение.
Joannes Vermorel: Чтобы дать вам представление, во время локдаунов в 2020 и 2021 годах у нас было довольно много клиентов — более дюжины, где офисные работники ушли в отпуск на 14 месяцев. Lokad осталась единственной, кто принимал все решения по цепочке поставок для компаний, в которых рабочие продолжали работать. Офисные сотрудники находились в государственных отпусках с субсидиями. Им платили, но европейские правительства также требовали, чтобы люди не работали из дома, иначе субсидии не выплачивались. Таким образом, они фактически были в отпуске.
Мы управляли запасами на сумму свыше одного миллиарда евро для десятка клиентов в течение 14 месяцев полностью самостоятельно. Это включало свыше тысячи сотрудников в совокупности. И это действительно заставляет задуматься о том, что же дают те, якобы стратегические, процессы в цепочке поставок.
Когда я смотрю на большинство совещаний S&OP, вы увидите длительные обсуждения о том, какой бюджет выделить для закупок в различных отделах. Всё это можно заменить формулой. Если мы не согласны с формулой, потому что она даёт безумные результаты, то мы исправляем формулу. Но нам не нужно встречаться с 12 директорами и обсуждать все расходы, чтобы прийти к этому расчёту бюджета. Это можно автоматизировать.
Что касается стратегии, то вопрос состоит в том, как я могу быть уверен, что инженерный вклад в эту формулу, распределяющую мои высшие ресурсы, осуществляется таким образом, чтобы соответствовать интересам моей компании? Это очень интересная задача, и да, она должна заинтересовать руководство, желающее мыслить стратегически. Идея выделить несколько решений и сказать: “Я буду участвовать в этом” на самом деле не добавляет значительной ценности.
Во многих компаниях на этих, якобы стратегических, совещаниях происходит трата огромного количества времени. Да, решения принимаются, но их продуктивность абсолютно плачевна. Кажется, у нас уже был гость, который говорил о S&OP, и он рассказывал, что обычно получается около четырёх решений в час.
Conor Doherty: Это был Эрик Уилсон, да, в процессе S&OP.
Joannes Vermorel: Да, и я подумал: хорошо, у нас существует сотни тысяч решений, а теперь ритм составляет четыре решения в час. Очевидно, что при такой ситуации операции всегда будут опережать ваши планы.
К тому времени, когда ваши решения уже приняты, они становятся совершенно устаревшими, и люди предпринимают что-то иное, потому что не могут так долго ждать этих решений. Мы оказываемся в ситуации, когда всё напоминает маскарад. Люди принимают стратегические решения по вопросам, которые произошли, скажем, два года назад.
Conor Doherty: Ну, это меня интересует. Просто чтобы завязать дальнейший разговор, потому что я знаю, что в статье вы говорили о более децентрализованном подходе к принятию решений в цепочке поставок и приводили пример Walmart.
Вы можете описать это лучше, чем я.
Ian Wright: Делать это правильно и эффективно означает децентрализовать принятие решений, но эта децентрализация и сами решения всё равно принимаются в контексте, который был правильно и эффективно разработан. Таким образом, вы не отходите далеко от центральной корпоративной стратегии. Это практически как эскалатор стратегии, переходящий к операциям.
В этом случае речь идет о децентрализации того, что я бы назвал более тактическими решениями. Но всё сводится к словам Joannes. Я с вами полностью согласен. Речь идёт о том, что люди не только работают в силосах внутри организаций, но и планируют и функционируют раздельно. Специалисты по цепочке поставок разрабатывают свой стратегический план, затем задумываются о транспортном плане, а потом о плане склада.
Все эти планы взаимозависимы и, к сожалению, довольно часто реализуются независимо. Мы просто не можем прийти к оптимальному стратегическому решению для цепочки поставок, если не включим в операционную модель план сети, транспортный план и план запасов.
Вся ситуация с Lokad, работающим без офисных сотрудников в здании, для меня является отличным примером наличия операционной модели, которая позволяет поддерживать операции и не отклоняться слишком далеко от плана, который вы считали необходимым для работы ещё шесть месяцев назад, несмотря на сбои. Вы собрали вместе правильных людей, правильные процессы, и у вас есть технологии и программы, которые помогают в реализации.
Я утверждаю, что гораздо важнее не столько добиться оптимальности, сколько иметь возможность выполнять план и поддерживать его настолько точно, насколько это возможно. Вы можете иметь оптимальный план, но его нужно уметь реализовывать и поддерживать как можно ближе к идеалу. Без этой операционной модели — и я говорю не только о традиционных людях, процессах и технологиях — вам это необходимо. Это действительно ваш стратегический корпоративный план, а все остальные стратегические планы в области цепочки поставок должны работать в его рамках. Если вы не согласовываете операционную модель, которой располагаете, с планами, которые вы разрабатываете, это будет рецептом катастрофы.
Conor Doherty: Иэн, если я могу сформулировать это в цитате, вы сказали ранее, что человека исключить невозможно. Так, Joannes, согласны ли вы с тем, что человека нельзя исключить, особенно в стратегическом принятии решений, о котором говорит Иэн? Можно ли это встроить в автоматизированную систему, которую вы уже применили для более рутинного ежедневного управления бизнесом?
