Книга «Введение в цепочки поставок» — полный текст

Полнотекстовая выгрузка книги Жоаннеса Вермореля Введение в цепочки поставок (сентябрь 2025 года) без окончательной вёрстки.
Эта страница предназначена для полнотекстового поиска. Более удобное оформление доступно в предварительной версии на английском языке.

1 Основы

Всё различие между плохим и хорошим экономистом заключается в следующем: первый останавливается на видимом последствии; второй учитывает и то последствие, которое видно, и те, которые необходимо предвидеть. Это различие огромно [..] плохой экономист стремится к малому благу в настоящем, за которым последует большой вред в будущем, тогда как настоящий экономист стремится к большому благу в будущем, рискуя небольшими трудностями в настоящем. What is Seen and What is Not Seen (1850), Фредерик Бастиа

Цепочка поставок — это абстракция, интеллектуальный инструмент, который координирует усилия многих людей, чтобы дёшево и надёжно доставлять материальные блага. Этот инструмент был создан, чтобы справиться с невероятной сложностью нашей индустриальной цивилизации. Цепочку поставок нельзя увидеть или потрогать. Заводы, склады, суда и грузовики, при всей их наглядности, — это не цепочка поставок. Она заключена в сети ожиданий, которая связывает эти активы воедино. Цепочка поставок — это намерение, а не вещь.

За последние два десятилетия автоматизация стала одной из центральных задач цепочек поставок. Если XX век был веком механизации физического труда, то XXI определённо посвящён механизации интеллектуального труда. Сложность, присущая большинству крупных цепочек поставок, уже намного превосходит то, с чем могут справиться даже самые добросовестные руководители. Поэтому подходить к цепочкам поставок и понимать их нужно так, чтобы в полной мере использовать возможности современных компьютеров.

Постичь цепочку поставок непросто. Она одновременно абстрактна — требует размышлений о таких понятиях, как время или человеческая природа, — и конкретна: приходится учитывать обыденные детали вроде предельной грузоподъёмности контейнера или государственных праздников. Труднее всего, как верно заметил Бастиа, представить то, что нельзя увидеть, а можно лишь предвидеть. Связь между экономикой и цепочками поставок действительно глубока.

Поэтому нам необходимо точное определение цепочки поставок — основа, на которую будут опираться следующие главы.

Цепочка поставок — это и область исследований, и корпоративная практика. Область исследований носит описательный характер: она описывает поток материальных благ, раскрывая присущие ему принципы и свойства. Цель — разработать предсказательную теорию, которая оценивает как непосредственные, так и долгосрочные последствия каждого фактора, влияющего на этот поток. Одни рычаги, например отправка заказа на закупку поставщику, находятся под контролем компании; другие, например получение заказа от клиента, — нет. В конечном счёте эти последствия определяют долгосрочную прибыльность компании.

Корпоративная практика носит предписывающий характер. Она призвана выстроить организацию и методы, наиболее подходящие для управления потоком материальных благ внутри компании, а возможно, и за её пределами. Цель — определить взгляды, инструменты и практики, которые в целом считаются желательными для совершенствования цепочек поставок. И наоборот, практики, обычно наносящие ущерб прибыльности, следует признавать таковыми. Естественно, предписывающий подход опирается на описательный анализ: понимание последствий решений должно помогать компании делать более удачный выбор.

1.1 Решения

Решение выделяет ограниченный ресурс для конкретной цели, тем самым исключая ранее доступные альтернативы. Например, если компания тратит деньги на покупку ещё одной единицы товара, эти деньги уже нельзя использовать иначе. Со временем компании потребуются средства для новых закупок — возможно, их удастся вернуть, избавившись от ранее приобретённого товара или найдя ему другое применение. Пока же деньги остаются связанными в результате принятого решения. Решения в цепочке поставок — это подмножество экономических решений, связанных с потоком товаров; многие экономические решения вообще не затрагивают такого потока.

Ограниченны все ресурсы, а не только деньги. Запасы — ещё один основополагающий ресурс в цепочках поставок. Например, если единицу товара со склада отправили в один магазин, её нельзя отправить в другой. Позднее компания может пополнить запасы того же товара на складе или даже вернуть из магазина исходную единицу. Однако, по крайней мере пока, эта единица запаса уже выделена на определённую цель в результате принятого решения.

Решения о ценах также играют важнейшую роль в цепочке поставок. Установление цены товара создаёт рыночное условие его обмена, фактически исключая другие варианты цены для этой продажи. Хотя рыночный спрос всегда связан с неопределённостью, выбранная цена сообщает, как компания оценивает свои запасы. Со временем компании могут корректировать ценовые стратегии для последующих продаж в ответ на реакцию рынка.

Любое намеренное действие, которое меняет что перемещается, куда, когда или в каком количестве, — это решение в цепочке поставок. Создание заказа на закупку, назначение рейса грузовика, направление прибывающего контейнера на склад, а не на кросс-докинговый терминал, или снижение цены на медленно продающийся товар меняют материальный поток в пределах сроков выполнения операций; поэтому все они прямо относятся к сфере цепочек поставок.

Напротив, инициативы, влияние которых лишь отдалённое, — финансирование фундаментальных исследований и разработок, заказ рекламной кампании, изучение нового географического рынка — могут впоследствии повлиять на поток, но через несколько промежуточных шагов. Их значение стратегическое, а не операционное, поэтому они выходят за рассматриваемые здесь рамки. На практике граница чёткая: среди сотен рычагов, которыми планировщик пользуется каждую неделю, лишь единицы не поддаются немедленной классификации, а в этих редких случаях ярлык — относится ли это к цепочке поставок или нет — почти не влияет на прибыльность.

Признать это обычно мешает не сложность анализа, а корпоративная традиция. На протяжении десятилетий компании относили определённые рычаги — ценообразование, мерчандайзинг, выбор ассортимента — к исключительной компетенции маркетинга или продаж и тем самым изгоняли их из обсуждений цепочек поставок. Однако именно эти рычаги формируют спрос, а значит, и каждое последующее перемещение товаров. Далее мы будем рассматривать их там, где им отводит место логика: непосредственно в границах цепочки поставок.

1.2 Опциональность

Решение принимается путём выбора между конкурирующими вариантами действий. Однако наличие нескольких доступных вариантов компании не гарантировано. Например, если она нашла лишь одного поставщика товара, выбор ограничивается датой и объёмом заказа у этого поставщика. Если он окажется слишком ненадёжным или дорогим, компания может быть вынуждена прекратить заказы, что, скорее всего, разочарует и саму компанию, и её клиентов. Поэтому крайне важно создавать благоприятные варианты действий. Опциональность жизненно необходима, поскольку любой прогноз компании по своей природе содержит неустранимую неопределённость, независимо от используемой технологии.

Варианты действий в цепочке поставок ограничены возможностями, необходимыми для их создания, а значит, и соответствующими затратами. Внимание руководства, как и внимание организации в целом, — ещё один ограниченный ресурс, который следует распределять осмотрительно. Иметь нескольких надёжных поставщиков предпочтительнее, но для своевременного размещения заказов их нужно найти, оценить и заключить с ними договоры. В зависимости от обстоятельств это внимание может быть лучше направить на углубление отношений с нынешним, а возможно, и лучшим поставщиком.

Считать неиспользуемые варианты действий лишь накладными расходами, которые руководство должно сократить, — наивно и ошибочно. Бывает, что компания чрезмерно вкладывается в опциональность и получает убывающую отдачу, когда дополнительные варианты уже не приносят соразмерной выгоды. Однако такие чрезмерные вложения редки, даже если стороннему наблюдателю поддержание вариантов кажется дорогим.

Многие варианты очевидны, но на практике значительная их часть исключается. Так происходит всякий раз, когда их трудно оценить. Например, розничная сеть с множеством магазинов может время от времени замечать возможности перераспределить запасы, выбрав оптимальный маршрут грузовика, который последовательно загружает и выгружает товары. Однако если такое перераспределение приходится планировать вручную или с помощью универсальных инструментов, плохо подходящих для задачи, комбинаторный взрыв быстро оказывается не по силам людям и электронным таблицам. Без специализированного ПО для оптимизации, способного за секунды перебрать миллионы перестановок маршрута, этот класс вариантов молча отбрасывают как «слишком сложный», и до обсуждения решений он так и не доходит.

Чаще варианты оценивают лишь время от времени, главным образом из-за ограниченного внимания компании или недостатка инструментов. Например, компания может размещать заказы у поставщика только раз в неделю — не потому, что недельным циклам присущи особые ограничения или преимущества, а просто потому, что ежедневное составление заказов занимало бы слишком много времени. Ежедневная оценка не означает, что заказ размещают каждый день; она означает, что возможность заказа рассматривают ежедневно, даже если в большинстве дней ничего не заказывают.

1.3 Материальные блага

Цепочка поставок занимается потоком материальных благ. Уберите сами блага, и останется немногим больше, чем финансы и торговля. Эта работа состоит из трёх повторяющихся действий: сначала деньги превращаются в товары — единицы запаса, закупленные у поставщиков; затем с товарами совершают операции — проверяют, хранят, перевозят или преобразуют; наконец, товары вновь превращаются в деньги, будь то посредством прямой продажи или их потребления при производстве других товаров и услуг.

Этот процесс должен повторяться неограниченно долго, но никогда совершенно одинаково, поскольку все стороны потока со временем меняются. Неизменным остаётся лишь существование самого потока: он сохраняется, пока существует компания.

Материальные блага налагают ограничения, которые нельзя обойти. Любое действие с ними — закупка, перемещение, преобразование — расходует деньги, но и любое бездействие — удержание, ожидание, хранение — точно так же взимает неявную плату. Деньги тратятся независимо от того, движутся товары или стоят на месте; единственный рычаг воздействия — выбрать такое сочетание действий и бездействия, которое минимизирует общие затраты, сохраняя опциональность. Эти реалии остаются невидимыми, когда в современных торговых системах товары сводятся к электронным обозначениям. Высокочастотному трейдеру, торгующему медью, незачем заботиться о том, где лежит металл, как его защищают от окисления или кражи и укладывается ли груз в предел полной массы двадцатифутового контейнера. Практику цепочки поставок, напротив, приходится учитывать каждое из этих ограничений, и рынок вознаграждает компании, которые овладевают как явными затратами действия, так и неявными затратами бездействия.

Обращение с материальными благами ограничено веществом, энергией, пространством и временем. Ящики не могут проходить сквозь стены, масса паллет не может превышать грузоподъёмность погрузчиков, а судно, вчера вышедшее из Шанхая, завтра не пришвартуется в Роттердаме. Напротив, информационный слой, который направляет эти перемещения, для практических целей эластичен: обычный ноутбук может рассматривать миллионы перестановок в секунду, а скромный облачный кластер — справляться с миллиардами.

Эластичность не означает простоты. Превращать сырые данные в знание, пригодное для действия, дьявольски трудно: шум, неоднозначность и сам объём данных сообща размывают картину. И всё же каждая минута, которую планировщик тратит на ожидание обновления отчёта, каждая партия пополнения, задержанная из-за «ограничений системы», указывают на провал проектирования. Узкое место должно находиться в стали и дизельном топливе, а не в SQL-запросе.

Сравнение сроков делает это наглядным. Алгоритм, который рассчитывает рекомендации по закупкам для тысячи SKU за пятьдесят миллисекунд, работает мгновенно по сравнению с двумя неделями, необходимыми для производства товаров, и шестью неделями, нужными для их перевозки через океан. По сравнению с атомами биты движутся со скоростью света; любая задержка принятия решения, заметная на фоне срока физической операции, — ненужная потеря.

Масштаб говорит о том же. Перечислить десять миллионов коробок стоит гроши на хранение данных и миллисекунды процессорного времени. Разместить эти коробки — значит обеспечить гектары стеллажей, целые парки конвейеров и армии операторов. Когда проект объявляют «заблокированным объёмами данных», выход никогда не заключается в дополнительных погрузчиках; он всегда заключается в лучшем моделировании данных и менее громоздком программном обеспечении.

Итак, ограничивающим фактором хорошо управляемой цепочки поставок должна быть сама реальность — кубометры, киловатты, календарные дни. Всякий раз, когда затор возникает в цифровой кабине управления — зависающие панели показателей, оптимизаторы, не укладывающиеся в отведённое время, планировщики, которые «не видят» вариантов, — руководство обнаруживает легкодоступную возможность улучшения. Устранение трения при принятии решений — не косметическая мера; это главный рычаг, с помощью которого современные вычисления извлекают большую отдачу из тех же ограниченных ресурсов.

1.4 Изменчивость

Каждое решение в цепочке поставок — это ставка на состояние компании и её рынка в тот момент, когда товары наконец придут в движение. Поскольку перемещение или преобразование атомов всегда требует времени — иногда часов, часто дней, — решение должно заглядывать в будущее, которое по своей природе неопределённо. Это будущее может соответствовать сегодняшним предположениям, а может резко от них отклониться, превратив тщательно продуманный план в убыток или, с такой же лёгкостью, в неожиданную прибыль.

Например, размещая заказ у зарубежного поставщика, компания сталкивается с несколькими видами неопределённости. Производственные и транспортные задержки по своей природе непредсказуемы, поскольку ни производитель, ни перевозчик не обладают полной надёжностью. Кроме того, количество полученных товаров может сократиться из-за случайных повреждений в пути. Наконец, будущая готовность клиентов платить за эти товары остаётся неопределённой, причём положение осложняется тем, что компания не влияет на ценовые стратегии конкурентов во время поставки и после неё.

Краткое сравнение отдельного производственного процесса с цепочкой поставок в целом проясняет природу изменчивости. В цехе любое отклонение от номинальной толщины стального листа, чистоты реагента или времени срабатывания манипулятора захвата и установки — это дефект. Изменчивость здесь — враг, которого всегда можно победить, заплатив определённую цену. Эта цена продолжает снижаться по мере того, как датчики, исполнительные механизмы и алгоритмы приближают контроль к атомному масштабу; полупроводниковая отрасль служит достаточным подтверждением. При достаточном капитале остаточный разброс вокруг целевого среднего можно сделать сколь угодно малым. В цепочке поставок всё наоборот: спрос, сроки выполнения операций, надёжность поставщиков и действия конкурентов порождаются бесчисленными независимыми участниками, поведение которых нельзя устранить инженерными средствами. Никакими деньгами нельзя купить детерминированное будущее. Единственная рациональная позиция — ожидать изменчивости, развивать варианты действий и выстраивать решения, которые превращают неопределённость в прибыль, а не в убыток.

Действительно, цепочки поставок взаимодействуют с внешним миром в масштабах, далеко выходящих за пределы замкнутой производственной среды. Ни одна компания не может полностью оградиться от внешних сил — будь то клиенты, поставщики, регулирующие органы, военные или конкуренты. Помимо факторов, созданных человеком, природные явления — снежные бури, наводнения, лесные пожары, цунами, землетрясения и пандемии — по-прежнему нарушают работу цепочек поставок, хотя число человеческих жертв таких катастроф за последнее столетие, к счастью, заметно сократилось.

В отличие от производственного процесса, где изменчивость неизменно приносит чистый ущерб, в цепочке поставок её часто можно превратить в конкурентное преимущество. Рассмотрим производителя бутилированной воды, который намеренно создаёт мощности розлива, намного превышающие средний спрос. Большую часть времени дополнительные линии простаивают; однако с приходом жары — такое случается лишь в несколько летних сезонов за десятилетие — компания может за ночь резко нарастить выпуск, пока конкуренты ограничивают отпуск запасов. Кратковременный всплеск объёма вместе с надбавкой, которую потребители охотно платят в изнуряющий зной, с лихвой окупает простаивающую сталь. Избыточная мощность здесь — вариант действий, приобретённый заранее именно для заработка на экстремальной погоде: хрестоматийный пример превращения изменчивости в прибыль.

Итак, всякий раз, когда изменчивость приносит риски, она одновременно открывает возможности. Более того, риски и возможности больше говорят о собственных интересах наблюдателя, чем о своей внутренней природе. Туроператоры, организующие поездки на Этну, прямо заинтересованы в том, чтобы вулкан оставался активным. Для них, в отличие от жителей древних Помпей, действующий вулкан — не бедствие, а важнейший источник дохода.

1.5 Мастерство

Овладеть цепочкой поставок — значит развивать благоприятные варианты действий, выделяя ровно столько ресурсов, сколько нужно, чтобы оставаться прибыльным сегодня и устойчивым завтра. Такое мастерство никогда не бывает достижением одинокого планировщика; оно складывается из согласованной работы многих дисциплин, действующих сообща.

Даже в хорошо согласованных организациях пять устойчивых свойств мешают укротить цепочки поставок: нематериальность, опосредованность, сложность, взаимосвязанность и коварство. Далее мы по очереди рассмотрим каждое из них и покажем, как превратить помеху в рычаг конкурентного преимущества.

Все видимые активы — заводы, грузовики, паллеты, даже люди — имеют значение для цепочки поставок лишь благодаря намерению, которое приводит их в действие. Поэтому цепочка поставок по своей природе нематериальна: это совокупность ожиданий относительно будущего обмена товарами, деньгами и услугами.

Рассмотрим одну бутылку молока на полке супермаркета. Как бы ни была она осязаема, её присутствие оправдано лишь двумя пересекающимися ставками. Розничный продавец ставит на то, что покупатель приобретёт бутылку прежде, чем молоко испортится; покупатель ставит на то, что продавец будет поддерживать запас на полке. Пока эти ставки выигрывают, они безмолвны, и лишь проигрыш делает их болезненно слышимыми — когда срок годности молока истёк или полка пуста.

Эта нематериальность — первое препятствие на пути к мастерству. Ожидания никогда не появляются в бухгалтерском балансе; о них приходится судить по симптомам — дефициту товара, избыточным запасам, отклонениям сроков выполнения операций, снижению маржи. Подобно экономистам, практики цепочек поставок продвигаются вперёд, выявляя скрытые предпосылки, заложенные в каждом MOQ, каждом цикле пополнения, каждом календаре промоакций. Мастерство начинается лишь тогда, когда эти предпосылки сформулированы явно, выражены количественно и подвергнуты сомнению.

Современные цепочки поставок нельзя наблюдать напрямую: любой взгляд на них опосредован записями в программных системах. То, что планировщики видят как физически имеющиеся запасы, открытые заказы на закупку или количества товаров в пути, — лишь цифровое представление, собранное ландшафтом приложений, который складывался десятилетиями. Принципиально важно, что этот ландшафт возник не как научный эксперимент, предназначенный для сбора наиболее значимых данных, вопреки тому, что подразумевают многие академические работы, а как лоскутное одеяло инструментов, созданных для поддержания ежедневной работы. Поэтому ландшафт определяет и видимость потока, и словарь его описания; сами атомы остаются на шаг дальше.

Практиков часто тревожат числовые неточности — ошибка при циклическом пересчёте запасов, запоздалое сканирование штрихкода, — но такие ошибки невелики и обычно локализованы. Настоящая опасность — смысловой дрейф. Поле, которое вчера означало confirmed_order, после обновления поставщика ПО или импровизированного обходного решения пользователя завтра может отражать нечто совсем иное, сохранив прежнее название. Смыслы меняются быстрее количеств, а искажения множатся при переходе данных между системами. Поэтому каждая запись — гипотеза о реальности, а не сама реальность, и её нужно постоянно проверять заново.

Сложность цепочек поставок далеко превосходит возможности любого отдельного ума, сколько бы усилий он ни прилагал. Даже скромные фирмы сегодня управляют сотнями тысяч SKU (единиц складского учёта). Отчасти такое разрастание случайно: устаревшие нормативные требования, бессистемные процессы, неудачно залатанное ПО. Но всё большая его доля намеренна: усложнение вводят сознательно, поскольку оно усиливает ценностное предложение.

Электронная коммерция делает это наглядным. Доставка зубной щётки в квартиру-студию требует маршрутизации последней мили, отслеживания посылок и обратной логистики — этапов, которых нет при выгрузке паллеты в гипермаркете. Эти дополнительные слои, несомненно, сложны, но они избавляют покупателей от поездки и потому позволяют брать надбавку. В авиации производители двигателей уже не продают оборудование; они продают «мощность с почасовой оплатой», в точности отвечая тому, что ценят авиакомпании, и перенося изменчивость технического обслуживания на сеть MRO производителя. Аналогично модный бренд, расширяющий ассортимент с 1 000 до 10 000 SKU, усложняет закупки, хранение и уценку, но более широкий выбор увеличивает потенциальную аудиторию и укрепляет лояльность.

Такая необходимая сложность оправдывает себя, поскольку создаёт ценность для клиента, которую можно монетизировать, если удаётся прибыльно с ней справляться. Остальное — причуды соблюдения требований, фантомные SKU, пережитки прежних правил — составляет случайную сложность и заслуживает удаления. Различать эти два вида, устранять случайную сложность и использовать необходимую — одна из важнейших задач цепочек поставок в XXI веке.

Цепочки поставок действуют как системы в смысле, сформулированном Расселом Акоффом: результативность целого возникает из взаимодействия его частей, а не из совершенства каждой части по отдельности. Поэтому они по своей природе взаимосвязаны. Каждое решение, сколь бы малым оно ни было, волной расходится по всей сети. Рассмотрим одну единицу запаса на региональном складе. В тот момент, когда планировщик выделяет её магазину A, все остальные магазины мгновенно лишаются этого варианта. Локальное облегчение — предотвращение дефицита в магазине A — может одновременно посеять семена будущей нехватки в магазинах B, C и D. Это противоречие с нулевой суммой носит структурный характер, поскольку каждый товар, поставщик, грузовик и каждая минута внимания руководства черпают из одних и тех же конечных пулов ресурсов.

Экономические силы усиливают эти связи. Покупатели ожидают одновременного наличия взаимодополняющих товаров; перевозчики назначают тарифы за полный грузовик, а не за паллету; конвейер окупает вложенный капитал лишь при консолидации объёма. Попытка «оптимизировать» один узел изолированно лишь переносит затраты или риск в другое место цепочки. Такое механическое рассуждение по принципу «разделяй и властвуй», превосходно подходящее для машин, не работает в цепочках поставок, поскольку игнорирует контуры обратной связи, соединяющие решения во времени и пространстве.

Поэтому мастерство требует системного мышления: оценки каждого рычага через его влияние на весь поток, как сейчас, так и в будущем. Лишь компания, которая рассматривает распределение складских запасов, составление расписаний грузовиков, правила пополнения и ценообразование как грани одного пространства решений, может превратить взаимозависимость из помехи в преимущество.

Проблемы, с которыми сталкиваются цепочки поставок, коварны — не в нравственном, а в техническом смысле, введённом Риттелем и Уэббером для описания задач, которые меняются, стоит в них вмешаться. У коварной проблемы нет чёткой формулировки, нет окончательного решения, а каждое «исправление» преобразует саму систему, которую пытается исправить.

Конкретный пример проясняет это. Допустим, компания объявляет премию, привязанную к «точности прогноза 94 %». Как только заработок планировщиков зависит от этой цифры, самый быстрый путь — сократить горизонты, объединить SKU или раздуть страховые запасы, пока арифметика не даст нужный результат. Оборотный капитал взлетает, сервис ухудшается, а панель показателей сияет зелёным. Показатель стал целью и потому перестал быть хорошим показателем — закон Гудхарта в чистом виде.

Этот парадокс глубок. Управлению цепочками поставок нужны явные числовые цели, чтобы оптимизаторы — зачастую программы, невосприимчивые к личным интересам, — могли неустанно к ним стремиться. Но в тот момент, когда цель объявлена, она создаёт новые стимулы для сотрудников, поставщиков и даже конкурентов манипулировать правилами. Ни одно предписание не остаётся оптимальным надолго, и любое очевидное, статичное или предсказуемое правило будет подорвано по мере адаптации участников. Таким образом, коварство опрокидывает наивные академические надежды на аккуратные пары «проблема + решение»: мастерство заключается в непрерывном пересмотре и целей, и алгоритмов, которые к ним стремятся.

1.6 Заключительные мысли

За обманчиво кратким определением цепочки поставок скрывается радикальная перспектива. Как только каждый рычаг, который приводит товары в движение, представлен данными, решениям больше не нужно ждать, пока планировщик нажмёт «ОК»; их могут исполнять, проверять и совершенствовать алгоритмы, работающие днём и ночью с ничтожными предельными затратами. Автоматизация, понимаемая как принятие решений программами без участия человека, готова сделать для офисных составителей расписаний то, что конвейер сделал для ручного труда.

Такая автоматизация далеко не сводится к арбитражу стоимости труда: она открывает производительность, которую организации, погрязшие в электронных таблицах, едва способны вообразить. Во многих компаниях сегодня больше аналитиков, приводящих в порядок таблицы, чем операторов, работающих с коробками; однако один механизм принятия решений способен обогнать и тех и других, резко сократив задержки и ошибки и высвободив дефицитные таланты для новых задач более высокого порядка.

Что ещё важнее, программное обеспечение может исследовать пространства решений, до которых люди никогда не доберутся. Непрерывный пересмотр цен во время вирусных всплесков спроса, смена маршрутов морских контейнеров посреди рейса или ежечасная балансировка запасов в масштабах континента становятся реальными, как только узким местом оказываются вычисления, а не человеческое терпение. Подобно тому как электронная коммерция заново изобрела розничную торговлю, а не отшлифовала продажи по телефону, оптимизация без участия человека преобразит цепочки поставок, а не просто ускорит вчерашние процедуры.

Количественная литература о цепочках поставок, накопленная со времён UNIVAC I (1951), переполнена устрашающей алгеброй и алгоритмами, жадными до петабайтов, но по-прежнему не умеет использовать современные вычисления для получения ощутимых результатов в цепочках поставок. Её изощрённость направлена не туда: она оптимизирует то, что легко подсчитать, а не то, что имеет решающее экономическое значение, цепляется за хрупкие точечные прогнозы и рушится перед комбинаторным разрастанием реальных вариантов действий. Промахиваясь мимо цели, она превращает сегодняшние почти бесплатные гигафлопсы в фоновый шум, пока планировщики продолжают бороться с электронными таблицами. Качественные предписания о лидерстве преуспели не больше: библиотеки полны «руководств» по цепочкам поставок, которые мало кто из руководителей читает и ещё меньшее число могло бы использовать с пользой.

Разительный симптом этого вакуума — распространённость практиков-самоучек в крупных компаниях. Общество справедливо не допускает хирургов-самоучек: разрыв между любителями и подготовленными специалистами слишком велик, чтобы рисковать человеческой жизнью. Однако, когда на кону запасы стоимостью в миллиарды, предприятия регулярно полагаются на планировщиков, которые собрали своё ремесло по кусочкам из местных преданий и записей в блогах. Сравнение резко, и оно подчёркивает, насколько неразвитой остаётся эта дисциплина.

Общепринятые методы не просто не оправдали ожиданий; во многих случаях они активно вводили в заблуждение, насаждая иллюзорную точность и героические подвиги с электронными таблицами вместо масштабируемой науки. Их недостатки и путь преодоления прямо рассматриваются в заключительной главе этой книги.

Следующие главы собирают научные строительные блоки, необходимые, чтобы воплотить мастерство цепочек поставок в программном коде и открыть путь к оптимизации без участия человека, которую завтрашние лидеры будут считать само собой разумеющейся. Замена фольклора точной наукой, готовой к реализации на компьютере, — необходимое условие превращения изменчивости и опциональности из постоянной головной боли в воспроизводимую выгоду.

2 История

Определения логистики, цепочки поставок и управления цепочками поставок (SCM) расходятся: одни ограничивают понятие «цепочка поставок» физическим потоком товаров, оставляя «SCM» для координации; другие считают эти термины синонимами. Поставщики программного обеспечения, консультанты и практики ещё больше искажают их в угоду организационным схемам и рекламным презентациям; краткий исторический экскурс поможет объяснить возникшую раздробленность.

Представления о цепочках поставок находятся между двумя полюсами: евклидовой чёткостью и изменчивым жаргоном ИИ. Каждое десятилетие ярлыки меняются; основная задача — овладеть опциональностью в потоке материальных благ — остаётся прежней. Заявления об экспертных знаниях в логистике, исследовании операций, цепочках поставок или оптимизации предприятия часто больше говорят о позиции заявителя, чем о самой области.

У этой главы две цели. Во-первых, она прослеживает, как расплывчатое и постоянно меняющееся обозначение цепочка поставок возникло из более ранних понятий, таких как логистика и исследование операций, показывая, что его нынешнее значение ещё не устоялось. Во-вторых, она иллюстрирует состязательный образ мышления, который проходит через всю остальную книгу. Ниже каждое модное слово рассматривается вместе со стимулами, породившими его. Поставщики трубят о новизне, чтобы продавать лицензии; консультанты переупаковывают вчерашние идеи, чтобы продавать слайды; руководители, боясь отстать, перенимают язык, прежде чем проверить содержание. Такая неизменно скептическая позиция защищает практиков от дорогостоящих миражей, но при этом позволяет выявлять подлинные новшества.

2.1 От начала XIX века до довоенных лет XX века

Задолго до появления терминов «логистика» и «цепочка поставок» сама эта деятельность была жизненной основой каждого города-государства. Рим зависел от флотов с африканским зерном, Амстердам — от конвоев с балтийским лесом, а Эдо — от барж с рисом, движение которых приурочивали к благоприятным приливам. В каждом случае возникала одна и та же непреходящая задача: день за днём преодолевать пространственный разрыв между производством и потреблением в условиях неопределённости. Задача остаётся; меняются жаргон и аналитические инструменты. Первые систематические математические попытки появились лишь в конце XVIII века — к этой истории мы и перейдём.

Если считать началом современной эпохи цепочек поставок стремление улучшать операции с помощью анализа, то она начинается именно в этот период. В 1781 году французский математик Гаспар Монж опубликовал Memoir on the Theory of Embankments and Rubble (Mémoire sur la théorie des déblais et des remblais), предложив минимизировать труд, необходимый для перемещения грунта при выравнивании местности с возвышенностями и впадинами.

Термин логистика, некогда употреблявшийся как синоним цепочки поставок, сформировался в военном контексте в первой половине XIX века. Самое раннее засвидетельствованное употребление — logistique — встречается в Summary of the Art of War (Précis de l’Art de la Guerre) (1830) швейцарского офицера Антуана-Анри Жомини¹. Логистика означала перемещение ресурсов — людей, оборудования, материалов — в нужное место в нужное время. Она уточняла давнюю концепцию военного хозяйственного обеспечения, восходящую к античности.

В 1840 году британская почта ввела «Uniform Penny Post» — единый пенни-пост, ранний гражданский пример того, что сегодня мы назвали бы исследованием операций. Математик и инженер Чарльз Бэббидж составил таблицы затрат, показав, что расстояние лишь незначительно влияет на почтовые расходы; настоящими определяющими факторами были сбор, сортировка и конечная доставка. Опираясь на эти количественные выводы, парламент принял единый по всей стране тариф в один пенни за письмо — решение, резко увеличившее объём почты, а вместе с ним и охват торговли. Исследование Бэббиджа предвосхитило современную аналитику цепочек поставок, заменив расхожие представления измерением и оптимизацией. Его последующая работа над программируемыми вычислительными машинами, кульминацией которой стала разностная машина, была направлена на автоматизацию именно тех статистических расчётов, которых требовала его работа с почтой.

В 1888 году экономист ирландского и испанского происхождения Фрэнсис Исидро Эджуорт сформулировал идею, позднее получившую название «задача продавца газет». Впервые изложенная в его Mathematical Theory of Banking, она описывала задачу определения оптимального уровня запасов, когда от излишков нужно избавиться в конце периода, как это ежедневно происходит с непроданными газетами. Эта работа объединила статистический анализ риска с решением операционных задач — подход, который стал общепринятым лишь примерно через столетие.

Рост среднего класса, владевшего акциями, в Соединённых Штатах в конце XIX века, в свою очередь, породил первых экономических прогнозистов. Среди этих первопроходцев в начале XX века получили известность Роджер Бэбсон и Ирвинг Фишер. Они продвигали количественные методы распределения ресурсов для частных лиц и корпораций — дух, который отзывается во многих современных предложениях корпоративного программного обеспечения. Они также стали пионерами статистических методов прогнозирования временных рядов.

Развитие экономической науки в первой половине XX века породило множество методов решения небольших операционных головоломок. Некоторые из предложенных решений привели к теориям и формулам, ставшим устойчивыми догмами в области цепочек поставок. Например, формулу экономичного размера заказа (EOQ), один из основных элементов этой области, предложил Форд Харрис в 1913 году, а в 1930-х годах она стала популярна как формула Уилсона.

2.2 Вторая мировая война и послевоенное развитие

С началом Второй мировой войны эта область вернулась к своим военным корням. Британия собрала почти 1 000 человек для работы, ставшей исследованием операций, которое британская армия определяла как «научный метод предоставления руководящим подразделениям количественной основы для решений об операциях, находящихся под их управлением». Эти усилия дали впечатляющие результаты: меньше артиллерийских снарядов на каждый сбитый вражеский самолёт и более высокая выживаемость британских кораблей и самолётов.

Благодаря престижу, приобретённому во время войны, исследование операций быстро распространилось в академических кругах. Появление программируемой вычислительной техники общего назначения позволило сообществу изучать методы, расчёты по которым было бы совершенно непрактично выполнять вручную. Ограничения оборудования удерживали большинство исследований 1950-х и 1960-х годов в рамках статических или стационарных задач — тех, которые считались неизменными во времени. Например, определение местоположения складов для обслуживания розничной сети при допущении постоянного спроса — стационарная задача. Напротив, оптимизация процессов распределения складских запасов и маршрутов отправки — задача динамическая: она чувствительна к колебаниям спроса, сроков выполнения операций, дорожной обстановки, доступности водителей, технического обслуживания грузовиков и многого другого. Динамические задачи превосходили возможности тогдашнего оборудования и в основном были отложены.

Хотя поначалу исследование операций увлекло корпоративных руководителей, его привлекательность стала угасать в 1970-х годах. К 1980-м годам военный престиж поблёк, а интересы компаний изменились². В 1970-х появились новые достижения, в том числе вычислительное оборудование, способное использовать штрихкоды³. Вместе с реляционной базой данных Кодда 1970 года штрихкоды в последующие десятилетия преобразили цепочки поставок и их цифровую среду. Это сближение породило систему управления запасами — раннего предшественника современного корпоративного программного обеспечения.

В среде разработчиков программного обеспечения «управление» тогда означало рутинные задачи менеджеров низшего звена. Так называемая «система управления» предназначалась для полной замены менеджера. Хотя их работа была по большей части канцелярской, эти менеджеры относились к образованным сотрудникам, умевшим вести тщательный и точный учёт. Кроме того, эти служащие занимали более влиятельные и престижные должности, чем рабочие, физически перемещавшие товары.

С появлением систем управления поставщики программного обеспечения вскоре осознали, что управление цепочками поставок включает две разные стороны: учёт и принятие решений. Учёт состоит в электронном отслеживании уровня запасов и выполнении рутинных канцелярских задач. Принятие решений состоит в определении оптимальных для компании заказов на пополнение запасов и их распределения. Изначально поставщики стремились автоматизировать работу менеджера; учёт поддался легко, но принятие решений оказалось несравненно сложнее — далеко за пределами возможностей оборудования 1970-х годов.

Тем не менее «учёт» не обладал привлекательностью «управления». Поставщики программного обеспечения выбрали более продаваемый термин, пусть даже в ущерб ясности, поскольку он улучшал образ их продукта. Впоследствии индустрия программного обеспечения повсеместно стала использовать слово «управление» в названиях систем: WMS (система управления складом), CRM (управление взаимоотношениями с клиентами), PLM (управление жизненным циклом продукта) и так далее.

Повсеместное употребление слова «управление» со временем ослабило престиж должности «менеджер». В 2020-х годах это название часто подразумевает управление лишь самим собой — как у менеджера проекта, офис-менеджера или менеджера по работе с клиентами. Напротив, сотрудники с реальными иерархическими полномочиями обычно получают более конкретные должностные названия, чем просто «менеджер». Например, их могут называть «ведущими» или «руководителями».

Таким образом, «управление цепочками поставок» обозначает деятельность менеджеров в традиционном корпоративном смысле — людей, обладающих формальными полномочиями. Напротив, «цепочка поставок» — понятие более широкое, обозначающее и практику, и научную область.

2.3 От 1980-х до начала 2000-х годов

К 1980-м годам поставщики программного обеспечения расширили охват за пределы запасов, включив заказы, платежи, зарплаты и многое другое. Распределённое программное обеспечение ещё не было экономически оправданным для поставщиков. Поэтому, если компания приобретала одну систему для учёта запасов, а другую — для учёта зарплат, последующая интеграция этих двух систем обычно считалась непрактичной. В результате поставщики объединяли функции в единый монолит на мейнфрейме.

После послевоенной славы логистика уступила финансам и маркетингу по престижу. Прямолинейный афоризм, ходивший тогда в крупных компаниях потребительских товаров, подытоживал сложившуюся иерархию: «Умные идут в маркетинг, надёжные — в производство, а те, кому не хватает обоих качеств, — в логистику». Хотя в этой поговорке явно чувствовалось добродушное соперничество корпоративных профессий, она отражала широко распространённое представление о понизившемся статусе логистики.

Одно из объяснений состоит в том, что до 1980-х годов логистика оставалась преимущественно эмпирической. Первоначальное обещание исследования операций превратить её в современную аналитическую науку угасло. В 1979 году Рассел Акофф, американский пионер корпоративной эпохи исследования операций, подвёл итог в статье The Future of Operational Research is Past:

Исследование операций умерло, хотя его ещё не похоронили. Я также считаю, что шансов на его возрождение мало, поскольку причины его гибели понимают столь слабо […] Жизнь OR [исследования операций] была короткой. Оно родилось здесь в конце 1930-х годов. К середине 60-х оно получило широкое признание в академических, научных и управленческих кругах. По моему мнению, это признание сопровождалось утратой первопроходческого духа, чувства предназначения и новаторства. Выживание, стабильность и респектабельность взяли верх над развитием, и начался упадок.

В 1980-х годах принятие решений стагнировало, тогда как учёт процветал; к концу десятилетия многие компании оцифровали свои транзакционные операции. Электронные записи позволили по-новому наблюдать за операциями; простые суммы и средние, непрерывно пересчитываемые заново, начали менять корпоративную практику.

Скромно начав свою деятельность в начале XX века, к началу XXI века консалтинговые фирмы превратились в корпоративных гигантов. Наряду со многими другими причинами распространение электронных записей в 1980-х годах существенно подстегнуло управленческий консалтинг.

Несмотря на житейское наблюдение, что единственным занятием консультантов, по-видимому, остаётся борьба с электронными таблицами и слайдами⁴, корпоративное обоснование состоит в том, что консультанты продают результат. Эти электронные записи создали множество возможностей улучшать самые разные процессы, не прибегая к особо изощрённой аналитике.

Вечная задача консалтинга — отличаться от конкурентов. Поскольку порог входа в консалтинг низок, трудно поддерживать предложение, которое оставалось бы непохожим на предложения соперников. Поэтому неудивительно, что возможность влиять на развитие корпоративного языка столь привлекательна для консультантов. Уже классическим ходом стало придумывать — или хотя бы подхватывать — новые термины каждые несколько лет, чтобы обновить предложение и бренд. Авторитет, приобретаемый благодаря кажущейся связи с новым модным словом, создаёт весьма желанное конкурентное преимущество, по крайней мере до тех пор, пока конкуренты неизбежно его не скопируют.

Термин Supply Chain Management (SCM), управление цепочками поставок, ввёл в 1982 году британский логист Кит Оливер, ставший консультантом. Термин Sales and Operations Planning (S&OP), планирование продаж и операций, ввёл в 1985 году американский инженер-программист Ричард Линг, также ставший консультантом. Оба подхода строятся вокруг идеи сквозного согласования различных функций компании. Обе практики остались бы абстрактными без растущей доступности цифровых корпоративных записей.

При поддержке поставщиков программного обеспечения продвигаемые консультантами практики распространялись и требовали новых наборов навыков. Директора по логистике стали отвечать за подготовку прогнозов временных рядов и настройку параметров уровня сервиса, примером чего служит формула страхового запаса. Эти новые, более аналитические обязанности существенно отличались от работы традиционных директоров по логистике — прежде всего руководителей на местах, способных управлять большими коллективами складских рабочих и водителей грузовиков (что само по себе немалое достижение).

К 1990-м годам крупные поставщики встроили в программные монолиты ошеломляющее множество учётных процессов. Ради ясности эти продукты следовало бы назвать ERM («Enterprise Resource Management», управление ресурсами предприятия); однако этот термин так и не прижился. К тому времени вычислительная техника продвинулась настолько, что принятие решений больше не считалось неразрешимой задачей. Корпоративные клиенты вскоре поняли, что, вопреки заявлениям, эти инструменты ограничиваются учётом.

Тем не менее многие поставщики начали — или возобновили — инвестиции в принятие решений для цепочек поставок. Они хотели избежать смешения с конкурентами, предлагавшими учёт, и потому стали дифференцировать свои предложения. По этой причине поставщики при содействии рыночных аналитиков ввели термин ERP (Enterprise Resource Planning, планирование ресурсов предприятия). В корпоративном программном обеспечении «планирование» стало объединяющим лозунгом, сигнализировавшим о способности принимать решения. Действительно, при наличии генерального плана, который благодаря улучшенной вычислительной технике детализирован до самого мелкого уровня, каждое решение теоретически становится лишь вопросом канцелярского исполнения⁵. На практике модули планирования сочетали точечное прогнозирование временных рядов с детерминированной оптимизацией запасов. Замысел состоял в том, чтобы предложить технологическое решение, которое полностью заменит менеджера низшего звена одним махом, а не постепенно.

Вскоре конкурирующие поставщики стали называть свои продукты ERP независимо от того, насколько мало планирования в них было на самом деле. Разумеется, корпоративные продукты по своей природе сложны и стремятся охватить широкий спектр сценариев; непрозрачность нередко распространяется и на клиентов, и даже на самих поставщиков. В результате поставщики пользовались значительной свободой в выборе возможностей, которые они показывали в маркетинговых материалах. Можно даже утверждать, что простой прогноз продаж по скользящему среднему считается «планированием» и тем самым оправдывает ярлык ERP. Многие поставщики воспользовались этим семантическим фокусом.

Начиная с 1990-х годов новые поставщики сосредоточились исключительно на принятии решений, позиционируя себя как аналитический слой над транзакционным слоем ERP (которые, пожалуй, следовало бы называть ERM). В контексте цепочек поставок эти поставщики в целом разделились на два лагеря: алгоритмический и ориентированный на анализ фактов. Оба использовали одни и те же электронные записи из уже существовавших корпоративных систем.

Алгоритмический лагерь сосредоточился на методах прогнозирования временных рядов, а также на методах оптимизации запасов, лежавших в основе парадигмы планирования. Поскольку ERP уже заявляли о наличии планирования, продавать дополнительное «планирование» было трудно; новые поставщики при помощи аналитиков ввели термин «Advanced Planning System» (APS), система продвинутого планирования. Иными словами: «Да, в вашей ERP уже есть планирование, но в нашем дополняющем решении оно продвинутое».

Лагерь анализа фактов сосредоточился на подготовке корпоративных отчётов, призванных помогать менеджерам принимать более качественные решения. В ERP уже была «корпоративная отчётность», поэтому поставщики программного обеспечения — вновь при помощи аналитиков — популяризировали для этого класса инструментов термин «business intelligence» (BI), бизнес-аналитика⁶. С технической точки зрения многомерные кубы BI стали заметным отходом от реляционной модели Кодда, появившейся двумя десятилетиями ранее.

2.4 Современное положение дел

В 2025 году потомки обоих лагерей — алгоритмического и ориентированного на анализ фактов — по-прежнему активны. В алгоритмическом лагере интегрированное бизнес-планирование продвигают с акцентом на машинное обучение, которое преподносят как более совершенного наследника прежних статистических методов. В лагере анализа фактов некоторые продвигают такие концепции, как «цифровые двойники цепочек поставок» или «диспетчерские башни цепочек поставок», призванные давать руководству компаний аналитические выводы.

Всё это показывает, что творческий ребрендинг существующих продуктов с помощью новейших модных слов — практика, восходящая к 1970-м годам, — остаётся повсеместным. История с возможностями «планирования» была лишь небольшой стычкой в истории корпоративного программного обеспечения. За последние 70 лет вычислительная техника и программное обеспечение развивались впечатляющими темпами. Из-за непрерывного прогресса оборудования технологическое устаревание, пожалуй, представляет сегодня самую большую угрозу для поставщиков корпоративного ПО. Новое оборудование делает возможным то, что прежде было невозможно, но для использования его возможностей обычно требуется полностью переработать программное обеспечение. С учётом этого гораздо проще — и выгоднее — изменить позиционирование своего предложения, чем полностью перепроектировать его, чтобы в полной мере воспользоваться последними технологическими достижениями.

