Голые прогнозы (Антипаттерн цепочки поставок)
Никто не допустил бы, чтобы казалось, что он ничего не видит, ведь это показало бы, что он не годится для своего положения или очень глуп. Ни у Императора никогда не было такой популярности одежды, как у этих. (Новые одежды Императора, Ганс Христиан Андерсен, 1909)
Псевдоним: Gosplan (советское планирование)
Категория: организация
Проблема: компания сталкивается с повторяющимися дефицитами товаров и избыточными запасами. Эти проблемы очень затратны. Клиенты уходят к конкурентам из-за дефицита, но избыточные запасы всегда оборачиваются высокими расходами на ликвидацию. Хотя макропрогнозы, на уровне сети или по категориям продуктов, относительно точны и необъективны, на уровне SKU совершается множество ошибок — прогнозируется либо слишком много, либо слишком мало. Компания уже прошла несколько итераций с поставщиками программного обеспечения, и, несмотря на то что каждый поставщик утверждает, что повысил точность прогнозирования по сравнению с предыдущей системой, избыточные запасы и дефициты остаются более распространёнными, чем когда-либо.
Анекдотические свидетельства: прогнозы всегда ошибочны, все это знают, но сотрудники планирования, похоже, имеют бесконечный поток отговорок, чтобы справиться с ситуацией.
Контекст: в компании есть несколько команд, которые управляют цепочкой поставок, в первую очередь: команда планирования, команда закупок, производственная команда, команда пополнения запасов и команда ценообразования. Команда планирования составляет первичный прогноз спроса для каждого продукта, который будет запущен и продаваться компанией. Так как прогноз должен охватывать значительную часть жизненного цикла продукта, горизонт прогнозирования долгий — как минимум 3 месяца и часто более года. Первичный прогноз спроса, «план», сначала преобразуется в закупаемые количества, затем в производимые, потом в распределение запасов, и так далее. Наконец, в зависимости от того, колеблются ли уровни запасов выше или ниже, установленных планом, цены корректируются, иногда вверх, но чаще вниз.
Предполагаемое решение: «план», то есть прогноз, составленный командой планирования, имеет проблемы с точностью, поскольку продукты продаются либо быстрее, либо медленнее, чем исходные прогнозы. Однако методы прогнозирования, используемые компанией, несколько примитивны, частично выполняются с помощью таблиц, и, безусловно, должны существовать более точные способы составления этих прогнозов. Руководство решает, что с этими прогнозами нужно что-то сделать, и инициирует проект по улучшению точности прогнозирования. На этом этапе обычно подключается сторонний поставщик — так как продвинутая статистика не является основной компетенцией компании — либо для поставки программного обеспечения, либо для обучения сотрудников отдела планирования.
Результирующий контекст: вкладывается много усилий в улучшение прогнозов. По некоторым метрикам, прогнозы улучшаются. С другой стороны, все остальные команды, помимо планирования, привыкли к недостаткам старых методов прогнозирования и уже разработали свои способы справляться с ограничениями. По мере того как команда планирования меняет свой подход, все другие команды вынуждены учиться справляться с новыми недостатками нового метода прогнозирования. Это вызывает много трений на некоторое время. Затем, при пересмотре всех процессов цепочки поставок, управляемых прогнозами, удаётся собрать несколько «низко висящих плодов» — совершенно не связанных с самим прогнозированием — но руководство не видит никаких измеримых результатов от этой инициативы. Избыточные запасы по-прежнему являются проблемой, дефициты так же часты, как и раньше. Отбросив изысканные математические метрики, общее восприятие в компании остаётся таким, что прогнозы по-прежнему так же плохи, как и раньше. Некоторые ключевые сотрудники, участвовавшие в инициативе по прогнозированию, уже перешли на более перспективные направления, часто в других компаниях. Никто по-настоящему не несёт ответственности за результаты неудачных инициатив по прогнозированию, но их следы остаются как в процессах, так и в программных инструментах, используемых компанией.
Соблазнительные силы: более точный прогноз выглядит как панацея. Все, от команды закупок до команды по мерчендайзингу магазинов, согласны с тем, что это облегчит почти все болевые точки компании: выводить на рынок только лидеров продаж, поддерживать ровно столько мощности, сколько нужно для удовлетворения спроса, но не больше, прекращать раздачу скидок и т.д. Это также красивая одномерная задача: снизить ошибку прогнозирования. Легко донести суть инициативы до всех заинтересованных сторон, и это кажется рациональным — даже научным — способом улучшения компании. Более того, это в корне не затрагивает статус-кво. Никто не чувствует угрозы для своего положения от потенциального появления более точных прогнозов, никто не вынужден переосмысливать свою роль в компании. Что касается цифровой трансформации, ожидается, что она будет такой же простой, как переход от одного экрана компьютера к большему.
Положительные шаблоны для решения проблемы: единственный способ исправить проблему «голых прогнозов» — это одеть их; точнее, решения в цепочке поставок, связанные с прогнозами, должны рассматриваться как неразрывно связанные с их базовыми прогнозами. Точность прогнозирования должна рассматриваться как побочный продукт отладки, который помогает выявлять проблемы моделирования, а не как KPI, который нужно оптимизировать. Единственные значимые метрики измеряются в долларах или евро и связаны с повседневными решениями, такими как «сколько закупать?», «сколько выкладывать в магазин?», «какие скидки устанавливать?» и т.д.