Joannes Vermorel: Что касается вопроса существования искусственного общего интеллекта, его у нас нет. Мы приближаемся к этому, конечно. Большие языковые модели демонстрируют искры общего интеллекта, но всего лишь искры. Поэтому я бы сказал, что в Lokad на данный момент у нас, безусловно, нет утверждения, что у нас есть такое программное обеспечение, которое настолько совершено, что может обойтись без человеческого разума. Фактически, в основе нашей практики находятся то, что мы называем учёными по цепочке поставок — инженерами, кодирующими числовые рецепты. Это очень человечное дело, которое мы пока не передали машинам.
Хотя алгоритмы могут помочь быстрее программировать с автодополнением и тому подобное, настоящий вопрос заключается в том, назначаются ли человеческие таланты на задачи, которые действительно приносят пользу благодаря их общему интеллекту, а не просто как распознаватели шаблонов или что-то, что можно механизировать?
Мой аргумент заключается в том, что многие компании, особенно те, которые управляют цепочками поставок, не используют своих офисных сотрудников должным образом. Они по-прежнему придерживаются идеи о том, что у них есть орды корпоративных клерков, которые следуют определённому процессу, и соблюдение процесса является их конечной целью.
Я замечаю, что многие компании, занимающиеся цепочками поставок, обращаются с большинством своих офисных сотрудников так же, как с blue-collar работниками. Существует процесс, и его соблюдение считается признаком совершенства.
Для blue-collar работников это понятно — это именно то, что нужно. Но если речь идёт о офисных сотрудниках, это становится очень странным, потому что с информацией обращаться гораздо проще, чем с реальным миром.
Обращаться с физическими вещами, например, если вы хотите, чтобы робот умел сварить в любых условиях, чрезвычайно сложно. Просто переместить руку, держать инструмент, поддерживать что-то тяжелое и находиться в среде с пылью или загрязнителями — для этого требуется исключительно продвинутая робототехника, чтобы выполнить то, что человек может освоить за несколько месяцев обучения.
А если перейти в мир информации, то, по сути, ограничения не так строги. Мы можем перемещать гигабайты данных без проблем. Люди, выполняющие офисную работу, уже работают с компьютерными системами. Вся получаемая ими информация поступает через компьютер, и вся создаваемая ими информация уже вводится в компьютер. Таким образом, у нас уже есть полностью цифровая инфраструктура.
Я говорю о том, что компании используют большинство своих офисных сотрудников как сопроцессоры. Они используют то, что может сделать процессор компьютера с имеющимся у них программным обеспечением, а затем просто находят кого-то, кто заполняет пробелы. Но действительно ли используется интеллект этих людей? Мой аргумент — нет. Если речь идёт о вопросах стратегической важности, то нужно обеспечить, чтобы все офисные сотрудники вносили свой вклад в те области, где может помочь только общий интеллект. Если же дело касается того, где общий интеллект не нужен, то это следует механизировать.
Ian Wright: Согласен. Ваш акцент на механистическом подходе определяет, что такое автоматизация и когда необходим человек. Момент, в котором человек действительно приносит ценность, и, как вы говорите, Joannes, вероятно, не реализован должным образом, — это интуитивная область, где невозможно механически обеспечить вклад. Например, если принять во внимание, что самолёт станет устаревшим через 10 лет, зачем нам это делать? Это то, что невозможно сконструировать механическим путём.
Там, где необходим человек, он должен обеспечить органичный вклад в проблему или ситуацию, будь то управление событиями или операционное управление цепочкой поставок. Диагностические механизмы можно создать относительно легко. Одна из областей, которая всё ещё ждёт развития, — это использование обратных связей, помогающих генерировать проактивные решения в рамках механистической модели управления. Это включает накопление информации из самых разнообразных источников данных для создания такого проактивного механистического операционного управления. Но интуитивную сторону невозможно превзойти. В том, что человек привносит в ситуацию, когда он пытается разобраться в проблеме или, что ещё важнее, предвидеть её, есть нечто возникающее.
Joannes Vermorel: Я полностью согласен. Здесь я бы обвинил точку зрения временных рядов. Основная практика в современных цепочках поставок сосредоточена на временных рядах. Но если посмотреть на компании, которые действительно хороши в своём деле, они умеют интеллигентно использовать полученную обратную связь, как, например, Amazon. Amazon очень умело использует отзывы своих клиентов для систематического устранения большинства вопросов в цепочке поставок и логистике.
Если курьера постоянно отмечают за потерю посылок, Amazon перестанет пользоваться этим поставщиком и перейдёт к другому. Если поставщик создаёт проблемы, его исключат. Они разумно используют собираемые обратные данные. Им нужны люди, чтобы представить, какую обратную связь можно собрать, и инженеры, чтобы создать числовые рецепты, определяющие, когда исключить поставщика или уведомить логистического оператора.