Поставщики программного обеспечения сталкиваются с реальным примером классической дилеммы заключённого. Всем вместе им была бы выгодна более честная и прозрачная информация о своих продуктах. Обещания, которые невозможно выполнить, неизбежно приводят к дорогостоящим проблемам для обеих сторон. Однако если один поставщик преувеличивает свои возможности сильнее конкурентов, он получает стратегическое рыночное преимущество, делая своё решение более привлекательным для клиентов. Поэтому чрезмерные обещания и недостаточные результаты — неудивительные следствия динамики корпоративного программного обеспечения.

Лексическая инфляция вскоре добралась и до организационной структуры. Директора по цепочкам поставок появились в начале 2000-х годов — иногда как простое переименование действующего директора по логистике, иногда как новая должность, призванная развивать межфункциональную аналитику. К 2020-м годам директора по логистике редко занимались сложной прогнозной аналитикой, тогда как директора по цепочкам поставок редко руководили повседневными складскими операциями.

Хотя продвинутая аналитика — машинное обучение и математическая оптимизация — доступна уже около трёх десятилетий, её применение в подразделениях цепочек поставок остаётся исключением; в принятии решений по-прежнему господствуют электронные таблицы.

Сегодня логист занимается складированием и транспортировкой. При передаче логистики на аутсорсинг исполнителей называют «сторонними логистическими операторами» (3PL); они получают электронный заказ на каждое перемещение запасов. По иронии, хотя логистика изначально основывалась на принципе перемещения ресурсов в нужное время и место, 3PL зарабатывают на неэффективности, взимая плату за перемещение запасов и длительность хранения. Таким образом, чем больше перемещений и чем дольше хранение, тем выше выручка логиста.

2.5 Массовое восприятие

За последнее десятилетие термин «цепочка поставок» стал всё чаще встречаться в массовых СМИ. В новостях он обозначает сеть специализированных компаний, которые сотрудничают — иногда очень тесно, — чтобы поставлять сложные продукты, такие как полупроводники или автомобили. Новости о «цепочке поставок» обычно возникают из-за негативных событий, например катастрофического пожара в порту, которые затрагивают не только одну организацию, но и распространяются по сети взаимозависимых компаний, усиливая первоначальный удар.

Журналисты часто спрашивают, что следует сделать, чтобы такие проблемы не повторялись в будущем. Этот вопрос правомерен, но он упускает отсутствие какой-либо центральной власти, управляющей такими «цепочками поставок». Действительно, в данном контексте цепочка поставок состоит из множества некоординируемых компаний. Более того, появление такой власти — например, в результате государственного вмешательства — скорее всего, ухудшило бы положение, поскольку у неё не было бы информации, необходимой для эффективного распределения ресурсов. Как отмечал Фридрих Хайек в The Use of Knowledge in Society (1945), значимые знания широко рассеяны среди бесчисленных людей в разных компаниях. Никакая единая власть никогда не сможет полностью использовать эту децентрализованную информацию, и любая попытка навязать «капитана» неизбежно ведёт к неверному распределению ресурсов.

Подобные сбои, попадающие в новости, — эмерджентные свойства разделения труда в экономике. Любое разделение труда несёт в себе внутреннюю хрупкость: если узкоспециализированный сегмент даёт сбой, последствия расходятся по всей экономике. Единственная альтернатива этой хрупкости — отказаться от разделения труда, что неразумно. Это резко увеличило бы стоимость материальных благ, потребляемых ежедневно, от рулонов туалетной бумаги до смартфонов. Огромные преимущества разделения труда хорошо известны уже несколько столетий; первая формализация относится к XIX веку, к работам Давида Рикардо и его закону сравнительного преимущества.

Однако разделение труда характеризует и рынки: люди торгуют именно потому, что специализация выгодна обеим сторонам. «Цепочки поставок», наблюдаемые СМИ, — лишь группы тесно зависимых компаний, возникающие благодаря конкурентным преимуществам, которые даёт специализация каждой из них.

Цепочки поставок также смешивают с аутсорсингом, воспринимаемым как «кража» рабочих мест у более богатой Вестонии в пользу более бедной Руритании. Однако в современных условиях доступ к дешёвой рабочей силе за рубежом редко бывает чем-то большим, чем второстепенным соображением. Если бы цепочки поставок сводились к доступу к самому дешёвому труду, Африка была бы первостепенным партнёром развитых стран по цепочкам поставок. Но верно обратное: развитые страны торгуют главным образом друг с другом. Наименее развитые страны, где труд зачастую самый дешёвый, в значительной степени отсутствуют в мировой торговле.

На практике требования к инфраструктуре, технологиям и капиталу обычно перевешивают соображения, касающиеся только труда. Например, бум контейнеризации в 1950-х и 1960-х годах резко снизил стоимость морских перевозок, но одновременно потребовал масштабной модернизации портов, которую могли себе позволить лишь страны с мощными капитальными вложениями и устойчивой нормативной средой. В более недавнее время дорогостоящая электроника требует передовой робототехники, строгих стандартов качества, надёжного электроснабжения и специализированных инженерных кадров — сложностей, на фоне которых преимущество чуть более низкой зарплаты становится ничтожным. Поэтому страны с сильными логистическими сетями, надёжными правовыми системами и критической массой технических знаний получают выгоду от больших объёмов торговли со столь же развитыми странами, тогда как регионы, лишённые этих активов, часто остаются в значительной степени отрезанными от возможностей современных цепочек поставок.

2.6 Взгляд вперёд

Терминология цепочек поставок продолжает меняться, а поставщики активны как никогда. Некоторые консалтинговые фирмы выступают за «гибкую», «динамическую» и «целостную» цепочку поставок, а также за «проектирование цепочек поставок». Некоторые вообще обходятся без слов «цепочка поставок», как в flowcasting или Demand Driven Material Requirements Planning (DDMRP). Все эти парадигмы обращаются к сходным проблемам, хотя их методы и приёмы существенно различаются.

Поскольку за последние 70 лет опубликовано более миллиона научных статей и свыше десяти тысяч книг, область «цепочек поставок» обычно считается зрелой. Однако компании всё ещё полагаются на эвристики в электронных таблицах, которые мало напоминают общепринятые теории цепочек поставок.

Можно было бы обвинить практиков в незнании обширной литературы, но это обвинение едва ли состоятельно. Большинство крупных компаний, работающих на международном уровне, действуют под жёстким конкурентным давлением. Учитывая, насколько мало изменилась общепринятая теория за последние полвека, утверждение о том, что компании упорно остаются в неведении, выглядит неправдоподобным.

Более простое предположение состоит в том, что общепринятая теория несостоятельна: практика от неё отклоняется, потому что теория ошибочна, а ожидаемая прибыль не появляется. Иными словами, несмотря на обширную литературу, цепочки поставок остаются на донаучной стадии, где знания не дают устойчивых и предсказуемых результатов.

За семьдесят лет учётные слои совершили огромный скачок вперёд — сканирование штрихкодов, базы данных реального времени, облачные регистры, — но правила, определяющие, что покупать, производить, перемещать или держать в запасе, всё ещё напоминают учебники середины века. На транзакционной стороне прогресс был впечатляющим; на стороне решений он остановился. Корень проблемы не технический, а эпистемический: у области нет надёжного способа отделять устойчивое знание от модной доктрины.

Чтобы объяснить — и в конечном счёте устранить — этот разрыв, нужно прервать исторический рассказ. Поэтому следующая глава переходит от хронологии к эпистемологии. Прежде чем предлагать средства исправления, мы рассмотрим, как возникают утверждения, кому выгодны те или иные нарративы и какие проверки должны пройти идеи, прежде чем управлять хотя бы одной паллетой. Только когда эти стандарты станут явными, прогресс в принятии решений, прерванный на пять десятилетий, сможет по-настоящему возобновиться.

3 Эпистемология

Улучшение цепочки поставок начинается с улучшения знаний, которые ею управляют. Поэтому эта глава переходит от механики перемещения товаров к эпистемическому вопросу, предшествующему любой рекомендации: Как мы определяем, что идея о цепочке поставок заслуживает доверия, финансирования и внедрения? Ответ на этот вопрос — не праздная философия; это единственная защита от модных доктрин, глянцевых слайдов и «проверенных» алгоритмов, которые регулярно поглощают бюджеты, не меняя результатов работы.

Знания о цепочках поставок необычайно подвержены ошибкам. Неопределённость размывает обратную связь между решением и результатом; стимулы вознаграждают уверенные рассказы больше, чем тщательную проверку; а сама физическая длительность глобальных потоков делает контролируемые эксперименты редкостью. В результате в повседневной практике всё ещё господствуют электронные таблицы, тогда как журналы и книги переполнены теориями, заявляющими — на бумаге — о своём превосходстве. Противоречие здесь эпистемическое, а не техническое: нам не хватает надёжного метода, позволяющего отделять устойчивое знание от мимолётной шумихи.

Поэтому у этой главы три задачи:

1. Классификация. Мы определяем место цепочки поставок на карте знаний — как прикладной отрасли экономической науки — и показываем, почему ошибочное отождествление её с математикой, социологией или простым ведением учёта приводит к систематическим неудачам.

2. Проверка. Мы рассматриваем, что считается свидетельством в области, где рандомизированные испытания редки, преобладают контрфактические рассуждения, а успех измеряется прибылью, а не изяществом или согласием.

3. Коррупция знания. Мы анализируем, как участники — учёные, консультанты, поставщики программного обеспечения — вопреки добрым намерениям невольно искажают процесс производства знаний, и намечаем защитные меры, сохраняющие его целостность при конфликтующих стимулах.

Во всей этой книге единственное число «цепочка поставок» обозначает дисциплину, тогда как множественное «цепочки поставок» относится к конкретным потокам, которыми управляют компании. Роль дисциплины — вооружить любую конкретную цепочку, а не идеализированный образец, решениями, повышающими долгосрочную прибыль в условиях неопределённости. Напротив, распространение термина на целые рынки уводит в общую экономическую науку и размывает принятый здесь практический подход.

К концу главы у читателя будет мерило для оценки каждого последующего утверждения — алгоритмического, организационного или технологического: Позволяет ли эта идея прибыльнее распределять ограниченные ресурсы с учётом изменчивости и конфликтующих стимулов? Такое мерило — необходимое условие дальнейшего анализа.

3.1 Экономическая наука

Цепочку поставок нужно понимать как прикладную отрасль экономической науки, а не как самостоятельную дисциплину. Игнорирование этой иерархии — пожалуй, самая частая и самая серьёзная эпистемическая ошибка в литературе. Одной этой ошибкой во многом объясняется, почему общепринятые знания о цепочках поставок оказываются бесплодными на практике.

К сожалению, саму экономическую науку тоже часто понимают неправильно, хотя её основные идеи довольно просты. Британский экономист Лайонел Роббинс дал определение, которое обычно считают классическим:

Фраза Роббинса обманчиво ёмка: каждое слово имеет вес. Ресурсы охватывают гораздо больше, чем деньги. Часы работы завода, места для паллет, вместимость грузовика, внимание руководства, даже добрые отношения с поставщиком — всё это ресурсы. Всё, что можно использовать для удовлетворения одной потребности — или придержать для удовлетворения другой, — попадает в расчёты экономиста.

Ограниченность — универсальное условие. Желания опережают средства в любом обществе: будь то средневековое поместье, которому не хватает пахотной земли, плановая экономика, ограниченная квотами на сталь, или венчурный стартап, пытающийся обогнать темп сжигания денег. Ограниченность — не причуда капитализма, а условие человеческого существования.

Альтернативные способы применения заключают в себе остроту альтернативных издержек. Тонну меди, прокатанную в силовые кабели, нельзя одновременно пустить на штамповку гильз; час внимания планировщика, потраченный на розыск запоздавшего груза, уже не улучшит ассортимент следующего сезона. Каждое распределение ресурсов запрещает конкурирующие варианты, а упущенная выгода — скрытая цена любого выбора.

Поскольку эти три элемента — ресурсы, ограниченность и альтернативные способы применения — существуют и при феодализме, и при социализме, и при капитализме, экономическая наука сохраняет силу независимо от общественного устройства. Механизмы, которые разрешают проблему ограниченности, различаются — цены, очереди, указы, — но лежащий в основе расчёт компромиссов остаётся прежним. Поэтому практика цепочек поставок должна опираться на экономический фундамент независимо от формы собственности компании и устройства рынков.

В сопоставлении с нашим определением цепочки поставок связь становится ясной:

Цепочка поставок — это мастерство использования опциональности в условиях изменчивости при управлении потоком материальных благ.

В своём подходе к ограниченности ресурсов цепочка поставок принципиально параллельна экономической науке. Здесь «опциональность» обозначает альтернативные способы применения, которые компания сначала должна создать, а затем использовать. Каждое решение в цепочке поставок использует ограниченный ресурс, допускающий альтернативы. Каждый приобретаемый товар соперничает со всеми другими возможными покупками, а каждый произведённый товар конкурирует с альтернативами, для которых могли бы понадобиться те же материалы. Аналогично каждая площадка, получающая дополнительную единицу отгрузки, соперничает со всеми остальными площадками за эту единственную единицу товара со склада.

Итак, если сосредоточиться исключительно на распределении ограниченных ресурсов, цепочку поставок было бы невозможно отличить от экономической науки. Однако между ними есть несколько важных различий. Во-первых, «мастерство» обозначает стремление компаний к прибыли. Цепочка поставок — прикладная наука; в отличие от более широкой экономической науки, она стремится предписывать действия, а не просто описывать их. Хотя экономическая наука объясняет, почему одни люди богаче других, она не претендует на то, чтобы прямо вести людей к большему богатству, разве что косвенно — через лучшее понимание рыночных механизмов.

Кроме того, область цепочки поставок ограничена потоком материальных благ — небольшой частью экономической науки. Например, вопросы интеллектуальной собственности — патентов и авторских прав, влияющих на производственный выбор, — относятся к экономической науке, за исключением случаев, когда они ограничивают производство при достаточных физических ресурсах.

Далее область сужается ещё сильнее за счёт изменчивости: без неё вопрос перестал бы относиться к цепочке поставок. Например, рассмотрим складской процесс, который можно автоматизировать почти идеально, установив жёсткий верхний предел времени комплектации и упаковки, при условии что интенсивность поступлений остаётся ниже порога. В таких случаях цепочка поставок принимает автоматизацию как данность, не разбирая экономические решения, которые её сделали возможной.

Правильная классификация цепочки поставок принципиально важна, поскольку к этой дисциплине постоянно подходят с ошибочных позиций — бесплодной математики, канцелярского учёта или управленческих банальностей, — тогда как её подлинной основой всегда была и остаётся экономическая наука.

Вопреки распространённому мнению, экономическая наука далека от «мрачной науки». Разумеется, она не может достичь числовой определённости большинства естественных наук: этому препятствует свобода воли участников. Тем не менее многие экономические принципы можно считать установленными настолько надёжно, насколько вообще может быть установлена научная теория.

Рассмотрим хорошо документированный случай регулирования арендной платы. Когда государство ограничивает её ниже равновесного рыночного уровня, следуют несколько предсказуемых последствий. Владельцы недвижимости теряют стимул содержать или улучшать существующее жильё, поскольку не могут возместить эти затраты повышением арендной платы. Застройщики менее охотно строят, и возникает длительный дефицит. Он удлиняет списки ожидания, сокращает выбор и ухудшает качество жилья. Эти эффекты наблюдаются вновь и вновь в разных городах и эпохах, показывая удивительную устойчивость экономических принципов независимо от культурных и временных различий.

Почти тот же механизм возникает внутри отдельной фирмы всякий раз, когда продукт продаётся ниже равновесной рыночной цены. Представим производителя бытовой электроники, который выпускает новую консоль, намеренно назначив цену на 20% ниже равновесного уровня в надежде «порадовать клиента». Спрос мгновенно превышает краткосрочные производственные мощности. Запасы в розничных каналах сметают, возникают списки ожидания, а самое показательное — посредники серого рынка, перекупщики, скупают дефицитные консоли по объявленной цене, чтобы перепродать их в интернете по фактической рыночной цене. Маржу, от которой компания добровольно отказалась, полностью забирают эти посредники, тогда как конечные покупатели всё равно платят больше. Фирма теряет выручку, разочаровывает лояльных клиентов и вредит своему бренду, производя впечатление неорганизованности.

Если компания не может достаточно быстро нарастить выпуск, чтобы удовлетворить неожиданный всплеск спроса, экономически обоснованное решение — снять самостоятельно установленный потолок и позволить ценам расти до тех пор, пока спрос не сравняется с мощностью.⁷ Любая другая политика лишь субсидирует экосистему арбитражёров, единственный вклад которых — положить в карман разницу между ограниченной ценой и истинной равновесной ценой.

Обойти законы экономики не легче, чем законы электромагнетизма. Отказ рассматривать цепочку поставок как прикладную экономическую науку порождает в лучшем случае теории и практики, которые специалисты справедливо игнорируют, а в худшем — решения, вредящие компаниям.

3.2 Математика

В академических кругах распространена ошибка — считать цепочку поставок отраслью математики. Книга Снайдера и Шэня Fundamentals of Supply Chain Theory (2019) — канонический представитель этого ошибочного пути. За последние семь десятилетий, несмотря на более чем миллион опубликованных статей⁸, академическая литература о цепочках поставок мало что дала реальной практике. За редкими исключениями цепочками поставок по-прежнему управляют электронные таблицы. У компании больше шансов получить прибыль от покупки лотерейных билетов, чем от внедрения любого «доказуемо оптимального» метода оптимизации запасов. Тем не менее тысячи исследователей, по-видимому, посвятили этому подходу свои карьеры. Удивительно, что сообщество столь долго упорствует в настолько масштабной ошибке.

Когда цепочку поставок трактуют как отрасль математики, её сводят к череде математических головоломок. Модель продавца газет, который решает, сколько экземпляров держать в запасе при неопределённом спросе, когда непроданные экземпляры теряют ценность, — один из самых старых и известных примеров. Другой классический пример — экономичный размер заказа, то есть объём заказа, минимизирующий совокупные затраты на хранение и размещение заказов при постоянном будущем спросе. Решение таких головоломок обычно опирается на аналитические методы, теорию вероятностей или алгоритмы.

В этой парадигме головоломка цепочки поставок начинается с формального описания физического потока товаров — продуктов, площадок, уравнений спроса и сроков выполнения операций, а также ограничений. Из этой формализации авторы выводят математическое решение — в идеале с доказуемыми свойствами или, как минимум, эвристику, проверенную на данных, часто синтетических.

Внутренней непротиворечивости недостаточно; важно выдержать столкновение с реальностью. Существенно то, выдерживает ли числовой рецепт контакт с грузовиками, сроками выполнения операций и клиентами. Принятый нами критерий и его последствия для этой книги изложены ниже в разделе Опровержимость.

Проще говоря, теория, которая выживает лишь благодаря отказу подвергать себя проверке реальностью, ничего не сообщает о том, как ездят грузовики, как покупают клиенты и как ждут паллеты. Внутренняя непротиворечивость гарантирует корректность только внутри стен, возведённых допущениями; как только эти стены сталкиваются с первым всплеском продаж во время промоакции или первой задержкой на таможне, «оптимальное» правило вновь превращается в непроверяемое предположение.

При трактовке как отрасли математики головоломки цепочки поставок остаются оторванными от реальных условий. Например, при нескольких допущениях — стационарном спросе, постоянном сроке поставки, нескоропортящихся товарах и так далее — можно доказать оптимальность правила пополнения запасов. Ни одна реальная цепочка поставок не может противоречить такому результату: невозможно придумать эксперимент, который поставил бы его под сомнение. Решение основано исключительно на внутренней непротиворечивости, вытекающей из допущений задачи.

Сторонники этого подхода, несомненно, возразили бы, что головоломки выбраны не случайно. Напротив, их тщательно составили, чтобы точно отразить задачи реальных цепочек поставок. Кроме того, многие статьи ссылаются на подтверждение «реальными» наборами данных и сообщают о строгих проверках на них.

Однако практика ясно и убедительно опровергает это утверждение. Компании не используют эти якобы «оптимальные» методы для управления цепочками поставок и не перенимают никакие их варианты — даже как источник вдохновения. Если бы эти алгоритмы действительно имели ценность, сообщество наблюдало бы потрясения, подобные происходящим в программном обеспечении, где более совершенные технологии — транзакционные базы данных, облачные вычисления, глубокое обучение — быстро находят применение.

Утверждение, будто компании не знают об этих «современных» методах цепочки поставок, тоже не выдерживает проверки. С конца 1970-х годов поставщики корпоративного ПО включили в свои продукты тысячи таких методов. Однако от них неизменно отказываются, поскольку специалисты по цепочкам поставок быстро возвращаются к электронным таблицам.

Согласно бритве Оккама, простейшее объяснение состоит в том, что эти математически аккуратные «головоломки» не дают никакого воспроизводимого, значимого для прибыли улучшения при столкновении с неупорядоченностью повседневных операций. Поскольку они не снижают совокупные затраты и не повышают уровень сервиса так, чтобы выгода перевешивала бремя внедрения, практики вполне рационально откладывают их и возвращаются к инструментам — пусть даже электронным таблицам, — которые доказали свою полезность.

Наконец, значительная часть кажущегося «прогресса» в этой отрасли математики может быть иллюзорной. Исследования подвержены моде не меньше любой другой области знаний. В 1960-х годах были в моде явные аналитические решения головоломок цепочки поставок; в 1990-х популярность приобрели параметрические модели временных рядов; а в 2020-х трендом стали симуляторы Монте-Карло. Авторы, сосредоточенные на текущих научных увлечениях, необязательно вносят вклад в подлинный прогресс — или его отсутствие — в этой области. Более того, прежним направлениям присваивают ярлык «устаревших» независимо от того, что эти статьи могли дать реальным цепочкам поставок.

3.2.1 Опровержимость

Установив, что сама по себе математическая позиция не может управлять цепочкой поставок, мы нуждаемся в положительном критерии, позволяющем отличать знания, достойные управлять паллетой, от тех, которые этого не заслуживают.

Определяющий взгляд на сложные теории появился в первой половине XX века в работах Карла Поппера⁹. Стремясь на протяжении всей жизни охарактеризовать науку, Поппер ввёл критерий эмпирического опровержения. Этот критерий занимает центральное место в настоящей книге. Один эпизод из его жизни помогает его прояснить.

В первой главе книги «Conjectures and Refutations» (1963) Поппер объясняет, как впечатления юности в Вене около 1919 года сформировали его представление об опровержимости как отличительном признаке науки. Он отмечает, что теория относительности Эйнштейна давала смелые предсказания и рисковала быть опровергнутой наблюдениями, тогда как марксизм, а также фрейдистский психоанализ неизменно «спасали» объяснениями ad hoc всякий раз, когда появлялись противоречащие им свидетельства. Физики, проверявшие теорию Эйнштейна, приветствовали и даже искали возможность опровержения, используя наблюдения — например, искривление света звёзд у Солнца во время солнечного затмения, — чтобы выяснить, выдерживает ли теория проверку. Физики стремились максимально подставить теорию под удары реальности, выбирая направления, где её с наибольшей вероятностью можно было разрушить.

Напротив, марксисты «иммунизировали» свою доктрину против опровержения, переинтерпретируя события так, чтобы подогнать их под теорию. Например, марксистская теория предсказывала, что пролетарская революция сначала произойдёт там, где фабричных рабочих больше всего, то есть в Великобритании. Однако революция произошла в 1917 году в царской России — одной из наименее индустриализированных стран Европы. Вместо того чтобы отвергнуть теорию как опровергнутую, марксисты изменили толкование, чтобы объяснить, почему революция должна была сначала произойти в наименее индустриализированной стране.

Очевидно, правильную интеллектуальную позицию занимали именно физики. Их установка в итоге дала два монумента нашего нынешнего понимания Вселенной — общую теорию относительности и квантовую физику. Две теории, оказавшиеся чрезвычайно способными делать эмпирически значимые предсказания. Напротив, марксистская теория продолжала бесконечно опровергаться десятками стран, проводивших реформы, вдохновлённые этой доктриной, и получавших плачевные экономические результаты, ставившие в тупик их экономистов-марксистов¹⁰.

Эти наблюдения привели Поппера к формулировке опровержимости. Она подчёркивает радикальную асимметрию между истиной и ложью в науке. Ни одну теорию нельзя окончательно доказать как истинную; её можно лишь опровергнуть. Действительно, для исчерпывающего доказательства теории — скажем, общей теории относительности — пришлось бы проверить, что каждое небесное тело везде и всегда подчиняется сформулированным ею законам. Это, очевидно, совершенно невозможно. В лучшем случае мы можем собрать длинную последовательность измерений, согласующихся с теорией, а за её пределами — лишь экстраполировать применимость теории на остальную Вселенную. Однако обратное гораздо доступнее: достаточно одной пары небесных тел¹¹, противоречащей теории, чтобы доказать её ошибочность.

Таким образом, в лучшем случае мы можем лишь попытаться опровергнуть теорию. Но чтобы такая попытка вообще состоялась, теория должна подвергнуться эмпирической проверке, которую она в принципе может не пройти. Поппер называл такие теории опровержимыми. Отсюда следует: чем дольше теория выдерживает неустанные экспериментальные атаки, тем больше доверия она заслуживает. Напротив, неопровержимую теорию опровергнуть невозможно; такие теории не относятся к научному знанию. Сегодня опровержимость широко признана одним из центральных принципов науки.

Возвращаясь к цепочке поставок, опровержимость показывает порок чисто математической позиции: та защищена от опровержения. Она относится к прикладной математике, а не к естественным наукам. В результате корректность числовых рецептов, выведенных из этой позиции, поверхностна. Она лишь отражает согласованность с исходным набором допущений. Эти рецепты остаются полностью зависимыми от верности своих предпосылок, а также уязвимыми перед ещё более обыденными проблемами.

Опровержимость важна, потому что цепочку поставок оценивают по прибыли, а не по изяществу. Рекомендация, ошибочность которой нельзя показать, когда полки остаются пустыми или запасы раздуваются, — не наука об операциях, а математическое сочинительство. Математическая строгость необходима, при условии что предпосылки допускают эмпирическую проверку, способную их опровергнуть.

3.2.2 Стимулы академической среды

Прежде чем рассматривать конкретные примеры чрезмерных допущений, делающих эти модели несостоятельными, нужно спросить, почему академическая среда продолжает их отстаивать. Ответ кроется в стимулах, формирующих научные карьеры: журналы вознаграждают новизну и формальное изящество, а не влияние на операции, поэтому исследования естественным образом тяготеют к головоломкам, пригодным для публикации, а не для практики.

В The Future of Operational Research is Past (1979) Рассел Акофф выделяет ряд проблем, подрывающих его область. В современных терминах «исследование операций» синонимично «цепочке поставок», и критика Акоффа остаётся полностью актуальной сегодня. Среди этих проблем:

1. Решение выдуманных задач;

2. Принятие цели как данности;

3. Игнорирование свойств системы;

4. Допущение, что будущее познаваемо;

5. Всё большая замкнутость на себе;

6. Рационализм, принимаемый за разум.

Спустя более четырёх десятилетий может показаться удивительным, что академическая среда всё ещё игнорирует эти основополагающие проблемы, особенно учитывая большой авторитет Акоффа. Однако такое поведение становится менее удивительным, если принять во внимание стимулы.

Учёных оценивают прежде всего по двум тесно связанным осям. Первая — объём опубликованных статей и влияние этих статей внутри научной эхо-камеры; под влиянием здесь подразумевается немногим больше, чем частота их цитирования в других статьях. Сокращает ли цитируемая идея счёт за закупки, уменьшает ли срок выполнения операции или предотвращает дефицит товара — в этой метрике не отражается.

Вторая ось — качество преподавания, которое на практике сводится к способности лектора передавать тот же ориентированный на цитирование материал следующему поколению будущих учёных. Такое двойное мерило создаёт замкнутый на себе цикл. Интеллектуалов оценивают исключительно по тому, насколько хорошо они убеждают других интеллектуалов; преподавателей подбирают, а учебные программы составляют те, кто уже овладел искусством убеждать коллег. Эмпирическая действенность — способность идеи выдержать контакт с погрузчиками, тарифами или клиентами — в расчёт вообще не входит.

В результате математические задачи на тему цепочек поставок дают неисчерпаемый поток постановок и решений, пригодных для публикации. Добавление ограничений, изменение уравнений спроса или топологии сети, включение дополнительных слагаемых в целевые функции порождают почти бесконечные варианты. Каждый вариант — идеальный материал для научной публикации. Кроме того, конкретные особенности компании, готовой поделиться даже скромными наборами данных, могут дать уникальный, а значит, новый взгляд на предмет. Это неизбежно создаёт иллюзию, будто решение отдельной головоломки значимо для области в целом.

Таким образом, академическая среда упорно трактует цепочку поставок как отрасль математики, потому что с точки зрения затраченного времени это самый удобный способ публиковать статьи. Кроме того, эти статьи демонстрируют модные атрибуты «большой науки» — уравнения, алгоритмы и количественные результаты. Относя исследования цепочек поставок к прикладной математике, авторы избегают строгих попыток опровержения, с которыми естественные науки сталкиваются постоянно.

В преподавании, поскольку продвижение по службе зависит от студенческих оценок преподавания и доли сдавших экзамены, у преподавателей есть все стимулы излагать материал, отражающий то, что их коллеги предложат на экзамене, — вновь отдавая предпочтение преемственности перед столкновением с реальностью.

Кроме того, математике необычайно легко учить, если выступающий сам понимает материал. В отличие от естественных наук здесь не нужны сомнительные компромиссы, чтобы уложить изложение в отведённое время. Достаточно подогнать число и сложность головоломок под часы.

При выставлении оценок математические головоломки также максимально удобны. Их число и сложность можно точно настроить под условия экзамена, обеспечив почти безупречную объективность оценивания при минимальных усилиях. К сожалению, результатом становятся задачи, мало похожие на неупорядоченные, неоднозначные и сложные реалии настоящих цепочек поставок. Интеллектуалы преподают будущим интеллектуалам материал, написанный прежними интеллектуалами, без какого-либо внешнего ориентира, способного разорвать круг.

Как бы плохо этот подход — трактовка цепочки поставок как прикладной математики — ни работал на практике, он всё равно отвечает постоянным заботам тех, кто строит академическую карьеру. Поэтому, как показывает Акофф, одного доказательства ошибочности этого исследовательского подхода недостаточно; нужно устранять лежащие в его основе вредные стимулы академической среды — задача, целиком выходящая за рамки этой книги.

Уточним: само по себе использование темы цепочки поставок в математике — или в таких областях, как математический анализ, алгоритмы и статистика, — не предосудительно, если метафора цепочки поставок лучше всего иллюстрирует математическую задачу. Например, рассмотрим знаменитую задачу о семи мостах Кёнигсберга, решённую Леонардом Эйлером в 1736 году. Требовалось найти маршрут через город, проходящий по каждому мосту ровно один раз. Эйлер доказал, что решения не существует, ввёл понятие графов и тем самым открыл путь к топологии.

При таких обстоятельствах статья достойна внимания лишь тогда, когда обладает самостоятельной математической ценностью: раскрывает ли она скрытую истину или структуру? Особенно ли изящно изложение? Открывает ли метод путь к решению других, на первый взгляд не связанных математических задач? В противном случае работа считается бесполезной. Само по себе использование темы цепочки поставок не может придать ценность работе, которая по существу принадлежит математике.

Любой читатель, знакомый с литературой, знает, что статьи о цепочках поставок, соответствующие этому стандарту, чрезвычайно редки.

3.2.3 Ловушки страховых запасов

Показать недостатки огромной литературы, трактующей цепочку поставок как математику, непросто: когда предстоит оспорить примерно миллион статей, задача граничит с невыполнимой. Это яркая иллюстрация закона Брандолини: опровержение вздора обычно требует на порядок больше усилий, чем его создание.

Чтобы сохранить обозримость обсуждения, мы сосредоточимся на одной широко принятой концепции — страховых запасах — и на её примере покажем общие недостатки математического подхода к цепочке поставок.

Страховой запас — это буфер, необходимый для достижения желаемого уровня сервиса по конкретной SKU (единице складского учёта). Здесь уровень сервиса определяется как частота, с которой удаётся избежать дефицита товара за данный период. Модель предполагает, что спрос за срок поставки имеет нормальное распределение, а сам срок поставки постоянен. Из этих допущений получается формула требуемого запаса в замкнутом виде.

Рисунок: В модели страхового запаса точка заказа задаётся как сумма рабочего запаса (среднего спроса за срок поставки) и страхового запаса (отклонения спроса за срок поставки, умноженного на коэффициент).

Поскольку расчёт представляет лишь исторический интерес, здесь он опущен. Достаточно сказать, что модель даёт явную формулу, которую легко вычислить в электронной таблице с минимальными усилиями и программиста, и компьютера.

Однако страховые запасы порочны в своей основе — название «опасные запасы» подошло бы лучше, — поскольку неверная постановка приводит к плохим результатам. Есть и светлая сторона: страховые запасы служат простой лакмусовой пробой для выявления грубой некомпетентности в области цепочек поставок.

У страховых запасов три серьёзные проблемы, каждой из которых достаточно, чтобы исключить удовлетворительные результаты при применении в реальной цепочке поставок. Первые две — категориальные ошибки, третья — техническая.

Первый и самый разрушительный недостаток — методологический изоляционизм. Формулы страховых запасов рассматривают каждую SKU так, будто она единственный претендент на средства баланса, и пытаются вычислить для неё «оптимальное» количество в вакууме. Однако каждая дополнительная единица связывает деньги, которые могли бы профинансировать запас другого товара или найти любое более прибыльное применение. Действительно, все SKU конкурируют за один и тот же конечный пул оборотного капитала, и любая модель, игнорирующая это соперничество, слепа к тем самым компромиссам, которые должна согласовывать.

За пределами микрокомпаний ни одна цепочка поставок не имеет дела с единственной SKU: фирмы обычно управляют сотнями, если не тысячами. Кроме того, пополнение одной SKU принципиально отличается от управления пополнением множества SKU. Это радикально разные задачи. Страховые запасы даже не признают, что SKU нельзя рассматривать изолированно; само их определение обходит задачу, которую нужно решить: распределение денег на запасы.

Во-вторых, даже если на время согласиться рассматривать каждую SKU изолированно, рецепт страхового запаса остаётся безнадёжно неполным. Он строится на выборе «целевого уровня сервиса» — процента, взятого с потолка, — и последующем обращении с этим числом так, будто у него есть встроенная связь с прибылью. Формула никогда не объясняет, почему 95% должны быть лучше 92% или 97%; она просто передаёт самое трудное решение на волю руководства и действует так, будто вопрос уже решён.

Сторонники иногда отвечают, что более высокий уровень сервиса «в целом» повысит прибыльность, но корреляция — не причинность. Установите уровень слишком высоким — и при первом изменении спроса начнут накапливаться неликвидные запасы; слишком низким — и разочарованные клиенты уйдут к конкурентам. Поскольку математика допускает любую цель от 0% до 100%, практик оказывается там же, где начал: перед реальным экономическим вопросом, сколько капитала вложить и в какие товары. Аппарат страховых запасов никак не помогает на него ответить.

Третий и последний недостаток — статистическая наивность. Реальный спрос почти никогда не имеет колоколообразного распределения: на длительных отрезках ненулевые наблюдения редки, затем он скачкообразно меняется без предупреждения, а экстремальные значения возникают гораздо чаще, чем допускало бы нормальное распределение. Сроки поставки ведут себя столь же непокорно: группируются вокруг разных мод — «вовремя», «задержка на таможне», «дефицит у поставщика» и так далее, — а не тяготеют к одному симметричному пику. Эти закономерности — норма, а не выбросы, и любая игнорирующая их модель начинает с неверных координат.

Учебники и программное обеспечение держатся за нормальную кривую, потому что она сохраняет аккуратность алгебры, а не потому что соответствует данным. В принципе, для исправления теории можно подставить распределения с избыточной массой в нуле, с тяжёлыми хвостами или смеси распределений, но это лишает её единственного достоинства — простоты. Как только арифметика становится непрозрачной, рецепт страхового запаса теряет свою единственную практическую привлекательность, сохраняя при этом все прежние категориальные ошибки. Если метод не реалистичен и не прост, рекомендовать его больше не за что.

Увы, вакуум, оставленный математически бесплодной академической средой, быстро заполняется. В него входят консультанты и авторы деловой литературы, раскачивающие маятник к противоположной крайности: они отказываются от чисел в пользу рассказов. Если академическое заблуждение трактует цепочку поставок как головоломку, лишённую стимулов, то консультантское — как историю без количественной оценки. Оба лагеря игнорируют экономическую суть, лишь подходя к ней с разных концов спектра. Следующий раздел покажет, почему этот социологический поворот, хотя и обёрнутый во вдохновляющую прозу, оказывается не надёжнее уравнений, которые он призван дополнить.

3.3 Социология

Если академический путь стерилизует цепочку поставок до абстрактных головоломок, то консалтинговый устремляется к противоположной крайности: превращает дисциплину в каталог социологических наблюдений и банальностей о лидерстве. Поэтому последние четыре десятилетия в публикациях о цепочках поставок господствуют бизнес-консультанты, формулирующие любую проблему через культуру, командную работу и «лучшие практики». Их продукция огромна: по запросу «Supply Chain Management» находится гораздо больше 10 000 книг¹². Dynamic Supply Chains (2015) Джона Гатторны — канонический пример этого жанра и его эпистемической слабости: убедительные истории заменяют проверяемые свидетельства, оставляя читателю рассказы вместо обоснованного знания.

Эта литература целиком принадлежит жанру самопомощи. Её адресат — корпоративный руководитель или менеджер, надеющийся им стать, который верит, что освоение нового модного слова одновременно улучшит результаты компании и ускорит его собственное продвижение. Консультант-автор, со своей стороны, принимает позу гуру, чьё прозрение можно арендовать с посуточной оплатой.

Затем каждая книга разворачивается по двум предсказуемым осям. Стратегическая ось предлагает несколько лозунгов, обычно от трёх до пяти, обещающих объяснить, как следует «думать» о цепочке поставок; дисциплину нарезают на аккуратные квадранты, волны или уровни зрелости. Организационная ось превращает эти лозунги в перечень ритуалов: руководящие комитеты, межфункциональные семинары, матрицы распределения ответственности и тому подобное — всё это преподносится как готовый путь к исполнению.

Чтобы поддерживать движение рассказа, его сдабривают заимствованным авторитетом: броскими фразами руководителей Fortune 500, цитатами бойцов Navy SEALs об устойчивости и подробными пересказами спортивных побед, вырванных в последнюю минуту. Кроме краткого оживления текста, спортивная история или цитата атлета не добавляет аргументам о цепочке поставок никакой доказательной силы. Известность в спорте или индустрии развлечений не имеет отношения к распределению паллет и заказам на закупку. Подобные появления знаменитостей создают иллюзию боевой проверки; на деле они добавляют красок, а не доказательств.

Жанр опирается на первый знакомый трюк — инфляцию модных слов. Такие термины, как «гибкий», «цифровой двойник» или «на основе ИИ», повторяют, пока они не начинают звучать как неизбежность, но их определения остаются достаточно растяжимыми, чтобы подойти к любым обстоятельствам. За блеском обнаруживаются лишь вечные банальности — «мир меняется, нужно приспосабливаться», — переименованные в откровения. Классификации, разделяющие фирмы на «лидеров» и «отстающих» или «новаторов» и «последователей», маскируют тавтологии под блок-схемы и создают иллюзию глубины там, где её нет.

Второй трюк — искусственно созданная срочность. Авторы высвечивают несколько якобы обделённых вниманием рычагов — близость к поставщикам, ориентацию на клиента, устойчивое развитие, культуру — и торжественно заявляют, что немедленно вынести их на уровень высшего руководства жизненно необходимо. Такую постановку «действуй сейчас или погибни» невозможно опровергнуть в зале заседаний совета директоров. Она ловко перенаправляет внимание и бюджет на любимую инициативу консультанта, не оценивая альтернативные издержки, которые это налагает на все остальные ограничения, обязательные для действующей цепочки поставок.

Последний трюк — заимствованный авторитет. Кейсы щеголяют именами уважаемых брендов, выставляют напоказ избранные показатели успеха и пересыпают текст цитатами спортсменов или ветеранов спецназа. Подразумеваемый силлогизм ложен: «Компания X знаменита; компания X одобряет этот подход; следовательно, подход создаёт славу». Корреляцию незаметно подменяют причинностью, а неудачи, способные разрушить чары, убирают из поля зрения.

Эти риторические приёмы — не безобидное развлечение; они вытесняют количественное рассуждение, необходимое для подлинного улучшения. Оборачивая банальности престижем и срочностью, литература льстит руководителям, позволяя им чувствовать себя решительными, но не затрагивает реальный поток товаров. Уберите логотипы и воодушевляющие истории — и не останется ничего, что выдержало бы аналитическую проверку.

Иными словами, консалтинговый канон трактует сбои цепочки поставок как проблему человеческих отношений, решение которой состоит в изменении группового поведения. Его любимые переменные — роли, ритуалы и нарративы; инструменты — семинары, хартии и сетки стимулов. Это хрестоматийная социология организаций: она изучает, как коллективы сохраняют сплочённость, как согласуется статус и как обеспечивается соблюдение норм, а затем предписывает церемонии для перенастройки этих социальных конструкций. Паллеты, контейнеры и сроки выполнения операций появляются лишь как реквизит в рассказе, подлинные герои которого — подразделения, соперничающие за влияние. То, станет ли тоннаж действительно двигаться бесперебойнее, считается возникающим побочным продуктом большей социальной гармонии. Поэтому эта литература социологична по методу и цели, даже если редко так себя называет.

Даже если бы эта литература содержала подлинные знания — что бывает редко, — трактовка цепочки поставок главным образом как социологического предприятия уводила бы усилия по улучшению в сторону. Проведём мысленный эксперимент: представим платформу недалёкого будущего, в которой единый автономный искусственный интеллект (ИИ) поглощает каждый сигнал спроса, каждое обновление сроков выполнения операций и каждую кривую затрат, а затем без участия человека выпускает все заказы на закупку, изменения цен и указания по маршрутам. В таком мире больше нечего «согласовывать» и некого «наделять полномочиями»; весь каркас комитетов, семинаров и сеток стимулов испаряется за ночь. Однако экономическая суть дисциплины сохраняется: ограниченные ресурсы всё ещё нужно распределять в условиях изменчивости. ИИ опирался бы на принципы опциональности, альтернативных издержек и риска — основы экономики, — а не на какую-либо теорию политических взаимоотношений между подразделениями. Мысленный эксперимент проясняет иерархию: организационные конструкции — временные обходные решения, которые мы создаём лишь потому, что люди, более медленные и дефицитные, чем процессоры, должны координироваться. Автоматизация уже размывает эту социологическую оболочку: боты ценообразования, оптимизаторы маршрутов и механизмы распределения теперь выполняют задачи, которые раньше занимали целые отделы, подобно тому как ноутбук заменил актуарные таблицы, прежде оправдывавшие взводы служащих. Пока полная автоматизация не наступила, люди будут оставаться в процессе. Компас, направляющий их, должен оставаться экономическим и операционным, а не социологическим.

Разумеется, некоторые задачи цепочек поставок пока не поддаются программному обеспечению. Когда необходимые шаги сформулированы явно, допустимо временно опираться на человеческий интеллект, пока передовые методы не позволят их автоматизировать. Если нагрузка превышает возможности одного человека, добавьте людей и организуйте их соответствующим образом; даже тогда социология должна оставаться последним средством. Ведь настаивать, что интеллектуальная задача «требует человеческого интеллекта», — значит признать: «У меня нет ясного представления, как решить эту проблему, но, если прижмёт, кто-нибудь что-нибудь придумает».

Более двух столетий повторяется одна и та же ошибка — считать участие человека достоинством само по себе. Луддиты — британские ткачи и текстильные рабочие, выступавшие против механизированных ткацких и вязальных станков в начале XIX века, — канонический пример этой ошибки. В цепочках поставок участие людей в ежедневном микроменеджменте миллионов SKU не является желательным само по себе. Отсутствие механизации накладывает предсказуемые ограничения — длительную обработку, пониженную оперативность и посредственное распределение, — поскольку операторы не могут взвесить все значимые количественные факторы.