Пример: Contoso, крупный модный бренд, управляющий собственной сетью магазинов, сталкивается с избыточными запасами в конце каждого сезона, что приводит к значительным скидкам для клиентов с целью распродажи излишков. Что еще хуже, с годами средний уровень скидок неуклонно растет, и растущая часть клиентской базы теперь откладывает покупки до распродаж. Хотя макропрогнозы удовлетворительны, каждый сезон для многих продуктов совершается множество ошибок — прогнозируется либо слишком много, либо слишком мало. Contoso уже провела несколько внутренних итераций по улучшению прогнозов. Эти инициативы казались естественным продолжением инициативы по кастомизации ERP, которая состоялась несколько лет назад.
Запуск новой коллекции следует по устоявшемуся процессу. Сначала команда планирования определяет ассортимент и глубину коллекции, устанавливая целевые количества для каждого продукта. Затем следует команда закупок, которая вносит дополнительные корректировки: необходимо соблюдать минимальные объемы заказа, а также распределять количество по размерам, поскольку исходные прогнозы даны на уровне продукта. Далее команда мерчендайзинга и команды по распределению по магазинам устанавливают начальные количества для выкладки в каждом магазине в начале сезона. По мере продвижения сезона команда по пополнению запасов управляет пополнением, стараясь поддерживать соответствие прогнозу. Наконец, в конце сезона, а иногда даже до его окончания, команда ценообразования проводит снижение цен, чтобы восстановить соответствие с планом там, где избыточные запасы полностью утратили связь с первоначальным прогнозом.
Директора Contoso понимают, что внутренняя инициатива по улучшению точности прогнозирования не принесла ожидаемых результатов. Команда планирования до сих пор испытывает трудности с правильным учетом сезонности. Генерального директора Contoso консультирует CEO компании Genialys — хорошо финансируемого калифорнийского стартапа, разработавшего следующее поколение прогнозирования. Их технология способна не только обрабатывать все данные продаж Contoso в реальном времени, но и интегрировать данные о погоде и данные из социальных сетей в режиме реального времени. Несколько контрольных звонков показали, что они уже подтвердили работоспособность технологии с крупными клиентами. Всё это производит большое впечатление.
Таким образом, при непосредственной поддержке CEO появляется масштабная инициатива с Genialys, цель которой — кардинально улучшить точность прогнозирования. Первые несколько недель идут хорошо, но спустя два месяца оказывается, что IT-команды Contoso действительно испытывают трудности с извлечением всех необходимых данных. Многие, казалось бы, незначительные проблемы оказываются сложными. Например, команда Genialys не до конца понимает, что делать с акциями «купи один, получи один бесплатно» промоакциями, которые Contoso регулярно проводит. После 6 месяцев относительно интенсивной борьбы с обеих сторон, Genialys теперь предоставляет свои прогнозы. Однако команда планирования не вполне доверяет этим цифрам. Простые ручные проверки чисел, предоставляемых Genialys, показывают, что они порой оказываются совершенно неверными. Команды Genialys продолжают указывать на проблемы с данными, которые, по-видимому, объясняют эти ошибки в прогнозах, но в целом ситуация остается неясной.
Не зная, кому доверять, отдел управления цепями поставок Contoso решает ввести KPI для количественной оценки точности как прогнозов Genialys, так и «старой» системы прогнозирования. Идея кажется достаточно простой: проведем ретроспективное тестирование, и это прояснит, чей прогноз наиболее точный. К сожалению, спустя 3 месяца, после десятков встреч и сотен часов работы, ситуация остается неясной. Оказывается, что исторический процесс прогнозирования, использовавшийся Contoso, невозможно воссоздать, поскольку команда планирования вручную корректировала многие прогнозы. Таким образом, воспроизвести исторические прогнозы практически невозможно — это требует слишком много усилий. С другой стороны, Genialys провела множество ретроспективных тестирований, но неясно, сколько из этих чисел являются достоверными. Хотя агрегированные метрики точности Genialys кажутся приемлемыми, команда планирования постоянно обнаруживает нелепости в числах, регулярно предоставляемых Genialys.
Спустя 18 месяцев Genialys теперь используется в реальном производстве для нескольких стабильных продуктовых линий — например, для мужского нижнего белья, которое изначально никогда не представляло особой сложности в прогнозировании. Сложные категории, такие как женская обувь или мужские костюмы, по-прежнему прогнозируются вручную командой планирования с использованием старого процесса. Первоначальное стремление использовать данные о погоде и социальные данные теперь осталось в далеком прошлом. Решение Genialys едва справляется с самыми простыми категориями. Планируется расширить охват категорий, обрабатываемых Genialys, но команды несколько исчерпаны. Некоторые сотрудники уже ушли. Результаты с точки зрения бизнеса оказались скромными. Доступность мужского нижнего белья увеличилась на 2%, а скидки были снижены на 1%, однако, поскольку количество артикулов в этой категории сократилось, неясно, имеет ли дополнительная (никогда не измеренная) точность прогнозирования отношение к этому благоприятному результату. Официально инициатива по прогнозированию все еще продвигается, но высшее руководство уже ничего не ожидает от нее.