Вероятно, они проводят умную оптимизацию, например, замечая, что перевозчик надёжен в одних условиях, но не в других, и используют этого перевозчика только при подходящих настройках. Это требует видения того, какие данные являются релевантными, а не просто временных рядов спроса. Это требует инженерного мышления для глубокого устранения проблем, а не просто тушения пожаров. Большинство компаний переходят от одного кризиса к другому, расходя всю свою пропускную способность и препятствуя улучшениям. Amazon же разрабатывает глубокие решения для каждой встречаемой ситуации, устраняя группы проблем и переходя к следующей.
Ian Wright: К сожалению, всё сводится к финансам. Если у вас есть глубокие карманы, позволяющие осуществлять такой подход, это одно дело. Но большинство менеджеров по цепочке поставок не работают в среде, где имеется изобилие средств для решения проблем подобным образом. Они находятся в режиме постоянной догонки, тушат пожары и попадают в замкнутый круг.
Если у вас появляется возможность, как у практикующего специалиста, поработать над стратегическим проектом, не ставьте модель на первое место. Поймите мир менеджера по цепочке поставок таким, какой он есть сегодня, а затем подумайте, как если бы вы были Amazon, и разработайте, как мог бы работать этот мир, чтобы им не приходилось постоянно догонять ситуацию. К сожалению, большинство менеджеров по цепочке поставок реализуют стратегические проекты так же, как и свою повседневную работу, которая становится ещё одним пожаром для тушения. Люди с обеих сторон подходят к этому неправильно, хотя можно было бы сделать иначе, пересмотрев само понимание роли.
Conor Doherty: Господа, я слежу за временем, поэтому хочу вернуться к вам, Иэн, и спросить о практической оптимальности. В качестве способа подведения итога, какие практические шаги могут предпринять люди в стремлении к оптимальности?
Ian Wright: Снова отмечу, что я подхожу к этому с стратегической точки зрения, а не как человек на производстве, пытающийся доставить продукт до клиента. При поиске оптимальности вам нужно думать о том, как фактически будет происходить её реализация. Убедитесь, что вы нацелены на представление осуществимого, работоспособного решения, которое соответствует тому, как сегодня функционирует компания.
Если у вас есть возможности и свобода, разработайте решение, которое достигает оптимальности в рамках контекста, где его можно выполнить оптимально. Поймите истинные цели заинтересованных сторон, истинные цели спонсоров и истинные цели компании, а не только их наблюдаемые или декларируемые намерения. Пока они готовы слушать, старайтесь предложить решение в этом же духе. Во всём этом убедитесь, что вы работаете с людьми, а не только с моделью.
Conor Doherty: Спасибо. Joannes, есть что добавить?
Joannes Vermorel: Нет, думаю, это хороший аргумент. С точки зрения поставщика программного обеспечения, когда речь идёт об оптимальности, не стоит слишком доверять поставщикам. Да, конечно, кроме нас. В частности, имейте в виду, что существуют классы программного обеспечения, такие как системы учёта и системы отчётов, которые не занимаются принятием решений и, следовательно, не могут вообще заниматься оптимизацией.
Системы учёта, такие как ERP, CRM, WMS, и системы отчётов, такие как бизнес-аналитика, часто рекламируются как приносящие оптимизированные решения. По своей сути, эти классы программного обеспечения даже не касаются проблемы. Они не оптимизируют с самого начала. Поэтому мой совет — не пытайтесь найти путь к оптимальности в вашем следующем обновлении ERP. По определению, ERP — это система учёта. Она не занимается принятием решений и тем более не заботится о том, могут ли эти решения быть оптимальными в той или иной форме.
Conor Doherty: Я обязательно упомяну этот действительно интересный небольшой — ну, краткий, как я имел в виду — артикул. В нём вы говорите о системах учёта, системах отчётов и системах интеллекта. Но у нас принято давать последнее слово гостю. Так что, если есть что добавить или что-то, что мы не обсудили, вы можете завершить.
Ian Wright: Да, мне это нравится. С точки зрения поставщика программного обеспечения, не доверяйте поставщикам программного обеспечения. Мне это действительно нравится, потому что за 40 лет меня всегда беспокоило, насколько часто я наблюдал хайп вокруг технологий. Хайп вокруг всей идеи цепочки поставок, на протяжении долгого времени, по моему мнению, является своего рода хайпом. И, Conor, я действительно писал об этом, что вас не удивит. Но я думаю, что нам просто нужно научиться жить в мире, где вы знаете, как пробиться сквозь хайп, разобраться в нюансах и понять, что действительно работает. Вот и ключ — в том, что реально.
Conor Doherty: Ну, на этой ноте я скажу, что у меня больше нет вопросов. Joannes, спасибо за твоё время. Ian, большое спасибо, что присоединился к нам.
Ian Wright: Спасибо, ребята. Для меня было честью, что вы меня пригласили, и я действительно с нетерпением жду возможности узнать больше о Lokad и выяснить, сумасшедший ли я или нет. Вот суть.
Joannes Vermorel: Да, один из ключей. Мы отправим вам диагностику.
Conor Doherty: Спасибо, и спасибо, что смотрели. Увидимся в следующий раз.