В совокупности эти консультантские трюки объясняют, почему глянцевые концепции так часто оставляют контейнеры, цены и заказы на закупку ровно там, где они были. Они превращают распределение ресурсов в групповую терапию, принимая гармонию за прибыль. Чтобы увидеть реальную цену смешения социологии с мастерством цепочки поставок, рассмотрим теперь флагманскую доктрину этой литературы — планирование продаж и операций.

3.3.1 Ловушки S&OP

Планирование продаж и операций (S&OP) уже четыре десятилетия превозносят как лекарство от обособленности функций, однако оно воплощает только что выявленное социологическое заблуждение. Его сложный календарь встреч стремится добиться согласия вокруг единственного — крайне неопределённого — прогноза, а затем требует от каждого подразделения присягнуть ему на верность. Переименованные варианты, например интегрированное бизнес-планирование (IBP), наследуют ту же слабость: они трактуют ценообразование, закупки и мощности как корпоративный ритуал, а не как экономическую оптимизацию. Поскольку S&OP одновременно влиятельно и симптоматично, оно послужит единственным примером в последующей критике, хотя аргумент в равной мере относится ко всем его подобиям.

Со времени появления гигантской корпорации в XIX веке специализация обеспечивала большую часть того, что мы называем «экономией от масштаба». Сужая фокус, команды углубляют экспертизу, повышают производительность и делают результаты более предсказуемыми. Однако каждая новая специализация открывает ещё один шов, который приходится сшивать с целым, и по мере расширения организационного полотна это сшивание комбинаторно усложняется.

Когда координация отстаёт, промахи становятся впечатляющими. Маркетинг может разжечь спрос, который заводы не в состоянии удовлетворить, растратив рекламные бюджеты и разочаровав клиентов. Производство может наводнить склады товарами, которые рынок не поглотит, вынуждая прибегать к распродажам за бесценок или прямому списанию, как только затраты на содержание запасов перекроют любую правдоподобную маржу.

Планирование продаж и операций (S&OP) было разработано в начале 1980-х годов как ритуализированное перемирие между описанными группировками. Обещание было простым: собрать все функции в одной календарной контрольной точке, согласовать единый взгляд на будущий спрос и развернуть его в синхронизированные планы снабжения, мощностей и финансов. Теоретически встреча гарантирует, что люди, создающие спрос — продажи, маркетинг, мерчандайзинг, — и люди, удовлетворяющие его — закупки, производство, логистика, — выйдут из комнаты, приняв одни и те же цифры и ограничения.

Подход набрал популярность в 2000-х годах, когда поставщики ERP и консалтинговые фирмы начали продавать панели S&OP, модели зрелости и сравнительные исследования. Несмотря на блестящие инструменты, механика остаётся спартанской: скользящий горизонт от 18 до 24 месяцев, согласованный прогноз, иногда именуемый «единым набором цифр», и ежемесячная череда предварительного изучения материалов и семинаров, на которых цифры подгоняют до тех пор, пока каждый вице-президент не сможет их утвердить.

В исторической перспективе S&OP — скорее современное продолжение производственных совещаний руководителей, проводившихся Альфредом Слоуном в General Motors в 1920-х годах, чем прорыв. Словарь изменился, но намерение осталось прежним: навязать институциональную рутину, удерживающую функциональные империи от расхождения, когда изменчивость грозит оторвать их друг от друга.

Несмотря на долголетие, S&OP рассыпается при внимательном рассмотрении. Четыре структурных дефекта подрывают эту практику и показывают, почему с эпистемической точки зрения ей нельзя доверять управление ограниченными ресурсами.

1. Иллюзия прогноза. S&OP начинает с допущения, что единый прогноз спроса в форме временного ряда не только существует, но и достаточно точен, чтобы управлять мощностями, ценами и запасами на месяцы вперёд. Эта предпосылка трактует неопределённое будущее как известную константу, превращая самую трудную часть задачи во входные данные электронной таблицы. Маскируя неопределённость под определённость, ритуал разрывает обратную связь, которая иначе позволила бы проверить, заслуживали ли эти цифры доверия вообще.

2. Вакуум решений. Наколдовав согласованный прогноз спроса, S&OP затем передаёт каждое количественное решение — партии закупок, производственные расписания, планы маршрутов — тем эвристикам, которыми уже пользуется каждое обособленное функциональное подразделение. Подход не даёт никакого экономического критерия для выбора одного распределения вместо другого; он лишь нотариально заверяет решения, принятые в другом месте. С эпистемической точки зрения это учёт, выдающий себя за оптимизацию.

3. Избыточность ритуалов. Ежемесячная последовательность предварительных встреч, согласующих семинаров и руководящих обзоров преподносится как средство от рассогласованности, но масштаб этого средства растёт с численностью персонала, а не с физикой потока. Каждая дополнительная SKU, маршрут или промоакция требует ещё одной презентации, а не более совершенного алгоритма. Сложность здесь случайная — созданная совещаниями, — а не необходимая, созданная атомами и сроками выполнения операций.

4. Произвольные классификации. S&OP делит время на операционные, тактические и стратегические интервалы и сводит реальность к двухосевой матрице «спрос — предложение». Это удобные риторические разбиения, а не эмпирические открытия; их можно переставлять по своему усмотрению, не меняя экономических результатов. Теорию, параметры которой могут свободно плавать, нельзя опровергнуть, а значит, она не способна накапливать надёжное знание.

Вместе эти дефекты объясняют, почему компании, внедряющие S&OP, часто возвращаются к собственным электронным таблицам: практика предлагает театр процессов без предсказательной силы. Совещание может обеспечить временное согласие, но не способно показать, какое решение максимизирует долгосрочную прибыль при изменчивости и конфликтующих стимулах. Пока подход не подвергает свои допущения эмпирической проверке и не основывает предписания на альтернативных издержках, он относится к организационному фольклору, а не к науке о цепочке поставок.

Теперь обратимся к экономической истории, чтобы рассмотреть, как подобные эпистемические ошибки проявлялись в прошлом и какие уроки они дают настоящему.

3.4 Экономическая история

Экономическая история перечисляет то, что действительно произошло: уплаченные цены, перемещённые товары, пережитые кризисы. Она незаменима для понимания контекста, однако, как подчёркивал Людвиг фон Мизес в Human Action (1949), факты не интерпретируют себя сами. Только предшествующая экономическая теория может придать им смысл, прослеживая причины, следствия и контрфактические варианты. Иными словами, экономическая наука должна предшествовать экономической истории: сначала нам нужна логическая основа, и лишь затем мы можем с пользой пересказывать прошлое.

Тот же порядок действует и в цепочке поставок. Панели, переполненные гистограммами сроков выполнения операций, графиками уровня сервиса и оборачиваемостью запасов, — не более чем хроники. Без теории альтернативных издержек и опциональности аналитик не может определить, было ли сокращение запасов на 20% проявлением блестящего мастерства или небрежности. Данные становятся знанием лишь после фильтрации через экономическую призму; иначе это учёт, выдающий себя за понимание.

Однако в повседневной практике различие между хроникой и объяснением постоянно размывается. Аналитики наполняют панели показателей, поставщики публикуют сравнительные отчёты, консультанты демонстрируют кейсы «до и после» — все они рассказывают, что произошло, и молчат о том, что могло бы произойти при другом выборе. Записи рассказывают историю, но никогда не диагностируют механизм, который её породил.

Рассмотрим розничную компанию, рекламирующую сокращение запасов на 20%. Без теории альтернативных издержек этот заголовок бессмыслен: действительно ли оборотный капитал высвободился без ухудшения сервиса или отсутствие товаров на полках лишь отложено до квартала, за который ещё не отчитались? В регистрах нет строк для продаж, которые не состоялись, расширений ассортимента, которые не пробовали, или ценовых экспериментов, которые не проводили. История фиксирует только пройденный путь, но никогда — соседние пути, оставшиеся неисследованными.

Сравнительные показатели усиливают проблему. Ранжирование компаний по «запасам в днях» или «оборачиваемости запасов» приглашает к подражанию, но игнорирует стратегические различия — широту ассортимента, обещания по сервису или способность влиять на цены. Копирование метрики без воспроизведения контекста — оптимизация в духе карго-культа: ритуал сохраняется, экономика — нет.

Этот урок перекликается с критикой математики и социологии: экономическая история — вспомогательный источник понимания, а не фундамент. Факты, собранные задним числом, незаменимы, но их нужно фильтровать через обращённую в будущее экономическую призму, взвешивающую контрфактические варианты и альтернативные издержки. Без неё история превращается в рассказы с цифрами: читать их успокоительно, но направить следующий контейнер они бессильны. Поэтому мастерство начинается с теории, проверяет её опытом и лишь затем позволяет учётным записям направлять будущее распределение ресурсов.

3.5 Вспомогательные науки

Вспомогательные науки — это дисциплины, к которым цепочка поставок регулярно обращается за фактами, доказательствами или инструментами: статистика — для неопределённости, информатика — для автоматизации, эмпирическая психология — для человеческих предубеждений, авиационная инженерия — для топливной эффективности и так далее. Термин пришёл из историографии, где с шестнадцатого века такие области, как палеография или дендрохронология, называют вспомогательными, поскольку они предоставляют свидетельства, не занимаясь написанием истории. Эта иерархия эпистемическая, а не уничижительная: цепочка поставок подчинена всем устойчивым истинам, которые устанавливают эти науки. Если статистики уточняют смысл доверительного интервала или авиационные инженеры демонстрируют более дешёвый профиль полёта, практик должен немедленно адаптироваться. Важно, чтобы знание было надёжным, а не то, каким путём оно получено.

Однако подчинение не означает слияния. Цепочка поставок — не междисциплинарное варево из математики, программной инженерии, психологии и логистики. Она остаётся отдельной прикладной отраслью экономической науки, единственная задача которой — распределять ограниченные ресурсы в условиях изменчивости. К вспомогательным наукам обращаются лишь постольку, поскольку их результаты помогают выполнить эту задачу; их внутренние споры, жаргон и борьбу за престиж можно спокойно игнорировать. Практику нужно знать ровно столько, чтобы выбрать правильный инструмент и заметить его отказ, — не больше и не меньше.

Необходимая глубина знакомства зависит от упаковки. Когда вспомогательный результат встроен в надёжный артефакт — сканер штрихкодов, механизм оптимизации, интегральную схему, — специалист по цепочке поставок может обращаться с ним как с чёрным ящиком и сосредоточиться на экономических компромиссах. Когда упаковка слаба, как до сих пор бывает с большинством исследований поведенческой экономики, специалисту приходится открыть ящик, понять ограничения и вручную их компенсировать.

Историки дают подходящую аналогию. Дендрохронология может датировать щит летом 1519 года и тем самым опровергнуть любое утверждение, будто им пользовались в битве при Мариньяно в 1515 году, но ни один историк не смешивает изучение годичных колец с написанием истории. Цепочке поставок следует воспитывать ту же дисциплину: безжалостно использовать каждую вспомогательную науку, но никогда не отдавать ей руль.

Принцип подчинения ясен, когда микробиология задаёт границы, не подлежащие обсуждению. Лабораторные исследования показывают, что большинство пищевых патогенов переходят к экспоненциальному росту, как только температура продукта держится выше 5 °C более нескольких часов. Поэтому правила холодовой цепи требуют, чтобы охлаждённое мясо покидало предприятие при температуре ниже 4 °C и никогда не нагревалось выше 7 °C до поступления к клиенту. Умеют ли планировщики воспроизвести кривые роста Listeria, несущественно; как только микробиологи устанавливают эти пороги, специалист по цепочке поставок должен решить, платить ли за рефрижераторные контейнеры, прокладывать более плотные маршруты доставки или сокращать радиус распределения, — но само температурное ограничение обсуждению не подлежит.

Материаловедение даёт тот же урок. Испытания на сжатие показывают, что стандартная коробка из гофрокартона толщиной 7 мм с двумя гофрированными слоями разрушается, когда нагрузка сверху превышает примерно 8 кН. Поэтому распределительный центр, который складывает такие коробки в штабели высотой в шесть паллет, ограничивает массу каждой коробки примерно 18 кг, если только не переходит на упаковку с тремя гофрированными слоями, не снижает высоту штабеля или не инвестирует в стеллажи. Вспомогательная наука задаёт граничные условия; цепочка поставок взвешивает экономические компромиссы внутри этих границ.

Цепочка поставок подчиняется вспомогательным наукам, потому что у них есть более быстрые и точные способы отделять истину от ошибки. В физике или химии настольный эксперимент, проведённый до обеда, может уничтожить ошибочную гипотезу при ничтожных затратах; результаты быстры, воспроизводимы и решающи. Утверждения о цепочках поставок, как и экономические утверждения, можно проверять лишь в неупорядоченном мире заводов, грузовиков и магазинов. Полевые испытания растягиваются на месяцы, сжигают реальные деньги и редко дают чёткий ответ «да» или «нет». Поскольку её обратная связь медленнее и шумнее, цепочка поставок должна заимствовать строгость вспомогательных наук, принимая при этом, что её собственные знания будут накапливаться более постепенно.

Тем не менее цепочка поставок не наследует цели вспомогательных наук; она лишь покупает их результаты как исходное сырьё. Авиационные инженеры могут доказать, что промежуточная посадка для дозаправки сокращает расход топлива на сверхдальнем рейсе на восемь процентов, однако практик всё ещё должен сопоставить эту экономию с более длительным временем в пути, дополнительными посадочными сборами, сверхурочной работой экипажа и возможным оттоком клиентов. Критерий — экономическая отдача, а не техническое изящество: у каждого ресурса — авиационного топлива, часов, капитала, добрых отношений — есть альтернативные издержки, которые нужно оценить до принятия решения. Вспомогательные науки поставляют факты; цепочка поставок придаёт им ценность.

Цепочка поставок может казаться междисциплинарной, поскольку её повседневная практика заимствует статистику, информатику, машиностроение и даже поведенческую психологию. Это впечатление смешивает инструменты с целями. Как наука цепочка поставок — отрасль прикладной экономики, единственная задача которой — решать, как ограниченные ресурсы должны течь в пространстве и времени. Вспомогательные науки лишь предоставляют измерения, алгоритмы или машины, служащие этой задаче; они не переопределяют её. Напротив, естественные науки перетекают друг в друга именно потому, что атомы ничего не знают о стенах кафедр, разделяющих физику, химию и биологию: их границы — педагогическое удобство. Поэтому цепочка поставок не междисциплинарна в эпистемическом смысле — лишь в практическом смысле потребления множества заимствованных результатов.

То, должен ли практик погружаться во вспомогательную область, зависит от двух рычагов. Экономическая значимость показывает, насколько прибыль зависит от вспомогательного знания; качество упаковки — какая часть этого знания встроена в надёжные артефакты. Чем выше значимость и хуже упаковка, тем глубже должно быть личное владение предметом.

Экономическая значимость — это чувствительность прибыли к вспомогательной науке. Если небольшая корректировка расхода воздуха в чистом помещении экономит лишь символическую сумму на партию, значимость невелика, и настройка может оставаться фиксированной процедурой. Напротив, сокращение времени пребывания в непрерывном химическом реакторе всего на пять минут может повысить часовую производительность на шесть процентов, но одновременно снижает выход продукта реакции и меняет состав совместно производимых продуктов: основной сорт продаётся с надбавкой, тогда как вторичные и третичные потоки продаются со скидкой или требуют повторной переработки. Дополнительный объём, снизившийся выход и изменившееся соотношение сопутствующих продуктов отражаются на запасах, распределении по контрактам и ценовых уровнях. Поскольку компромисс значителен, а логика управления скрыта в сложных технологических схемах, планировщики должны достаточно хорошо понимать кинетику реакции, чтобы сопоставить мощность и маржу, прежде чем разрешить изменение. Поэтому глубокая экспертиза нужна только там, где высокая экономическая значимость сочетается со слабой упаковкой; в остальных случаях вспомогательная область может безопасно оставаться закрытым модулем.

Напротив, интегральные схемы демонстрируют превосходную упаковку. За пятивольтовым интерфейсом они воплощают столетие квантовой механики; планировщики используют вычислительную мощность, никогда не изучая зонную теорию. Реактивные двигатели столь же аккуратно скрывают термодинамику и материаловедение: оптимизатору сети достаточно таблицы расхода топлива. На противоположном конце находится эмпирическая психология. Такие результаты, как эффект якоря, неприятие потерь и гиперболическое дисконтирование, доходят до руководителей в основном в форме прозы. Поскольку упаковка слаба, а значимость — ценообразование, промоакции, переговоры — велика, руководители цепочек поставок должны сами усвоить эти концепции, иначе рискуют повторять искажения, описанные этой областью.

Отсюда следует практическое правило: глубокая экспертиза нужна только там, где высокая экономическая значимость сочетается со слабой упаковкой. Если одного из этих рычагов нет, вспомогательная наука может оставаться закрытым модулем.

Итак, вспомогательные науки раздвигают границы, а практика цепочек поставок решает, когда эти границы имеют значение. Всякий раз, когда статистика даёт более узкий интервал, материаловедение — более лёгкую паллету, а информатика — более быстрый решатель, экономическая значимость соответствующего решения меняется, а вместе с ней должно смещаться внимание руководства. Напротив, как только прорыв заключён в надёжный артефакт, его можно считать инфраструктурой и больше не держать в голове. Мастерство состоит в поддержании актуальной карты: какие части ещё требуют внимательного разбора, а какие уже перешли порог «чёрного ящика». Если пренебречь этой картой, возникает вакуум, который вскоре заполняют преувеличенные обещания поставщиков и консультантский фольклор — закономерность, рассматриваемая далее под названием эпистемической коррупции.

3.6 Эпистемическая коррупция

Когда система знаний существенно утрачивает целостность и перестаёт давать те виды заслуживающего доверия знания, которых от неё ожидают, это можно назвать эпистемической коррупцией. Эпистемическая коррупция часто возникает потому, что систему приспособили к интересам, противоречащим некоторым из основных целей, которые, как считается, лежат в её основе. Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science (2021), Серджо Сисмондо.

Многое из того, что сегодня выдаётся за знание о цепочках поставок, поражено коррупцией: оно не улучшает цепочки поставок, хотя заявляет обратное. Однако здесь нет ни великих заговоров, ни зловещих властителей, ни взяток. Авторы крайне предвзятых материалов о цепочках поставок редко бывают нечестны — чаще всего они не осознают проблему. Большая часть эпистемической коррупции, поражающей эту область, возникает из структурных искажённых стимулов. Остаток главы посвящён устойчивым заблуждениям, чей вред выходит далеко за пределы цепочек поставок.

Будучи прикладной отраслью экономической науки, знание о цепочке поставок обещает богатство — делает компании богаче, а иногда и богатыми. Каждый практик или внутренняя команда стремится выработать более совершенное знание, чтобы обойти соперников. Поэтому стимулов обнародовать открытия у них мало: обнаружив противоречащую интуиции, но действенную эвристику оптимизации запасов, компании предпочитают защищать её как коммерческую тайну.

Самые громкие распространители «истин» о цепочках поставок — те, кто зарабатывает на советах: учёные, консультанты и поставщики программного обеспечения. Каждый из них действует под влиянием стимулов, искажающих выбор того, что публиковать.

Во-первых, академическая среда: получая финансирование из частных или государственных источников, профессора борются за студентов и признание с помощью публикаций — классический случай «публикуйся или погибни». Академические авторы редко имеют возможность проверить свои утверждения о цепочках поставок на практике; даже когда они работают с компаниями, их карьеры остаются в значительной мере изолированными от реальных результатов. Собственно, склонность видеть в цепочке поставок набор математических головоломок подчёркивает влияние структурных стимулов.

Придумывание и решение математических головоломок требуют ограниченной изобретательности, особенно когда и новая задача, и её решение — лишь варианты известных примеров. Поскольку корректность решения целиком определяется внутренней непротиворечивостью, как в любом математическом доказательстве, автор освобождается от необходимости искать подтверждение в реальном мире. Использование реальных данных в синтетических сравнительных тестах — немногим больше, чем дымовая завеса: оно всё равно не показывает, какие результаты дало бы внедрение.

Во-вторых, консультанты, чьи клиенты — корпоративные менеджеры. В отличие от учёных консультанты сталкиваются с реальными последствиями своих теорий, и эта ответственность часто становится преимуществом. Когда менеджер сомневается в проекте, консультанта приглашают в качестве буфера: успех приносит заслуги менеджеру, а провал ложится на консультанта. Понимая эту динамику, менеджеры редко отказываются от консультантов с посредственными результатами. В более общем смысле консультанты обычно избегают твёрдых рекомендаций, поскольку их роль в сущности состоит в том, чтобы никогда не говорить клиенту «нет».

В-третьих, поставщики программного обеспечения, включая автора этой книги. Создание корпоративного ПО — медленный и неупорядоченный процесс. Конечный продукт обычно непрозрачен и запутан; будь иначе, его продавали бы как продукт для самостоятельного использования частными лицами и малым бизнесом. Клиентами поставщиков ПО тоже выступают менеджеры, однако менеджеры, выбирающие поставщика, обычно не те, кто пользуется продуктом. Чтобы принять более обоснованное решение, они часто советуются с подчинёнными, и здесь вступают в игру конфликтующие стимулы. Большинство программных продуктов хотя бы отчасти предназначено для повышения производительности, что часто подразумевает сокращение численности персонала. Опора на мнения подчинённых систематически благоприятствует поставщику, лучше всего сохраняющему статус-кво, а значит, и численность. Поскольку менеджерам часто не хватает времени приобрести знания, необходимые для оценки продукта, значительную часть оценки они передают сторонним авторитетам.

Из-за этой динамики кейс стал каноническим рекламным инструментом корпоративного программного обеспечения. Поскольку столь значительная часть «свидетельств» этой области теперь проходит через данный канал, он заслуживает пристального рассмотрения в следующем разделе.

3.6.1 Кейсы

Среди каналов, через которые эти конфликтующие стимулы искажают свидетельства, господствует один — корпоративный кейс. Кейсы — это искусно сделанная информационная реклама для корпоративной аудитории, не больше и не меньше. Однако многие компании пребывают в опасном заблуждении, будто кейсы правдивы, особенно если с упомянутым клиентом можно связаться; реальность иная. В лучшем случае кейс проясняет, что поставщик пытается продать; он не позволяет оценить, сколько выиграл цитируемый клиент, не говоря уже о том, что поставщик даст другой компании. Развеем это заблуждение.

У «программного» кейса два внутренних недостатка, каждый из которых сам по себе фатален: искажённые стимулы и смещение отбора.

Нет сомнений, что у поставщика есть мощный стимул приукрашивать — преувеличивать выгоды и скрывать проблемы, подрывающие отдачу. Голос клиента должен сверять рассказ с реальностью; на практике у клиента столько же стимулов приукрашивать, сколько у поставщика. Действительно, корпоративная продажа требует, чтобы один или несколько руководителей выступили в поддержку выбора. Эти сторонники фактически ручаются за поставщика¹³. Более того, их заявления будут подкреплены весьма убедительными метриками. Цепочки поставок достаточно сложны, чтобы гарантировать: как бы плохо ни работала инициатива, всегда можно подобрать краткий список благоприятных показателей. При необходимости метрики можно даже совершенно нагло подделать. Никто, кроме досконально знакомых с инициативой людей, и уж тем более посторонние, не сможет опровергнуть утверждения кейса. Корпоративные кейсы по своему устройству невоспроизводимы.

При столь вопиющем конфликте интересов, усиленном полным отсутствием подотчётности, предвзятость неизбежна. Даже порядочные люди, известные честностью в повседневных делах, могут поддаться искажённым стимулам, когда на кону репутация или средства к существованию. Это не попытка поставить под сомнение их нравственные качества, а признание сильного влияния, которое профессиональное давление, мнение коллег и личные амбиции способны оказывать на людей, в остальном заслуживающих уважения. Когда успех проекта означает карьерное продвижение, приглашения выступать или престиж внутри компании, даже самым нравственным людям может оказаться почти невозможно оставаться нейтральными в оценках. Конфликт интересов просто встроен в саму ситуацию.

По этим причинам звонок клиенту для «проверки» кейса совершенно неэффективен. За исключением редкого случая прямой выдумки, участвующие менеджеры охотно подтвердят всё написанное — ровно так, как предсказывают их стимулы. Хуже того, «человеческий контакт» придаёт заявлениям незаслуженное доверие просто потому, что большинство корпоративных менеджеров производят благоприятное впечатление на любого, кто с ними связывается¹⁴.

Даже если допустить неправдоподобное — что клиент говорит правду, — кейс как метод всё равно фатально испорчен смещением отбора. Поставщики обслуживают многих клиентов, а кейсы выбирают не случайно. Поставщик, естественно, выбирает самые благоприятные случаи. Такой отбор, управляемый поставщиком, гарантирует огромную предвзятость.

Действительно, поставщик может быть некомпетентен, тихо свернув большинство инициатив как неудачные, и всё же показывать успехи. Чтобы создать видимость успеха в корпоративном ПО, достаточно взять на себя беспорядок, оставленный другим некомпетентным поставщиком.

Некомпетентных поставщиков множество, а выбирающие их компании демонстрируют недостаток рассудительности. Поэтому неудивительно, что компания, однажды выбравшая некомпетентного поставщика, в конце концов выбирает другого, столь же некомпетентного, когда первый провал негласно признан. Однако ко второму раунду некоторые уроки уже будут усвоены, а часть серьёзных ошибок удастся избежать. Поэтому второй поставщик, оставаясь столь же некомпетентным, как первый, скорее всего, даст нечто сравнительно лучшее. Даже калека может взять планку, если она поставлена достаточно низко. Из этого относительного успеха затем появится кейс, прославляющий компетентность второго поставщика.

Бесполезно сетовать на предвзятость авторов в области цепочек поставок, как бесполезно надеяться, что однажды появится «непредвзятый» автор. Нейтрального наблюдателя не существует: проверка любой теории цепочки поставок требует сотрудничества компании, стремящейся к прибыли. Оставаться нейтральным равносильно тому, чтобы оставаться некомпетентным. В башне из слоновой кости чистых исследований решения не найти. Конфликтующие стимулы и порождаемую ими предвзятость следует считать внутренним свойством цепочки поставок.

Это означает, что методы производства знаний о цепочке поставок нужно оценивать по способности ослаблять, а не усиливать эту предвзятость. В идеале методы должны быть разработаны и направлены именно на эту цель.

3.7 Негативное знание

Рассмотрев, как «знание» о цепочках поставок сбивается с пути, мы нуждаемся в практической защите. Самый надёжный первый шаг — негативное знание: тщательно составленный реестр того, что предсказуемо не работает, который держат под рукой и используют как вето против привлекательных, но разорительных замыслов. Далее объясняется, почему этот реестр важен и как им пользоваться.

Если позитивное знание направляет мысль в верные стороны, то негативное уводит её прочь от неверных. В современных системах образования негативное знание почти отсутствует. Преподавание воспринимают как передачу студентам «верных» знаний. Даже в высшем образовании лекции, где профессора заходят на темы вроде «распространённых заблуждений» или «того, что хорошо звучит, но не работает», встречаются редко. Поэтому негативного знания почти нет и в литературе о цепочках поставок; в этом отношении область ничем не выделяется.

Однако цепочка поставок замечательно подходит для негативного знания. Провалившихся инициатив множество, но их слишком часто отбрасывают, хотя следовало бы считать драгоценным источником негативного знания. Любая компания, которая с 1980-х годов управляет крупной цепочкой поставок и всё ещё работает в электронных таблицах, а не в действительно автоматизированных системах, почти наверняка пережила с полдюжины таких фиаско. Ирония столь же стара, как конец 1970-х годов, когда поставщики ПО впервые пообещали полную автоматизацию, породив ожидания, которых до сих пор не оправдали. Вместо того чтобы позволять этим неудачам стираться из памяти, компании следует подробно разобрать каждую и составить отчёты о причинах провала, которые высшее руководство будет хранить как драгоценности короны. Разбирая, что пошло не так — раздутые рекламные обещания, запутанная цепочка подчинения или упорный устаревший процесс, — организация учится замечать ранние признаки беды и не повторять тот же сценарий через несколько лет.

Например, фирма может взяться за грандиозный план внедрения полностью автоматизированной системы запасов на десятках складов. Инициатива способна провалиться по множеству причин: новое ПО противоречит процедурам многолетней давности, разные отделы предъявляют несовместимые требования или технология поставщика оказывается несостоятельной, когда блестящие демонстрации уступают место реальным условиям. Без надлежащего разбора фирма рискует через три года словно во сне вступить в ещё один пугающе похожий проект. Тщательно документированный провал, как бы больно ни было к нему возвращаться, укрепляет компанию, раскрывая ловушки, создаваемые гладкими обещаниями или небрежным руководством. Не извлекающие уроков из неудачных инициатив обречены вновь финансировать те же ошибки, а в цепочках поставок затраты с годами лишь нарастают.

Когда фиаско цепочки поставок выходит на свет, оно заслуживает особого внимания и большего доверия именно потому, что ни у кого нет стимула его раскрывать. Участники почти всегда скрывают неудачи, поэтому, когда бедствие становится публичным, оно обычно слишком велико или дорого, чтобы замести его под ковёр. Это негативное знание следует хранить и изучать: подробности провала распространяются плохо, а в книгах и научных статьях найти их почти невозможно. Менеджер, надеющийся избежать столь же дорогого урока, должен хвататься за эти редкие раскрытия и внимательно их разбирать, поскольку каждое обнаруживает не просто плохой результат, но и плохую идею, которая к нему привела.

Негативное знание долговечно, потому что его основы не зависят от преходящих причуд рынка. Когда метод или парадигма порочны в самой основе, никакое изменение обстоятельств их не исправит. Цепочка поставок изобилует такими промахами. Например, принудительное ранжирование сотрудников¹⁵ может казаться простым, но в области, требующей тесного сотрудничества команд, оно разъедает именно то доверие, которое нужно им для работы. Аналогично навязывание нормального распределения для моделирования спроса может выглядеть аккуратно на бумаге, но данные цепочек поставок редко следуют опрятной колоколообразной кривой. Шоки спроса и редкие события, определяющие реальные операции, — как раз то, что эта модель упускает. Эти недостатки не порождены текущим моментом, и совершенно неразумно воображать, будто после достаточного числа поправок принудительное ранжирование или нормальное распределение вдруг станут подходящими. Их пороки встроены в них, и руководители цепочек поставок тратят драгоценное время и ресурсы всякий раз, когда прибегают к этим инструментам в надежде на иной результат.

Негативное знание часто гораздо легче усвоить, чем позитивное. Можно днями разбираться в устройстве колоночной базы данных, но гораздо проще — и практичнее — помнить, что такие базы не подходят для систем учёта. Любая фирма, запускающая интенсивно транзакционный рабочий процесс на колоночной архитектуре, быстро обнаруживает, что он работает мучительно медленно и поглощает вычислительные ресурсы, повышая расходы на хостинг. Компания может пережить этот урок лишь однажды, прежде чем отказаться от всей конструкции и больше не повторять ошибку. В этом смысле негативное знание избавляет менеджера от необходимости освоить каждый нюанс того, почему технология не работает: достаточно знать, что она не сработает, и вообще не заходить в этот тупик.

С другой стороны, негативное знание особенно подходит для цепочки поставок, потому что надёжное позитивное знание собирать столь трудно.

Проводить эксперименты в цепочках поставок обманчиво сложно. Ни одна крупная компания не хочет рисковать результативностью обширной сети, сбои которой могут одновременно отозваться на запасах, перевозках и удовлетворённости клиентов. Даже кажущееся скромным испытание способно нарушить работу целых сегментов, дав лишь мимолётное представление о том, помогло ли оно на самом деле или просто переложило бремя на другую часть цепочки. Розничная компания, экспериментирующая с меньшими и более частыми поставками, может уменьшить местный дефицит в нескольких магазинах, а затем обнаружить резкий рост расходов на перевозки и новые сложности для распределительных центров, уже жонглирующих сложными графиками. Это постоянное проклятие цепочки поставок: проблемы часто перемещают, а не устраняют.

Кроме того, любой эксперимент в цепочке поставок, как и экономический эксперимент, чрезвычайно трудно воспроизвести. Никакие два момента не дают одинаковых условий; рыночное давление, организационные ограничения и человеческий фактор никогда нельзя воспроизвести полностью. То, что работало в прошлом году при определённом характере спроса, может с треском провалиться при изменении вкусов потребителей или появлении нового конкурента. На заднем плане всегда скрываются смешивающие факторы, затемняющие причины и следствия. Когда компания объявляет эксперимент «успешным», она обычно интерпретирует локальные данные через определённую призму, часто не замечая, что более широкая реальность уже изменилась. Вместо того чтобы вести нас к окончательным истинам, такие испытания главным образом напоминают, насколько хрупкими и ускользающими могут быть эти истины.

Так называемые «лучшие практики» нельзя принимать за чистую монету. Профессора, консультанты и поставщики ПО продвигают каждый свою повестку, и ни одна из них не согласуется с подлинными потребностями компании. Профессора сосредоточиваются на теориях, удобных для научных статей и экзаменационного оценивания; оба этих критерия мало говорят о способности теорий давать реальные результаты. Консультанты, со своей стороны, требуют оригинальности, чтобы выделиться среди коллег, но сама по себе новизна ничего не доказывает. Высвечивая периферийные вопросы и объявляя их срочными, они отвлекают высшее руководство от гораздо более насущных забот. Тем временем поставщики ПО неустанно расширяют наборы функций, чтобы поставить галочку в каждом пункте RFP, но редко признают, как эти дополнительные слои доводят сопровождаемость до предела.

Даже когда блестящая идея находит практическое применение, она может потерять преимущество, как только её перенимает слишком много участников. Так называемая лучшая практика, широко распространившись в отрасли, больше не даёт преимущества. Соперники приспосабливаются, размывая прежние выгоды. Этот эффект не уникален для цепочек поставок, но здесь он особенно силён: столь многие конкурирующие участники — поставщики, консультанты, даже академические круги — заинтересованы в том, чтобы объявить новую технику универсальным решением. Настоящий прогресс лежит в другом месте: нет единого метода, настолько устойчивого, чтобы сохраниться неизменным под светом массового внедрения. Статус лучшей практики зависит от того, что соперники её не применяют; как только они догоняют, её ценность исчезает.

Карта эпистемических ловушек теперь завершена: модная математика, социология, основанная на рассказах, испорченные каналы свидетельств и искажённые стимулы, поддерживающие все три. Чтобы выбраться из этого лабиринта, нужна система отсчёта, не меняющаяся вслед за модой, и ограждение, не позволяющее снова съехать в те же канавы. Экономическая наука даёт систему отсчёта; негативное знание — ограждение. Только переводя каждое утверждение о цепочке поставок в альтернативные издержки, прибыль и убыток и активно отвергая схемы, предсказуемо разрушающие ценность, мы можем сравнивать варианты на нейтральной основе и разоблачать принятие желаемого за действительное. Установив эти стандарты, следующая глава оставляет эпистемологию ради первых принципов, возвращается к элементарным законам экономики и показывает, как они закрепляют каждое последующее правило принятия решений в этой книге.

4 Экономика

Цепочка поставок — прикладная отрасль экономической науки, которая, в свою очередь, является отраслью праксеологии, теории человеческой деятельности. Цепочки поставок возникают благодаря согласованным действиям множества людей, стремящихся улучшить свои материальные условия.

В главе 1 мы определили цепочку поставок как мастерство использования опциональности в условиях изменчивости. Опциональность переосмысливает «альтернативные способы применения» из общей экономической науки с точки зрения компании: каждое решение направляет ограниченный ресурс на один вариант, исключая остальные. Экономическая наука — не далёкий фон, а грамматика практики цепочек поставок.

К сожалению, экономическая наука по-прежнему во многом остаётся наукой, которой пренебрегают и которую игнорируют. Как в традиционных СМИ, так и в социальных сетях многие самопровозглашённые «экономисты» выступают не как учёные, а как политические идеологи¹⁶.

Конфликты интересов усугубляют положение: многие экономисты прямо или косвенно получают зарплату от тех самых государств, политику которых они комментируют. Осознанно или нет, такое финансирование сужает круг взглядов, которые можно высказывать без риска для карьеры¹⁷. Когда идеология выдаёт себя за нейтральный анализ, недоверие общества лишь усиливается.

4.1 Основные экономические принципы

Читателям, незнакомым с экономической наукой, мы рекомендуем Basic Economics (2000) Томаса Соуэлла. Хотя предварительное знакомство с этой книгой не обязательно, изложенные в ней идеи составляют основу изучения и практики цепочек поставок. Как и другие работы Соуэлла, она исключительно ясна и доступна неспециалисту. Прежде всего, эта книга объясняет, что экономическая наука строго нейтральна по отношению к политике и другим идеологиям. Общие законы экономики невозможно обойти: они действуют одинаково независимо от устройства общества — при капитализме, социализме или феодализме. Законы спроса и предложения, убывающей отдачи и сравнительного преимущества Рикардо имеют фундаментальное значение для цепочек поставок.

Эти фундаментальные законы управляют каждым обменом, который организует цепочка поставок.

Закон спроса и предложения. На свободном рынке цена товара растёт, когда спрос превышает предложение, и падает, когда предложение превышает спрос. Ценовой сигнал — не произвольная условность, а механизм распределения ограниченных ресурсов. Когда во время восстановления после локдаунов в 2021 году возник дефицит морских контейнеров для входящих перевозок, фрахтовые ставки выросли вчетверо. Грузоотправители, для которых контейнеры были наиболее ценны, согласились на надбавку и отправили грузы вовремя; менее ценные грузы ждали восстановления провозных мощностей. Этот механизм может казаться жестоким, но он незаметно направляет ограниченный ресурс туда, где его применение наиболее ценно, одновременно побуждая перевозчиков вкладывать средства в дополнительные мощности.

Закон убывающей отдачи. Если увеличивать один фактор производства, сохраняя все остальные неизменными, дополнительный выпуск от каждой следующей единицы в конечном счёте снижается. Удвойте число комплектовщиков в центре обработки заказов — и поток посылок почти удвоится, пока скопление работы на упаковочных постах не начнёт ограничивать его. Та же кривая возникает при наращивании буферных запасов: первая палета резко снижает риск дефицита товара, десятая даёт лишь небольшую дополнительную защиту. Найти колено этой кривой — одна из центральных инженерных задач цепочек поставок.

Закон сравнительного преимущества Рикардо. Даже если одна сторона обладает абсолютным преимуществом в эффективности производства каждого товара, обе стороны выигрывают от торговли, когда каждая специализируется на том, что ей удаётся относительно лучше. Швейцарская мастерская микромеханической обработки, выпускающая высокоточные шестерни, и индонезийская фабрика, изготавливающая хлопковые рубашки, обе процветают благодаря обмену продукцией, несмотря на различия в зарплатах и квалификации. Цепочки поставок обеспечивают инфраструктуру — транспортные маршруты, склады, информационные системы и договоры, — которая превращает сравнительное преимущество в осязаемый экономический излишек.

Эти три закона служат иллюстрацией, а не исчерпывающим перечнем. В дело вступает множество других понятий — альтернативные издержки, временное предпочтение, предпринимательская прибыль и убыток, — но и этой тройки достаточно, чтобы показать, почему любой выбор в отношении запасов, маршрутов или цен в конечном счёте сводится к одному вопросу: как наилучшим образом направить ограниченные ресурсы на наиболее ценное их применение в условиях неопределённости.

4.2 Рынки и цепочки поставок

Поразительное улучшение материальных условий человечества за последние три столетия во многом объясняется свободной рыночной экономикой, которая финансировала развитие почти всех наук и технологий, благами которых мы сегодня пользуемся. В развитых странах — где теперь живёт всё большая доля человечества — реальные цены на продовольствие и промышленные товары составляют лишь малую часть от уровня столетней давности.

Мастерство в области цепочек поставок — одно из многих новшеств, возникших благодаря свободным рынкам и позволяющих получать больше при меньших затратах ресурсов. Хотя цепочки поставок опираются на дополняющие их технологии, их наличие обычно означает массовую доступность: без них товары тоже можно производить, но по ценам, доступным лишь немногим привилегированным людям.

Более высокий материальный уровень развитых стран во многом обусловлен эффективной работой цепочек поставок. Хотя достижения науки и техники позволяют совершать необычайные вещи — например, поддерживать жизнь на орбите, — между отдельными технологическими трюками и надёжными чудесами, доведёнными до готового продукта и доступными массам, лежит огромная дистанция. Преодолеть её удаётся главным образом благодаря надёжным цепочкам поставок, составляющим основу нашей промышленной цивилизации.

Показательный контрпример даёт Советский Союз. При централизованном планировании почти каждый крупный производитель был вынужден прибегать к крайней вертикальной интеграции, поскольку надёжных партнёров попросту не существовало. Завод холодильников в Ленинграде содержал собственный склад древесины для изготовления ящиков, собственное стекольное производство для полок и даже молочную ферму для снабжения заводской столовой. То, что на бумаге выглядело завидной самодостаточностью, в действительности было симптомом экономики, в которой были уничтожены доверие, специализация и ценовые сигналы.

В отсутствие рынков, вознаграждавших пунктуальность и качество, «партнёрами» были лишь другие министерства, обязанные поставлять что могли и когда могли. Поэтому заводы подстраховывались, дублируя у себя мощности предыдущих звеньев и накапливая запасы сырья и материалов на месяцы, а иногда и на годы. Готовой продукции было не легче: она часто неделями ждала железнодорожных вагонов, заложников хронического дефицита подвижного состава в графиках Госплана. Сроки выполнения операций, которые разорили бы западную фирму, считались нормой, а расточительство проявлялось во всех показателях. Грузооборот в тонно-километрах на единицу продукции в несколько раз превышал показатели рыночных экономик, а удельные энергозатраты на сталь, текстиль или хлеб намного превышали западные ориентиры.

Этот эпизод важен для современных руководителей: эффективность цепочек поставок определяется прежде всего не хитроумными эвристиками и не размерами складов. В первую очередь она зависит от стимулов в сочетании с адекватным экономическим расчётом. Когда цены меняются свободно, а договоры исполняются, специализация процветает, и длинные, хрупкие сети становятся не только возможными, но и намного более эффективными, чем монолитные гиганты. Уберите эти стимулы или этот расчёт — и сети начнут сжиматься, пока каждый завод не превратится в крепость, накапливающую собственное сырьё. Сложность не исчезает: она лишь вновь проявляется в виде потерь.

До 1950-х годов авиаперелёты были непомерной роскошью, доступной лишь военным и состоятельным людям. Затем ряд новшеств сделал полёты безопасными и доступными, превратив их в обыденность. Одним из ключевых новшеств стали двигатели в гондолах — авиационные двигатели, устанавливаемые под крыльями в отдельных гондолах; пионером этой концепции был Sud Aviation Caravelle в 1955 году. Такие гондолы позволили отделить обслуживание двигателей от обслуживания основного фюзеляжа, существенно снизили эксплуатационные расходы и открыли путь таким самолётам, как Boeing 707 в 1957 году, к массовой доступности авиаперевозок.

Пока космическая отрасль ещё не воспользовалась преимуществами современных практик цепочек поставок, главным образом из-за технологических ограничений. Несколько богатых предпринимателей купили полёты на орбиту, однако для большинства цены по-прежнему запредельны. После десятилетий застоя SpaceX развивает технологии — прежде всего многоразовые ракеты, — которые в дальнейшем могли бы стать основой космической цепочки поставок. Когда эти технологии будут освоены, устоявшиеся принципы цепочек поставок позволят существенно снизить затраты.

Исторический пример такой динамики — быстрое распространение контейнеризации морских перевозок в 1950-х и 1960-х годах. Стандартизированный интермодальный контейнер стал прорывом, резко сократившим затраты на обработку грузов и время перевозки. После освоения этой технологии, потребовавшей соответствующего оснащения портов, кранов и судов, вокруг неё сформировалось новое поколение цепочек поставок. Порты, не сумевшие модернизироваться и внедрить контейнерные стандарты, отстали, а принявшие контейнеризацию превратились в крупные центры мировой торговли. Аналогичным образом, всякий раз, когда созревает новая технология — будь то многоразовые ракеты или передовая робототехника, — новаторы быстро организуют свои цепочки поставок так, чтобы воспользоваться этими достижениями, используя модульность и стандартизацию для достижения беспрецедентного масштаба и экономичности.

В более общем смысле технологические достижения расширяют набор доступных вариантов действий, а цепочка поставок определяет, как наилучшим образом использовать их для максимальной экономической эффективности.

4.3 Ценность цепочек поставок

Цепочки поставок возникли в рыночной экономике потому, что они эффективны. Датировать появление первой настоящей цепочки поставок бесполезно: это явление развивалось постепенно, и его истоки прослеживаются до античности. Более того, цепочки поставок возникли без дальновидных планировщиков, сознательно направлявших компании к тому, что мы теперь называем цепочками поставок. Компании просто следовали за эффективностью, подтверждённой опытом, и это привело их к существующим сегодня цепочкам поставок. Хотя современные компании уже можно проектировать с явным намерением вывести на рынок более совершенную цепочку поставок, такой взгляд появился сравнительно недавно — в основном уже после появления самих цепочек поставок.

Цепочки поставок существуют потому, что позволяют задействовать несколько структурных механизмов, дающих устойчивые конкурентные преимущества. Далее мы рассмотрим эти механизмы и покажем, как устройство цепочки поставок способно создавать больше ценности, чем один лишь размер.

Эти механизмы несколько отличаются от традиционного понятия экономии на масштабе, под которым обычно понимают повышение эффективности по мере увеличения размеров. Такая эффективность, как правило, возникает из сочетания постоянных и переменных производственных затрат. Затраты на такие функции, как инженерная разработка, маркетинг, стратегическое управление и соблюдение нормативных требований, в основном постоянны независимо от выпуска, тогда как затраты на закупку, перевозку и переработку товаров растут вместе с объёмом.

Экономия на масштабе представляет собой простейшую форму оптимизации потока: увеличение объёма снижает предельные затраты. Однако в повседневной работе у специалистов по цепочкам поставок редко есть рычаги, позволяющие настолько увеличить объём, чтобы получить дополнительную экономию на масштабе; скачкообразные изменения потока относятся к сфере M&A (слияний и поглощений), а не цепочек поставок.

Помимо экономии на масштабе, дополнительная ценность возникает из того, как компания формирует свой поток под действием четырёх повторяющихся сил: стандартизации (обуздания естественной изменчивости), объединения запасов (их концентрации для сглаживания случайности), объединения в партии (группирования перемещений для снижения затрат на обработку единицы) и универсальности (проектирования активов для нескольких назначений). Эти силы воздействуют на разные рычаги — информацию, пространство, время и капитал, — но сходятся к одной цели: обеспечить больше обслуживания при тех же ограниченных ресурсах. В следующих разделах мы рассмотрим каждую силу по очереди, начиная со стандартизации.

4.3.1 Стандартизация

Изменчивость — естественное состояние физических вещей. Нет двух совершенно одинаковых деревьев; то же относится к камням, коровам, людям и земельным участкам. Границы часто размыты: считаются ли упавшие плоды частью дерева? Простирается ли право собственности на участок земли от земных недр до звёзд над ним? Нашим действиям тоже присуща изменчивость. Даже положить яблоко можно бесчисленным множеством способов; два размещения никогда не бывают совершенно одинаковыми. Яблоко может упасть на пол, после чего его поднимут и вернут на полку. Считается ли это всё ещё тем же действием? Даже если пол грязный? И всё же в промышленной цивилизации мы воспринимаем как должное, что в потоке материальных благ почти каждую «вещь» и каждое «действие» можно однозначно определить и сосчитать. Это не случайность, а результат столетий работы по превращению потока в управляемый — процесса, который называют стандартизацией.

Стандартизация — совокупность разнородных практик, которые делают поток товаров управляемым внутри компаний и на рынках. В самом деле, присущая всем вещам изменчивость всё усложняет. Каждая покупаемая или продаваемая единица отличается своими характеристиками и, следовательно, нередко ценой. Каждый производственный процесс приходится непрерывно подстраивать под мельчайшие различия в постоянно меняющемся входящем сырье и материалах. Эти сложности поглощают внимание руководителей — дорогостоящий ресурс — и ограничивают способность компании получать экономию на масштабе. Они также создают когнитивные затраты для покупателей, которым приходится оценивать пригодность товара для предполагаемого использования.

Современному читателю это может показаться абстрактным. Подавляющее большинство товаров стандартизировано: их массово выпускают в узких пределах физических допусков. Предполагается, что различия между единицами незаметны; две единицы одного товара должны быть визуально неотличимы. Когда это возможно, мы, покупатели, инстинктивно объясняем различие каким-либо дефектом¹⁸. Даже продаваемые в магазинах фрукты и овощи сегодня тщательно калибруют, сводя изменчивость к малой доле естественных различий при сборе урожая. В промышленности качество прежде всего означает отсутствие непреднамеренных отклонений.

Мы также ожидаем высокой модульности и совместимости активов. Благодаря специализированным контейнерным кранам контейнеры беспрепятственно перемещаются с судов на грузовики. Ограниченный набор типоразмеров шин охватывает почти все грузовики. Стандартные схемы размещения палет позволяют оптимально использовать пространство контейнера, а вилочные погрузчики, рассчитанные на палеты, эффективно их перемещают. На каждом этапе печатают штрихкоды, которые впоследствии сканируют — часто уже в другой компании. В конечном счёте модульность и совместимость происходят из тщательной стандартизации, упрощающей целые классы операций.

Однако всего столетие назад ситуация была совсем иной. Большинство массово производимых изделий всё ещё заметно различались между собой. Совместимость была локальной, а не глобальной, а модульность в основном ограничивалась отдельными компаниями. После Второй мировой войны стандарты расширялись и углублялись вместе с развитием современных цепочек поставок. У этого движения были влиятельные сторонники, в частности Уильям Эдвардс Деминг, чьи методы управления качеством превратили стандартизацию в приоритет для руководителей.

Стандартизация — необходимое условие увеличения потока до массового масштаба: без неё многие процессы неосуществимы, бренды уязвимы перед дефектами, руководители заняты погоней за отклонениями, а большая часть экономии на масштабе остаётся недоступной.

Как следствие, поток стал преимущественно дискретным: теперь по сети перемещаются отдельные единицы, которые считают поштучно, а не безликие тонны или литры. Насыпные и наливные перевозки сохраняются для песка, нефти и зерна, но для всего, что имеет хоть какую-то ценность, нормой стала единица со штрихкодом, готовая к сканированию.

Эта дискретность многократно усиливает опциональность. Железнодорожная цистерна этанола даёт один выбор — отправить или оставить, — тогда как палета со 120 электродрелями даёт 120 отдельных выборов: каждую дрель можно отделить от партии, направить по другому маршруту, переоценить, включить в комплект или отложить её перемещение. Таким образом, каждая SKU служит своего рода билетом на реализацию варианта, ценность которого зависит от того, где, когда и для кого этот вариант в итоге будет реализован.

Преимущество очевидно: высокая детализация позволяет компании перенаправлять запасы к возникающим очагам спроса, зарабатывать на арбитраже малых ценовых различий и откладывать окончательное решение до последнего возможного момента. Обратная сторона столь же ясна: пространство решений взрывообразно растёт. Планировщик, который прежде назначал отправку двух контейнеров в месяц, теперь должен организовывать тысячи микроперемещений в день. При нехватке когнитивных или вычислительных возможностей руководство возвращается к грубым правилам — минимальным объёмам заказа, фиксированным циклам, шаблонному распределению, — тем самым уничтожая значительную часть гибкости, за которую заплатило. Поэтому дискретность — палка о двух концах: она умножает возможности и одновременно усиливает потребность в автоматизации, способной просматривать и ранжировать их. Мы вернёмся к этому противоречию при обсуждении процессов принятия решений.

Обработка отдельных единиц не бесплатна: коробка, штрихкод и дополнительные операции понемногу увеличивают затраты. Но для всего, кроме самых дешёвых базовых товаров, эти мелкие затраты ничтожны по сравнению с выгодой от точного распределения. Далее каждая единица будет рассматриваться как вариант, которым можно распорядиться, и вопрос всегда будет состоять в том, какая его реализация максимизирует долгосрочную прибыль. Заложив эту дискретную основу, мы можем перейти ко второй структурной силе: объединению запасов.

4.3.2 Объединение запасов

Объединение запасов сосредоточивает их в одном месте — или в рамках одной компании — для обслуживания нескольких потоков спроса. Если дополнительные затраты от концентрации пренебрежимо малы, объединение обеспечивает то же обслуживание при меньшем капитале, чем несколько независимых запасов. На практике объединение выгодно, когда экономия на затратах, связанных с запасами, превышает дополнительные затраты на обслуживание. Например, концентрация запасов в одном месте обычно увеличивает транспортные расходы по сравнению с обслуживанием из нескольких мест.

Объединение запасов смягчает изменчивость цепочки поставок благодаря закону больших чисел: общий запас может гибко поглощать неравномерные всплески в разных сегментах, уменьшая суммарное количество запасов, необходимое для поддержания уровней сервиса. Представьте один стол с шампанским для всего приёма вместо множества небольших столиков. Объединение ресурсов снижает риск того, что на каком-то столе напиток закончится, и позволяет обслужить всех. Конечно, объединение может затруднять обслуживание на последней миле, если товары оказываются слишком далеко от места потребления.

Рассмотрим компанию, выбирающую между одним крупным распределительным центром и несколькими небольшими складами. Один центр эффективно объединяет спрос и сокращает общий запас, но создаёт дополнительные затраты: увеличиваются средняя дальность перевозок и объём обработки в узле. Руководителям нужно сопоставить эти логистические затраты с экономией оборотного капитала. Если региональный спрос на товары тесно коррелирован — из-за сезонности или общенациональных кампаний, — один склад приносит меньшую выгоду. Коррелированный спрос и готовность покупателей менять магазины или каналы уменьшают теоретические преимущества объединения запасов. Сравнительное моделирование или пилотный проект обычно позволяют проверить, превышает ли экономия на запасах дополнительные расходы и задержки, обеспечивая положительный чистый результат.

В теории объединение запасов способно резко сократить оборотный капитал; на практике трения уменьшают выгоду и добавляют издержки. Тем не менее во многих ситуациях оно остаётся привлекательным.

Даже если оставить в стороне дополнительные транспортные расходы, выгода оказывается меньше по двум причинам. Во-первых, потоки спроса никогда не бывают независимыми; напротив, следует ожидать довольно сильной корреляции между ними. Рынки связаны: хотя всплески и спады могут компенсировать друг друга, обычно они движутся совместно, а не взаимно гасятся. У корреляции много источников, и нередко это действия самой компании. Например, общенациональная реклама одновременно повышает спрос во многих местах. Если потоки полностью коррелированы, для заданного уровня сервиса объединение запасов требует столько же оборотного капитала, сколько децентрализация.

Во-вторых, при всплеске спроса покупатель, столкнувшийся с местным дефицитом товара, может обратиться в другое место, понеся связанные с этим дополнительные затраты. Это часто происходит в плотных розничных сетях, где несколько магазинов конкурируют в одном городе. Более того, возможность проверять наличие онлайн усиливает эффект, побуждая покупателей — до определённого предела — приспосабливаться к правилам компании в отношении запасов. Если покупатели полностью принимают дополнительные затраты на обращение в альтернативные места обслуживания, объединение не приносит выгоды: такого же сокращения запасов можно было добиться без их концентрации.

Если бы будущее можно было совершенно точно предвидеть, объединение запасов не давало бы никакой выгоды, а лишь добавляло бы затраты из-за неоптимального размещения. Оно широко распространено именно потому, что неопределённость будущего неустранима.

С точки зрения опциональности объединение запасов сокращает число вариантов, но не их частоту и не разнообразие. Поэтому оно несколько упрощает задачу цепочки поставок. Однако фирмы редко прибегают к объединению лишь ради этого упрощения. Как показывает опыт, при выборе мест, подходящих для хранения того или иного товара, преобладают соображения о неликвидных запасах и полочном пространстве.

4.3.3 Объединение в партии

Если объединение запасов концентрирует их в пространстве, то объединение в партии концентрирует поток во времени. Изделия обрабатывают крупными партиями, а не по отдельности, что снижает затраты на обработку единицы, но уменьшает возможность обслуживать потребности в небольших количествах.

Объединение в партии повсеместно встречается в логистике: как только поток превышает некоторый порог, единицы переупаковывают в более крупные партии. Типичная последовательность такова: сгруппировать \(N\) единиц в коробку; объединить \(N\) коробок в слой палеты; собрать \(N\) слоёв в полную палету; наконец, загрузить \(N\) палет в контейнер. Такое объединение непосредственно снижает затраты на обработку как внутри объекта (внутренняя логистика), так и между объектами. Укрупнённые грузовые единицы проще перемещать и считать, а их упаковка часто даёт дополнительную физическую защиту.

Объединение в партии распространено и в производстве: обычно оно означает выпуск большой партии одного изделия перед переключением на другое или остановкой. Такой подход минимизирует время переналадки и другую непроизводительную работу (например, повторную калибровку), а также облегчает логистику после производства. В процессных отраслях, например химической, эффекты масштаба, такие как повышение выхода продукции, подталкивают к созданию огромных заводов и, соответственно, больших партий.

Объединение в партии увеличивает внутреннюю изменчивость потока и усиливает воздействие внешних рыночных колебаний. Внутренняя изменчивость растёт потому, что связываются судьбы многих единиц. Если 100 единиц отправлены по отдельности разными курьерами, потеря всех сразу была бы удивительна. Но если все 100 единиц едут в одном грузовике, риск дорожной аварии — пусть и небольшой — теперь распространяется сразу на все. Формально объединение в партии увеличивает дисперсию потока.

Объединение в партии усиливает внешнюю изменчивость. Наиболее частый механизм — удлинение цикла потока. Объединение в партии снижает частоту закупок, перевозок и производства. В обиходе такой удлинённый цикл называют «увеличенным сроком выполнения операции». При работе партиями срок выполнения операции — это период, который компания должна выждать перед запуском следующей партии. Более крупные или более редкие партии связывают больше оборотного капитала в запасах, поскольку товары приходится закупать или производить задолго до потребности в них. Они также уменьшают гибкость: неверная оценка спроса превращает слишком большие партии в избыточные запасы или длительный дефицит, и исправлять и то и другое дорого. Более длинный цикл заставляет компанию дольше работать, прежде чем она сможет снова принять решение. Например, при работе партиями неверная оценка спроса увеличивает избыточные запасы или продлевает дефицит в зависимости от того, был спрос переоценён или недооценён.

Объединение в партии снижает опциональность, сокращая и частоту, и число решений за период, например за месяц. При отсутствии адекватной автоматизации к нему часто прибегают прежде всего для упрощения цепочки поставок. Но такой компромисс оставляет компании меньше вариантов и меньше гибкости для приспособления к рыночным изменениям. На практике компании слишком часто выбирают большие партии потому, что им не хватает возможностей или управленческих ресурсов для более частых и детальных решений. Это отражает человеческое или организационное ограничение, а не физическую необходимость.

При надлежащей автоматизации дополнительные затраты на частые решения о материальных благах становятся минимальными, а часто пренебрежимо малыми. По мере того как автоматизация удешевляет координацию, соотношение риска и отдачи для небольших партий улучшается, сокращая как затраты на запасы, так и сроки выполнения операций. В самом деле, современные компьютеры работают в масштабе наносекунд, тогда как физические товары ограничены масштабом десятых долей секунды (0,1 с) — это различие позволяет учитывать более медленный темп физических процессов без ущерба для них. Поэтому современному компьютеру поток материальных благ представляется почти неподвижным¹⁹.

4.3.4 Универсальность

Универсальность характеризует средства производства — долговечные активы, такие как станки, транспортные средства или сооружения, обеспечивающие поток материальных благ, — которые способны выполнять несколько разных функций или даже целый спектр операций. Но в каждый момент средство производства может служить лишь одной цели; поэтому компания должна в каждый момент назначать каждому такому активу конкретную задачу.

Например, склад, рассчитанный на поддержание контролируемой комнатной температуры (скажем, 15°C–25°C), можно также оснастить оборудованием для работы в охлаждаемой цепи поставок (например, 12°C–14°C). Даже если возможность работы в холодовой цепи поначалу не используется, такое вложение может быть разумным способом подготовиться к будущим рыночным колебаниям.

Универсальность создают намеренно: она повышает гибкость компании и расширяет набор её вариантов действий. Она всегда влечёт дополнительные затраты, связанные с более широкими возможностями. При прочих равных универсальное средство производства стоит дороже специализированного именно из-за более широких возможностей. На практике эти дополнительные затраты обычно компенсируются модульностью и её частой спутницей — стандартизацией.

Модульность разделяет процесс на небольшие взаимозаменяемые блоки, которые легко переконфигурировать для разных задач. После стандартизации этих блоков компании начинают жёстко конкурировать за их производство. Обычно это даёт существенную экономию на масштабе, оставляя компаниям мало иных способов сохранять конкурентоспособность, кроме перехода на модульные средства производства. Обратная сторона — рост общей сложности потока, поскольку операции дробятся лишь ради соответствия широко доступным модулям.

Современная логистика демонстрирует модульность на примере штрихкодов, погрузочных доков и грузовых контейнеров. Без интенсивной стандартизации XX века выгоды от модульности были бы намного меньше. Компания может напечатать штрихкод и рассчитывать, что другая его прочитает, поскольку обе используют один стандарт. Грузовик можно загрузить на одном объекте и разгрузить на другом, поскольку высота доков соответствует конструкции грузовика.

Современное производство преобразилось аналогичным образом. Теперь компании используют стандартизированные блоки для большинства процессов и прибегают к специально изготовленным средствам производства лишь на этапах, дающих уникальное конкурентное преимущество. Нередко вся производственная система состоит из стандартизированных компонентов, так что своеобразие компании определяется их уникальным подбором и компоновкой. Более того, непрерывное совершенствование программируемых контроллеров в разных формах сделало эти компоненты не только модульными, но и весьма универсальными.

Каждому универсальному средству производства нужен собственный график назначения задач. В любой момент компания должна решать, стоит ли переназначить актив для другой цели. Для одних активов это решение просто и уже встроено в практику: например, автопарки обычно работают на фиксированных маршрутах. Напротив, универсальность некоторых активов остаётся невостребованной: предприятие может годами выпускать узкий ассортимент, даже когда рыночные условия меняются.

Универсальность средств производства резко увеличивает число доступных компании вариантов. Одно и то же оборудование позволяет обслуживать разные товары; кроме того, одну и ту же услугу — перевозку или преобразование — можно выполнить многими способами, поскольку возможности универсальных средств производства часто пересекаются. Например, грузовики-фургоны и полуприцепы почти взаимозаменяемы при перевозке товаров; лишь самые тяжёлые грузы требуют полуприцепа.

Но у каждого актива свои затраты на приобретение и эксплуатацию. Кроме того, любой актив, считают его подверженным порче или нет, со временем придёт в негодность из-за износа. Поэтому очень многое зависит от выбора подходящего актива в нужный момент для каждой задачи, чтобы получить результат при минимальных затратах.

4.3.5 От сил к правилам принятия решений

С точки зрения экономиста эти силы — стандартизация, объединение запасов, объединение в партии и универсальность — представляют собой четыре способа изменить границу, на которой ограниченные ресурсы встречаются с альтернативными способами применения.

Каждой силе соответствует элементарный экономический компромисс. Стандартизация снижает предельные затраты ценой разнообразия; объединение запасов высвобождает оборотный капитал ценой более дальних перевозок на первой миле; объединение в партии обменивает риск, связанный с запасами, на меньшие затраты на обработку; а универсальность превращает капитальные затраты в реальные опционы, ценность которых реализуется лишь тогда, когда система принятия решений способна выбрать подходящий момент для их исполнения. Вместе они расширяют пространство вариантов гораздо быстрее, чем за ним может уследить внимание руководителей.

Столкнувшись с комбинаторным взрывом вариантов, компании часто вводят простые правила распределения. Например, компания с двумя складами и автопарком может решить, что один грузовик должен ежедневно совершать рейс туда и обратно между объектами для выравнивания запасов. Это правило принимают с неявным намерением использовать жёсткий график для перераспределения запасов. Перевозимые товары не определены, но подразумевается, что руководители будут использовать ежедневно выделяемую мощность для поддержания баланса запасов. Однако правило «один грузовик» примитивно: в некоторые дни предпочтительнее были бы два грузовика, а в другие незначительный дисбаланс запасов оправдывал бы перенос рейса. Подобные простые правила можно реализовать в программе, уведомляющей нужных сотрудников в нужный момент, но и служащий мог бы без особых усилий следить за их исполнением.

Однако управление цепочкой поставок на основе простых правил во многом является пережитком прошлого. Оно отражает ограничения, утратившие актуальность с появлением цифровых цепочек поставок. Придерживаться простых правил было необходимо, когда за их исполнение отвечал служащий. Но если исполнение передано компьютеру, правило можно сделать гораздо более динамичным, сохранив пренебрежимо малые вычислительные затраты. Если эта дополнительная сложность улучшает цепочку поставок, распределение ресурсов становится намного лучше. Возвращаясь к примеру, более совершенное правило должно учитывать не только объём запасов, требующий перераспределения, но и сопоставлять выгоды от него с альтернативным использованием грузовиков, например для выполнения клиентских заказов. Если грузовики являются узким местом, а дисбаланс запасов между двумя складами приемлем, все грузовики следует направить на доставку клиентам.

В отличие от объединения запасов и объединения в партии, которые сокращают число вариантов, универсальность средств производства увеличивает его. Нет никаких априорных оснований считать все эти варианты экономически равноценными. Напротив, многие варианты плохи, а один является наилучшим в рамках заданной экономической модели цепочки поставок. Программное обеспечение, работающее на современном вычислительном оборудовании, позволяет сравнительно легко просматривать чрезвычайно большое число вариантов. Тонкости этого процесса здесь несущественны; важно то, что универсальность имеет глубокие последствия для цепочек поставок.

Поскольку любое правило принятия решений в конечном счёте является правилом распределения, его достоинства определяются экономикой, а не процедурой: оно должно повышать норму доходности управляемых им ресурсов с учётом риска. Статические эвристики можно было оправдать, когда вычислительным узким местом был человек, но как только за исполнение правила отвечает компьютер, мерилом становятся альтернативные издержки, а не удобство канцелярской работы. Поэтому автоматизация важна лишь постольку, поскольку позволяет ценовым сигналам, представленным в модели денежными оценками и ставками дисконтирования, доходить до каждого микрорешения. В конечном счёте правило оправданно ровно настолько, насколько оно приносит прибыль.

На практике комбинаторный взрыв, вызванный универсальными средствами производства, может казаться пугающим и часто намного превосходит способность человека всё контролировать. Но современное программное обеспечение для цепочек поставок не просто пытается перебрать все возможности грубой силой. Как будет показано в главе Решения, передовая аналитика с опорой на решатели и эвристические алгоритмы может сделать эту сложность вычислительно преодолимой.

4.4 Цель цепочки поставок

В первой главе цепочка поставок была определена как мастерство использования опциональности в условиях изменчивости при управлении потоком материальных благ. Мастерство здесь — не отвлечённое достоинство, а конкретная способность превращать опциональность в деньги, защищая компанию от неблагоприятных последствий неопределённости. В рыночной экономике мерило такого мастерства однозначно: долгосрочная прибыль, выраженная в твёрдой валюте. Поэтому практическая цель деятельности в области цепочек поставок — повышать норму доходности фирмы с учётом риска для каждого ограниченного ресурса, которого она касается, будь то капитал, мощности, время или благожелательность, непрерывно улучшая как набор, так и качество вариантов, которые можно реализовать.

Эта цель охватывает все второстепенные намерения, которые могут возникнуть у практика. Более высокие уровни сервиса, более короткие сроки выполнения операций, меньшие запасы, более экологичные перевозки, более довольные поставщики, более безопасные условия труда — всё это важно, но лишь постольку, поскольку прямо или через снижение рисков увеличивает чистую приведённую стоимость бизнеса. Цепочка поставок — не моральная философия, а прикладная отрасль экономической науки, чьё выживание или гибель определяет учёт прибылей и убытков. Стремление к прибыли нельзя путать с близоруким сокращением затрат или карикатурой на «голую» жажду наживы; это дисциплинированный поиск такого распределения, которое максимизирует долгосрочный излишек с учётом и изменчивости, и опциональности.

Далее в этом разделе мы раскроем это положение. Сначала вернёмся к прибыли и убытку как к незаменимому контуру обратной связи, сообщающему компании, создают или уничтожают ценность её решения в цепочке поставок. Затем объясним, почему внутри фирмы обязательны объективные денежные оценки, хотя на индивидуальном уровне все оценки субъективны, и как понятие нормы доходности позволяет сопоставлять разнородные решения во времени. Наконец, рассмотрим частые возражения против стремления к прибыли — морализаторские, апокалиптические и институциональные — и покажем, почему ни одно из них не освобождает цепочку поставок от законов экономики.

4.4.1 Прибыль и убыток

Прибыль и убыток — не бухгалтерская уловка, а табло результатов общества, построенного на согласии, а не на принуждении. Всякий раз, когда две стороны торгуют, каждая ожидает улучшения своего положения; иначе сделки не будет. Поэтому прибыль возникает только в сфере добровольного обмена. Напротив, когда распределение навязывается силой или имитирующим её регулированием, сама возможность прибыли исчезает: её заменяют дань, налог или грабёж²⁰. В экономическом смысле человеческие отношения располагаются на непрерывной шкале от властного приказа до ничем не стеснённой торговли. Прибыль возникает лишь на последнем конце этой шкалы.

Тем не менее громко заявляющее о себе течение общественного мнения по-прежнему изображает прибыль как нечто по природе своей эксплуататорское²¹. Такой взгляд смешивает прибыль с грабежом: награбленное отнимают силой, тогда как прибыль может возникнуть лишь при согласии обеих сторон, считающих, что обмен улучшил их положение. С этой точки зрения прибыль имеет нравственное преимущество: её зарабатывают исключительно служением другим. Убытки играют зеркальную роль. Они предупреждают предпринимателей, что покупатели предпочитают иное использование своих ограниченных ресурсов. Убытки отнюдь не вредны: они действуют как иммунная система рынка, останавливая дальнейшее расточительство и перенаправляя труд, капитал и изобретательность на более насущные цели.

История ярко показывает этот контраст: до торговой революции XVII века состояния обычно сколачивали завоеванием провинций, обложением крестьян налогами или снисканием королевских милостей. С появлением открытых рынков путь к богатству перевернулся: Рокфеллер производил керосин дешевле всех, Акио Морита миниатюризировал электронику для масс, Ингвар Кампрад познакомил бережливую планету с мебелью в плоской упаковке. Там, где за прибыль можно конкурировать, эффективность взлетает; там, где распределение определяют указом, следом приходят очереди, дефицит и ржавчина.

Цепочки поставок воплощают этот принцип в палетах, контейнерах и транспортных маршрутах. Стандартизация снижает затраты на единицу, объединение запасов высвобождает оборотный капитал, объединение в партии сопоставляет расходы на обработку с быстротой реакции, а универсальность превращает основные средства в готовые к действию варианты. Но ни один из этих рычагов не подсказывает, когда остановиться. Единственный беспристрастный судья — отчёт о прибылях и убытках: окупается ли дополнительная SKU, более крупная партия или усиленный ящик после учёта изменчивости и альтернативных издержек? Если да, поток расширяется; если нет, поток сжимается, а капитал переходит к более выгодным применениям.

Поэтому практики упускают суть, когда гонятся за «уровнем сервиса», «оборачиваемостью запасов» или любой другой локальной метрикой в отрыве от остального. Такие показатели важны лишь постольку, поскольку повышают долгосрочную норму доходности фирмы. Цель никогда не меняется: максимизировать разницу между тем, что покупатели добровольно платят, и тем, что цепочка поставок безвозвратно потребляет, с учётом рисков, обусловленных неопределённостью.

Следующие разделы разбирают стандартные возражения против стремления к прибыли и показывают, как ясный взгляд через призму прибылей и убытков защищает проектирование цепочек поставок и от софистики электронных таблиц, и от благочестивых лозунгов.

4.4.2 Объективные денежные оценки

Экономическая наука начинается с простого наблюдения: только отдельные люди могут чувствовать, мыслить и действовать; следовательно, только отдельные люди могут приписывать чему-либо ценность. Эти оценки субъективны и порядковы: человек может сказать, что предпочитает кофе чаю, но не существует арифметики, позволяющей сложить, вычесть или усреднить эти два предпочтения. Что ещё хуже для аналитика, завтра их порядок может без предупреждения перевернуться. Ни одна электронная таблица не способна установить «внутреннюю» цену первого глотка воды, сотого или тысячного: парадокс ценности остаётся особенностью, а не ошибкой человеческой деятельности.

Разумеется, статистические модели могут научиться прогнозировать, сколько человек среднего достатка заплатит за эспрессо или с какой вероятностью бросит корзину покупок, но прогноз не превращает личное предпочтение в объективную величину. Он лишь описывает субъективность распределением вероятностей, полезным в торговле, но ничего не говорящим о ценности как таковой.

Этот довод разрушает трудовую теорию стоимости, которая пыталась привязать цены к числу рабочих часов, «воплощённых» в товаре. Алмазы дороги не потому, что шахтёры тяжело трудятся, а потому, что покупатели ценят блеск. Если завтра все решат, что кварц красивее, алмазные шахты закроются, несмотря на неизменные затраты труда.

В 2019 году, когда в соборе Парижской Богоматери вспыхнул сильный пожар, посетителей быстро эвакуировали. Хотя человеческие жизни уже не были под угрозой, некоторые пожарные подвергли свои жизни большому риску, чтобы спасти то, что считали непреходящими произведениями искусства. В экономических терминах они выразили ценностное суждение, поставив простые предметы выше собственной жизни. Большинство людей в той же ситуации поступили бы иначе и перестали бы рисковать жизнью, как только стало ясно, что больше никому не угрожает опасность. Бессмысленно оценивать, сколько эти предметы «стоят» в часах труда и во сколько обошлось бы изготовление почти совершенных копий. С точки зрения этих людей историческая и художественная ценность предметов безусловно превосходила любые последующие попытки их заменить. Свободные люди своими действиями могут выражать совершенно произвольные ценностные суждения. Роль экономической науки — не оценивать, хороши эти суждения или плохи, а лишь признавать их неустранимую субъективность.

Однако компании не могут потакать таким личным особенностям. Внутри фирмы генеральный директор может любить трюфели, а финансовый — ненавидеть их, но единственный допустимый вопрос таков: «Платят ли покупатели достаточно и достаточно скоро, чтобы покрыть наши затраты?» Индивидуальные предпочтения не складываются: они взаимно погашаются. Остаётся безличный вердикт рынка, записанный в виде денежных поступлений и выплат.

Если сотрудник решает, что его компания должна ценить определённые варианты безотносительно к стремлению к прибыли — «мы должны держать в запасе эту экологичную вещицу, даже если она никогда не продаётся», — это не делает его добрым или заботливым: он лишь обманывает себя, проецируя собственное ценностное суждение на компанию. Тем самым он оказывает дурную услугу и компании, и рынку, поскольку действует против желаний потребителей, отдавая предпочтение своему очередному любимому взгляду. Разумеется, если сотрудник не согласен с общей миссией компании, его долг как свободного человека — уволиться и искать работу в другом месте. Разногласия с заявленной целью компании нельзя разрешать саботажем её деятельности изнутри.

Поэтому фирма — инструмент общественного сотрудничества: она объединяет капитал, способности и информацию, чтобы удовлетворять самые насущные желания, которые другие люди выражают своими покупками. Прибыли и убытки превращают эти рассеянные сигналы в объективное мерило, понятное каждому планировщику: если заработано больше денежных единиц, чем потрачено, ресурсы направляются на более важные желания; обратное означает, что ресурсы растрачиваются. Практика цепочек поставок должна привязывать каждую денежную оценку к этому мерилу, а не к личному вкусу, потому что только цены позволяют свести миллионы субъективных шкал к одной объективной мере.

Следующий вопрос — как сравнить два прибыльных варианта, различающихся сроками, с помощью нормы доходности.

4.4.3 Норма доходности

Всякий раз, когда решение разносит во времени вложение ресурса и отдачу от него, простой арифметики прибыли уже недостаточно. Экономисты называют это универсальное явление временным предпочтением: одинаковые блага тем ценнее, чем раньше они доступны. Чашка кофе, поданная сейчас, стоит больше той же чашки, обещанной через неделю; поставщик обычно требует надбавку за отсрочку платежа на девяносто дней.

Временное предпочтение прежде всего является индивидуальным свойством. Каждый человек по-своему дисконтирует будущие выгоды в зависимости от обстоятельств, а рынок сводит эти дисконты в процентную ставку. Поэтому процентная ставка количественно выражает в масштабе общества, насколько настоящие блага предпочтительнее будущих.

Компании наследуют ту же логику. Деньги, полученные сегодня, можно реинвестировать, направить на погашение обязательств или держать как резерв на случай неопределённости; деньги, которые придут в следующем году, такой возможности не дают. Поэтому фирмы включают явную стоимость капитала — своё коллективное временное предпочтение — в каждую оценку инвестиций. Каким бы привлекательным ни казалось предложение само по себе, если оно не преодолевает этот порог, то после учёта альтернативных издержек ожидания оно уничтожает ценность.

После признания временного предпочтения оптимизация прибыли требует внимания ко времени; в частности, компании следует выбирать варианты с наивысшей нормой доходности. Концептуально, если оставить в стороне второстепенные сложности, она вычисляется так:

\[ \mathtt{RoR}=\frac{\text{выручка} - \text{расходы}}{\text{расходы} \times \text{период}} \]

где период — время, необходимое для получения соответствующей выручки и осуществления расходов. Норма доходности (RoR) выражается в процентах за единицу времени. Если RoR больше нуля, компания работает с прибылью; если RoR меньше нуля — с убытком. При сравнении двух вариантов следует предпочесть более высокую норму при условии, что обе приведены к одному периоду.

Например, рассмотрим розничный магазин, который выбирает, какой из двух товаров выставить на определённой полке. Оба продаются по 3 денежные единицы, а средний спрос составляет 1 штуку в день. Первый товар обходится в 1 денежную единицу за штуку, второй — в 2. Затраты на хранение, если не учитывать полочное пространство, считаются пренебрежимо малыми. Кроме того, полка достаточно велика, чтобы вместить запас, делающий дефицит пренебрежимо малым. В этой ситуации RoR первого товара составляет 200% в день, а второго — 50% в день. Следовательно, следует предпочесть первый товар, поскольку его RoR выше. Этот результат неудивителен: товары одинаковы во всём, кроме того, что валовая маржа первого вдвое больше, чем второго. RoR лишь даёт критерий ранжирования, формализующий этот выбор.

В типичных ситуациях цепочек поставок максимизация RoR обычно направляет больше мощностей, запасов и полочного пространства на товары с большими объёмами или более быстрой оборачиваемостью. Однако оптимизировать нужно именно RoR, а не произвольные неэкономические метрики вроде уровней сервиса. Многие авторы работ о цепочках поставок принимают слабую корреляцию между более высокой RoR и большими объёмами или оборачиваемостью за причинную связь. Поэтому часто предлагают методы классификации запасов, которые делят товары на классы²² по объёмам и/или нерегулярности спроса и затем корректируют распределение ресурсов в соответствии с этой сегментацией. Эти методы путают корреляцию с причинностью: оптимизировать нужно RoR. Подражать её приблизительным следствиям — категориальная ошибка, приводящая к снижению отдачи.

На практике норма доходности связана с рядом сложностей:

1. Расчёт RoR зависит от отнесения выручки и расходов к решениям — непростой задачи.

2. Выручка и расходы возникают не одновременно; общий период редко существует.

3. Выручку следует получать как можно раньше, а расходы осуществлять как можно позже; денежные потоки необходимо дисконтировать.

4. Разрыв между будущими расходами и будущей выручкой должен учитывать ограничение ликвидности фирмы.

5. Взаимозависимость вариантов делает RoR зависимой от порядка их выбора.

6. И будущая выручка, и будущие расходы неопределённы, и эту неопределённость необходимо моделировать.

Ни одна из этих сложностей на практике не оказывается непреодолимой, хотя все они требуют определённой степени приближения.

4.4.3.1 Отнесение выручки и расходов к решениям

RoR отражает идеализированный взгляд на физические потоки. Однако ограничения требуют нетривиального экономического моделирования. Поэтому для вычисления RoR конкретного варианта его нужно выделить из общей деятельности фирмы, обычно посредством экономического отнесения расходов и выручки. Этот вопрос рассматривается ниже; пока отметим, что между выручкой, расходами и вариантами нет взаимно однозначного соответствия. Таким образом, RoR — это взгляд на моделирование цепочки поставок, а не самоочевидная истина.

Например, рассмотрим розничный магазин с двумя альтернативными товарами. Для первого нужны ежедневно возобновляемые запасы стоимостью 100 денежных единиц, чтобы получать 140 денежных единиц выручки в день. Для второго нужны запасы стоимостью 150 денежных единиц, чтобы получать 200 денежных единиц выручки в день. Оба товара занимают в магазине совершенно одинаковое полочное пространство. В этом случае RoR первого товара равна 40% в день, а второго — 33%. Следовательно, по принципу выбора вариантов с наивысшей RoR владелец магазина должен выбрать первый товар. Однако этот выбор удивителен: выбирается товар, который в итоге со временем принесёт меньше валовой прибыли в абсолютном выражении. Для магазина, в затратах которого преобладают постоянные, это кажется неверным.

Действительно, приведённая наивная модель игнорировала постоянные затраты магазина. Уточним модель, отнеся часть постоянных затрат на товары. Отнесённые ежедневные постоянные затраты составляют 40 денежных единиц. Тогда ежедневные затраты для первого товара становятся равны \(100+40=140\) денежным единицам, а для второго — \(150+40=190\). В пересмотренной модели RoR первого товара составляет 0% в день, а второго — 5,3%. Следовательно, в этой уточнённой модели следует предпочесть второй товар.

Эта ситуация не исключительна: то, что считается наилучшим, зависит от принятой экономической модели цепочки поставок. К сожалению, нет единого простого критерия, определяющего, какая модель лучше; её пригодность зависит от того, насколько хорошо она отражает экономическую действительность, для понимания которой предназначена. Это задача общего интеллекта. Из этого не следует, что допустимо что угодно; позднее мы вернёмся к данному классу задач.

4.4.3.2 Апериодическая норма доходности

В учебниках финансов норма доходности (RoR) почти всегда привязана к фиксированному горизонту — месяцу, кварталу, году, — поскольку именно таков ритм бухгалтерского учёта и налогообложения. Однако на микроуровне исполнения операций цепочки поставок такие календари неудобны. Разместить заказ поставщику, запустить уценку, распределить палету или назначить рейс грузовика — атомарные решения, по которым денежные выплаты и поступления возникают через нерегулярные интервалы. Двенадцатимесячное мерило размывает сам смысл этих решений: как можно быстрее возвращать капитал в оборот.

Апериодическая RoR снимает календарную смирительную рубашку. Вместо того чтобы втискивать каждый вариант в произвольный временной интервал, она задаёт один вопрос: через какое время вариант вернёт связанные им деньги и начнёт наращивать полученный излишек по сложному проценту? Этот срок, определяемый самим вариантом, становится неявным периодом в формуле RoR, давая ставку сложной доходности, сопоставимую между решениями, хотя каждое из них живёт по собственным часам.

Поскольку расчёт выполняется на уровне отдельных вариантов, разброс результатов велик: различия на один и даже два порядка — обычное дело. Быстро оборачивающееся пополнение с высокой маржой может превысить 1000% годовых в апериодическом выражении, тогда как пополнение медленно продающегося товара в соседнем ряду может с трудом достигать 10%. Такой разброс — не дефект моделирования, а сигнал, показывающий капиталу, где он остро необходим, а где незаметно погибает.

В вычислительном отношении апериодическая RoR перемещает курсор вдоль временной шкалы денежных потоков варианта, рассчитывая для каждой даты ставку, которая получилась бы при закрытии позиции в этот момент. Она сохраняет максимальное значение; дата этого максимума становится неявным горизонтом варианта. В одном числе метрика отражает и размер выигрыша, и самый быстрый темп, с которым связанный капитал может расти по сложному проценту. Точное правило изложено в приложении.

4.4.3.3 Дисконтированные денежные потоки

В предыдущем подразделе норма доходности была представлена как мерило того, насколько быстро вложенный капитал растёт по сложному проценту. Однако скорость — лишь половина временного аспекта. Денежная единица, полученная сегодня, стоит больше той же единицы, полученной в следующем квартале, поскольку полученную раньше можно реинвестировать, держать как резерв или просто получать на неё проценты до этого момента. Дисконтированный денежный поток — численное выражение временного предпочтения: каждое будущее поступление или выплата умножается на коэффициент дисконтирования, уменьшающийся со временем, так что каждое движение денег выражается в «сегодняшних денежных единицах». Коэффициент дисконтирования выводится из стоимости капитала фирмы — процентов, фактически уплачиваемых за ликвидность. Точная формула приведена в приложении.

Иначе говоря, дисконтированный денежный поток измеряет абсолютную сумму заработанного или потерянного с учётом временной стоимости денег. С точки зрения цепочки поставок процентная ставка представляет стоимость финансирования компании. В финансах эта ставка часто также служит приближённым отражением неопределённости, связанной с задержками, но в задачах цепочек поставок неопределённость лучше учитывать другими механизмами, подробно рассматриваемыми далее.

Практическую иллюстрацию дисконтированных денежных потоков в решениях об отгрузках и запасах даёт индустрия моды, часто сталкивающаяся с длительными сроками поставки и ограничениями денежных средств. Представим модный бренд среднего сегмента, которому нужно заказать новую коллекцию за шесть месяцев до сезона. Он договаривается об условиях, предусматривающих существенную предоплату и выплату остатка при отгрузке. Даже если заёмные средства стоят, скажем, всего 10% в год, фактическая норма доходности бренда по этим ранним заказам может намного превосходить эту цифру. Причина в том, что капитал бренда связан задолго до появления выручки, а любая ошибка в размерах, цветах или фасонах увеличивает фактическую стоимость товаров. Когда наступает сезон, бренд может уценить медленно продающиеся изделия, увеличивая альтернативные издержки денег, которые можно было вложить в более перспективную линейку. И наоборот, удачно размещённый заказ, соответствующий спросу, может быстро обернуться по полной цене, обеспечив норму доходности, намного превышающую стоимость капитала. Таким образом, при определении реальной прибыльности каждого решения в цепочке поставок взаимодействие длительных сроков поставки, растянутых сроков оплаты и рыночной неопределённости часто оказывается важнее текущей процентной ставки.

На практике для решений в цепочке поставок текущая процентная ставка менее важна, чем норма доходности, во многом определяемая оборачиваемостью запасов. Это не отрицает важности процентных ставок. Но единица запаса, приносящая 10% за оборот и оборачивающаяся десять раз в год, даёт при начислении сложного процента \(1.1^{10}\approx 2.59\), то есть 159% в год. Одна компания нередко продаёт товары, нормы доходности которых составляют от 1% до 1000% в год. Этот широкий диапазон во многом связан с оборачиваемостью запасов — от ежедневной до ежегодной. Из-за таких крайностей качество обслуживания, максимизирующее прибыль, сильно различается от товара к товару. Соответственно различаются и стратегии управления запасами.

Годовая норма доходности в 1000%, хотя и не является нетипичной для потока отдельного товара в цепочке поставок, более чем на порядок превышает то, что в финансах считают «правдоподобным». Разумеется, такой расчёт игнорирует постоянные затраты, прежде всего инфраструктурные. После их учёта фактические нормы доходности в цепочках поставок становятся сопоставимыми с нормами в экономике в целом.

4.4.3.4 Денежный поток и оборотный капитал

Процентные ставки задают нижнюю границу стоимости ликвидности, поэтому они важны для любой цепочки поставок. Однако на практике они обычно колеблются в сравнительно узком коридоре — скажем, примерно 10–20% годовых, — тогда как доходность циклов запасов регулярно охватывает два порядка. Поэтому чаще всего планировщиков ограничивает не точная цена денег, а их доступность. Закупщик, способный получить деньги под 12% вместо 8%, всё равно совершит закупку, если финансируемые запасы дают сложную доходность 300% в год; напротив, кредит с номинальной ставкой 2% бесполезен, если кредитная линия исчерпана. Поэтому управление денежными потоками критически важно, особенно для бизнеса, которому приходится перечислять деньги за несколько месяцев до таможенного оформления товаров или их появления на полке; повседневные примеры — модные коллекции, праздничные игрушки и высокотехнологичные устройства.

Возьмём, например, фирму, которой банк предоставляет возобновляемую кредитную линию с лимитом 25% от её среднего оборота за последние три года и единой ставкой 10% годовых. До этого предела деньги можно получить за ночь; однако как только лимит достигнут, каждая дополнительная денежная единица требует новых переговоров, и в ней могут отказать. Альтернативные источники помощи — вливания в собственный капитал, мезонинное финансирование, факторинг поставщиков — безусловно, существуют, но ни один нельзя обеспечить за ночь, и все они несут существенно более высокие явные и неявные затраты. Поэтому цена ликвидности задаётся кусочной кривой, а не одним числом, и любая модель с единой процентной ставкой игнорирует именно ту нелинейность, которая чаще всего болезненно проявляется на практике.

Нелинейности доступа к ликвидности объясняют, почему условия оплаты часто имеют первостепенное значение в цепочке поставок. Эти условия решающим образом определяют объём необходимого компании оборотного капитала. В долгосрочной перспективе снижение потребности в оборотном капитале повышает прибыльность, уменьшая проценты, выплачиваемые кредиторам; в краткосрочной перспективе оно часто отличает бесперебойно работающую компанию от той, которая вынуждена выбирать худшие варианты, поскольку недостаточная ликвидность закрывает доступ к лучшим.

Например, модному бренду может потребоваться заказать изделия новой коллекции более чем за шесть месяцев до начала сезона. Зарубежные поставщики могут требовать значительной предоплаты. Если бренд ожидает более высоких продаж этой коллекции, он может разместить более крупные заказы. Но недостаточный лимит кредитной линии может остановить компанию. Тогда она размещает меньшие заказы, что может вызвать значительный дефицит в последующих звеньях. Разумеется, с точки зрения кредитора лимит не произволен: кредитор просто не разделяет оптимизма бренда по поводу исключительного успеха коллекции.

Предположение о единой процентной ставке редко выполняется, хотя существуют ситуации, где оно является приемлемым приближением. Самый простой случай — доступная компании ликвидность намного превышает объём прибыльных возможностей в цепочке поставок. Немного более тонкий случай — отрицательная потребность компании в оборотном капитале.

Для иллюстрации рассмотрим ритейлера, у которого запасы магазина оборачиваются ежемесячно, а срок поставки от поставщика пренебрежимо мал. Предположим, что поставщикам платят через два месяца после доставки, а товары продаются в магазине с валовой маржой 20%. При этих условиях на каждые четыре денежные единицы стоимости товаров в магазине потребность ритейлера в оборотном капитале составляет \(-2\) денежные единицы. В самом деле, к моменту оплаты товаров запасы в среднем обернутся дважды, принеся две денежные единицы валовой прибыли. Здесь потребность ритейлера в оборотном капитале отрицательна — по крайней мере, если смотреть только на денежные потоки.

Этот пример нельзя путать с отрицательными процентными ставками: для ритейлера по-прежнему действуют рыночные ставки.

Возвращаясь к более типичному случаю с краткосрочным ограничением оборотного капитала, для сравнения вариантов нужен численный метод. Концептуально можно выбрать допустимый набор вариантов, которые в совокупности соблюдают ограничение оборотного капитала, — подход, близкий к использованию универсального решателя. Но можно применять и более простые эвристики, например ввести зависящий от времени компонент стоимости денег.

4.4.3.5 Взаимозависимые варианты

Метрика нормы доходности выделяет наилучшее следующее применение капитала, однако сами варианты редко независимы. Большинство обращается к одним и тем же ограниченным ресурсам — деньгам, полочному пространству, вместимости транспорта — и потому взаимодействует. Взаимодействие может быть конкурентным, когда две SKU претендуют на одно место; взаимодополняющим, когда кофе и сахар увеличивают продажи друг друга; или последовательным, когда вторая палета имеет смысл только после распределения первой. Признать эти связи необходимо, чтобы превратить метрику в обоснованные решения.

Практическая эвристика для взаимозависимых вариантов — вести последовательный выбор по одному, руководствуясь нормой доходности. Выберите вариант с наивысшей текущей нормой, пересчитайте все оставшиеся нормы с учётом только что задействованных или высвобожденных ресурсов, выберите снова и повторяйте, пока все ограничения не станут активными. В информатике это называют жадным алгоритмом; его результат — приоритизированный список. Поскольку каждый пересчёт распространяет текущие ограничения, список не обязан сохранять идеальный порядок убывания: по мере усиления конкуренции большинство норм снижается, а некоторые могут даже расти при появлении взаимодополняющего эффекта. И всё же каждый шаг остаётся наилучшим из доступных в этот момент. При слабых связях такого жадного прохода достаточно; при сильных — в маршрутизации транспорта или определении последовательности производства — более тяжёлый решатель, исследующий множество комбинаторных путей, превосходит эвристику, опираясь на ту же основу денежных оценок.

Например, рассмотрим задачу пополнения розничного магазина. На основе нормы доходности выберите одну единицу для добавления в магазин — ту, которая даёт наивысшую норму. После мысленного добавления этой единицы нормы доходности пересчитываются. Следующая единица того же товара имеет меньшую норму доходности, поскольку накопление запасов в одном магазине даёт убывающую отдачу. Затем на основе пересчитанных норм выбирают вторую единицу. Процесс повторяется до исчерпания вместимости полок магазина.

Жадная оптимизация даёт несколько важных преимуществ. Во-первых, она требует лишь определения норм доходности вариантов. Во-вторых, процесс прост и наблюдаем: приоритизированный список даёт полную картину хода алгоритма. В-третьих, при правильной реализации она обычно на порядки быстрее нежадных альтернатив.

Наивная реализация этой логики жадной оптимизации имеет квадратичные вычислительные затраты относительно числа конкурирующих вариантов. Для большинства ситуаций цепочек поставок с тысячами вариантов квадратичные затраты неприемлемо высоки. Однако существуют методы, выходящие за рамки этого обсуждения, которые уменьшают эти затраты, снижая временную сложность до квазилинейной.

Большинство задач цепочек поставок хорошо подходят для жадных или квазижадных методов, поскольку варианты слабо связаны. Это не случайность: компании намеренно избегают систем, напоминающих криптографические головоломки; то, что трудно компьютеру, трудно и человеческому разуму.

Например, специализированный ритейлер, продающий три технических изделия — A, B и C, — которые обычно покупают вместе в фиксированном соотношении (скажем, две единицы A, пять B и семь C) для получения комплекта, может упростить управление запасами. Вместо учёта трёх отдельных позиций ритейлер рассматривает заранее собранный комплект \(K\) как одну складскую позицию, сохраняя небольшой избыток отдельных компонентов для исключительных случаев. Такое объединение уменьшает сложность и упрощает пополнение.

Однако жадная оптимизация подходит не для всех сценариев цепочек поставок: маршрутизация транспорта и составление производственного расписания — заметные исключения. В более общем случае задачи с последовательностями сильно взаимозависимых решений плохо поддаются жадному методу. Тем не менее многие, если не большинство, ситуации цепочек поставок можно решать квазижадно с небольшими модификациями. Например, при одновременном размещении заказов у нескольких поставщиков, каждый из которых задаёт свой минимальный объём заказа (MOQ), жадная стратегия может дать недопустимые результаты — скажем, ряд неполных заказов, не достигающих порогов при ограниченном бюджете. Но для устранения этого ограничения достаточно небольшой эвристики. Можно итеративно исключать поставщиков, начиная с дающих наименьшую доходность, и перераспределять бюджет между оставшимися.

Хотя сложности, возникающие из взаимозависимости вариантов, не подрывают принцип выбора вариантов с наивысшей нормой доходности, они могут делать наивные методы выбора неэффективными. Для работы с такими сложностями требуется специализированное программное обеспечение для оптимизации, часто называемое решателями. В частности, эти решатели оптимизируют самые разные функции потерь — величины, которые требуется минимизировать; к этой теме мы вернёмся в главе Решения.

4.4.3.6 Неопределённая норма доходности

Взаимозависимости были первым препятствием; неопределённость — вторым. Даже установив, как варианты конкурируют за деньги, мощности или полочное пространство, мы всё ещё не знаем, какие числа реализуются при их осуществлении. Спрос, сроки выполнения операций, выход продукции и спотовые цены колеблются вне контроля планировщика. И всё же руководящий принцип сохраняется: выбирайте вариант с наибольшей экономической отдачей, измеренной не точечно, а в математическом ожидании. На практике замените каждый детерминированный результат его взвешенным по вероятностям аналогом: перечислите правдоподобные сценарии, назначьте каждому вероятность, примените детерминированную формулу в каждой ветви, затем усредните результаты. Получится ожидаемая норма доходности, которую можно сравнивать между вариантами, как и прежде.

Хотя концептуально вероятностный взгляд прост, он создаёт собственные трудности. Во-первых, вероятности нужно оценить — в этом суть вероятностного прогнозирования. Во-вторых, будущее зависит от ещё не принятых решений: норма доходности варианта зависит от того, как будут выбираться будущие варианты. Выбор настоящих и будущих вариантов в условиях неопределённости — суть стохастической оптимизации.

Вероятностное прогнозирование и стохастическая оптимизация — технические темы, которые будут рассмотрены в главе Будущее. Но вероятностный взгляд на норму доходности — отнюдь не просто теоретическая диковинка. При наличии надлежащего программного обеспечения реальные варианты в цепочке поставок можно и нужно оценивать этим методом. Разумеется, приближения неизбежны — число возможных будущих бесконечно, — но это не уменьшает практической ценности подхода.

4.4.4 Кумовство и захват регулирующих органов

Стремление к прибыли часто карикатурно изображают как хладнокровную погоню за «большим любой ценой». В действительности на конкурентном рынке прибыль — лишь аплодисменты, заслуженные удовлетворением самых насущных желаний незнакомых людей при наименьшем расходе ограниченных ресурсов. Поэтому прибыль — результат, а не вероучение.

За одним словом «прибыль» скрываются три радикально разных типа поведения. Подлинное стремление к прибыли позволяет зарабатывать маржу, предлагая лучшее сочетание доступности, качества и цены. Поэтому долгосрочная прибыль зависит от поддержания благожелательных отношений с покупателями, поставщиками и сотрудниками. Тактика выжженной земли, радующая сегодняшнюю электронную таблицу, но подрывающая завтрашние варианты, оказывается саморазрушительной, как только рассчитывают её полную норму доходности.

Второй тип поведения — «голая» жажда наживы, которую так любит осуждать массовая культура: сброс отходов в реки, давление на поставщиков или заманивание покупателей с последующей подменой обещанного предложения. Такое поведение — не логическое следствие стремления к прибыли, а результат ошибочного экономического расчёта. Когда штрафы, судебные иски, уход талантливых сотрудников и ущерб бренду приводят к текущей стоимости, мираж исчезает. Современная аналитика цепочек поставок существует именно для выявления этих скрытых затрат и превращения их в теневые оценки, дисциплинирующие каждое решение.

Третий тип поведения — клановый капитализм и захват регулирующих органов. Фирма, лоббирующая пошлины, исключительные лицензии или обязательные стандарты, не зарабатывает прибыль, а извлекает ренту. Ни один покупатель не получает лучшего обслуживания: ресурсы лишь перенаправляются благодаря политической привилегии. Рента искажает каждый сигнал цепочки поставок: опциональность сокращается, инновации буксуют, а видимую норму доходности поддерживает закон, а не результативность.²³

Дисциплина, представленная в этой книге, направлена на первый путь и защищает фирму от двух последних. Все последующие методы предполагают открытый рынок: они сопоставляют каждый вариант с тем, что завтра мог бы сделать бдительный конкурент, а не с привилегией, полученной вчера в парламенте. Восстановите подлинную конкуренцию — и тот же аппарат оптимизации станет двигателем создания богатства; позвольте ренте накапливаться — и никакая изощрённость прогнозирования не спасёт экономику предприятия.

4.4.5 Надэкономические цели

Частое возражение против фирм, стремящихся к прибыли, — ссылка на надэкономические цели, якобы стоящие выше простых денежных соображений и потому оправдывающие отказ от дисциплины цен, затрат и альтернативных издержек. Такие призывы обычно бывают двух видов. Первый — морализаторский: убеждение, что фирма должна продвигать некую этическую или общественную повестку сверх обслуживания покупателей. Второй — апокалиптический: предсказание надвигающейся катастрофы, требующее немедленно пожертвовать прибыльностью ради предотвращения бедствия. Далее мы рассмотрим обе категории.

Для компаний, работающих на открытых рынках, ссылка на высшую цель не устраняет ограниченность ресурсов, а лишь переименовывает компромиссы. Каждая палета, каждый человеко-час и каждая денежная единица, направленные на одну цель, неизбежно отнимаются у другой. Поэтому экономический расчёт — не факультативное мировоззрение, а единственный непротиворечивый способ сравнивать альтернативы. Институты, опирающиеся на принуждение, например армии, остаются за рамками этой книги именно потому, что их ресурсы распределяются не через добровольный обмен. Для всех остальных организаций предполагаемое превосходство надэкономических целей — иллюзия: на практике им всё равно приходится решать, создаёт или уничтожает долгосрочную ценность отвлечение ресурсов от основной миссии.

4.4.5.1 Морализаторские соображения

В терминах цепочек поставок морализаторское соображение утверждает, что людям следует потреблять чего-то меньше или больше, а значит, компания должна содействовать желаемому общественному изменению. Подробности зависят от времени и места.

Например, господствующая религия в Руритании может объявить употребление молока взрослыми признаком порочности и заявить, что молоко следует оставить детям. В ответ руританская компания может добровольно сократить и количество, и разнообразие бутылок молока, предназначенных для взрослых, тем самым по собственной инициативе проводя кажущееся желательным общественное изменение. Но такой шаг почти не повлияет на рынок. Вопреки популярному образу «экономической власти», компания не может заставить покупателей приобретать её товары или отказываться от них. Если компания произвольно сократит выпуск бутылок молока для взрослых, один конкурент увеличит выпуск и сохранит удовлетворение спроса на прежнем уровне.

Однако если общественные настроения в Руритании против бутылочного молока для взрослых настолько сильны, что многие покупатели бойкотируют другие, не связанные с ним товары, может быть разумно полностью отказаться от этого направления — возможно, продав подразделение, если его производство можно отделить от других. Такой подход принципиально отличается от простого сокращения предложения в ошибочной надежде уменьшить совокупный рыночный спрос.

Типичные морализаторские соображения касаются еды или напитков, считающихся недопустимыми из-за предполагаемого вреда людям либо вреда, причиняемого при производстве. Например, веганство — одно из сравнительно новых вероучений в чрезвычайно разнообразном их ряду. Эти соображения распространяются и на страну происхождения, нередко опираясь на ошибочные меркантилистские²⁴ представления о торговле, например «мы ведём экономическую войну с Руританией», или на представления об условиях труда в этих странах, например «Руритания позволяет своим компаниям чрезмерно эксплуатировать своих граждан».

Морализаторские взгляды имеют значение для цепочки поставок лишь постольку, поскольку работа с определённым видом товаров или использование определённого фактора производства может подорвать общую способность компании действовать. Ущерб бренду способен оттолкнуть покупателей или снизить привлекательность компании для потенциальных сотрудников. Эти риски реальны, и их можно количественно оценивать, как и любые другие. Экономические расчёты могут показать, что такие риски чрезмерны и компании следует покинуть рыночный сегмент, чтобы минимизировать будущие убытки. Однако эти расчёты нельзя путать с личными ценностными суждениями сотрудников, работающих с цепочками поставок.

Однако задачу усложняет то, что в отношении морализаторских соображений у сотрудников²⁵ действуют искажённые стимулы. Публично настаивая на таком соображении, сотрудник представляет себя особенно добродетельным — более добродетельным, чем коллеги. Этот процесс называют демонстрацией добродетели. Такая демонстрация была и остаётся действенной, поскольку корпоративная политика склонна вознаграждать тех, кто лучше всего соответствует господствующим общественным нормам, а не только тех, кто повышает прибыльность компании.

Но в цепочке поставок издержки изменённого курса несёт не демонстрирующий добродетель человек, а сама компания и, в некоторой степени, рынок, который будет обслуживаться хуже, пока конкурент не заполнит пробел. Поэтому руководителям компаний необходимо сохранять бдительность в отношении такой демонстрации добродетели. В самом деле, крупные компании особенно уязвимы перед этим видом антиобщественного поведения, подрывающего авторитет формальной иерархии и её способность направлять компанию на обслуживание покупателей.

4.4.5.2 Апокалиптические опасения

На протяжении всей истории значительную часть человечества захватывало болезненное увлечение гибелью. Исследовать такие увлечения и выяснять, почему они сохранялись тысячелетиями, — дело психологии, социологии и истории. Цепочек поставок они касаются лишь постольку, поскольку мешают ведению бизнеса. История даёт два наблюдения: во-первых, масштаб и влияние апокалиптических опасений были огромны; во-вторых, их конкретное содержание резко менялось от десятилетия к десятилетию. Рассмотрим краткий список современных апокалипсисов, некогда бывших в моде.

• Перенаселение (XVIII–XIX века): Быстрый рост населения во время первой промышленной революции заставил многих интеллектуалов поверить, что рост населения неизбежно обгонит производство продовольствия, что приведёт к массовому голоду и общественному краху. (См. An Essay on the Principle of Population (1798), Томас Мальтус.)

• Вырождение расы (1920-е и 1930-е годы): Опасения расового и генетического вырождения под влиянием евгеники и псевдонаучных расовых теорий предсказывали упадок цивилизаций из-за смешения рас. (См. The Passing of the Great Race (1916), Мэдисон Грант.)

• Коммунистический захват и красная угроза (1950-е годы): Усиление Советского Союза и распространение коммунизма породили страх глобального захвата власти коммунистами, вызвав красную панику и маккартизм в Соединённых Штатах. (См. The Naked Communist (1958), У. Клеон Скоузен.)

• Химизация сельского хозяйства (1960-е годы): Вредное воздействие пестицидов, особенно DDT, на окружающую среду и здоровье населения привлекло внимание к более широким опасениям промышленного загрязнения и экологического краха. (См. Silent Spring (1962), Рэйчел Карсон.)

• Ядерная зима и глобальное похолодание (1970-е годы): В разгар холодной войны страхи ядерной зимы — последствий ядерной войны, вызывающих глобальное похолодание, — слились с опасениями возможного естественного ледникового периода. (См. The Cooling: Has the Next Ice Age Already Begun? (1976), Лоуэлл Понте.)

• Истощение ресурсов (1970-е и 1980-е годы): Многочисленные прогнозы утверждали, что человечество исчерпывает жизненно важные ресурсы, такие как нефть и полезные ископаемые, что приведёт к общественному краху. (См. The Limits to Growth (1972), Медоуз и др.)

• Доступ к пресной воде (1980-е и 1990-е годы): Предсказывалось, что истощение и загрязнение ресурсов пресной воды приведут к острому дефициту и конфликтам из-за воды. (См. Cadillac Desert: The American West and Its Disappearing Water (1986), Марк Райзнер.)

• Кислотные дожди (1990-е годы): Опасались, что промышленные выбросы, вызывающие кислотные дожди, разрушают леса, озёра и здания, нанося обширный экологический ущерб. (См. Acid Rain: Its Causes and its Effects on Inland Waters (1992), Б. Дж. Мейсон.)

• Истощение озонового слоя (1990-е годы): Разрушение озонового слоя газообразными хладагентами, приводящее к усилению ультрафиолетового излучения, раку кожи и экологическим нарушениям. (См. Ozone Diplomacy: New Directions in Safeguarding the Planet (1991), Ричард Эллиот Бенедик.)

• Глобальное потепление (2000-е годы): Предсказывалось, что рост концентрации «парниковых» газов вызовет катастрофические изменения климата, включая повышение уровня моря, экстремальную погоду и утрату биоразнообразия. (См. An Inconvenient Truth: The Crisis of Global Warming (2006), Альберт Гор.)

• Изменение климата (2010-е и 2020-е годы): Продолжая повествование о глобальном потеплении, изменение климата охватывает более широкие опасения непредсказуемых и тяжёлых последствий для окружающей среды, угрожающих устойчивости человеческой цивилизации. (См. The Uninhabitable Earth: Life After Warming (2019), Дэвид Уоллес-Уэллс.)

Этот список охватывает последние 150 лет, хотя его можно было бы продолжить на тысячелетия в прошлое. Его цель — не подтвердить и не опровергнуть эти угрозы: такие суждения лежат за пределами дисциплины цепочек поставок и относятся к специализированным наукам. Он лишь иллюстрирует масштаб явления и непостоянство конкретного содержания угроз.

Апокалиптические опасения надэкономичны, поскольку предполагают: если их не устранить, мир, а значит, и рыночная экономика погибнет или окажется в необратимо ухудшившемся состоянии. По определению апокалиптическое опасение перевешивает любое частное желание отдельного человека. В конце концов, любой человек может быть лишь ничтожной величиной на фоне возможности исчезновения значительной части человечества, а потенциально и всего человечества.

Когда апокалиптические страхи выходят из моды, становится очевидно, насколько глубоко заблуждались компании, исторически выделявшие ресурсы на поддержку соответствующих целей и тем самым наносившие себе значительный ущерб. Мало кто из руководителей по-прежнему станет утверждать, что политика найма, открыто дискриминирующая религиозное меньшинство, отвечает наилучшим экономическим интересам компании. Аналогично, сегодня немногие руководители будут доказывать, что щедрые пожертвования благотворительным организациям и политическим движениям, пропагандирующим евгенику, действительно способствуют благу человечества. И всё же не так давно оба подхода широко практиковались образованными и благонамеренными людьми, действовавшими в рамках того, что считалось твёрдым «научным» консенсусом²⁶.

Эти апокалиптические опасения нарушают работу цепочек поставок, поскольку их притязание на надэкономический статус обесценивает экономический расчёт. Однако компаниям всё равно приходится распределять ограниченные ресурсы. Апокалипсис не отменяет ограниченности ресурсов. В удовлетворении потребностей покупателей экономическому расчёту нет альтернативы. Если некое опасение важнее удовлетворения покупателей, почему выделять на него не все ресурсы без остатка?

Как восклицает король Ричард в Richard III: «Коня, коня! Моё королевство за коня!»

В более общем смысле представление о том, что какая-либо забота, связанная с распределением ограниченных ресурсов, обладает надэкономическим статусом и безусловно превосходит повседневные соображения, отражает глубокое непонимание экономической науки. Прибылям и убыткам нет альтернативы.

4.4.5.3 Некоммерческие организации

В большинстве западных стран налоговое законодательство предоставляет особые льготы организациям, именуемым «некоммерческими», в отличие от предполагаемо «коммерческих». Приносят ли такие налоговые льготы и послабления в регулировании²⁷ пользу обществу в целом — вопрос за пределами дисциплины цепочек поставок. Однако с точки зрения общего понимания экономики это обозначение весьма неудачно и порождает огромную путаницу у широкой публики. Хуже того, многие авторы книг о цепочках поставок разделяют эту путаницу и приписывают некоммерческим организациям квазимистические свойства, повторяя популярные, но ошибочные убеждения. Эти авторы ошибочно считают, что объединения, то есть так называемые «некоммерческие» организации, освобождены от принципов прибылей и убытков. Это очевидная неправда. Объединения действуют по тем же экономическим законам и, если управляют цепочкой поставок, подчиняются тем же принципам. Поэтому метод, предназначенный для улучшения цепочек поставок, одинаково действенен — или одинаково недейственен — независимо от налогового статуса.

Достаточно нескольких фактов. Обоими видами организаций движут предприниматели. Некоторые предприниматели, возглавляющие коммерческие организации, терпят неудачу и в итоге становятся беднее, чем были вначале. Напротив, некоторые руководители некоммерческих организаций добиваются успеха и получают зарплаты, намного превышающие среднюю по стране. Одни прибыльные компании выплачивают дивиденды, другие — нет. Коррупционные скандалы случаются и в компаниях, и в объединениях. И тем и другим нужны покупатели, которые их финансируют²⁸. У покупателей есть ожидания, и в обоих случаях, если конкурирующая организация даёт больше за меньшие деньги, покупатели предпочитают более эффективную. И те и другие расширяются, когда получают больше, чем тратят; и те и другие банкротятся, когда тратят больше, чем получают.

Называть объединение «неприбыльным» — неверное наименование: прибыль и убыток являются базовыми фактами экономики. Организация получает и расходует ресурсы. Если поступления превышают расходы, возникает прибыль. Если расходы превышают поступления, возникает убыток. Прибыль и убыток существуют даже без бухгалтера. Когда бухгалтер ведёт учёт, ситуация проясняется: он не создаёт ни прибыль, ни убыток, а лишь выявляет их.

В рыночной экономике все участники стремятся удовлетворять самые насущные желания покупателей. Это верно и для компаний, и для объединений. Например, если покупателей тревожит вырубка лесов, они могут потратить деньги, чтобы посадить деревья самим или поручить посадку другим. Жертвуя средства объединению, занимающемуся восстановлением лесов, покупатели выражают ценностное суждение: они покупают будущие леса; их награда — мир, в котором лесов больше. Если им предложить несколько одинаково преданных делу организаций и одна способна вырастить вдвое больше леса на денежную единицу, покупатели предпочтут её. Если позднее они обнаружат, что объединение потратило все собранные средства на рекламу и не посадило ни одного дерева, они справедливо почувствуют себя обманутыми и, вероятно, откажутся от дальнейших пожертвований.

Отсутствие прямого соответствия между платежом покупателя и услугой, оказанной объединением, — лишь техническая деталь. Та же схема встречается в бизнесе: городской вывоз мусора обычно оплачивают фиксированной годовой суммой, а не за каждую оказанную услугу, хотя многие такие поставщики услуг — коммерческие организации.

Называть организацию «неприбыльной» столь же бессмысленно, как называть её «свободной от гравитации». Законы природы не допускают возражений; экономические законы — не исключение. Как распределяется прибыль — между акционерами, реинвестируется ли в дополнительные средства производства или идёт на повышение зарплат, — техническая деталь. Налоговые режимы существенно влияют на эти детали, но не каким-то принципиально иным образом, чем, скажем, субсидирование такой отрасли, как солнечная энергетика. Это лишь один из многих способов, которыми государства делят рынок при распределении субсидий. Субсидии не наделяют объединения особой экономической силой.

В конечном счёте внутренние побуждения предпринимателей остаются непознаваемыми для внешних наблюдателей, будь их организации коммерческими или некоммерческими. Ими может действительно двигать стремление улучшить жизнь других людей, а могут — лишь тщеславие и известность, сопутствующие успешному объединению. Люди могут лгать; они могут и меняться. То, что начинается с эгоистичного намерения, со временем может стать подлинным альтруизмом; возможно и обратное.

Поэтому дисциплина цепочек поставок не может принципиально отделять якобы неприбыльные организации от коммерческих. Это различие относится к налоговым кодексам, а не к цепочкам поставок. Авторы, утверждающие, что объединения обладают уникальными свойствами цепочек поставок, либо демонстрируют добродетель, позируя на фоне благородных целей, либо заблуждаются под влиянием идеологии, приписывая этим организациям квазимистические качества.

4.4.5.4 Вооружённые силы

Некоммерческие организации показывают, что прибыль и убыток остаются неизбежными даже под прикрытием альтруизма. Вооружённые силы представляют иной случай: институт, полностью находящийся в сфере экономики, но лишённый обычных для коммерческой деятельности контуров обратной связи. Армии не зарабатывают выручку продажей услуг клиентам; их финансируют за счёт налогов, собираемых суверенной властью. Эта опора на государственное принуждение не освобождает их от ограниченности ресурсов, а лишь меняет способ их распределения. Экономические законы не испаряются при виде оружия и мундиров: каждая пуля и каждый баррель топлива подчиняются тем же ограничениям, что и остальная экономика.

С экономической точки зрения «военная организация» — одна из самых обширных структур централизованного планирования в современных обществах. Вооружённым силам нужно обслуживать технику, закупать предметы снабжения, поддерживать войска и проецировать силу в разных регионах. Однако эту деятельность нельзя оценивать через прибыли и убытки, как деятельность рыночных участников. Частная компания постоянно сопоставляет расходы с платежами покупателей, тогда как вооружённые силы финансируются без добровольного обмена и потому лишены прямой рыночной дисциплины. Невидимую руку, повышающую эффективность частных предприятий, заменяют директивы сверху, предназначенные для согласования стратегии, а не для получения краткосрочной финансовой отдачи.

Но отсутствие сигналов прибыли не избавляет вооружённые силы от проблем экономического расчёта. Как показал Людвиг фон Мизес в Socialism (1922) и Human Action (1949), когда центральный планировщик пытается направлять распределение ресурсов вне процесса ценообразования, надёжного мерила для отделения прибыльных применений от неприбыльных не существует. Без дисциплины свободного рынка ошибочное распределение почти гарантировано. Такие ошибки остаются скрытыми в мирное время, когда бюджет выглядит одной строкой, но становятся очевидными при нехватке критически важного оснащения или избытке устаревшей техники. Те же трудности поражают крупные компании со сложными цепочками поставок, однако армии сталкиваются с ними в большем масштабе и с последствиями, от которых зависят жизнь и смерть.

В наши дни многомиллиардные оборонные бюджеты отражают сложные компромиссы, принимаемые на высшем политическом уровне. Классическая аналогия «пушки или масло» показывает, что каждая единица ресурсов, направленная военным, не расходуется на гражданские блага — школы, больницы, дороги или другие производительные начинания. Выполняя свою миссию, вооружённые силы не получают «прибыль», а сохраняют политическую поддержку для продолжения той же деятельности. Когда заказывают новое поколение истребителей или военных кораблей, нет очереди покупателей, чья готовность платить оправдывала бы расходы. Вместо этого обоснование исходит из реальных или предполагаемых стратегических императивов, лежащих вне обычных механизмов рыночной ответственности.

Разумеется, военные пытаются смягчить недостатки централизованного планирования с помощью заменяющих метрик: «боеготовности», «способности выполнить задачу», «проецирования силы» и других стратегических или бюрократических показателей. При всей полезности они не заменяют непосредственности прибыли и убытка. Победоносная кампания не создаёт для вооружённых сил избытка выручки, как и затяжной конфликт не записывается напрямую в убыток. Длительные конфликты могут приносить увеличение оборонных бюджетов и расширение инфраструктуры без ясного доказательства эффективного экономического использования ресурсов. Принятие решений возвращается к политике — к тому, что общество или его представители считают оправданным, — а не к компромиссам, определяемым добровольным спросом.

Эти ограничения создают для вооружённых сил особые задачи цепочек поставок. Спрос крайне неопределён и определяется геополитическими событиями, а не предпочтениями потребителей. Для страховки от кризисов поддерживают большие запасы, а сроки производства и поставки специализированной техники, такой как атомные подводные лодки или самолёты-невидимки, могут быть чрезвычайно долгими. Когда армии не хватает собственных мощностей для выпуска критических компонентов, она вынуждена обращаться к частным оборонным подрядчикам. В этот момент часть цепочки поставок возвращается в сферу рыночной конкуренции, по крайней мере на бумаге: поставщикам платят по договорным ценам, а государства часто пытаются создать конкуренцию между несколькими подрядчиками, чтобы снижать затраты. Однако политическое вмешательство и сложность регулирования часто искажают эти процессы, приводя к контрактам «затраты плюс» и другим схемам, которые слишком часто вырождаются в клановый капитализм. В итоге налёт рыночной дисциплины может присутствовать, но обычно он неполон и заслонён бюрократической политикой.

Аналогично, проблема знания Хайека из The Use of Knowledge in Society (1945) применима и к военным. Информация, необходимая для распределения ресурсов, широко рассеяна. Местные подразделения обладают актуальными сведениями о своих логистических и стратегических ограничениях, но крупные решения о распределении принимает вышестоящее командование. Жёсткая иерархия сверху вниз подавляет сигналы снизу, лишая высшие эшелоны местного знания, необходимого для обоснованного выбора в закупках, развёртывании и обслуживании. Фактически оружейная промышленность действует как замкнутый микрокосм централизованного планирования: какими бы компетентными и благонамеренными ни были офицеры и чиновники, критическая информация теряется при передаче, повышая риск ошибочного распределения.

Тем не менее все задействованные ресурсы остаются ограниченными. Нехватка снабжения может погубить целые кампании, а чрезмерные запасы устаревшего оснащения, напротив, могут мешать финансировать модернизацию. Кроме того, как и в любой крупной бюрократии, обычные усилия по улучшению добавляют слои процедур: новые комитеты, новые надзорные органы, новые этапы планирования. Со временем эти слои приобретают собственную инерцию и затрудняют изменение курса. Без проверки прибылью, отсекающей расточительство, целые направления закупок могут существовать долго после утраты полезности. Политически поддерживаемые программы сохраняются, даже когда почти не дают преимуществ на поле боя. Экономический результат — структурная неспособность оптимизировать использование ресурсов. Вооружённые силы не вольны сбросить эти ограничения: они не могут стать гибкими силами, руководствующимися прибылью. Они выполняют функции вне добровольного сотрудничества, и цена такого устройства — отсутствие прямой рыночной обратной связи.

Последняя особенность вооружённых сил — подверженность резкой переориентации, обычно вслед за сменой политического руководства. Бюджет может кардинально пересматриваться как вверх, так и вниз в зависимости от воспринимаемой угрозы. Изменение союзов, новые договоры или усталость от войны способны перекроить военные приоритеты. Хотя частный бизнес на свободном рынке тоже приспосабливается к внезапным изменениям, он может опираться на сигналы прибыли, направляющие к лучшему распределению. Армии же должны перестраивать цепочки поставок по указаниям сверху, неся затраты крупной бюрократии, которая одновременно должна создавать новые доктрины, отказываться от старых и перепрофилировать целые парки машин и техники.

Таким образом, вооружённые силы демонстрируют крайнее проявление тех же головоломок планирования, с которыми сталкиваются крупные интегрированные предприятия. Государство не измеряет успех своих армий тем, насколько эффективно они удовлетворяют желания потребителей; прямого канала, позволяющего недовольству потребителей воздействовать на военный бюджет, нет. Но ресурсы остаются ограниченными, и необходимость их распределять сохраняется, поэтому логика экономики продолжает действовать. Отсутствие сигналов прибыли и убытка можно частично компенсировать заменяющими метриками, но такие заменители даже близко не обеспечивают широты и тонкости рыночных цен. В итоге, даже если армии работают в нерыночной среде, каждый конфликт, каждая мобилизация мирного времени и вся скрытая логистическая подготовка подчиняются железному закону ограниченности ресурсов. Хотя состояние войны часто рассматривают как чистую политику или стратегию, в его основе лежит и сложная задача распределения, от которой не освобождает ни один указ.

4.4.6 Решения и компромиссы

Решений не существует. Есть только компромиссы.
A Conflict of Visions (1987), Томас Соуэлл.

Цепочки поставок строго подчиняются законам экономики. Каждое распределение ресурса закрывает все доступные альтернативные способы его применения. Решение правильно лишь тогда, когда для ресурса нет лучшего применения; одной прибыльности недостаточно — она должна быть максимальной.

Любое распределение запасов несёт альтернативные издержки лучшего из отвергнутых вариантов. В розничной сети единица, отправленная со склада в магазин, уже недоступна для обслуживания других магазинов. Если она была последней и отправилась в магазин с вялыми продажами, тогда как в других торговля идёт бойко, такое распределение, вероятно, было ошибкой. Лучше направить последнюю единицу в магазин с самым насущным спросом. В обоих случаях она, скорее всего, продастся. Но отправка туда, где спрос максимален, согласует сеть с наиболее насущными желаниями покупателей. Если единица задержится в посредственном магазине, её можно вернуть на склад и отправить в более подходящий. Однако это создаёт дополнительные транспортные расходы, а в пути единица никого не обслуживает.

Продажа сейчас конкурирует с возможностью более прибыльной продажи позднее. Позднейший, более прибыльный исход может не требовать более высокой цены. Например, винт, купленный за 1 денежную единицу и проданный за 2, даёт 1 денежную единицу валовой маржи. Но если этот винт — последний в запасе — входит в комплект, скажем в машину, продаваемую за 100 денежных единиц при стоимости компонентов 50, его отдельная продажа приносит 1 денежную единицу сейчас, но лишает 50, если покупатель комплекта появится раньше, чем удастся получить новые винты. Если фирма ожидает скорого покупателя комплекта, отдельная продажа винта — неверное решение в цепочке поставок, несмотря на прибыльность. Правильный ход — оставить винт в запасе, сохранив возможность продать комплект.

Ресурсы разнообразны, а возникающие компромиссы — ещё разнообразнее. И всё же многие авторы работ о цепочках поставок сводят решения к противопоставлению затрат на запасы и дефицита, затрат, денег и сервиса либо предложения и спроса. Такие низкоразмерные взгляды ошибочны. Возводя несколько инженерных компромиссов, укоренённых скорее в бухгалтерском учёте, чем в экономике, в ранг основополагающих принципов, они заслоняют единственное универсальное мерило — экономический расчёт.

В любой отрасли цепочка поставок — непрерывное хождение по канату взаимоисключающих улучшений. Снизьте цену на ценнике — и объёмы обычно резко вырастут, но каждый уступленный процентный пункт напрямую съест валовую маржу, а в люксовых сегментах может настолько обесценить бренд, что непроданные единицы в итоге уничтожат, а не уценят. Расширьте ассортимент дополнительными цветами или размерами — покупатели будут рады, но затраты на закупки, хранение и контроль качества вырастут столь же быстро. Добавьте резервных поставщиков для страховки от задержек — и устойчивость будет куплена ценой ослабления переговорной позиции в закупках. Продлите часы работы магазинов — и появится дополнительный поток посетителей вместе с более крупным фондом оплаты труда. Наймите временных комплектовщиков для сезонного всплеска — фактический товарный поток увеличится, но вместе с ним вырастут ошибки и потери. Перейдите к небольшому специализированному производителю компонентов — готовое изделие будет восприниматься как премиальное, если только маленький завод не сорвёт своё окно поставки. Смягчите правила возврата ради лояльности — и расходы на обратную логистику раздуются. Ежедневно обновляйте скоропортящиеся товары ради максимальной свежести — полка будет выглядеть безупречно, но намеренно меньший запас гарантирует больше случаев дефицита. Каждый рычаг имеет эту двойственную природу; планировщики в каждый момент жонглируют десятками подобных дилемм.

Этот список можно продолжать почти бесконечно по всем отраслям и их специфическим компромиссам. Более того, почти каждый названный ресурс можно разложить дальше. Обозначение удобно, но в конечном счёте является приближением. Например, пусть вместимость склада составляет 10 000 \(m^2\). В действительности не все эти \(m^2\) равноценны. Одни находятся рядом с погрузочными доками или концами конвейеров. Вместимость можно уточнить как 2000 «премиальных» \(m^2\) и 8000 «обычных» \(m^2\).

Всегда можно навязать ресурсам и компромиссам произвольную классификацию с любым желаемым числом классов. Внутри конкретной компании такая классификация может облегчать общение. В масштабе рынка подобные упражнения в основном бессмысленны. Они дают результаты не лучше обычного языка.

Единственный практический подход к этим компромиссам — экономический расчёт. Он уравновешивает противоречия, позволяя прийти к адекватному решению в цепочке поставок. Он также ясно показывает, что ни одно решение не является абсолютным благом — чистым источником прибыли, — а представляет собой сочетание ожидаемых выигрышей и потерь.

4.5 Вопросы денежной оценки

В своей основе решения в цепочке поставок — это ставки: каждое ставит на кон ограниченный ресурс сегодня ради потока неопределённых последствий завтра. Попытка оценить все эти ставки одним монолитным расчётом безнадёжна: пространство решений слишком велико и меняется слишком быстро. Практический выход — разбить общий расчёт на посильные фрагменты, по одному на вариант, и снабдить каждый фрагмент денежной оценкой. Такая оценка — не бухгалтерская диковинка, а инструмент: выраженный в деньгах показатель, который делает варианты соизмеримыми, позволяя сравнивать, ранжировать и выбирать их по одному, а не все сразу. Хорошие оценки выявляют альтернативные издержки и питают рассмотренные ранее механизмы оптимизации; ошибочные незаметно направляют фирму к систематически неверному распределению ресурсов.

В этом свете денежные оценки образуют незаменимый мост между конкретным миром палет и грузовиков и абстрактной областью экономического расчёта. Они переводят разнородные события — дополнительный день срока годности, раздражённого покупателя, задержку платежа поставщику, перегруженный проход для комплектации — на единую шкалу, с которой программа может работать в миллисекундном темпе. Построение этого моста всегда идёт одним путём.

Во-первых, компания формулирует явную экономическую модель, разъясняющую, какие потоки важны и как они связаны с прибылями и убытками. Во-вторых, она относит каждую наблюдаемую денежную единицу к породившим её решениям, чтобы на каждый микровыбор приходилась надлежащая доля общих затрат и выгод. В-третьих, она проецирует эти денежные потоки в будущее, учитывая неопределённость и добавляя теневые поправки там, где один лишь бухгалтерский учёт упустил бы существенные риски или выгоды, например благожелательность или ущерб бренду.

Следующие подразделы по очереди рассматривают эти три шага. Они показывают, как явная экономическая модель даёт расчёту основу, почему отнесение расходов и выручки одновременно неизбежно и спорно и как проекции, дополненные теневыми и внутренними оценками, превращают вчерашние данные в знание, пригодное для завтрашних действий.

4.5.1 Экономическая модель

Экономический расчёт начинается с явной экономической модели: компактного, но прозрачного соответствия, связывающего каждый операционный выбор — купить, произвести, переместить, хранить, назначить цену — с его прогнозируемыми финансовыми последствиями. На практике модель переводит поток атомов в потоки денежных единиц, задавая четыре элемента: единицу анализа (SKU, палету, машино-час и т. д.), временной горизонт проявления последствий, правила отнесения общих затрат и выручки и способ дисконтирования, согласующий разные даты. Её цель — не пророческая точность, а выявление иначе невидимых компромиссов, чтобы взаимоисключающие варианты можно было ранжировать по единому мерилу — доходности с учётом риска. Поскольку цепочки поставок работают в нескольких переплетённых временных масштабах, обычно сосуществуют несколько подмоделей: модель короткого цикла пополнения, сосредоточенная на оборотах запасов; модель закупок, отражающая скидки поставщиков и минимальные объёмы заказа; модель мощностей, показывающая, как производственные ограничения преобразуются в деньги. Каждая — грань одной дисциплины: превращения физических решений в дисконтированные денежные потоки.

Например, одна из простейших экономических моделей — модель чистого торгового посредника. Он лишь покупает и продаёт товары, не перевозя их, и часто оставляет их на хранении у продавца на согласованный срок. Его стратегия состоит в том, чтобы покупать дёшево и продавать дорого. Соответствующая модель сводится к прогнозируемой валовой марже: цена продажи единицы минус цена её покупки. Изменчивость возникает из цены продажи, неизвестной в момент покупки. Такие посредники выполняют на рынке разные функции, например защищают продавцов от колебаний цен или избавляют их от взаимодействия с многочисленными мелкими клиентами.

Если чистый торговый посредник — предельное упрощение, то реальные цепочки поставок неизменно содержат множество тонкостей. Экономическая модель всегда приблизительна. Некоторые приближения намеренны, поскольку помогают сохранять управляемость модели. Например, все товары подвержены порче: если дать достаточно времени, даже так называемая нержавеющая сталь заржавеет. Но для многих товаров срок годности настолько велик, что порчей можно пренебречь. В таких случаях разумно не включать её в модель.

Другие приближения ненамеренны и отражают операционную неопределённость. Знание можно уточнять, но оно останется неполным. Например, в запасах могут скрываться дефекты, замечаемые лишь покупателями, некоторые из которых затем требуют возврата денег или обмена. Контроль качества может снизить дефектность почти до пренебрежимого уровня, но возможность остаётся, а знание никогда не становится абсолютным.

Проектирование модели, включая её структуру и намеренные приближения, — задача общего интеллекта. Такие задачи не поддаются «механистическому» решению. Пригодность модели всегда требует суждения высокого уровня. Можно эмпирически опровергнуть экономическую модель или хотя бы количественно оценить её приближения и счесть их чрезмерными, но само проектирование модели требует высших форм рассуждения. Можно дать рекомендации и принципы, но ни один краткий формальный свод правил не позволит удовлетворительно выполнить эту работу.

Но хотя проектирование модели остаётся задачей общего интеллекта, автоматизировать всё же можно очень многое. Вычисления по модели и её использование для принятия решений могут быть полностью автоматизированы. Модель необходимо пересматривать по мере изменения компании и рынка, однако этот процесс обычно медленен по сравнению с колебаниями потока товаров и материалов. Для большинства компаний подходящая экономическая модель сохраняет актуальность месяцы, если не годы; значение данных о потоке, например уровень запаса, — часы.

4.5.2 Неявные денежные оценки

Многие компании обходят проблему экономического расчёта для цепочки поставок, прибегая к правилам на основе процентов и подобным неэкономическим методам. Эти правила управляют принятием решений в цепочке поставок. Обычно они смешивают ручные и автоматизированные операции, не принимая явно экономической точки зрения. Единственное достоинство такого подхода — отсутствие затрат, связанных с самим экономическим расчётом. Во всём остальном, каким бы успехом компания ни пользовалась благодаря независимым от её цепочки поставок факторам, например превосходному брендингу, этот подход уже нельзя считать ничем иным, кроме как отсталым.

Для микробизнеса — одного продуктового магазина, семейной мастерской, ремонтной точки за углом — отсутствие формальных денежных оценок не отсталость, а прагматизм. Самый ограниченный ресурс владельца — личное время: каждый час, потраченный на составление электронной таблицы, конкурирует с протиранием полок, общением с покупателями или просто поддержанием работы предприятия. Когда два часа арифметики в лучшем случае позволяют сэкономить несколько денежных единиц на закупке следующей недели, эти часы дают более высокую и менее рискованную отдачу, если вложить их в уход за помещением или непосредственные продажи. В таких условиях простые эмпирические правила — «заказывай снова, когда остаются только две штуки», «не допускай пустой хлебной полки» — достаточно хорошо приближают оптимум. Когда объёмы, ассортимент и число объектов растут, арифметика меняется на противоположную: цена ошибочного распределения быстро превышает затраты на расчётную работу. За этим порогом приверженность неявным оценкам — уже не бережливость, а самосаботаж.

Сделав эту оговорку, вернёмся к основной линии рассуждения. Страховые запасы, точки заказа min/max и временные буферы — типичные неэкономические правила. Каждое выдаёт число — процент, количество единиц или «дни спроса», — которое запускает заказ, но ни одно не содержит оценки в денежных единицах. Их настраивают на достижение инженерных целей — полноты удовлетворения спроса, длительности цикла, визуального комфорта, — не спрашивая, чего стоит следующая единица. Стоимости капитала, изменчивости маржи и альтернативных издержек в формулах нет. Компания может безупречно выполнять такие правила и всё равно неверно распределять ресурсы, потому что оптимизируемое мерило оторвано от прибылей и убытков.

Сколь бы эти правила ни игнорировали экономический расчёт, прибыли и убытки всё равно возникают; от расчёта можно уклониться, от его последствий — нет. Например, распространено заблуждение, что проценты нужно направлять к 100%, как в случае уровней сервиса, определяющих страховые запасы. Увеличение хранимого количества явно даёт убывающую отдачу. В некоторый момент затраты на списание избыточных запасов сравниваются с затратами из-за дефицита; дальше рост запасов приносит убытки. При использовании неэкономических правил нет оснований считать, что их внутренние параметры близки к настройкам, максимизирующим доходность.

Утешает то, что эти настройки вряд ли катастрофичны: иначе компания прекратила бы работу. Здесь велика роль ошибки выжившего: наблюдаемыми остаются лишь компании, избежавшие банкротства; остальные по определению исчезли. Поэтому в некоторой степени неэкономическое правило, сохранявшее платёжеспособность компании на протяжении лет, демонстрирует определённые достоинства.

Концептуально любое неэкономическое правило можно переписать как экономическое. Введите ряд оценок, подобранных не по соответствию реальным прибылям и убыткам, а по способности численно воспроизводить те же решения. Это упражнение проясняет фундаментальный дефект неэкономических правил: это экономические правила, построенные на ошибочных денежных оценках.

Таким образом, любое неэкономическое правило можно улучшить, сначала явно переписав его как экономическое, а затем приблизив оценки к реальным значениям. Такой обходной путь представляет преимущественно теоретический интерес; на практике редко есть основания действовать столь запутанно. Иногда это может быть оправданно, если устаревшая транзакционная система негибка и способна работать, например, только со страховыми запасами. Тогда, если компания не хочет или не может обновить систему, ей приходится заниматься утомительным выявлением неявных оценок и перенастраивать их на более разумные значения. Этот процесс требует значительного обратного проектирования, чреват ошибками реализации, увеличивает расходы на сопровождение и должен оставаться крайней мерой.

Теперь, когда неэкономические правила управления потоком переосмыслены как грубые, часто ошибочные денежные оценки, между бухгалтерским учётом и пригодными к исполнению микрорешениями остаются два практических препятствия. Отнесение спрашивает: «Какие прошлые денежные единицы относятся к каким прошлым выборам?» — и распутывает причинные нити, связывающие затраты и выручку. Затем проекция спрашивает: «При этих связях какую картину денежных потоков, скорее всего, принесёт завтра?» — и переносит картину вперёд в условиях неопределённости. Следующие два подраздела разбирают эти парные задачи в таком порядке.

4.5.3 Отнесение расходов и выручки к решениям

Отнесение связывает каждую денежную единицу, проходящую через бухгалтерский учёт, с вызвавшим её операционным выбором. В мире чистого торгового посредника соответствие тривиально: одна покупка, одна продажа, одна валовая маржа. Как только компания начинает хранить, маршрутизировать, преобразовывать или продвигать товары, эта взаимно однозначная симметрия исчезает. Один входящий контейнер пополняет сотни SKU; одна уценка поднимает продажи целой категории; недостающая прокладка останавливает всю сборочную линию. Пока эти переплетённые эффекты не распутаны, о «ценности» отправки дополнительной палеты или сокращения срока выполнения операции на день можно лишь гадать. Поэтому отнесение обеспечивает количественное представление причинности, превращающее сырые учётные записи в данные для принятия решений и позволяющее выполнять микроаналитическую оценку каждого варианта отдельно.

Рассмотрим задачу определения закупочной цены единицы для ряда товаров, которые можно приобрести у одного поставщика. Эта цена критически важна для решения, покупать ли у него или у конкурента. В нашем примере поставщик публикует цены единиц, однако к ним прилагаются условия. А именно, поставщик взимает фиксированную плату за доставку, отражающую стоимость отправки грузовика. Компания-покупатель сталкивается с компромиссом: малые заказы дают низкие затраты на запасы и высокие расходы на доставку; большие — высокие затраты на запасы и низкие расходы на доставку. Какими бы ни были размер и частота закупочных заказов, счета поставщика содержат и товарные строки, и строки доставки. Задача отнесения состоит в том, чтобы решить, как распределить эти строки при расчёте закупочных цен единиц.

Для ясности предположим, что клиент заказывает два товара: один в большом объёме, другой — в малом. На практике единственный «экономичный» способ заказать второй товар — присоединить его к заказу, содержащему много единиц первого. Второй товар «едет за компанию» с первым в потоке заказов. В такой ситуации заманчиво распределить плату за доставку между товарами пропорционально расходам на них. Тогда почти вся плата придётся на первый товар, а на второй — лишь малая часть. При таком отнесении «скорректированная» закупочная цена обоих товаров вырастет на фиксированный процент. Но это рассуждение игнорирует связь между двумя товарами. Если компания переведёт закупки первого товара к более дешёвому поставщику, её положение может ухудшиться: экономия на первом будет перекрыта платой за доставку, которую всё равно нужно нести для заказа второго. Такое решение фактически повышает цену единицы второго товара.

Однако задача отнесения не ограничивается расходами: она затрагивает и выручку. Например, рассмотрим магазин, предлагающий существенную скидку на определённый товар. Выручка от него резко растёт благодаря продаже большего числа единиц, хотя и с меньшей валовой маржой; эффект акции на этом не заканчивается. Покупатели приобретают и дополняющие товары, побуждаемые первоначальным интересом к товару со скидкой. Поэтому выручка от нескольких дополняющих товаров тоже растёт. Может показаться, что эта выручка получена по полной цене, но такой взгляд вводит в заблуждение. Без скидки на «флагманский» товар другие товары не покупали бы в таком объёме. Поэтому вместо наивного отнесения всего сокращения выручки из-за скидки на первый товар правильнее распределить это сокращение между всеми дополняющими товарами пропорционально полученному ими косвенному продвижению.

В более общем смысле связи в цепочках поставок повсеместны: изделия совместно закупают, перевозят, хранят, преобразуют и продают. Каждая из этих операций несёт постоянные или общие затраты. С другой стороны, почти все механизмы получения выручки сопровождаются побочными эффектами: узнаваемостью бренда и лояльностью, импульсивными покупками сверх первоначального намерения и т. д. Отнесение перегруппировывает расходы и выручку так, чтобы они лучше соответствовали принятию решений. Поэтому оно является одним из ключевых механизмов экономического расчёта, необходимого для выявления лучших доступных компании вариантов. В значительной степени отнесение определяет саму структуру экономического расчёта.

Правильность отнесения нельзя доказать математически; можно лишь показать его ошибочность, если оно создаёт расходы или выручку из ничего либо если лежащая в основе арифметика неверна. Однако эти проблемы сравнительно тривиальны, и даже ошибочные схемы отнесения могут удовлетворять такому базовому стандарту «правильности».

В большинстве стран существует множество правил, обычно бухгалтерского характера, для такого отнесения. Например, они могут быть направлены на предотвращение «продажи в убыток» согласно некоторому полупроизвольному определению «убытков»²⁹. Эти правила предназначены для налоговых или регуляторных целей. Их обоснованность не распространяется за пределы первоначального назначения. Повторно использовать их для аналитических целей было бы серьёзной ошибкой. Цепочка поставок должна соблюдать нормативные требования, но только и всего.

Каждая схема отнесения вносит собственные искажения. С информационной точки зрения отнесение — метод снижения размерности. Возвращаясь к примеру с большими и малыми объёмами, мы имеем две товарные цены и одну плату за доставку. Относя доставку на сами товары, мы проецируем трёхмерную ситуацию в двумерное пространство. Эта проекция упрощает принятие решений, поскольку каждый товар получает теневую цену, отражающую доставку. Однако она может привести к ошибочным решениям, если теневые цены искажают исходную ситуацию. В общем случае свёртывание измерений не может безупречно сохранить все свойства исходного пространства.

Методы оптимизации, способные работать с высокой размерностью, могут смягчить или даже устранить проблему отнесения. Например, если у нас есть числовой рецепт, способный непосредственно обрабатывать шесть измерений пары поставщиков, конкурирующих по одним и тем же двум товарам, то есть четыре цены единицы и две платы за доставку, отнесение не требуется: рецепт охватывает более высокую размерность задачи.

Отнесение принадлежит экономической науке, а не экономической истории, поскольку принимает точность и полноту записей как данность. Оно упрощает пространство задачи за счёт снижения размерности, сохраняя при этом содержательную экономическую модель, то есть такую, которая надёжно представляет базовые значения расходов и выручки для оценки вариантов. Установив эти базовые значения, нужно перейти ко второму механизму — проекции.

4.5.4 Проекции расходов и выручки

Экономическую историю нельзя путать с экономической наукой как таковой. Если прошлые расходы и выручку можно установить достоверно, за исключением случайных ошибок учёта, то будущие расходы и выручка всегда неопределённы. Их неопределённость неустранима. Какими бы свежими и многочисленными ни были транзакционные наблюдения, они никогда не расскажут полностью, что произойдёт, потому что будущее зависит от решений, которые ещё предстоит принять. Некоторые из них примет сама компания, другие — третьи стороны, например покупатели и поставщики.

Поскольку варианты в цепочке поставок выбирают по оценке их экономической отдачи, этот выбор в конечном счёте опирается на проецируемые, а значит, по природе несовершенные денежные оценки. Бывают ситуации, где различия в оценках между недавним прошлым и ближайшим будущим считаются несущественными, но они редки. В цепочках поставок преобладает обратное. Кратко проиллюстрируем это положение.

Когда ритейлер решает добавить на полку ещё одну единицу с ценником в одну денежную единицу, нужно построить две взаимодополняющие проекции.

Сначала — проекция выплат. С момента поступления товара в магазин до дня его выбытия он связывает капитал и поглощает затраты на содержание запасов: аренду занимаемой площади, зарплату сотрудников, которые его перемещают или считают, коммунальные услуги, потери, страхование и альтернативные издержки денег, связанных в самой единице. Эти расходы накапливаются день за днём, а их математическое ожидание строго положительно; если бы они действительно были пренебрежимо малы, рациональной стратегией было бы неограниченное расширение торговой площади — reductio ad absurdum, подтверждающее реальность и существенность затрат.

Затем — проекция поступлений. Ценник в одну денежную единицу — лишь предполагаемая цена: при слабом спросе товар, возможно, придётся уценить; при порче — списать; если конкуренты снизят цены, магазин может последовать за ними. И наоборот, внезапный всплеск спроса или общая инфляция могут поднять фактическую цену выше ценника. Поэтому ожидаемая сумма, полученная при продаже, почти никогда не равна ровно одной денежной единице: чаще она ниже, иногда выше. Только после дисконтирования обоих потоков к текущей стоимости ритейлер может решить, повышает или снижает долгосрочную прибыль дополнительная единица в запасе.

В более общем смысле задача проекции столь же сложна, как задача отнесения. Приведённый пример прост — измерение лишь откладывается на один цикл запасов, — но многие другие обстоятельства труднее уловить эмпирически. При этом они тоже могут оказаться критически важными. Между простотой измерения и критической важностью для бизнеса нет корреляции.

Рассмотрим модный бренд, снижающий цены в конце сезона для распродажи текущей коллекции. Здесь действуют две разные силы. Во-первых, скидка увеличивает объём продаж, но ценой валовой маржи. Во-вторых, она приучает покупателей ожидать сопоставимых скидок в будущем, подрывая готовность платить: некоторые будут откладывать покупки до распродаж. Это размывание может замедляться, но со временем его воздействие на выручку бренда становится значительным. Для многих, если не большинства, брендов оно вполне может намного превысить первый эффект. Однако количественно оценить такое размывание хотя и возможно, но далеко не просто.

Каждая денежная оценка содержит проекцию — численное утверждение о будущем, «прогноз», не ограниченный одним лишь спросом. Исторические расходы, выручка и их отнесение дают базовые значения для вычисления этих проекций. Но исторические базовые значения нельзя приравнивать к их проекциям. Будущее обусловлено ещё не принятыми решениями. Любая кажущаяся точной проекция может стать совершенно неточной при пересмотре последующих решений. Эта проблема фундаментальна, и устранить её одними статистическими методами, сколь угодно изощрёнными, невозможно; её можно смягчить методами, признающими присущую будущему неопределённость.

Экономическая результативность решения в цепочке поставок во многом зависит от качества и надёжности лежащих в его основе проекций. Хотя работа над этой задачей обычно требует большого объёма статистики, считать её чисто статистической ошибочно. В самом деле, проекцию прежде всего нужно оценивать по её экономической значимости — критерию более требовательному, чем простая статистическая точность.

В оставшейся части раздела мы подробнее рассмотрим две особые категории проекций, заслуживающие отдельного разбора. Сначала — теневые оценки: числа, которых нет ни в одной строке учёта, но которые нужно ввести, чтобы отразить трудноуловимые, однако экономически решающие эффекты. Затем перейдём к внутренним оценкам — внутренним трансфертным ценам промежуточных компонентов, которые никогда не выходят на внешний рынок, но всё же конкурируют за деньги, пространство и внимание внутри фирмы. Оба семейства следуют уже изложенной общей логике, но у каждого свои ловушки и практические приёмы.

4.5.4.1 Теневые оценки

Экономическое воздействие решения обычно подсчитывают, проецируя деньги, потраченные сегодня, и деньги, заработанные завтра. Но многие эффекты второго порядка — утрата благожелательности, недоверие поставщиков, усталость сотрудников — никогда не попадают в учёт, хотя позднее превращаются во вполне реальные деньги. Их игнорирование даёт карикатуру на близорукого бухгалтера, ведомого электронной таблицей, который «оптимизирует» текущий квартал, незаметно уничтожая следующий год. Чтобы избежать этой ловушки, практикам необходимо вводить теневые оценки — явные оценки в денежных единицах, делающие невидимые последствия осязаемыми. Эти числа являются допущениями: для них нет исторической базы. Но без таких поправок расчёт вырождается в наивное сокращение затрат, жертвующее долгосрочной опциональностью и в конечном счёте прибылью.

Рассмотрим пример из розницы: если покупатель не находит в магазине того, на что рассчитывал, его покупка как минимум откладывается, а может и вовсе не состояться, если он потеряет интерес. Вместо этого он может зайти к конкуренту, найти товар и со временем предпочесть тот магазин. Такие сбои обслуживания происходят незаметно, не оставляя следов в транзакционных записях, но имеют реальные последствия: страдает и краткосрочная, и долгосрочная выручка.

Если ритейлер оценивает запасы исключительно по наблюдаемым продажам, он упускает, как ненадлежащее обслуживание размывает его клиентскую базу. Иными словами, недооценивая запасы и оставляя в стороне ограничения вместимости полок, магазин в итоге держит неоптимальный запас. Осознав это, компания может ввести «штраф за дефицит» — теневую оценку, предназначенную отразить долгосрочную цену упущенных продаж. Включённый в экономический расчёт, этот штраф повышает оценку ценности хранения запасов, побуждая магазин держать их больше.

В более общем смысле благожелательность³⁰ покупателей, поставщиков и сотрудников по отношению к компании лучше всего отражается через теневые оценки. Хотя подробности различаются между организациями, большинство решений в цепочке поставок влияет на эту благожелательность. Поэтому включение теневых оценок позволяет лучше учитывать такие более широкие последствия при оценке вариантов.

Например, нерегулярные закупки — колеблющиеся размеры заказов и непостоянная частота — могут вредить поставщикам. Сглаживая поток заказов и делая спрос более предсказуемым, компании побуждают поставщиков снижать цены. В этом контексте теневая оценка, штрафующая изменчивость заказов, направляет закупочное поведение в желаемую сторону.

Аналогично, сотрудники страдают от чрезмерной нагрузки. Например, если за день персонал продуктового магазина получает больше товаров, чем может разложить по полкам в обычное рабочее время, ему, возможно, придётся незапланированно работать сверхурочно. Кроме того, запасы, оставленные в беспорядке вместо правильной выкладки, раздражают и сотрудников, и покупателей. Теневая оценка, штрафующая чрезмерные объёмы доставки, помогает сглаживать отгрузки со склада.

На практике теневые оценки часто грубы, и это допустимо: лучше быть приблизительно правым, чем точно неправым. Игнорировать трудноуловимые, но значимые факторы ошибочно. Такое упущение приводит к решениям уровня «учёного идиота», которые могут демонстрировать высокую техническую изощрённость и всё же упускать суть. Позднее мы обсудим, как экспериментальная оптимизация даёт более надёжный способ определения оценок; пока же обоснованное приближение предпочтительнее игнорирования существенных факторов.

4.5.4.2 Внутренние оценки

Фундаментальная черта рыночной экономики — формирование цен. Для готовых или «пригодных к продаже» товаров компании должны действовать в ограничениях, задаваемых рыночными ценами. Компания может направлять свои цены вниз за счёт инноваций, резко снижающих затраты, или вверх благодаря продуманному брендингу, как в случае предметов роскоши. Но рыночные цены действуют всегда. Даже компания с монополией, защищённой патентом, должна корректировать цены с учётом рыночных альтернатив. Рыночные цены не требуют совершенных заменителей.

Напротив, товары, непригодные к продаже, не получают прямой пользы от рыночных цен. Они распространены в производстве, которое часто требует множества промежуточных компонентов, часть из которых собирают из деталей, закупаемых извне. Эти промежуточные изделия обычно существуют лишь внутри производственного процесса компании и лишены дополнений — технической документации, налаженных каналов сбыта, маркетинговых материалов, процедур соблюдения нормативов, — которые сделали бы их пригодными к продаже. Но не все промежуточные товары непригодны к продаже: например, производитель может выпускать и насосы, и кондиционеры, причём насос входит в состав кондиционера, но также продаётся отдельно.

Товары, непригодные к продаже, требуют инвестиций и в производственные мощности, и в достаточный запас. Когда такой компонент используется исключительно в одном готовом изделии, его оценка сравнительно проста³¹: стоимость готового изделия можно пропорционально распределить между компонентами. Но когда компонент используется в нескольких готовых изделиях, оценить каждую дополнительную единицу в запасе становится сложнее, поскольку оценка зависит от вероятностей её использования в разных изделиях.

Например, пусть производитель использует компонент в двух изделиях, продаваемых в равных объёмах: изделие A даёт валовую маржу в 10 денежных единиц, а изделие B — лишь в 1. Ценность производства дополнительной единицы компонента зависит от того, для какого изделия она предназначена. Если запас изделия A велик, а изделие B отсутствует, следующая единица ценнее для изделия B. И наоборот, если изделие A отсутствует, а изделием B компания хорошо обеспечена, дополнительная единица ценнее для изделия A с его более высокой маржой. Таким образом, ценность дополнительного компонента решающим образом зависит от уровней запасов в последующих звеньях и маржи изделий.

На практике производитель может работать с многочисленными изделиями и компонентами. Производственные циклы часто различаются, а спрос колеблется и по объёму, и по цене. Для каждого изделия обычно поддерживают собственный запас, часто распределённый между несколькими местами, а производство может идти партиями разного размера. Эти условия усложняют денежную оценку запасов компонентов.

Норму доходности любых инвестиций, связанных с непригодными к продаже товарами, будь то приобретение производственного оборудования или использование входных ресурсов для выпуска дополнительных единиц, необходимо оценивать по прогнозируемому влиянию на выручку и расходы компании. Как и рассмотренное ранее отнесение, внутренние оценки служат методом снижения размерности, сводящим сложные многомерные эффекты к ожидаемой доходности.

В крупных вертикально интегрированных компаниях внутренние оценки становятся распространённее и важнее. В таких фирмах непригодных к продаже товаров часто больше, чем готовых изделий, и на них приходится более высокая доля стоимости запасов. Поэтому оценка этих активов становится критически важной.

4.5.4.3 Роль рынка

Внутренние оценки по своей природе сложны. По мере роста компаний и усиления вертикальной интеграции их задачи цепочек поставок всё больше напоминают проблемы распределения ресурсов, с которыми государства сталкиваются при социализме и сопутствующем ему централизованном планировании. Социализм действительно внедряли многократно и во многих местах; как предсказывали ведущие экономисты в первой половине XX века, все эти попытки провалились и неизменно приводили к всеобщему обнищанию. Социализм с его следствием — централизованным планированием — терпит неудачу, потому что пытается решить задачу оценки ограниченных ресурсов, с которой в большом масштабе может справиться только свободный рынок. Аналогично, хотя компании способны выполнять точные внутренние оценки в малом масштабе, крупные фирмы часто сталкиваются со значительными отрицательными эффектами масштаба, ограничивающими рост; ошибочные внутренние оценки — один из ключевых факторов.

На свободном рынке цены подсказывают экономическим участникам, как распределять ресурсы. Когда спрос превышает предложение, цены растут, побуждая вкладывать средства в дефицитный товар. Напротив, избыток предложения снижает цены, поощряя переход к более прибыльным возможностям. Когда цепочка поставок сравнительно проста — товаров мало, промежуточных изделий минимум, а сроки выполнения операций коротки, — перевести рыночные цены в решения о распределении ресурсов несложно. В таких случаях сами рыночные цены решают критически важную часть задачи цепочки поставок без глубокого понимания деталей или передовой аналитики³².

По мере того как крупные компании углубляют и усложняют свои цепочки поставок, связь между планированием и обратной связью рыночных цен ослабевает, а трудности умножаются. Эта проблема была хорошо известна предпринимателям XIX века, но основатель IKEA Ингвар Кампрад в Testament of a Furniture Dealer (1976) формулирует её прямо:

Но не забывайте, что чрезмерное планирование — самая распространённая причина гибели компаний.

В самом деле, подобно государствам, пытающимся построить социализм, крупные компании не имеют иной возможности, кроме как назначить касту экспертов — планировщиков снабжения и спроса, категорийных менеджеров, специалистов по прогнозированию спроса и управлению запасами — для распределения ресурсов. Хотя эти роли лишь немного различаются по охвату, общая задача огромна: компаниям нужно учитывать сотни экономических факторов и устанавливать тысячи внутренних оценок, сталкиваясь при этом с присущей будущему неопределённостью. Ошибочные оценки порождают неприбыльные решения.

По мере роста организации стимулы меняются: руководители среднего звена всё чаще предпочитают избегать обвинений, а не добиваться дополнительных выгод, и готовность рисковать уменьшается с размером фирмы. Поэтому они опираются на устоявшиеся процессы, часто жёстко следуя им независимо от экономических достоинств. Когда эти процессы раз за разом дают неприбыльные результаты, бюрократия отвечает добавлением правил, удлинением контрольных списков и включением дополнительных шагов в рабочие процессы. По сути, бюрократия расширяется независимо от экономического обоснования.

Именно отрицательные эффекты масштаба, а не недостаток амбиций, обычно тормозят очень крупные вертикально интегрированные фирмы. С умножением организационных уровней внутренние оценки отклоняются от реальности, и каждый новый уровень усиливает возникающие ошибки распределения. Чтобы вернуть гибкость, компании обычно избавляются от периферийной деятельности посредством аутсорсинга, выделения подразделений или совместных предприятий и удваивают усилия в сегментах, где их сравнительное преимущество очевидно, а внешние рыночные цены дают быструю и однозначную обратную связь.

5 Информация

Каждое решение в цепочке поставок — ставка в условиях неопределённости; чтобы оно имело хоть какую-то ценность, оно должно быть информированным. Несколько неожиданно для неспециалиста, слово «информированный» здесь не просто метафора: с 1940-х годов теория информации придаёт ему точный количественный смысл. Эта глава проясняет, что значит «быть информированным» для современной цепочки поставок.

Дальнейшее изложение опирается на два факта. Во-первых, современные цепочки поставок — неустранимо цифровые объекты. Их состояния и история находятся внутри корпоративных систем; называть цепочку поставок «цифровой» избыточно, поскольку ни одна сколько-нибудь крупная цепочка не может работать без программного обеспечения. Во-вторых, общепринятая теория цепочек поставок постоянно смешивает данные с информацией: она считает величины, относительно которых намерена принимать решения, — спрос, сроки выполнения операций, уровни сервиса — непосредственно наблюдаемыми. В действительности фирма располагает лишь необработанными следами событий (заказами клиентов, отгрузками, возвратами, корректировками запасов), из которых эти величины ещё нужно вывести. Именно пренебрежение этим различием объясняет, почему изящные формулы так часто терпят неудачу при столкновении с необработанными следами работы корпоративных систем. Это несоответствие теории и практики губит многие инициативы: фирмы пытаются привить идеи докомпьютерной эпохи инфраструктуре, возникшей после появления компьютеров.

Чтобы разобраться в этом устройстве, необходимо разделить три понятия, которые обыденная речь смешивает: данные, информацию и знание. Данные — записанные символы: байты в таблицах, строки журналов, штрихкоды. Информация — способность этих символов устранять неопределённость, величина, которую Шеннон научил нас измерять. Знание — причинная структура, позволяющая разуму, человеческому или машинному, превращать информацию в решения, повышающие доходность фирмы. Смешение этих понятий порождает наивные рецепты, которые выглядят сложными на бумаге, но в эксплуатации уступают грубым эвристикам.

Цифровизация уже вытеснила людей из роли хранителей данных; тот же процесс теперь ослабляет их роль хранителей информации и знаний. При взрывном росте объёмов и частоты обновления именно архитектура систем, а не личная сообразительность их пользователей, определяет, какие решения фирма способна принимать хорошо, а какие — нет. Поэтому понимание того, где внутри компании действительно находится информация, приобретает стратегическое значение.

С 1970-х годов это «где» определяется тремя классами программ: системами учёта (ведут рабочие процессы, хранят транзакции), системами отчётности (описывают произошедшее) и системами принятия решений (решают, что должно произойти дальше). Большинство корпоративных разочарований возникает из-за смешения этих ролей: от учётных регистров ждут мышления, а от аналитических слоёв — роли достоверного первоисточника.

Изложение в этой главе развивается поэтапно: сначала мы разграничим данные, информацию и знание, опираясь в определении информации на теорию Шеннона. Затем рассмотрим, как эти понятия проявляются — и постоянно искажаются — в трёх преобладающих классах корпоративного ПО. На этой основе разберём запутанную семантику корпоративных данных, фольклор о «плохих данных» и стимулы, под влиянием которых записи перестают служить интересам фирмы. Наконец, вернёмся к неявным, так называемым обыденным знаниям, которые всё ещё остаются в головах людей, и покажем, как их тоже можно постепенно формализовать. Это подготовит почву для следующей главы об интеллекте и для полной механизации принятия решений.

5.1 Данные, информация и знание

Данные, информация и знание — три слова, которыми с лёгкостью подменяют друг друга на презентационных слайдах и в брошюрах поставщиков; на практике их смешение разрушает архитектуры и правила принятия решений. Считать необработанные записи (данные) уже устранённой неопределённостью (информацией) или полагать, что уменьшение неопределённости уже заключает в себе причинную модель, способную направлять действия (знание), — не мелкая семантическая неточность. Именно это лежит в основе дашбордов, которые никогда ничего не решают, модулей «планирования», которые никогда ничего не планируют, и разборов неудач, которые продолжают винить «плохие данные» в провалах, на деле обусловленных методологией.

Данные — символы, зафиксированные системами: байты в таблицах, строки журналов, штрихкоды; сами по себе они ничего не говорят о том, насколько велика оставшаяся неопределённость. Информация — то, что эти символы дают нам в борьбе с неопределённостью; её можно количественно измерять и распределять как ограниченный ресурс. Знание — явная или неявная структура, позволяющая интеллекту превращать информацию в решения, систематически повышающие доходность фирмы. Смешение этих слоёв ведёт к двум симметричным ошибкам. Во-первых, фирмы накапливают всё больше данных и вычислительных мощностей, убеждённые, что объём заменяет информацию; в итоге они получают петабайты малоценных следов работы систем, которые почти не уменьшают значимую неопределённость. Во-вторых, они принимают информацию за знание и ждут, что отчёты или KPI будут «управлять» бизнесом; людям приходится вручную восполнять этот пробел, добавляя ситуативные правила и неписаные представления, которые так и не формализуют, не ставят под контроль версий и не проверяют.

Для современной цепочки поставок эти различия имеют практический смысл. Если вы не можете сказать, где находится информация, то не можете сказать, какая система служит достоверным первоисточником; если не можете сказать, где находится знание, то не можете определить, кто — или что — отвечает за решения. При таком взгляде «системы учёта», «системы отчётности» и «системы принятия решений» становятся необходимыми архитектурными ограничениями: учёт хранит данные (бо́льшую их часть), отчётность раскрывает фрагменты информации, интеллект применяет знание на практике, выдавая распоряжения. Ожидание, что какой-то один из этих слоёв выполнит работу остальных, — принятие желаемого за действительное и верный способ растратить и бюджет, и доверие.

Поэтому дальнейшее изложение не повторяет определения ради классификации. Мы начнём с механической природы данных — всего лишь символов — и инженерных реалий их хранения и извлечения. Затем обоснуем понятие информации количественным подходом Шеннона к неопределённости и покажем, почему многие внешне «богатые» наборы данных несут мало информации для рассматриваемых решений. Наконец, обратимся к знанию — наименее податливому из трёх понятий — и свяжем его с кодом, рецептами и людьми компании: где оно действительно находится, как его следует поддерживать и как постепенно механизировать. Только разделяя эти три уровня, фирма может рассчитывать на создание систем, принимающих одновременно информированные и надёжные решения.

5.1.1 Хранение данных

Данные — это записанные символы. Ими могут быть числа, знаки, пиксели или любые другие дискретные отметки, которые система способна надёжно хранить и извлекать. Сами по себе эти символы лишены смысла; лишь согласованная интерпретация (схема, справочник кодов, протокол) превращает их в то, о чём фирма может рассуждать. Штрихкод, идентификатор клиента, строка заказа поставщику или показание температурного датчика — всё это «данные» в таком строгом, механическом смысле.

В компьютерах эти символы в конечном счёте кодируются двоичными цифрами и объединяются в байты (8 двоичных цифр в байте)³³. Современные накопители весом всего в несколько граммов³⁴ способны вместить более 1 ТБ, или \(10^{12}\) байт. Терабайт уже выходит за пределы интуитивного понимания. Издание Encyclopaedia Britannica 1768–1880 годов насчитывает 143 тома, а объём его текста составляет 336 МБ — примерно в 3 000 раз меньше 1 ТБ. Даже с изображениями высокого разрешения энциклопедия занимает всего 23,5 ГБ, то есть примерно в 400 раз меньше 1 ТБ. При эффективном представлении данных 1 ТБ позволяет хранить более десяти лет розничных транзакций крупной сети.

Для цепочки поставок большая ёмкость хранения позволяет собирать обширные электронные записи. Они фиксируют и текущее состояние цепочки поставок, и подробную последовательность приведших к нему событий, включая поток материальных благ. В них могут входить и рыночные данные, например цены конкурентов. Все эти данные хранятся в системах учёта компании, которые мы рассмотрим далее.

Ёмкость современных накопителей настолько велика, что эти числа трудно осмыслить, и по мере развития технологий этот разрыв будет лишь увеличиваться. Современные цифровые стеки регулярно охватывают от 10 до 15 порядков величины: от наносекундных циклов процессора до суточных пакетных заданий, от байтов на встроенных устройствах до петабайтов в хранилищах данных. Для сравнения: расстояние между предприятием из одного человека и крупнейшими фирмами планеты составляет «всего» около семи порядков (от 1 до 10 миллионов сотрудников). Эти величины прекрасно поддаются измерению; трудно выработать интуитивное представление о явлениях, различающихся в триллион и более раз.

По мере роста ёмкости извлекать и обрабатывать хранимое тоже становится труднее. Однако давление рынка обычно продвигает остальные части стека — пропускную способность, оперативную память, процессор — достаточно далеко, чтобы дополнительное хранилище оставалось экономически пригодным к использованию. Когда ёмкость хранения слишком долго опережает сопутствующие компоненты, инвестиции во всё более плотные носители просто останавливаются, пока остальное оборудование не наверстает отставание; тогда дальнейший рост снова обретает коммерческий смысл.

Микросхема памяти весом около грамма теперь вмещает больше битов, чем один разум — или тысяча — когда-либо сможет удержать в рабочей памяти. Именно поэтому ещё десятилетия назад корпоративные системы стали де-факто хранителями почти всей значимой информации о цепочках поставок. Следовательно, процесс принятия решений в цепочке поставок по-настоящему информирован лишь тогда, когда он использует огромные массивы, хранящиеся в системах учёта компании.

Огромная ёмкость современных хранилищ сопряжена с двумя различными ловушками. Практики цепочек поставок, не слишком хорошо знакомые с информационными технологиями, часто недооценивают объёмы данных, которые можно хранить и обрабатывать для задач цепочки поставок. В результате жизненно важные данные не записывают, слишком рано удаляют или вообще не собирают. Будь эти данные доступны, их можно было бы использовать для дальнейшего совершенствования принятия решений. Две самые распространённые ошибки — не сохранять все события, затрагивающие корпоративные системы, и отбрасывать исторические данные через три–пять лет, хотя всю историю можно было бы хранить практически бессрочно³⁵.

Например, хотя все системы управления запасами позволяют вручную корректировать их уровень, устраняя расхождения между физическими запасами и электронными записями, некоторые системы не регистрируют эти корректировки. Между тем их полная история необходима для выявления первопричин ошибок в учёте запасов. В идеале следует записывать каждое событие, которое в конечном счёте меняет состояние корпоративной системы³⁶.

Напротив, инженеры-программисты, хорошо осведомлённые о возможностях вычислительного оборудования, часто пользуются ими, предпочитая простые в реализации решения экономным по ресурсам. В результате программы нередко неэффективно используют оборудование, особенно корпоративное ПО по сравнению с потребительскими приложениями. В потребительском ПО покупатель и пользователь обычно одно лицо, а отзывчивость приложения — ключевой фактор его принятия пользователями³⁷. Поэтому инженеры тратят значительную часть усилий на экономию каждого вычислительного цикла.

Покупатель корпоративного ПО, напротив, редко является его пользователем, а демонстрации обычно проходят на искусственных наборах данных, гораздо меньших, чем реальные, поэтому производительность в эксплуатации почти не проверяют. Кроме того, даже при неэффективном использовании вычислительных ресурсов совокупная стоимость владения приложением обычно намного превосходит затраты на оборудование. Поэтому при возникновении проблем с производительностью принято наращивать оборудование вместо повышения эффективности самих программ. В целом у большинства поставщиков корпоративного ПО лишь умеренные стимулы вкладываться в экономное использование ресурсов их технологиями.

Эффективность использования ресурсов важна, потому что одну и ту же информацию можно закодировать множеством способов, одни из которых гораздо компактнее других. Хотя набор данных объёмом 1 ГБ (\(10^{9}\) байт) может казаться богаче и информативнее набора объёмом 1 КБ (\(10^{3}\) байт), большее число байтов само по себе не означает большего количества информации. Например, число 123 можно хранить в одном байте или в миллионе байтов с миллионом ведущих нулей.

Использование миллиона байтов для представления небольшого числа — очевидное расточительство вычислительных ресурсов, однако корпоративное ПО часто создаёт в своих базах избыточные копии одних и тех же данных. В реляционных базах корпоративное ПО обычно увеличивает объём хранения в десять, а иногда в сто раз из-за избыточных представлений данных. Эти представления оправданы различными техническими причинами. Они выходят за рамки нашего рассмотрения, но поднимают важный вопрос: как выбранное представление соотносится с самой информацией?

5.1.2 Теория информации

Записи компании можно хранить как данные. Но хотя данные принято измерять в байтах, эта единица не показывает, сколько информации они содержат. Одна и та же запись допускает множество представлений, одни из которых экономнее других в хранении. Сама информация не зависит от способа записи. Например, 1776 равно MDCCLXXVI в римской записи; информация остаётся той же. Теория информации изучает, что такое информация и как её измерять, хранить и передавать.

Клод Шеннон заложил основы современной теории информации в 1940-х годах. Это одна из основополагающих вспомогательных наук о цепочках поставок. Она опирается на вероятность и определяет информацию как способность устранять неопределённость. Чтобы проиллюстрировать связь неопределённости с информацией, рассмотрим два магазина, в каждом из которых хранится 100 товаров. Сосредоточимся на уровнях запасов — всего 100 числах — и сравним информацию, необходимую для управления двумя совершенно разными магазинами.

Первый — магазин дорогих часов. Для каждой модели из ассортимента он держит не более одной единицы. Когда часы продают, им оперативно присылают замену, чтобы ассортимент оставался полным. Второй — пригородная база строительных материалов, продаваемых большими объёмами. Запасы пополняют редко и крупными партиями, обычно на полную загрузку грузовика. В часовом магазине добросовестный управляющий, вероятно, в любой момент знает точные запасы. Обычно уровень запаса всех часов равен 1; для только что проданных он временно падает до 0 до поступления замены. Поскольку для большинства часов это 1, а лишь для немногих ненадолго 0, управляющему легко запомнить уровни. На пригородной базе, напротив, запасы варьируются от 0 до 10 000 единиц. Управляющий может помнить, какие товары закончились или недавно поступили, но даже добросовестный человек не способен запомнить точные уровни всех 100 товаров. Оба магазина учитывают 100 позиций, но часовой содержит гораздо меньше информации, чем база.

Теория информации придаёт этому различию точный смысл. Понятие энтропии позволяет количественно измерить информацию; её измеряют в битах (иногда их называют «шеннонами»). Для иллюстрации энтропии достаточно вернуться к примеру. Предположим, что уровень сервиса часового магазина составляет 95%: каждая модель отсутствует с вероятностью 5%, а в остальных случаях её запас равен 1. Предположим также, что уровни запасов пригородного магазина равномерно распределены от 0 до 9999. Хотя равномерное распределение нереалистично, для этой иллюстрации его достаточно.

Энтропия составит приблизительно 29 бит для магазина дорогих часов и 1328 бит для пригородной базы (подробный расчёт приведён в приложении). Энтропия базы почти \(50\times\) выше, чем у часового магазина, поэтому даже добросовестный управляющий не может мысленно отслеживать её запасы.

Теория информации проясняет, что значит сложность системы цепочки поставок. Цепочка поставок не поддаётся краткому описанию: даже для средней нужны миллионы битов, а для крупной — миллиарды. Такая потребность не является побочным эффектом представления; это фундаментальное свойство цепочки поставок. Объём информации, необходимый для определения её состояния, намного превосходит то, что способна запомнить любая группа людей, не говоря уже об отслеживании изменений за многие годы.

Таким образом, для ежедневного формирования информированных решений в цепочке поставок нужны миллионы входных битов, отражающих её состояние, и ещё миллионы выходных, представляющих решения. Поэтому программное обеспечение составляет основу современных цепочек поставок: без него их работа была бы невозможна. До распространения корпоративных систем в начале 1970-х годов цепочки поставок были гораздо менее сложными, чем сегодня. Этот скачок сложности непосредственно связан с прогрессом вычислительного оборудования. Компании теперь управляют большим, чем когда-либо, количеством SKU, поставщиков, площадок, ценовых схем и каналов, используя современное оборудование для работы с возросшей сложностью.

Хотя цепочки поставок стали сложнее, многие источники привнесённой сложности удалось обуздать. В первой половине XX века всё шире распространялись стандартизация физических товаров, строгие допуски и формальный контроль качества. Цифровой поворот 1970-х годов продвинул стандартизацию ещё дальше. Современное понятие SKU (единица складского учёта) предполагает, что все хранящиеся единицы физически идентичны.³⁸ Содержимое SKU можно свести к одному числу: количеству физически имеющегося запаса.

Современному читателю трудно поверить, что в XIX веке даже изделия массового производства заметно различались от единицы к единице. В подобных цепочках поставок системе управления запасами, будь она тогда доступна, пришлось бы отслеживать особенности каждой единицы, чтобы точно отражать запасы. На практике вопрос решали иначе: продавцы на месте предоставляли скидку на экземпляры низшего качества.

Теория информации даёт фундаментальное понимание цепочек поставок, особенно при оценке того, способен ли источник данных улучшить решения.

Например, этот взгляд объясняет бесплодность детальных ручных корректировок, таких как изменение прогнозов или правил формирования запасов. Если планировщики спроса вносят эти исправления по историческим данным, они не добавляют в систему ни бита информации. Они лишь компенсируют недостатки существующих числовых рецептов, построенных на тех же данных. Следовательно, чтобы такой ручной процесс делал систему более информированной, он должен вводить «свежие» биты информации. Допустим, число, основанное на интуиции или предварительном знании, несёт менее 10 бит информации. Даже если сотрудник ежедневно сообщает 100 содержательных чисел, это даёт лишь 1000 бит — при нереалистичном предположении об их полной независимости. Добавление 1000 бит в систему, обрабатывающую миллионы, вряд ли существенно повысит её информированность. Хотя сотрудник иногда может сообщить информацию с непропорционально большим влиянием, возникает вопрос об источнике таких озарений и вероятности их устойчивого повторения.

В более общем смысле информационный взгляд помогает оценить, насколько источник данных способен обогатить решения в цепочке поставок. Как показал предыдущий пример, обработка данных не добавляет информации — она лишь может раскрыть то, что уже содержалось в исходных данных. Он также проясняет, что объём данных может не коррелировать с количеством информации.

Однако для превращения информации в информированные решения нужен ещё один компонент: знание.

5.1.3 Знание

Знание — теоретическое и практическое понимание объекта. Оно включает представления, правила и принципы, формирующие причинную модель объекта в разуме³⁹. Эта модель позволяет разуму выводить, почему объект таков, каков он есть, и куда он движется. Знание превращает наблюдения в действия, направляющие объект к лучшему состоянию.

Для задач цепочек поставок мы используем лишь крошечную долю знаний человечества. Нас интересуют исключительно цепочки поставок; объём рассматриваемых знаний ограничен этой целью. Знание относится к цепочкам поставок лишь тогда, когда улучшает решения компании. В самом широком смысле такие знания охватывают множество тем. Однако, как объяснялось в главе Эпистемология, необходимо различать основную область цепочек поставок и её вспомогательные науки: их способы организации и развития знаний заметно отличаются.

В отличие от информации, которую можно полностью описать математически и которая представляет собой механическое явление, не требующее интеллекта и не зависящее от носителя, знание трудноуловимо и неотделимо от создающего его разума.

Дайте двум студентам один и тот же учебник физики: один может извлечь из него понимание, далеко выходящее за рамки приведённых примеров, а другой так и не свяжет примеры с принципами. Приобретённое читателем субъективно: знание книги остаётся скрытым, пока кто-то её не прочитает. До тех пор она лишь устройство хранения данных. Содержание книги остаётся тем же независимо от качества бумаги и даже от того, напечатана ли она вообще: электронная копия идентична по содержанию.

Поскольку знание и общий интеллект переплетены, полное понимание одного требует полного понимания другого. Определение одного без другого неизбежно неполно. Общий интеллект остаётся предметом активных исследований. За последние семь десятилетий прогресс в этой области ускорился и принёс замечательные результаты. Однако мы также осознали, насколько недооценивали собственное невежество в этом вопросе. Мы вернёмся к нему в главе Интеллект.

Не менее важно местонахождение знания — где именно внутри компании оно находится; это ключевой вопрос его применения к цепочке поставок. Два распространённых, но упрощённых взгляда ошибочны. Первое и наиболее частое заблуждение — будто знание находится исключительно у экспертов и в сопровождающих их материалах: статьях, книгах и курсах. Академическая среда часто подпитывает это представление; многие профессора считают себя вершиной экспертного знания. Второе — будто знание равномерно распределено по компании. Такое убеждение нередко возникает из ошибочного стремления вовлечь всех сотрудников в работу компании над цепочкой поставок. Чтобы прояснить местонахождение знания, необходимо точнее определить, что мы под ним понимаем.

В своём основополагающем эссе 1945 года⁴⁰ The Use of Knowledge in Society Фридрих Хайек разделяет «специальные» и «обыденные» знания. Специальные знания включают учебники, формулы, исходный код, правила и нормативные акты. Фундаментальная ошибка, утверждает он, — считать специальные знания единственным видом знания.

Хайек добавляет второй, важнейший вид — обыденные знания. Это мелкие сведения, связанные с обстоятельствами определённого времени и места. Например, водитель грузовика знает, как звучит исправный двигатель, и записывает машину на ремонт до возникновения проблем. Эти знания совершенствуются, когда водитель регулярно работает на одном грузовике и со временем разбирается в его уникальных особенностях. Они неформальны и не задокументированы, но часто необходимы для надёжного выполнения работы.

Таким образом, цепочка поставок сочетает специальные знания, которыми обладает узкий круг, и обыденные, которыми обладает гораздо более широкий круг. В обоих случаях носители знаний могут быть сотрудниками компании, а могут и не быть. Например, части специальных знаний можно передать поставщику корпоративного ПО, а части обыденных — сторонней ремонтной компании.

В течение столетия фирмы стремятся заменить обыденные практические знания формализованными правилами. Обыденные знания по-прежнему важны — незнание способно навредить, — но их неформальность создаёт трения для крупных фирм. Большие компании стремятся сделать процессы максимально воспроизводимыми, чтобы уменьшить случайные колебания качества, затрат или задержек в потоке материальных благ. С этой точки зрения обыденные знания мешают стандартизации процессов.

Развитие корпоративного ПО за последние пять десятилетий усилило эту тенденцию: программы воплощают специальные знания и ускоряют переход. Программы механизируют применение знаний и при успешном внедрении дают значительный рост производительности. Однако их дорого внедрять и ещё дороже сопровождать, особенно в сложной корпоративной среде. Формализация процесса даёт два преимущества: более простое воспроизведение и более строгий программный контроль.

В современной цепочке поставок исходный код, реализующий числовые рецепты фирмы, вместе с сопровождающими материалами (тестами, вычислительными блокнотами, конфигурацией, документацией) — самый ценный актив компании в области специальных знаний. В отличие от слайдов или неписаных традиций, этот актив применим на практике: он превращает информацию в решения, не дожидаясь совещания. Принципиально, что эта кодовая база — не статичная библиотека формул, а живой корпус, который нужно поддерживать, версионировать и непрерывно проверять обратной связью о прибыли и убытках.

Поскольку кодовая база является информацией, её саму можно анализировать программно. Статический анализ, системы типов, линтеры, профилировщики, формальные тесты и средства имитационного тестирования позволяют проверять и совершенствовать знания с машинной скоростью. С другой стороны, поскольку эти знания неотделимы от развивающих их умов, инженеры, сопровождающие и расширяющие кодовую базу, составляют часть актива: без ответственного сопровождения начинается гниение, семантика дрейфует, а фирма незаметно скатывается обратно к фольклору.

Это наблюдение замыкает круг. Данные — символы. Информация — их способность уменьшать неопределённость. Знание — причинная структура, всё чаще зафиксированная в коде, которая систематически превращает уменьшенную неопределённость в лучшее распределение ограниченных ресурсов. Для цепочки поставок «владеть знанием» означает владеть и пользоваться кодом, который его воплощает.

5.2 Классы корпоративного ПО

Большая часть информации, необходимой современной цепочке поставок, находится в корпоративном ПО. Однако эти приложения выполняют разные эпистемические роли. На предыдущих страницах мы разделили данные, информацию и знание; этот раздел отражает такое тройное разделение в программном обеспечении. То, что фирма регистрирует (данные), представляет в отчётах (информация) и решает (знание, применённое на практике), находится в трёх разных классах систем. Их смешение — требование к учётным регистрам мыслить или к дашбордам быть достоверными первоисточниками — относится к самым дорогостоящим ошибкам компаний.

С 1970-х годов в корпоративных стеках преобладают три класса: системы учёта, системы отчётности и системы принятия решений. Существуют десятки специализированных инструментов (например, CAD для проектирования, виртуализация для ИТ), но по бюджету и значимости для цепочки поставок они намного уступают этим трём. Далее мы точно определим каждый класс, объясним, почему их обязанности не должны пересекаться, и покажем, как смешение подрывает производительность и ответственность.

Её главные достоинства — надёжность, прослеживаемость и согласованность. «Интеллект» здесь не нужен и нежелателен. Система учёта оцифровывает и упрощает задачи, которые иначе выполняли бы ручкой на бумаге. К этому классу относятся почти все транзакционные системы: ERP, CRM, WMS, PLM, MRP. Архитектурно они прежде всего ориентированы на CRUD (создание, чтение, обновление, удаление) и опираются на реляционную базу данных. В проектировании главенствуют управление конкурентным доступом, возможность аудита и строгая согласованность. Тяжёлая аналитика и оптимизация здесь неуместны: они истощают общие ресурсы, ухудшают работу пользователей и размывают ответственность, которую учётные регистры обязаны сохранять.

Она не добавляет информации, а лишь меняет форму существующего. Системы отчётности автоматизируют то, что служащие и аналитики когда-то делали вручную: итоги, средние, сводные таблицы, дашборды. Они находятся поверх систем учёта и по своей природе описательны. Для современной практики цепочек поставок их полезность ограничена: они остаются полезными для соблюдения требований, расследований и контроля со стороны руководства, но не как входные источники для механизмов оптимизации. Принятие решений на основе слоя отчётности вносит потери информации, смысловой дрейф и дополнительное смещение без экономического выигрыша.

Она делает это через узкий API и предоставляет журналы, достаточно точные для проверки обратной связью о прибыли и убытках. Под её ответственностью почти нет мастер-данных, а пользовательский интерфейс очень невелик. Система принятия решений заменяет ручные этапы с электронными таблицами, обычно находящиеся между отчётами и исполнением. Она получает данные из достоверных первоисточников, рассчитывает варианты, выбирает между ними по экономическим соображениям и фиксирует в учётном регистре заказы, распределения, цены или расписания. Её инженерная культура, профиль выполнения и модель ответственности фундаментально иные, чем у систем учёта и отчётности. Подробнее этот класс будет рассмотрен в главе Решения.

Внутри фирмы сначала возникают системы учёта, затем отчётности и, наконец, принятия решений. Системы отчётности и принятия решений предназначены для надстройки над системами учёта, возможно, с помощью озёр или хранилищ данных. Компании часто ошибочно смешивают эти классы, ожидая, что один продукт принесёт ценность за пределами своих естественных границ; такие попытки неизменно проваливаются. Из систем учёта получаются ужасные системы принятия решений, и наоборот.

Вторая ошибка — пытаться разместить систему принятия решений поверх системы отчётности. Система отчётности — вторичный источник информации. Исходные данные неизменно меняют, чтобы удобнее было составлять отчёты. Эти преобразования не только приводят к потере информации, но и вносят сложности и смещения. Хотя в рамках системы отчётности они оправданны, данные уже не отражают точно то, что действительно произошло.

Например, недельные продажи в бизнес-аналитике могут показываться за вычетом возвратов. Для часто возвращаемых товаров такие цифры могут занижать запасы, необходимые для поддержания заданного уровня сервиса.

Идея разместить систему принятия решений поверх системы отчётности соблазнительна: человеческому глазу данные в отчётности кажутся яснее и лучше организованными, чем их исходная версия в системе учёта. Поэтому кажется, что это поможет системе принятия решений. Но это неверно. Информационный взгляд объясняет почему: система отчётности не только содержит меньше информации, но и добавляет собственный слой сложностей.

Ясное понимание этих трёх классов ПО необходимо, чтобы современная практика цепочек поставок укоренилась в компании.

5.2.1 Место программного обеспечения

Цепочка поставок теперь ограничена программным обеспечением: то, что фирма может наблюдать, помнить и в конечном счёте решать, ограничивается не столько погрузчиками и погрузочными местами, сколько схемами данных, API и средами выполнения. Неверное место ПО в общей архитектуре — не педантичная забота ИТ, а экономическая ошибка, незаметно облагающая налогом каждое решение компании. Если мыслить просят не ту систему или лишают нужную систему необходимых данных, опциональность сужается, изменчивость бьёт сильнее, а оборотный капитал оказывается связан по причинам, которые никогда не видны в отчёте о прибылях и убытках.

На предыдущих страницах мы разделили данные, информацию и знание и сопоставили их с тремя классами ПО: системами учёта, отчётности и принятия решений. Этот раздел объясняет, почему такое разделение необходимо обеспечивать на практике, а не просто признавать на слайдах. Прежде чем рассмотреть, как большинство авторов ошибаются в этом вопросе, нужно явно назвать ставки: полномочия в отношении фактов (учёт), их описания (отчётность) и рычагов, которые действительно перемещают деньги и атомы (принятие решений). Смешение этих ролей запутывает ответственность, раздувает расходы из-за конкуренции за ресурсы и гарантирует, что в действительном провале проектирования обвинят «плохие данные».

С этой точки зрения можно посмотреть, как в рассуждениях о цепочках поставок постоянно искажают роль программ: либо как несущественной детали, волшебным образом поставляющей любые числа, требуемые формулой, либо как глянцевой схемы взаимозаменяемых модулей, якобы составляющих «лучшую практику».

Авторы о цепочках поставок обычно принадлежат к двум лагерям. Склонные к академическому подходу рассматривают корпоративное ПО как абстракцию, предполагая, что цифры вроде продаж или уровней запасов просто «есть». Откуда берутся числа, обсуждают редко; к их получению относятся столь же непринуждённо, как подрядчик к выбору марки лопаты. Чтобы расширить охват, они предлагают меню моделей: одни используют, а другие обходят такие входные данные, как записи о дефиците товара, — и оставляют фирмам выбрать модель, подходящую под реально имеющиеся данные.

Авторы из консалтинговых компаний опираются на модные словечки, разворачивая витиеватые схемы и матрицы зрелости, в которых программные модули представлены деталями пазла. Они предписывают поэтапные «пути освоения», но этапы редко получают больше, чем презентационный лоск. Эффектных фраз для руководства в избытке; твёрдого технического содержания мало.

Оба взгляда не дотягивают до строгого рассмотрения цепочек поставок. Отношение к «данным продаж» или «данным запасов» как к чему-то самоочевидному выдаёт незнание реалий корпоративного ПО; описание инструментов без их внутренних механизмов или рынков ничуть не лучше. Слишком часто результат — немногим больше коммерческого предложения в научном облачении.

Программное обеспечение — незаменимая вспомогательная наука о цепочках поставок, и овладение ею нельзя переложить на специалистов, как современный врач не может отдать химию на аутсорсинг. Чтобы хорошо вести свою цепочку поставок, фирма должна понимать собственную программную среду.

5.3 Системы учёта

Системы учёта — регистры компании: они воплощают операционные рабочие процессы, фиксируют каждую транзакцию и изменение состояния и по своему устройству становятся достоверной памятью о движении товаров. В современных цепочках поставок это единственный масштабируемый хранитель информации: то, что фирма может наблюдать и помнить, находится там, а не в головах людей.

Этот раздел рассматривает системы учёта такими, каковы они есть: незаменимыми, но ограниченными эпистемически и технически. Их проектируют ради надёжности, прослеживаемости и управления конкурентным доступом. Их не создают для отчётности, а тем более для принятия решений. Смешивать их с системами отчётности или принятия решений — одна из самых распространённых и самых дорогих корпоративных ошибок.

Мы пройдём пять шагов: сначала вспомним исторический путь, приведший к современным ERP, CRM, WMS и родственным системам. Затем разберём их устройство на основе CRUD и последующее превращение в общедоступную стандартную технологию. На третьем шаге рассмотрим технологическую траекторию, из-за которой каждая система учёта со временем разрастается, создавая функциональные пересечения и кошмары синхронизации. На четвёртом сформулируем жёсткие функциональные ограничения, не позволяющие протолкнуть тяжёлую аналитику или оптимизацию внутрь учётного регистра. На пятом завершим дилеммой поставщика: структурным стимулом продавать регистры как «интеллектуальные» платформы вопреки их внутренним ограничениям.

С учётом этой рамки остальную часть раздела можно читать как практическое руководство: как безжалостно использовать системы учёта в том, что они делают хорошо, и как не допускать их к принятию решений, для которого их никогда не создавали.

5.3.1 Происхождение корпоративного ПО

Системы учёта появились в конце 1970-х годов и быстро распространились в 1980-х и 1990-х. Их роль состояла в переводе бумажной канцелярской работы, особенно бухгалтерии и учёта запасов, в электронные процессы. Фиксируя каждую транзакцию и движение запасов, они устранили целые классы канцелярских ошибок, а с появлением сканеров штрихкодов повысили производительность. К концу 1990-х годов большинство крупных фирм внедрили несколько таких систем для автоматизации повседневных административных задач.

Основой этого роста стало удешевление оборудования. В 1970–2000 годах действовал закон Мура: число транзисторов примерно удваивалось каждые два года, тогда как цены почти не менялись. Память, накопители, пропускная способность и ввод-вывод следовали похожим кривым, поэтому к концу 1990-х хранение транзакций в цифровом виде стало на порядки дешевле бумажных альтернатив.

Среди потока учётных продуктов стали преобладать два обозначения: ERP (планирование ресурсов предприятия) и CRM (управление взаимоотношениями с клиентами). Если отбросить маркетинг, это один и тот же зверь: CRUD-регистр, обёрнутый рабочими процессами. Единственная реальная разница — отправная точка: ERP организована вокруг продукта (и его спецификаций материалов, технологических маршрутов, запасов), CRM — вокруг клиента (и воронки продаж). Закрепившись на рынке, поставщик развивает оба семейства одинаково: пристраивает смежные сущности, объединяет всё больше модулей и приобретает нишевых конкурентов. К концу 1990-х большинство ERP и CRM раздулись до громадных монолитов, подготовив почву для технических проблем, о которых пойдёт речь далее.

Одна из первопричин была технической: сети с коммутацией пакетов были задуманы в 1960-х годах, но настоящие распределённые корпоративные системы оставались нишевыми до конца 1990-х. Поэтому фирмы работали на централизованных мейнфреймах, а интеграция продуктов разных поставщиков была либо разорительной, либо невозможной. Расширять имеющуюся систему было дешевле, чем подключать новую.

Однако создавать и эксплуатировать всё более крупные кодовые базы дорого. В 2000-х годах общедоступные средства интеграции — ETL с открытым исходным кодом и веб-API — удешевили связывание систем, поэтому специализированные учётные приложения появились вновь и начали отвоёвывать задачи у монолитов.

Но старые монолиты так и не уменьшились, а новые нишевые инструменты вскоре тоже раздулись: каждая система учёта продолжает расти по одной и той же схеме. Отсюда алфавитный суп из WMS, OMS, PIM, PLM, SRM и бесчисленных родственников: разные отправные точки, но почти одинаковые архитектура и путь роста.

В работе с цепочками поставок ERP-монолит обычно служит основным источником данных, поскольку хранит регистры закупок и продаж. Название Enterprise Resource Planning — порождение маркетинга: ERP не планирует в экономическом смысле выбора между вариантами в условиях неопределённости; она исполняет и регистрирует рабочие процессы с ресурсами (заказы, запасы, счета) и в лучшем случае выстраивает канцелярские шаги (согласования, календарные разузлования MRP, переключения статусов) согласно параметрам, введённым пользователем.⁴¹ Называть это «планированием» — значит смешивать учёт с принятием решений и подпитывать живучий миф о том, что система учёта может одновременно быть системой принятия решений.

5.3.2 Устройство CRUD

Почти каждая современная система учёта следует модели CRUD (создание, чтение, обновление, удаление), возникшей вместе с реляционными базами данных в конце 1970-х годов⁴². Интерфейсы эволюционировали от зелёных экранов до блестящих веб-приложений, но принципы серверной части почти не изменились. Инструменты, напротив, продвинулись настолько далеко, что с середины 2000-х системы учёта представляют собой немногим больше, чем стандартный массовый продукт.

На практике «база данных» означает реляционный механизм (SQL): набор таблиц, каждая с типизированными столбцами (числа, текст, даты, …) и строками данных. Другие устройства существуют, но в корпоративном ПО они гораздо менее значимы. Реляционные базы связывают таблицы парами первичного и внешнего ключей. Например, строка Orders может содержать ProductID, указывающий на соответствующий ProductID в Products; механизм базы запрещает заказ, ссылающийся на несуществующий продукт.

Диалекты поставщиков различаются, но ядро SQL‑92 (опубликованного в 1992 году) работает повсюду, и большинству CRUD-приложений редко нужно что-либо сверх него, несмотря на более поздние, изощрённые расширения. Тонкости SQL выходят за рамки этой книги; однако базовое владение SQL следует считать частью фундаментальных знаний, необходимых современному практику цепочек поставок.

Проектирование CRUD начинается с определения сущностей — групп таблиц, отражающих понятия бизнеса, которыми управляет приложение. Это могут быть продукты, клиенты, запасы, поставщики, договоры, сотрудники, платежи и так далее. При этом большинство понятий бизнеса не помещаются в одну таблицу. Например, для клиентского заказа может потребоваться таблица Orders с одной транзакцией в строке и другая таблица OrderDetails, перечисляющая все позиции каждого заказа.

Для каждой сущности создают экраны, на которых пользователи создают, читают, обновляют или удаляют её записи, следуя базовой парадигме базы данных. Эти экраны часто сопровождаются фрагментами бизнес-логики, автоматизирующими изменения базы — механические последствия пользовательского ввода, — и обычно следуют тому или иному рабочему процессу.

Сложность CRUD-приложения почти всегда ползёт вверх: появляются новые сущности, расширяются существующие. Новые экраны множатся; старые обрастают опциями. Рабочие процессы становятся выразительнее благодаря опциям, уточняющим автоматические действия после ввода данных. В теории сложность могла бы снижаться; на практике этому препятствуют действующие стимулы. Далее мы вернёмся к этому вопросу.

CRUD-приложения, как намекает название, примитивны. Если оставить в стороне сам базовый слой (включая базу данных), ни в устройстве, ни в работе CRUD-приложения нет ничего даже отдалённо «умного». Программные принципы, на которых основаны реализованные в CRUD правила и поведение, в сущности доступны любому, кто окончил основную школу. Всё сводится к арифметическим операциям, перемежаемым конструкциями IF-THEN, и почти ни к чему более. Разумеется, сам бизнес может быть запутанным, с правилами и поведением, далеко выходящими за понимание школьника. В таких случаях парадигма CRUD предлагает лишь трудоёмкое разложение на элементарные шаги обработки.

Простота CRUD на десятилетия сделала её стандартной моделью корпоративных приложений, а с середины 2010-х стеки с открытым исходным кодом превратили её в общедоступную стандартную технологию. Эти инструменты позволяют инженерам-программистам разрабатывать CRUD-приложения гораздо продуктивнее, чем почти любое другое ПО. В частности, CRUD-приложения служат показательным примером в большинстве демонстраций сред программирования. Более того, хотя наём инженеров-программистов остаётся общеизвестной трудностью, CRUD-разработка в значительной мере доступна начинающим разработчикам (и посредственным опытным) и с большим отрывом представляет собой самый простой вид создаваемого ПО.

Многие фирмы всё ещё переплачивают за учётные CRUD-системы, недооценивая, насколько инструменты с открытым исходным кодом превратили их в стандартный массовый продукт. Поставщики используют это отставание, удерживая высокие цены. Какой бы полезной и критически важной ни была система учёта, такой продукт теперь можно разработать быстро и дёшево. Однако по укоренившейся привычке многие компании всё ещё платят поставщикам ПО ежегодные суммы, превышающие стоимость повторной разработки таких систем своими силами. Разумеется, поставщики выигрывают от этой путаницы и стали мастерами отсрочки неизбежного — снижения цен на продаваемые регистры. Эта ситуация также вытекает из технологической траектории систем учёта.

5.3.3 Технологическая траектория

Системы учёта, в отличие от заменённых ими электронных таблиц, жёстки и менее выразительны. Даже чрезвычайно функциональная современная система учёта охватывает лишь долю того, что поддерживает неупорядоченный набор электронных таблиц. В таких таблицах сотрудники всегда могут отступить от формализованных процессов, если коллеги согласны. Можно пропустить шаги или требования, сделать исключение из любого правила или, наоборот, произвольным решением отклонить запрос, который «слепые» правила сочли бы допустимым. Естественно, эта свобода обходится потерями надёжности и производительности, поскольку электронные таблицы плохо поддаются существенной автоматизации.

Поставщики обычно выводят систему учёта на рынок с небольшим набором сущностей, а также экранами и рабочими процессами для их обработки. Технологические ресурсы начинающего поставщика ограничены, и нет смысла разрабатывать дальше, если продукт, несмотря на ограничения, можно продавать как есть. Кроме того, разрабатывать корпоративное приложение без подробной обратной связи бессмысленно до того, как клиенты встроят его в свои процессы. Поэтому, хотя исходное ядро может опираться на априорное представление о рынке, расширения почти неизменно создают в тесном сотрудничестве с несколькими клиентами.

Корпоративным рынкам недостаёт глубины потребительских. Поэтому, продав продукт корпоративному клиенту, поставщик естественным образом использует своё положение, чтобы продать ему что-то ещё, то есть совершить допродажу⁴³. Продать дополнительные модули существующему клиенту гораздо дешевле, чем привлечь нового, поскольку во втором случае нужно преодолеть все корпоративные барьеры для новой статьи расходов, например пройти тендер в борьбе с конкурентами.

В системах учёта всегда найдётся ещё одна сущность, которую можно добавить или обогатить, чтобы поставщик оправдал следующую продажу. Каким бы ни был функциональный охват продукта, всегда остаются новые понятия бизнеса и вариации рабочих процессов. Ничто в технологии систем учёта не навязывает требования внутренней непротиворечивости, которое сдерживало бы рост. Например, систему управления запасами можно расширить до управления клиентами; и наоборот, систему управления взаимоотношениями с клиентами можно расширить до управления запасами. В действительности большинство крупных ERP-поставщиков предлагают функции CRM, а большинство крупных CRM-поставщиков — функции ERP. Всё сводится к добавлению таблиц, экранов и бизнес-логики до бесконечности. Если оставить в стороне индивидуальные доработки для отдельных клиентов, система учёта становится суммой особенностей всей своей клиентской базы.

Каждая коммерчески сопровождаемая система учёта продолжает расти, пока поставщик не обанкротится или полностью не закроет продуктовую линейку. Поскольку инженерные затраты — сверхлинейная функция числа сущностей, то есть реализация вдвое большего числа сущностей более чем удваивает затраты, скорость роста продукта (его функций и возможностей) со временем обычно падает, даже если поставщик по мере расширения компании продолжает наращивать инженерный штат. Но несмотря на эти сверхлинейные затраты, сдерживающие в остальном неограниченный рост сложности, после двух десятилетий непрерывной разработки многие системы учёта превращаются в функциональных мастодонтов. Множество популярных систем учёта, в том числе для небольших компаний, насчитывают более 10 000 таблиц, большинство с десятками полей.

Поставщики систем учёта практически не могут сопротивляться неуклонному росту сложности. Отказ от редко используемых сущностей просто не даёт преимуществ: он раздражает те немногие компании-клиенты, которые ими пользуются, как бы мало их ни было, и оставляет остальных равнодушными. К сожалению, этот путь ведёт к предсказуемому извращению продукта. Сотрудничество с клиентами действительно необходимо для разработки корпоративного ПО, но запросы некоторых клиентов ошибочны. Другие представляют узкие ниши, которые не оправдывают специальных возможностей. Третьи навязывают терминологию или понятия, несовместимые с принятыми поставщиком. В итоге любая активно развиваемая система учёта со временем превращается в лавкрафтовское сооружение, угрожающее рассудку тех, кто созерцает его слишком долго.

В A Deepness in the Sky (1999) американский писатель-фантаст Вернор Виндж даёт пугающе точную картину долгоживущих программных инициатив:

Здесь были программы, написанные пять тысяч лет назад, ещё до того, как человечество покинуло Землю. Удивительно — ужасно, как говорила Сура, — было то, что, в отличие от бесполезных обломков прошлого Канберры, эти программы всё ещё работали! И по миллиону извилистых нитей наследования многие из древнейших программ всё ещё исполнялись в недрах системы Кенг Хо. Возьмём способ отсчёта времени у Торговцев. Поправки на системы отсчёта были невероятно сложными, а на самом дне находилась маленькая программа со счётчиком. Секунда за секундой Кенг Хо вели отсчёт с того мгновения, когда человек впервые ступил на Луну Старой Земли. Но если присмотреться ещё внимательнее… начальный момент на самом деле наступил примерно на сто миллионов секунд позже — это была 0-я секунда одной из первых компьютерных операционных систем человечества.

Так что за всеми интерфейсами верхнего уровня скрывались слой за слоем обеспечивающие их программы. Часть этого ПО создавалась для совершенно иных обстоятельств. Время от времени несогласованности вызывали смертельные аварии. При всей романтике космических полётов самые частые аварии просто происходили потому, что древние программы, используемые не по назначению, наконец брали реванш.

«Нужно всё это переписать», — сказал Фам.

«Уже пробовали», — поправил его Брет, только что вернувшийся от морозильных камер. «Но даже верхние уровни кода системы флота огромны. Тебе и тысяче твоих друзей пришлось бы работать около столетия, чтобы воспроизвести его». Тринли злобно усмехнулся. «И знаешь что: даже если бы вы справились, к тому моменту у вас появился бы свой набор несогласованностей. И вы всё равно не обеспечили бы согласованность со всеми приложениями, которые время от времени могут понадобиться».

Однако для покупателя эта спираль наслоений не железный закон. Некоторым крупным организациям удалось сохранить учётные регистры компактными, вынеся вспомогательные рабочие процессы в отсоединяемые компоненты — небольшие сервисы или плагины, взаимодействующие с ядром через границу API. Поскольку клиент владеет плагинами, контролирует их версии и, что особенно важно, по своему усмотрению избавляется от них, мусор накапливается на периферии, где его можно убрать, не трогая основное достоверное хранилище данных.

Более радикальный рычаг — поэтапное выведение функций из эксплуатации. Вопреки народной мудрости, что «никто не переписывает ERP», многие фирмы это делают, просто не одним героическим рывком. Проверенная модель — удушитель: поставить перед монолитом тонкий фасад, перенаправить одну самостоятельную функцию (расчёт цен, разрешение возвратов, налоговый модуль …) в новый сервис, заморозить соответствующие таблицы, а затем физически удалить их после переходного периода. Повторяйте это каждый квартал, и невозможный одномоментный переворот превратится в последовательность управляемых операций.

Эти тактики не устраняют стимул поставщика продавать всё новые расширения; они лишь возвращают клиенту возможность действовать самостоятельно. Ничто не заставляет компанию устанавливать очередное блестящее дополнение, когда расходы на поддержание сложности превышают стоимость компактной замены. На практике наименьшая долгосрочная стоимость владения достигается, когда центральный регистр считают священной территорией, а всё остальное — кодом, от которого можно отказаться. Рост сложности — состояние по умолчанию, а не судьба, если организация воспитывает в себе дисциплину постоянно подрезать собственный сад.

5.3.4 Функциональные пересечения

Мастер-данные⁴⁴ первыми становятся жертвой функциональных пересечений. Как только сосуществуют две системы учёта, нельзя предполагать соответствие сущностей 1 к 1. Атрибуты, которые выглядят одинаково («вес продукта», «дата заказа», «код поставщика»), регулярно расходятся по смыслу, единицам измерения, временной привязке и правилам ведения. То, что ERP называет product_family, может лишь приблизительно соответствовать тому, что PIM хранит как category; lead_time в MRP может быть обещанным сроком закупки, тогда как WMS записывает эмпирическое среднее. Так называемая «золотая запись» — управленческая фикция: в действительности каждая система является первоисточником для некоторых атрибутов, в некоторые моменты и для некоторых сценариев использования.

Эта раздробленность — не просто канцелярское неудобство, а главный двигатель смыслового дрейфа (см. раздел Семантика данных). Когда пересекающиеся регистры не обладают изоморфными схемами, информация об одном факте бизнеса размазывается по таблицам, системам и командам без канонического правила сверки. Программы управления мастер-данными (MDM) пытаются замаскировать эту реальность центральными узлами и правилами выбора сохраняемого значения, но без чётко определённого первоисточника для каждого атрибута и поддающейся аудиту системы принятия решений они лишь добавляют ещё одну пересекающуюся систему и ещё один слой синхронизации, требующий сопровождения.

Функциональные пересечения сторонних систем учёта — прямое следствие их технологической траектории, и сильнее всего они бьют по мастер-данным. Поскольку поставщики ПО непрерывно расширяют свои функциональные границы, столкновения неизбежны; неопределённым остаётся лишь их время. Причём крупные поставщики особенно к этому склонны, поскольку выросли за счёт постоянного расширения функционального охвата. Эта проблема свойственна сторонним системам; даже умеренная внутренняя координация обычно предотвращает такие пересечения в собственных разработках.

На практике пересекающимся системам нужны процессы синхронизации данных. Особенно пагубна синхронизация мастер-данных: схемы редко изоморфны, атрибуты несут разную семантику, а полномочия по каждому атрибуту — какая система, для чего и когда является главной — редко прописаны. Подобная синхронизация неизменно представляет собой программный проект под конкретную задачу. Рынок корпоративного ПО действительно слишком раздроблен, чтобы оправдать создание средств синхронизации, работающих сразу после подключения.

Двусторонняя синхронизация систем учёта, когда изменения можно вносить в обеих и каждое изменение в одной должно передаваться в другую, обычно требует как минимум на порядок больше усилий, чем односторонняя интеграция, где одну систему считают «главной», а другую — «подчинённой». Двусторонняя синхронизация должна обрабатывать конфликтующие изменения и разрешать конфликты, что гораздо сложнее простого копирования и перезаписи всех изменений из главной системы в подчинённую. Для мастер-данных, в которых несколько подразделений постоянно редактируют разные подмножества атрибутов, такая область конфликтов — правило, а не исключение. Несмотря на существование чрезвычайно изобретательных алгоритмов для этого случая, N-стороннюю синхронизацию данных при N больше 2 в целом следует считать чудовищем.

Даже когда ИТ тщательно определяет главную систему для каждой области, большинство крупных систем в итоге оказываются и главными, и подчинёнными — в зависимости от области (например, ERP может быть достоверным первоисточником цены, а PIM — описательного содержимого для одной и той же SKU). Так, CRM может быть главной для «клиентов», но подчиняться ERP в отношении «поставщиков».

Эти пересечения создают огромное постоянное препятствие, которое компании систематически недооценивают. В частности, выбирая следующего поставщика ПО, они часто ценят внушительные списки функций, о чём свидетельствует типичный процесс RFQ (запрос коммерческого предложения), нередко включающий сотни требований. Поэтому компании склонны выбирать крупных поставщиков с излишне сложными продуктами, следуя житейской интуиции qui peut le plus, peut le moins (кто может больше, тот может и меньше). Но эта ошибочная интуиция неизменно приводит их к поставщикам с обширными функциональными пересечениями. А эти пересечения оказываются чрезвычайно дорогими.

Они не просто обременяют ИТ: они непосредственно искажают смысл. Мы вернёмся к этому в разделе Семантика данных, где покажем, как трудноуловимый смысл, зависящий от строки данных, незаметно срывает усилия по оптимизации.

Во-первых, для ИТ-отдела разрешение проблем синхронизации резко сверхлинейно: усилия растут гораздо быстрее числа сущностей. Вскоре карта токийского метро начинает выглядеть проще графа синхронизации, который ИТ вынужден сопровождать. Теперь нередко ИТ-подразделения фактически становятся несостоятельными: они уже не могут поддерживать граф синхронизации на фоне бесконечного потока обновлений сторонних систем учёта.

Во-вторых, для сотрудников, вводящих данные, эти пересечения — постоянный источник путаницы, поскольку одни и те же сущности можно просматривать и редактировать в нескольких местах. У поставщиков ПО нет стимула облегчать «подчинение» частей своих продуктов конкурентам ради уменьшения этой путаницы. С их точки зрения даже неиспользуемая функция оставляет зацепку для следующей допродажи. Более того, мысль о том, что компания должна заплатить за удаление функций из системы, просто противоречит всей парадигме рынка корпоративного ПО.

В-третьих, любые попытки использовать данные — в системе отчётности или принятия решений — сталкиваются с залом зеркал: одна и та же информация появляется во множестве мест. Однако вторичные данные, порождённые синхронизацией, не следует использовать для этих целей. Они могут быть устаревшими, ухудшенными или незаметно изменёнными, разрушая последующие процессы. Поэтому для каждого фрагмента информации необходимо убедиться, что читается каноническая запись первоисточника.

Хотя история корпоративного ПО коротка, собственная разработка систем учёта, несмотря на их недостатки, — единственный жизнеспособный способ избежать неумолимых затрат, вызываемых функциональными пересечениями сторонних систем учёта. К счастью, как отмечалось выше, разработка таких систем практически стала общедоступной стандартной технологией.

5.3.5 Функциональные ограничения

Хотя системы учёта приносят пользу использующим их фирмам, пределы этой пользы строго ограничены. В лучшем случае это усовершенствованные регистры. В частности, они не являются эффективными системами отчётности или системами принятия решений: эти цели технологически противоречат их основным функциям.

Значительная часть ценности системы учёта происходит от её базы данных — транзакционного ядра. Устройство системы фундаментально централизовано, именно этого и хочет бизнес. Например, если система хранит уровень запаса определённой SKU, каждый обращающийся к нему пользователь или агент должен видеть одно и то же значение. Кроме того, если кто-то затребовал 1 единицу, эту единицу нельзя отдать по конкурирующему запросу. Для сохранения целостности электронного учёта запасов система должна координировать конкурирующие одновременные запросы на один и тот же элемент данных — единицу запаса.

В общем виде этот класс проблем называется конкуренцией за ресурсы: конфликтом доступа к общему ресурсу, например оперативной памяти, диску или другому оборудованию. Конкуренция за ресурсы — общеизвестная трудность, поскольку часто сводится к уменьшению задержки. Но прогресс в снижении задержек в значительной степени остановился более десяти лет назад, а для многих конкретных задач — более двадцати. Во многом задержка теперь ограничена самой скоростью света. Например, пакеты данных в интернете распространяются примерно с двумя третями скорости света в вакууме. Это оставляет мало возможностей для дальнейшего улучшения⁴⁵. Другой пример: примерно за 0,3 наносекунды, то есть приблизительно один такт процессора, свет может пройти туда и обратно лишь около 5 см.

Существуют методы ослабления конкуренции за ресурсы в вычислительно тяжёлых процессах: горизонтальное разделение (шардинг), разделение чтения и записи, асинхронные очереди, CQRS⁴⁶/событийное хранение, распределённые блокировки, паттерны саг и оркестрации и другие. Однако каждый из них обменивает именно те достоинства, которые система учёта должна максимизировать, — простоту, прослеживаемость, строгую согласованность — на операционную и семантическую сложность: согласованность в конечном счёте, которую нужно объяснять последующим потребителям данных, дублирование путей чтения и записи, сложную логику повторов и компенсаций, хрупкие распределённые транзакции, большую нагрузку по обеспечению наблюдаемости, более медленное изменение схем и более трудный аудит. Иными словами, такими паттернами можно обеспечить масштабирование регистра, но ценой неоднозначности и хрупкости именно там, где фирме нужна достоверная, кристально ясная истина. Поэтому всё вычислительно «тяжёлое» следует изгнать из регистра и передать системе отчётности или принятия решений.

Конкуренция за ресурсы во многом объясняет, почему корпоративные приложения сегодня не стали принципиально отзывчивее, чем в начале 2000-х. Редактирование сущности по-прежнему вызывает заметную пользователю задержку — десятки миллисекунд. Задержки в секунду и более при, казалось бы, элементарных действиях остаются обычными. Это кажется удивительным, если учесть, что при той же стоимости оборудование теперь на порядки мощнее, чем два десятилетия назад. Но стагнация отражает отсутствие прогресса в задержках; положение с конкуренцией за ресурсы тоже не улучшается.

Поскольку внутри системы учёта ресурсы общие, каждая операция должна быть максимально лёгкой. Любая тяжёлая операция рискует лишить систему ресурсов, ухудшая обслуживание других одновременных операций. Поэтому процессов принятия решений внутри системы учёта необходимо тщательно избегать. Решения требуют сопоставления множества вариантов и на порядки больше вычислений, чем простая арифметика или логические правила.

Рассмотрим оптимизатор закупок, которому нужно 10 секунд процессорного времени для вычисления количества заказа одной SKU. В системе принятия решений, работающей отдельно от оперативного обслуживания или на выделенном кластере, такие затраты ничтожны; даже 100 секунд ради нескольких дополнительных базисных пунктов могут быть рациональны. Но внутри системы учёта то же вычисление катастрофично: при десятках тысяч SKU в день 10 секунд на SKU превращаются в десятки процессорных часов, конкурирующих с транзакционной нагрузкой, подвешивающих экраны и ухудшающих работу пользователей. Даже при 1 секунде на SKU оно создавало бы непредсказуемые задержки там, где регистр обязан гарантировать малое и стабильное время отклика. Поэтому тяжёлая оптимизация должна находиться вне регистра: система учёта должна сохранять компактные результаты (например, строки заказов поставщикам), а не выполнять породивший их комбинаторный поиск.

В теории существуют альтернативы CRUD, позволяющие чередовать тяжёлые и лёгкие операции. Однако на практике они подрывают именно те причины, по которым CRUD привлекателен. Более простой и практичный подход — отделить все «тяжёлые» операции от системы учёта. Описательная статистика относится к системам отчётности, принятие решений — к системам принятия решений. Строго разделяйте три класса, и конкуренция за ресурсы будет в значительной мере ослаблена.

За низкоуровневой конкуренцией за ресурсы скрывается более весомое препятствие: инженерные культуры трёх классов ПО фундаментально несовместимы. Издалека все классы кажутся похожими — в каждом пишут код, — но переход между ними подобен переходу от покраски домов к изобразительному искусству. В обоих ремёслах используют краску; в остальном между ними мало общего. Подробности этих различий выходят за рамки книги; достаточно сказать, что в течение пяти десятилетий поставщики выходили за пределы своего основного класса, чаще всего с плачевными результатами, особенно когда специалисты по системам учёта переходили к системам принятия решений. Но поставщики продолжают пытаться, не замечая предсказуемых последующих провалов.

5.3.6 Дилемма поставщика

Добавленная ценность системы учёта фундаментально ограничена. Когда система охватывает достаточно функций и доказала надёжность, дальнейших преимуществ не возникает. Поставщики систем учёта всегда болезненно осознавали это ограничение. Поэтому с конца 1970-х почти каждый успешный поставщик таких систем пытался выйти в область систем принятия решений.

Чтобы понять причину, рассмотрим бухгалтера. Выгода от выдающегося бухгалтера по сравнению с просто компетентным невелика. Поэтому компании не нанимают бухгалтеров-«суперзвёзд» со стократной зарплатой: бухгалтерия приносит лишь ограниченную ценность. Маркетинг, напротив, способен добавлять ценность без предела. Гений маркетинга может оживить бренд, казалось бы, невозможным способом, создавая состояния для акционеров. Поэтому компании постоянно ищут творческих «суперзвёзд» и щедро им платят.

Вклад системы учёта подобен вкладу бухгалтера. Когда работа выполнена правильно и добросовестно, больше ждать нечего. Напротив, добавленная ценность системы принятия решений — механизма, который эти решения формирует, — сродни ценности маркетингового таланта. Для практических целей качество бизнес-решения не имеет верхнего предела.

Следовательно, готовность платить за более новые и лучшие системы учёта ограничена. Это фундаментальное соображение не ново: поставщики ПО понимали его уже в 1970-х годах. До начала 1990-х у успешных поставщиков почти не оставалось инженерных ресурсов сверх необходимых для добавления функций и поддержания темпа непрерывного прогресса оборудования. В 1990-х положение изменилось, и многие переименовали себя в поставщиков «ERP», где новая буква «P», обозначающая планирование, сигнализировала о намерении стать системами принятия решений. Аналогичные шаги происходили и среди других разновидностей систем учёта. Но, как уже отмечалось, эти попытки в основном провалились и продолжают проваливаться, порой с треском.

Побочным эффектом становится то, что маркетинг поставщиков часто запутывает руководителей. Поскольку широкой публике различие между системами учёта, отчётности и принятия решений известно относительно мало, поставщики неизменно сулят лучшие решения. Иными словами, каждый корпоративный программный продукт преподносят как систему принятия решений. Например, система, которая лишь регистрирует движение запасов, пока пополнением занимаются служащие, не должна обещать уменьшения излишков или дефицита — однако такие заявления повсеместны.

Со стороны покупателя разобраться в этой путанице помогают три простые эвристики.

Во-первых, настоящая система принятия решений поставляется почти без экранов ввода данных. Интеллект использует записи из достоверных первоисточников; он не просит пользователей ежедневно повторно вводить данные или «подтверждать» их. Каждая дополнительная форма — характерный признак замаскированного регистра, размывающий ответственность: при плохих результатах поставщик всегда может заявить, что «пользователь ввёл неверное число». Подлинная система принятия решений отвечает за них от начала до конца: её вход — записи фирмы; её выходы — заказы, распределения, цены, расписания — можно проверять по прибыли и убыткам. Ни у одной стороны не остаётся ежедневной канцелярской лазейки.

Во-вторых, механизм не должен притворяться самостоятельным решением. Помимо собственного кода, конфигурации и журналов аудита, он не хранит долговременного состояния бизнеса. Любые рабочие таблицы или кеши по замыслу можно удалить. Он читает достоверную систему учёта, рассчитывает рекомендации и записывает их обратно через узкий версионируемый API. Как только появляются таблицы мастер-данных, конструкторы рабочих процессов или модули управления пользователями, перед нами система учёта, выдающая себя за «ИИ».

В-третьих, коммерческая модель должна соотносить плату с экономическим качеством выдаваемых решений, а не с численностью сотрудников, объёмом хранения или просмотрами страниц. Тарификация по рабочим местам, просмотрам или гигабайтам создаёт порочный стимул сохранять участие большего числа людей, множить дашборды и накапливать данные, поскольку выручка поставщика тогда растёт вместе с неэффективностью организации. Настоящая система принятия решений, напротив, должна устранять большинство канцелярских рабочих мест. Поэтому договоры должны привязывать оплату к объёму выдаваемых решений и/или измеренной доле созданной ценности (например, сокращению оборотного капитала с учётом риска, росту валовой маржи или улучшению качества обслуживания при неизменном задействованном капитале), с явными пределами для ограничения риска обеих сторон.

В совокупности эти отрицательные проверки отсеивают большинство «интеллектуальных платформ» и позволяют практику сосредоточить внимание и бюджет на немногих предложениях, имеющих достоверные шансы улучшить решения в цепочке поставок.

Распространённая ошибка — обновлять систему учёта лишь потому, что она «выглядит старой». Руководители видят стремительный прогресс ИТ и заключают, что новая система должна быть намного лучше. Кроме того, внешний вид и интерфейс последних версий поставщиков обычно привлекательнее старой системы. Такой вывод обманчив. Прогресс программных технологий не означает прогресса самих систем учёта.

Напротив, основные технологии и понятия, лежащие в основе систем учёта, почти не изменились с 1980-х годов. Нынешний прогресс почти исключительно сосредоточен на снижении стоимости разработки технологий, уже давно ставших общедоступными стандартными решениями. Поэтому главной целью обновления систем учёта должно быть сокращение платежей поставщикам. Аналогично, преимущества более привлекательного интерфейса обычно переоценивают: если старая система была отзывчивой, более нарядные экраны редко повышают производительность сотрудников. Высокопроизводительные интерфейсы часто кажутся недружелюбными новичкам именно потому, что в них нет опекающих функций, которые мешают продуктивности, когда сотрудники уже знают систему.

В совокупности, без сговора и даже без координации, поставщики систем учёта поддерживают устойчивую путаницу среди широкой публики. В начале 2020-х годов, хотя системы учёта уже более десяти лет были стандартной общедоступной технологией, большинство компаний платили за них больше, чем двумя десятилетиями ранее. Это положение шире наших задач цепочек поставок, но ПО для цепочек поставок, пожалуй, самый показательный пример. Оно вновь иллюстрирует состязательную природу проблем цепочек поставок, где стимулы согласованы лишь частично.

Итак, системы учёта незаменимы и жёстко ограничены. Это достоверные регистры фирмы, а не её вычислители или стратеги. Когда их просят выполнять тяжёлую отчётность, оптимизировать или «планировать», следуют конкуренция за ресурсы, смысловой дрейф и туман ответственности. Правильный архитектурный подход аскетичен: сохранять регистр компактным, центральным и скучным; отдавать описательную аналитику системам отчётности, а принятие решений — системам принятия решений; ограждать каждый интерфейс узким версионируемым API; безжалостно удалять функциональные пересечения, даже если поставщики сопротивляются.

Вывод касается управления не меньше, чем техники. Относитесь к ERP (и её родственникам) как к священной территории: она помнит факты и обеспечивает соблюдение рабочих процессов — не более того. Каждая проникшая внутрь дополнительная функция — KPI, прогнозы, оптимизаторы, «что если» — незаметно снижает производительность, мутит семантику и размывает ответственность. Если что-либо вычислительно тяжело, вероятностно или требует экономического выбора между вариантами, этому место вне регистра.

Теперь, когда роль и ограничения систем учёта сформулированы явно, можно обратиться к тому, что находится внутри них: к данным. Следующий раздел рассматривает, как эти необработанные символы становятся информацией, почему настоящая трудность — семантика, а не отсутствующие строки, почему «плохие данные» — неверно выбранный козёл отпущения и как извлечь, задокументировать и сделать надёжным то, что потребуется механизмам принятия решений.

5.4 Данные

Корпоративные данные в цифровой форме — с огромным отрывом важнейший источник информации для решений в цепочке поставок. Их собирают преимущественно через системы учёта компании. Другие источники существуют, но гораздо менее значимы. Для цепочки поставок существенная информация находится внутри этих данных; извлечь эту информацию оказывается сложнее, чем принято считать. Сложность самих данных также недооценивают.

Данные критически важны, поскольку цепочки поставок нельзя наблюдать непосредственно: их видят только через записи компании. Можно утверждать, что цепочки поставок перестали быть непосредственно наблюдаемыми органами чувств в каком-либо содержательном смысле задолго до компьютеров. Уже к концу XIX века рост гигантских корпораций породил армии учётных служащих. Поэтому даже тогда цепочку поставок видели лишь через регистры, которые они вели. Многие объекты человеческого знания, подобно цепочкам поставок, недоступны чувствам напрямую; последствия этого значительны.

Как отмечалось ранее, многие авторы о цепочках поставок либо игнорируют ПО, либо рассматривают его поверхностно. Данные не исключение. В частности, их обычно смешивают с содержащейся в них информацией, словно превращение первых во вторую само собой разумеется. Ничто не может быть дальше от истины: одно это преобразование часто поглощает больше половины технических усилий в инициативе по цепочке поставок. Более того, это далеко не просто программные технические детали: преобразование требует глубокого понимания самой задачи цепочки поставок. Поэтому мысль, что его можно поручить ИТ или любым специалистам, которые не специализируются прежде всего на цепочках поставок, глубоко ошибочна.

На этом фоне всякий раз, когда инициатива планирования буксует, достают шаблонное объяснение: данные плохие. В доказательство выставляют прошлые неудачи, которые редко кто расследовал. Лозунг удобен: он оправдывает поставщиков и интеграторов, перекладывает вину на бесформенного козла отпущения и отбивает желание изучать регистры. В цифровых цепочках поставок транзакционные записи обычно достаточно хороши; недостаёт тяжёлой работы по превращению записей в информацию — с прояснением семантики, происхождения и первоисточников — и затем в решения. Следующие разделы разделяют эти этапы и явно показывают способы их провала.

5.4.1 Происхождение данных

Большинство корпоративных данных находится в системах учёта, но эти системы собирают их лишь попутно. Назначение систем учёта — оцифровать информационные процессы фирмы, сделав их надёжнее и продуктивнее. Данные — не намеченный результат, а побочный продукт этих операций. Мысль проста, но её последствия часто понимают неверно.

Организация данных отражает особенности системы. Такие хитросплетения возникают из тонких ограничений производительности, остатков прерванных обновлений, устаревших понятий более ранней эпохи разработки или повседневных компромиссов программирования.

Для конкретности рассмотрим два обычных примера, показывающих, как структуры записей отражают инженерные компромиссы, а не аналитические потребности.

Несколько десятилетий назад инженер с добрыми намерениями, работая над поныне популярной ERP, сохранил возвраты товаров рядом с заказами клиентов в таблице sales, указав отрицательные количества. Благодаря этой уловке суммирование продаж за период даёт показатель «почти» за вычетом возвратов. Но у такого устройства несколько недостатков, и на практике оно оказывается гораздо менее хитроумным. При оценке качества обслуживания опора на продажи за вычетом возвратов создаёт чрезмерную уверенность в отношении дефицита. Если за одну неделю продали 10 единиц, а на следующей вернули 3, то для удовлетворения спроса в первую неделю нужно было иметь не менее 10 единиц, а не 7. И наоборот, если большинство возвращённых единиц можно восстановить и продать вновь⁴⁷, пополнение прямо перед концом сезона, вероятно, создаст значительные излишки: запасы естественным образом пополнятся за счёт возвратов. В более общем смысле возвраты — не продажи; хотя у них могут быть общие поля (клиент, идентификаторы продукта), объединение в одной таблице навязывает столбцы, имеющие смысл лишь для одного из двух случаев, например поле cause_of_return.

Рассмотрим простой интерфейс интернет-магазина. После каждой транзакции физически имеющийся запас нужно уменьшать, чтобы информация о наличии оставалась актуальной для следующих покупателей. Обновление запаса — обычный UPDATE таблицы, хранящей эти значения; назовём её stock. Однако, как обнаружила практически каждая команда хотя бы умеренно популярного магазина⁴⁸, обновление stock после каждой транзакции создаёт сильную конкуренцию за ресурсы базы данных именно вокруг этой таблицы. Таблица stock велика — обычно десятки или сотни тысяч строк, — и каждое обновление может вызвать каскад изменений в интерфейсе приложения. Обычное решение — добавить таблицу pending_updates, которая ставит изменения запасов в очередь. При каждой транзакции строки добавляют в pending_updates вместо обновления stock. Затем примерно раз в минуту pending_updates очищают, а stock обновляют пакетом. В результате информация о физически имеющихся запасах разделена между двумя таблицами вместо одной. Модель разумна, но специалист по цепочкам поставок должен решить, допустимо ли игнорировать pending_updates исключительно ради простоты.

Множество других случаев говорит о том же: данные систем учёта никогда не предназначались для работы по анализу данных. Для инженеров, написавших программы, это в лучшем случае было второстепенной заботой, часто возникшей лишь задним числом.

Руководителей компаний часто удивляют время и усилия, необходимые для извлечения нужной информации из корпоративных систем. Многие объясняют эти накладные расходы предполагаемой неэффективностью ИТ-отдела и чрезмерно сложными инструментами. Впечатление усиливают ИТ-специалисты, которые оправдывают затраты и задержки технической непрозрачностью. Но этот взгляд ошибочен. Данные систем учёта легко доступны, а при использовании распространённой базы инструменты запросов попросту превосходны. Затраты и задержки велики потому, что превращать данные в информацию на удивление трудно, особенно когда за это берутся ИТ-специалисты без необходимого знания предметной области.

5.4.2 Семантика данных

Типичная корпоративная система учёта хранит десятки тысяч полей; крупнейшие — больше ста тысяч. Семантика этих полей — их смысл, назначение и запускаемое ими поведение — обычно в лучшем случае описана приблизительно. Документацию может предоставить исходный поставщик или, для внутренних систем, сама компания. Индивидуальные расширения, повсеместные в корпоративном ПО, дополнительно размывают смысл. На практике на поле редко приходится больше короткого абзаца, а слишком часто он лишь перефразирует название поля.

Чтобы понять важность семантики, рассмотрим одно поле: «дата заказа». Одна эта временная метка может означать момент оформления, последнего изменения, подтверждения или прохождения платежа. Каждая интерпретация задаёт иную операционную реальность: смещает измеряемые сроки выполнения операций, меняет показатели сервиса и удовлетворения спроса, изменяет признание денежных потоков и обязательств. Неоднозначность на этом уровне незаметно искажает каждый последующий расчёт.

В идеальном мире выполнялись бы два условия: создатели оставляли бы точную документацию по каждому полю, а руководство обеспечивало бы повседневную практику, сохраняющую стабильность смысла в работе. На практике этот идеал разрушают три силы: возраст (системы и записи переживают авторов), несогласованность полей (смысл дрейфует между модулями и версиями) и семантика, задаваемая операторами (пользователи приспосабливают поля к своей работе). Следующие абзацы рассматривают их поочерёдно.

По меркам ПО большинство систем учёта старые: два–три десятилетия — обычное дело. Ранние реализации редко сопровождались документацией по полям, а когда она была, её авторы давно ушли. Код так часто исправляли, переносили и расширяли, что исходный замысел уже нельзя восстановить из сообщений коммитов. Принципиально, что семантика полей неотделима от связанного с ними поведения, а оно меняется между версиями и модулями. Итог предсказуем: огромные пласты смысла просто теряются, а восстановление превращается в обратную разработку — медленную и дорогую задачу. Устаревшие или вовсе непригодные описания — бич долгоживущих программных инициатив.

Потеря — лишь половина истории. По мере приспособления операций неформально нарастают и новые смыслы. Команды изобретают обходные пути, переосмысляют названия и привязывают новые рабочие процессы к удобным полям. Со временем эти ситуативные практики становятся фактическим контрактом системы независимо от намерений поставщика или того, что по-прежнему написано в руководстве. Этот возникший без документации слой вызывает смысловой дрейф: «нынешний смысл» поля — то, для чего его теперь используют вводящие данные люди; он может различаться по площадкам, периодам или ролям. Чтобы его установить, нужно наблюдать практику, а не просто читать схемы.

На практике само устройство работы не даёт пользователям замечать этот дрейф. Смыслы наслаиваются годами, часто дольше, чем кто-либо занимает данную должность, поэтому нынешняя интерпретация просто кажется «тем, как работает система». Если приложение показывает два почти синонимичных поля, например Discontinuation Date и Phase-out Date, и ни одно не запускает видимой автоматизации, команды принимают удобный внутренний смысл и идут дальше. Совпадает ли он с замыслом поставщика, несущественно; важно, чтобы местные пользователи сошлись на одной интерпретации и применяли её последовательно. Никто не примет Volume за «высоту каблука», но многие вполне разумно договорятся, что Discontinuation Date обозначает момент передачи оставшегося запаса на распродажу по сниженным ценам. Поскольку большинство полей вообще не запускает никакого поведения, угадывание семантики поставщика — напрасный труд; настоящая работа — обеспечить одинаковую семантику для всех внутри фирмы.

Кроме того, семантика поля часто зависит от строки: не все значения одного поля означают одно и то же. Выше мы видели такой пример с «количеством заказа», которое при положительном значении обозначает покупку, а при отрицательном — возврат. В общем случае смысл поля часто зависит от значения другого поля или нескольких полей. Документация не может быть просто словарём полей: смысл меняется с контекстом. Чтобы отразить зависящую от строки семантику, она должна охватывать соответствующую бизнес-логику — опять же дорогая и долгая работа, осложнённая годами эволюции системы.

В конечном счёте смысл определяют вводящие данные люди — сотрудники, клиенты, даже поставщики, — что бы когда-то ни задумали инженеры. Например, если отдел закупок приспособит малопонятное поле, ранее не использовавшееся и связанное с запутанными Incoterms, для кодирования маршрута перевозки поставщика, семантикой поля станет этот маршрут, а не исходная документация. Хотя смена назначения поля едва ли хорошая практика, она происходит постоянно. Кроме того, поскольку семантика полей сложна даже в лучших условиях, команды действительно ошибаются, приписывая множеству полей близкие, но не вполне верные значения.

Установить семантику полей трудно: даже системы «лидеров рынка» оказываются неизменно и поразительно запутанными. Эта работа — не педантизм: без устойчивого смысла необработанные записи нельзя превратить в информацию, пригодную для механизма принятия решений. Помимо перечисленных практических препятствий остаётся ещё одно: мы должны уметь проверять, действительно ли верны приписываемые нами значения.

Даже скромная инициатива по цепочке поставок обычно требует описания не менее сотни полей. Для каждого, как правило, нужно от половины до целой страницы, чтобы точно установить значимую для решений семантику: определение, единицы и допустимые значения, происхождение и первоисточник, зависящие от строки интерпретации, зависимости между полями и конкретные примеры. Эти описания должны опираться на собственные данные фирмы: простые распределения, диапазоны и подсчёты часто выявляют существенное (например, типичный гипермаркет в нашем портфеле содержит более 100 000 SKU, что исключает алгоритмы со сверхлинейным ростом затрат относительно числа позиций). Поэтому семантическое досье даже для «малого» охвата легко достигает ста страниц и более. При таком объёме неразумно ожидать, что всё окажется фактически верным. Документация будет усеяна ошибками — от грубых промахов до тонких недоразумений. Следовательно, нужен метод оценки достоверности этих знаний и устранения ошибок.

Дополнительные проверки, даже коллегами, редко находят все ошибки. Когда недопонимание уже закрепилось в документации, для его выявления обычно нужен новый элемент. Им должна стать обратная связь из реального мира от процесса принятия решений, который среди прочего опирается на эти знания. Если ошибочные знания приводят к разумным решениям, ошибка безвредна и вопрос теряет значение. Подробности этой методологии — экспериментальной оптимизации — будут изложены в одной из последующих глав. Пока достаточно сказать, что достоверность семантики в конечном счёте должна опираться на эмпирическую обратную связь от практического применения этих знаний при формировании решений.

5.4.3 Хитрости в данных

Данные, как и всё остальное в цепочке поставок, подчиняются стимулам своих создателей и собирателей. Как отмечалось ранее, стимулы часто расходятся с интересами компании. Это порождает многочисленные странности в данных — от незначительных до существенных.

Рассмотрим реальное происшествие у крупного производителя. Он страдал от хронических излишков запасов. Взгляд на прошлые заказы выявил регулярные чрезмерные закупки — главную причину излишков. Чтобы исправить положение, руководство выбрало нового поставщика ПО для цепочек поставок и решило полностью автоматизировать пополнение, исключив благонамеренные, но ошибочные суждения закупочной команды. Испытания до ввода в эксплуатацию показали, что чрезмерные заказы исчезли. При большом неожиданном падении спроса излишки всё ещё могли возникать, но мгновенное образование излишков без серьёзных рыночных колебаний было устранено. Решение выглядело многообещающим.

Однако через два месяца эксплуатации чрезмерные заказы на пополнение сохранялись. Результат озадачивал: заказы совсем не походили на выход числового рецепта.

Более внимательное изучение подсказало будничную причину: заказы поставщикам всё ещё вводили в ERP вручную, поскольку двустороннюю интеграцию отложили из-за перегрузки ИТ-команды. Извлечение исторических данных из ERP, почтенной системы сорокалетнего возраста, было автоматизировано, но обратная запись новых заказов — нет. Механизм принятия решений формировал заказы без участия человека; затем служащие ежедневно перепечатывали их в ERP. Этот оставшийся ручной переход стал нашим главным подозреваемым.

Но после нескольких дней тщательной проверки стало ясно: хотя ручной ввод присутствовал, его выполняли очень аккуратно, и сотрудники ни при каких обстоятельствах не меняли количества намеренно. Поэтому главным подозреваемым снова стало новое решение. Однако изучение журналов быстро показало, что оно никогда не формировало чрезмерных заказов. Даты и продукты совпадали, количества — нет. Недоумение росло: день за днём заказы, введённые в ERP накануне, точно соответствовали выходу решения. Но через дни или даже недели некоторые количества повторных заказов внезапно раздувались, и следующая проверка запасов подтверждала излишек.

Заказы на пополнение словно росли сами собой, без ритма и причины. Команда поставщика изучила эти случаи внимательнее. Выявилась удивительная закономерность: скачки происходили преимущественно в заказах, размещённых ближе к концу квартала. Поскольку сроки поставки различались по продуктам, случаи образования излишков распределялись довольно равномерно, скрывая закономерность. Календарный рисунок явно имел человеческое происхождение, но действующие лица оставались загадкой.

Недели расследования привели команды поставщика к приёмочным платформам, где товары выгружали из грузовиков, нанятых поставщиками. Приёмочные команды выполняли несколько этапов контроля качества. Один заключался в подсчёте единиц и проверке их соответствия заказанному количеству. При расхождении ERP почти не предлагала средств обработки исключения. Фактически единственное официальное правило, которое поддерживала ERP, — признать поставку несоответствующей и вернуть её целиком. Но приёмочные команды знали, что это неизменно вызывает гнев производственников. Если товары заказали, значит, они нужны; без них производство останавливалось, приводя коллег в ярость.

Ещё десятилетия назад приёмочные команды устроили в ERP обходной вход, чтобы справляться с этим. Во избежание возврата всей поставки из-за расхождения на одну единицу они использовали эту скрытую возможность, подгоняя количество заказа под фактически полученное. Поставщику затем платили скорректированную сумму за действительно полученный товар. Годами это работало, пока об обходном входе фактически не забыли все, кроме приёмочной команды.

Со временем несколько поставщиков заметили, что небольшие излишки отгрузки принимают даже без телефонного звонка. Это было необычно: клиенты обычно возвращали лишние единицы или хотя бы громко жаловались. Некоторые поставщики начали пользоваться процессом. Если к концу квартала они отставали от своих целей, то использовали производителя для подгонки результатов. Сначала они лишь слегка увеличивали заказы, но молчание производителя вскоре придало им смелости отправлять гораздо большие количества.

Когда закономерность поняли, выявить недобросовестных поставщиков оказалось легко. Серия звонков по короткому списку уличённых поставщиков прекратила взрывные скачки за ночь.

Неожиданно оказалось, что, хотя закономерность озадачивала и явно вредила результатам цепочки поставок, сами данные были в основе своей верны. Заказанные количества были реальными и точными, что наглядно подтверждали физически имевшиеся запасы. Ошибка заключалась в реально действовавшем правиле пополнения — позволить поставщикам решать что угодно по своему усмотрению, — которого производитель никогда не предполагал.

Хотя хитрости в данных не всегда столь запутанны, как в этом примере, непреднамеренные неблагоприятные стимулы постоянно возникают в любой крупной цепочке поставок и порождают всевозможные странности. Мы уже отмечали распространённую в этой области ошибку: считать проблемы данных делом ИТ-специалистов. Пример ясно показывает, почему такой подход обычно не работает. Разбираться в данных цепочки поставок — прежде всего дело специалистов по цепочкам поставок.

5.4.4 Теневые ИТ

В организациях теневыми ИТ называют системы подразделений, работающие без надзора центральной ИТ-службы; основная ИТ-команда может даже не знать об их существовании.⁴⁹ Теневые ИТ есть практически в каждой крупной компании, хотя их распространённость сильно различается. Для цепочек поставок это преимущественно нестрогие системы учёта и отчётности, часто смешивающие оба класса. Теневые ИТ важны для цепочки поставок, поскольку «учётная» часть нередко содержит ценные данные. Например, ERP часто не учитывают некоторые ограничения заказов у конкретных поставщиков. Поэтому для составления допустимого заказа на пополнение практик использует собственную теневую систему с полным перечнем применимых ограничений.

Электронные таблицы — с огромным отрывом самая распространённая технология теневых ИТ. Любой рабочий процесс, основанный на взаимодействии сотрудников с общей электронной таблицей, почти наверняка относится к теневым ИТ. ИТ-служба знает об использовании таблиц, а само ПО одобрено. Однако у учётной системы на таблицах нет того, чего ИТ должна ожидать от любой подконтрольной системы: версионирования, резервных копий, следов аудита, детальных прав доступа и так далее.

Помимо электронных таблиц в теневых ИТ часто используют простые базы данных⁵⁰. Они позволяют создавать более аккуратные системы учёта, обеспечивая некоторую корректность на уровне типов: значение является числом, датой и так далее. Но, как и таблицам, им недостаёт сопровождающих процессов, обеспечивающих долгосрочную поддерживаемость: контроля версий, резервного копирования и прочего.

Мотив теневых ИТ прост: центральная ИТ-служба загружена на месяцы, иногда годы, поэтому бизнес-команды сами строят то, чего не могут дождаться. Парадокс в том, что теневые ИТ редко рождаются из чрезмерного увлечения программами; они рождаются из недостатка программной культуры. ПО теперь затрагивает почти каждый рабочий процесс, поэтому большинство проблем подразделений отчасти являются программными. Если организация ожидает, что одна центральная ИТ-группа решит их все, перегрузка гарантирована.

Дефицит культуры увеличивает очередь задач. За пределами ИТ командам часто не хватает понятийного аппарата, чтобы сформулировать требования, ранжировать их экономически или оценить инженерные усилия. Любимые проекты продвигают как «быстрые победы», важнейшие потребности откладывают из-за их скучного вида, а заявки поступают в виде решений («добавить поле»), а не проблем («нужно прекратить двойное выставление счетов за возвраты»). Центральная ИТ-служба, осаждаемая плохо сформулированными запросами, кажется неотзывчивой; подразделения, вынужденные давать результат, обращаются к электронным таблицам и базам данных под конкретную задачу. Трения становятся нормой, а производительность падает с обеих сторон.

Центральная ИТ-служба тоже оказывается в ловушке: сотрудники по понятным причинам неохотно раскрывают весь масштаб теневых инициатив, которые часто действуют с молчаливого одобрения руководства и явно нарушают ИТ-правила. В результате люди, способные помочь привести инструменты в порядок, узнают о них лишь после поломки. Поэтому ожидать, что центральная ИТ-служба «принесёт данные», нереалистично: значительная их часть по самому устройству работы невидима.

Выход понятен, хотя и нелёгок: одну за другой заменять теневые системы учёта небольшими поддерживаемыми CRUD-приложениями. Сначала — регистры, потом — отчёты. Записи рискуют потеряться; отчёты можно пересчитать, когда исходные таблицы станут надёжными. Конкретно: взять рабочую электронную таблицу (или настольную базу), перевести её в режим только для чтения, набросать минимальную схему реального рабочего процесса, развернуть узкий CRUD-сервис с контролем версий, резервными копиями, журналами аудита и правами доступа, перенести прежние данные, перенаправить пользователей и вывести старый файл из эксплуатации. Повторять снова и снова. Когда данные оказываются в полноценном промышленном хранилище, переписать окружающие отчёты можно быстро и дёшево.

За это исправление должны отвечать специалисты по цепочкам поставок. ПО — вспомогательная наука этой практики, а не задача для аутсорсинга. Центральная ИТ-служба должна обеспечивать защитные рамки (среду выполнения, безопасность, резервное копирование), но охват, последовательность и семантику должны определять те, кто понимает поток товаров.

5.4.5 Производные данные

Корпоративные системы хранят не только факты. Рядом с записями событий (продаж, поступлений, подсчётов запасов, ценовых соглашений, календарных ограничений) находятся большие объёмы того, что я назову производными данными: чисел, созданных из других записей, — агрегатов, прогнозов, EOQ, страховых запасов, классификационных меток и тому подобного. Производные данные не добавляют новой информации: они лишь заново выражают уже имеющееся в регистре. Новичок ожидает, что каждая таблица и поле несут «новые» данные; на практике большинство таблиц зрелого приложения — артефакты. Для ясности: фактические данные обозначают исходные записи о потоке, а производные данные — всё вычисленное из них.

Не все производные данные одинаковы. Один класс обоснован: рабочие или временные таблицы (материализованные представления, кеши, денормализованные сводки), введённые ради производительности или удобства работы. Они нужны для отзывчивости системы, и от них можно отказаться, поскольку их всегда можно пересчитать из фактических данных. Другой класс — эпистемические украшения: артефакты планирования, сохранённые в регистрах (прогнозы, EOQ, «уровни сервиса», ABC-метки и так далее). Эти таблицы тоже не содержат новой информации, а лишь замораживают выход рецепта. В смеси с записями они размывают ответственность, множат несогласованности и затем вводят в заблуждение системы отчётности и принятия решений.

Прогнозы спроса — классический пример таких артефактов. В общем случае почти все данные планирования, которыми располагают компании, — всего лишь производные данные. К сожалению, многие практики принимают эти артефакты за ступени к системе принятия решений; на деле это мины.

Прежде чем объяснить, почему артефакты планирования вводят в заблуждение, разберём безобидный подкласс производных данных. Инженеры часто вводят «рабочие» или временные таблицы — материализованные представления, денормализованные сводки, промежуточные области — исключительно ради отзывчивости CRUD-регистров или разложения тяжёлой логики. Это удобство, а не знание: таблицы не несут новой информации сверх исходных фактов, и их можно пересчитать в любой момент. При принятии решений практикам следует в основном их игнорировать.

Заблуждающихся практиков естественно привлекают такие артефакты, как прогнозы продаж, экономичные размеры заказа, страховые запасы и уровни сервиса, потому что эти агрегаты кажутся «усвояемыми». Они сжимают тысячи событий, записанных отдельными строками, до нескольких чисел: недельный итог продаж выглядит гораздо пригоднее к действию, чем страница транзакций, поэтому для человека плотность информации в них высока. Но это удобство нельзя путать с новизной: цифры содержат ровно то, что уже следовало из исходных фактов, и ничего больше. Использовать такие сводки как первичные входы механизма принятия решений — значит принять лёгкость восприятия за добавленную информацию и выдать непонимание задачи.

Во-первых, производные данные не содержат новой информации. Это детерминированные функции фактических данных. Если исходные факты можно выгрузить, каждый прогноз, EOQ, «уровень сервиса» или ABC-метку можно пересчитать вне исходной системы. Кроме того, CRUD-регистры культурно и технически враждебны тяжёлым вычислениям. Сложной аналитике место в специально предназначенных средах; пересчитать эти показатели вне CRUD проще и надёжнее, чем заставлять регистр выполнять математику.⁵¹

Иначе говоря — и возвращаясь к понятию информации, — производные данные содержат ноль новых битов. Это детерминированные функции фактических данных фирмы; в лучшем случае — сжатые с потерями представления, удобные человеку. Использование таких артефактов как первичных входов смешивает представление со знанием: любая неопределённость, которую они будто бы устраняют, уже была устранена исходными записями — ровно в той же степени.

Почему же регистры кишат такими таблицами? CRUD-системы создают для быстрых и проверяемых рабочих процессов, а не для тяжёлой оптимизации. Поэтому поставщики материализуют промежуточные расчёты — прогнозы, EOQ, страховые запасы, ABC-метки, — чтобы экраны загружались быстро, а регистр мог изображать «планирование». Предварительные расчёты распространяются потому, что их дёшево хранить и легко показывать на демонстрации, а не потому, что они добавляют информацию.

Во-вторых, обрабатывать эти артефакты значительно сложнее, чем первичные, фактические данные, — часто на порядок и более. События потока ограничены физикой; артефакты — лишь практически избыточным объёмом хранения. В продуктах, смешивающих регистры, отчётность и «планирование», производные артефакты размножаются, пока не начинают преобладать в схеме. Нередко производных таблиц в десять раз больше, чем таблиц фактов. Последствие предсказуемо: больше объёма для передачи, сверки и управления при малом или нулевом информационном выигрыше.

В-третьих, аналитические артефакты, встроенные в CRUD-приложения (если исключить чисто операционные кеши и материализованные представления), почти всегда отражают наивные устаревшие подходы, которым не место в современной практике. Это не случайность, а следствие инженерной культуры CRUD: регистры создают для быстрых и проверяемых рабочих процессов поверх реляционных баз, поэтому поставщиков тянет к рецептам, которые (a) выражаются на SQL, (b) дёшево вычисляются заранее и (c) легко показываются на демонстрации. Таблицы прогнозов, экономичные размеры заказа, «уровни сервиса» и ABC-метки отвечают всем трём условиям; денежная оценка опциональности, выбор распределения капитала между SKU или портфельные решения с учётом риска — нет. В итоге постоянно накапливаются хрупкие числа, которые замораживают упрощённые предположения в регистре, размывают ответственность (какая цифра достоверна — артефакт или породившие его факты?) и вводят последующую работу в заблуждение, выдавая удобство за знание. Если бы авторы стремились к экономически обоснованным решениям, а не к скорости экранов и рекламным материалам, эти артефакты вообще не попали бы в систему учёта.

Не каждое утверждение о будущем — производные данные. Некоторые записи с будущей датой сами являются фактами: решениями или обязательствами, связывающими фирму или её партнёров. Например, если отдел маркетинга официально утвердил бюджет рекламной кампании с начала следующего года, включая сроки, распределение по регионам и каналам, эта запись не вычислена из других записей: это новое ограничение, меняющее денежные потоки и мощности независимо от будущего спроса. То же относится к уже согласованным с поставщиком изменениям цен с датой вступления в силу, запланированным открытиям или закрытиям магазинов с твёрдыми датами либо нормативным изменениям с фиксированной датой начала применения. Их следует записывать как факты с ясным происхождением, периодами действия и истечения, охватом и правилами отмены.

В более широком смысле привычка подавать производные артефакты на вход системы принятия решений отражает мировоззрение, возводящее планирование на пьедестал. Но планирование и порождаемые им артефакты занимают в цепочке поставок второстепенное место. Важны исполняемые решения, связывающие ограниченные ресурсы. Промежуточные вычисления, такие как прогнозы временных рядов, особенно для далёких решений вроде пополнений следующего сезона, не заслуживают равного статуса: они предварительны и будут многократно пересмотрены прежде, чем сдвинется хоть что-то — деньги или атомы.

Системы принятия решений существуют, чтобы выдавать решения — заказы поставщикам, распределения, цены, расписания, — связывающие ограниченные ресурсы. Исследуя пространство вариантов, механизм оставляет след промежуточных вычислений: оценки, симуляции, журналы сценариев, предварительные прогнозы. Это производные данные: они не содержат новой информации сверх входов и кода. Они полезны для аудита и диагностики, но являются временными техническими побочными продуктами, а не мастер-данными. Единственные долговременные выходы — сами решения, которые должны записываться обратно в систему учёта через узкий интерфейс. Эти записи не «артефакты», а новые факты: обязательства, которые фирма исполнит и которые позже материализуются в поступлениях, перемещениях и продажах.

Следовательно, система принятия решений должна получать достоверные факты из систем учёта и, возможно, нескольких внешних потоков с ясным происхождением, а не замороженные артефакты, встроенные в регистры или средства отчётности. Если нужна сводка, её следует пересчитать внутри механизма по исходным фактам; загрузка готовых артефактов лишь импортирует чужие предположения и потери информации.

5.4.6 Внешние данные

Под внешними данными мы понимаем сигналы, которые не возникают в собственных системах учёта компании и не могут быть из них восстановлены. Их нужно получать извне: с общедоступных сайтов, из официальных публикаций, сторонних потоков датчиков или у коммерческих поставщиков данных. Если байты можно вывести исключительно из внутренних регистров, они не внешние: это внутренние или производные данные. Использование внешних данных может создавать ценность, но затраты на приобретение, очистку и поддержание актуальности велики и часто подтачивают доходность. Практическое правило — сначала исчерпать экономическую ценность внутренних данных; регулярные исключения — опубликованные цены конкурентов и несколько тщательно подготовленных отраслевых наборов данных.

Главное препятствие при работе с внешними данными — стоимость их получения, очистки и поддержания актуальности. В отличие от собственных регистров фирмы, внешние потоки нерегулярны, частично структурированы и редко согласованы с внутренними схемами или циклами обновления. Внутренние записи обычно растут вместе с фирмой, внешние источники — нет. Когда внешние данные оказываются полезными, они обычно относятся к трём повторяющимся семействам: (1) конкурентная разведка — опубликованные цены, ассортимент и условия конкурентов, непосредственно меняющие спрос и ограничивающие ценообразование; (2) наблюдения за погодой и краткосрочные прогнозы, способные обогатить ближайшие распределения и расписания; (3) следы активности в социальных сетях, привлекательные в теории, но обычно безрезультатные на практике.

Каждое семейство приносит свои трудности: сопоставление и нормализация позиций разных каталогов для конкурентных данных; локальность, ограничения горизонта и большие объёмы для погоды; шум, манипуляции и слабые причинные связи для социальных сетей. Следующие подразделы рассмотрят их в этом порядке, начиная с конкурентной разведки.

5.4.6.1 Конкурентная разведка

Конкурентная разведка в контексте цепочки поставок — это сбор публичных сигналов соперников — опубликованных цен, ассортимента (фасонов, цветов) и условий (гарантий, обещаний доставки) — и включение их в собственные решения. Прежде всего это задача внешних данных: таких сигналов нет в наших регистрах; их нужно получить, сопоставить с нашим каталогом, очистить и поддерживать актуальными.

Экономическая связь прямая: цена распределяет дефицитные товары и координирует замещение. Небольшие изменения цены, наши или конкурента, сдвигают и общий объём, и долю рынка, порой резко, когда начинаются ответные действия. Поэтому для рационального распределения капитала и запасов цепочка поставок должна отслеживать цены, ассортимент и условия конкурентов и учитывать эти сигналы в решениях.

До конца 1990-х сбор опубликованных цен конкурентов был утомительной канцелярской работой. Распространение электронной торговли в 2000-х сделало цены легко доступными на публичных сайтах. Теперь видны даже цены профессиональных товаров, прежде скрытые за запросами коммерческих предложений: достаточно одного перепродавца, опубликовавшего число. Поэтому в 2000-х возникла небольшая индустрия специалистов по веб-скрейпингу и инструментов разбора беспорядочных страниц, выдающих себя за посетителей-людей⁵².

Сегодня компании могут недорого приобретать обширные наборы данных, обновляемые несколько раз в день и описывающие ассортимент конкурентов. Использование этих данных всё ещё трудоёмко: остаётся несколько препятствий.

Данные конкурентной разведки гораздо более зашумлены, чем внутренние записи компании. Веб-скрейперы опираются на множество эвристик, которые иногда неверно считывают значение⁵³. Даже при высоком общем качестве ошибочные значения всё равно нужно выявлять и обезвреживать.

На большинстве рынков наш каталог не соответствует каталогу конкурента 1 к 1. Даже когда конкурент продаёт «тот же» товар, различаются его SKU, размер упаковки, набор цветов или входящие аксессуары. Поэтому установление пар — задача сопоставления, а не поиска готового значения. Рабочий подход состоит из трёх шагов: (1) создать пары-кандидаты по дешёвым сигналам — общим артикулам производителя, GTIN/EAN/UPC, нормализованным названиям, значимым атрибутам вроде размера, объёма или номинальной мощности и, при наличии, векторным представлениям изображений; (2) оценить каждого кандидата несколькими независимыми проверками — сходством текста, совместимостью атрибутов, согласованностью цены за единицу и правилами комплектов и вариантов — и получить оценку уверенности; (3) сохранить полный граф соответствий (один ко многим и многие к одному) с временными метками, а не одну «лучшую» связь, поскольку ассортимент дрейфует и правильная пара со временем может измениться. Современные языковые модели и модели компьютерного зрения облегчают шаг (1), но не устраняют необходимость шагов (2) и (3). Без проверяемого слоя сопоставления с версионируемыми правилами и порогами уверенности последующие сравнения цен будут численно точными и экономически неверными.

Важен не только объём данных, но и их сохранение и происхождение. Конкурентные потоки — не «одна строка на SKU, конкурента и день». Чтобы сохранить проверяемость и экономическую полезность, фирма должна удерживать: (i) каждое исходное наблюдение — URL с временной меткой, снимок страницы или API и использованную версию парсера; (ii) полный граф соответствий с оценками каждого ребра и версиями правил с временными метками; (iii) правила нормализации и преобразования единиц в том виде, в каком они были на тот момент; (iv) каждое обнаруженное изменение — цены, наличия, набора вариантов, состава комплекта. Цены могут меняться несколько раз за день; маркетплейсы показывают множество предложений отдельных продавцов; варианты и аксессуары появляются и исчезают. Сведение этой изменчивости к одной «дневной цене» отбрасывает именно тот сигнал, который нужен для распределения и ценообразования.

На практике корпус конкурентных данных часто превосходит собственный журнал транзакций фирмы в 10–100 \(\times\) по числу строк и гораздо сильнее по байтам, если для прослеживаемости архивируются исходные снимки HTML/JSON.⁵⁴ Современное оборудование справляется с объёмом; настоящая стоимость скрывается в инфраструктуре: конвейерах загрузки, устойчивых к изменениям сайтов, детекторах аномалий для нейтрализации сбоев скрейперов, периодическом повторном сопоставлении при дрейфе ассортимента и метках контроля качества, помещающих сомнительные наблюдения в карантин без остановки потока. Пренебрегите любой из этих частей, и набор будет плотным численно, но скудным эпистемически.

В целом конкурентная разведка достаточно значима и доступна, чтобы заслуживать включения в большинство цепочек поставок. Однако если проект можно запустить без конкурентных данных, добавьте этот поток позже, когда основной рецепт уже заработает.

5.4.6.2 Данные о погоде

Многие категории — одежда, напитки, товары для дома и сада, автомобильные аксессуары — чувствительны к погоде. Поскольку погода меняет спрос, соблазнительно позволить прогнозам направлять цепочку поставок. Но правильный вопрос не в том, использовать ли погодные данные, а в том, когда они действительно обогащают решение. Это определяют две практические оси: горизонт решения (часы, дни, недели) и пространственная детализация действий фирмы (магазин, город, регион). Прогноз несёт полезную информацию только тогда, когда его горизонт и локальность соответствуют решению. На практике выгоду погодозависимых решений ограничивают два жёстких условия.

Горизонт: за пределами примерно десяти дней современные прогнозы возвращаются к сезонным средним. От эмпирических правил начала XX века до нынешних спутниковых снимков высокого разрешения непрерывный прогресс улучшал прогнозы, но они по-прежнему остаются решительно краткосрочными. Поэтому решения, смотрящие дальше десяти дней, получают от погодных потоков не больше информации, чем от обычной сезонности, измеренной по собственной истории фирмы.

Локальность: погода сугубо местная. Условия могут резко различаться в местах, разделённых всего несколькими километрами или даже несколькими часами, тогда как крупные фирмы продают и работают на сотнях тысяч, а то и миллионах квадратных километров. Погодный сигнал полезен лишь тогда, когда доступен и сопоставлен с нашими активами и клиентами на той же пространственной детализации, на которой мы способны действовать (магазин, маршрут, город или регион), и в пределах соответствующего срока выполнения операции. Для такого соответствия нужны сетки высокого разрешения и подробные исторические реанализы, позволяющие откалибровать статистическую связь погоды и спроса. Охват следующих десяти дней и нескольких лет истории быстро даёт десятки гигабайтов данных, часто на порядок больше собственного журнала транзакций фирмы. Современное оборудование справляется с объёмом, но инфраструктура нетривиальна. Когда решения принимают на более крупном уровне, например регионального распределения, мелкомасштабные сигналы в основном усредняются, сокращая выгоду.

Кроме того, погода — не одномерное явление. Типичные параметры включают температуру, влажность, скорость и направление ветра, осадки, давление, видимость и облачность. В зависимости от товаров некоторые параметры несущественны, но их выявление всё равно требует работы. Для спроса на электроэнергию часто достаточно температуры, тогда как другие продукты зависят от иной комбинации погодных факторов.

Наконец, асимметричные риски конкретного решения в цепочке поставок могут свести на нет преимущества прогнозов, обогащённых погодой. Рассмотрим женские бритвы. В западных странах у этих товаров резкая квазисезонность: спрос взлетает в течение недели перед первыми жаркими весенними выходными. В остальное время года он низок. Для универсального магазина разумнее не полагаться на пополнение в последний момент, точно к сроку, как только замаячат жаркие выходные. Если прогноз ошибочен, пополнение придёт слишком поздно и магазин упустит единственную за год возможность продать эти товары. Разумный выбор с учётом риска — пополнить запасы ранней весной. Первые жаркие весенние выходные почти наверняка наступят; неопределённа их точная дата. Держать упаковку небольших нескоропортящихся товаров на полке несколько лишних недель гораздо дешевле, чем пропустить всплеск из-за плохого прогноза.

Погода помогает только там, где её сигнал проходит два уже названных жёстких ограничения: горизонт (примерно десять дней) и локальность (единица, на уровне которой фирма может действовать). За этим окном преобладают физика прогнозирования и затраты на инфраструктуру, а сезонные закономерности и правила с учётом риска весят больше. Инструменты, возможно, позже смягчат эти трения, но пока погода — дополнение, а не основа планирования.

5.4.6.3 Данные социальных сетей

В 2010-х годах данные социальных сетей увлекали руководителей больше любого другого внешнего источника. Когда миллионы потребителей начали высказывать желания и мнения в соцсетях, компания, способная постоянно совершенствовать предложение на основе этой информации, могла бы превзойти соперников. Вместо опоры на продажи, наблюдаемые с задержкой в недели, надеялись улавливать настроение рынка в реальном времени. Кроме того, социальные сети должны были содержать информацию за пределами текущего предложения компании и подсказывать направления вывода новых продуктов.

Но данные социальных сетей так и не принесли обещанных поставщиками богатств; ожидаемые выгоды не материализовались. Эти данные действительно крайне трудны в использовании из-за огромного, часто злонамеренного шума. Подставные аккаунты повсюду; настоящие пользователи троллят или манипулируют; влиятельные авторы набирают и теряют популярность. Завышенные показатели аудитории — просмотры или подписчики — обычное дело. У платформ мало стимулов удалять трафик клик-ферм⁵⁵, раздувающий эти цифры.

Даже будь качество выше, автоматически и в масштабе сопоставлять публикации с точными частями предложения компании всё ещё тяжело. Очевидно, что публичная обратная связь помогает дизайнерам и инженерам выявлять тонкие недостатки или, наоборот, направления улучшения, но для цепочки поставок такая обратная связь преимущественно бесполезна. Компании не нужны соцсети, чтобы узнать о задержках недавних поставок: системы учёта и интеграции с перевозчиками уже дают эту информацию.

Наконец, стоимость обработки остаётся существенной. В отличие от столь же больших наборов вроде погодных данных, которые полностью числовые, данные социальных сетей в основном неструктурированы и почти целиком состоят из текста и изображений. Недавний прогресс мультимодальных LLM (больших языковых моделей) облегчает обработку, но их массовое применение остаётся дорогим и медленным.

Среди внешних источников у данных социальных сетей худшее соотношение затрат и выгод. Извлечение трудоёмко, а выводы редко пригодны к действию в цепочке поставок. На практике фирмам следует обходиться без данных соцсетей для задач цепочки поставок, пока не исчерпаны все другие источники.

5.5 Обыденные знания

Распространённое возражение против механизации принятия решений состоит в том, что люди знают многое, чего нет в системах учёта компании. Однако, хотя это утверждение банально верно — сотрудники склада знают цвет дверных ручек, почти наверняка отсутствующий в системе, — из него не следует невозможность почти полной автоматизации. Напротив, в обществе и корпоративной среде сохраняется повсеместная мистика вокруг участия людей в процессе, словно человеческому разуму присущи сверхъестественные свойства, которые не способен воспроизвести ни один компьютер.

Начнём с уточнения утверждения люди кое-что знают через различие информации и знания. Хотя сотрудники безусловно знают процессы, участвующие в потоке товаров, они не обязательно хорошо информированы, особенно о деталях его постоянно меняющегося состояния. Человеческий разум не способен надёжно помнить тысячи ежедневных позиций запасов, тысячи клиентских заказов, сотни ожидаемых поставок. Даже простейшие компьютеры намного превосходят человеческий разум и в надёжности, и в скорости хранения и извлечения информации.

Сегодня почти во всех оставшихся ручных решениях в цепочках поставок участвует планировщик, опирающийся исключительно на информацию, показанную системами компании. Когда систем учёта не хватает, сотрудники обращаются к электронным таблицам — своей страховочной сетке теневых ИТ, — чтобы собрать недостающую информацию. Эта распространённая практика показывает, что цепочки поставок де-факто зависят от цифровой информации. Аккуратно ли она интегрирована в хорошо спроектированные системы учёта или беспорядочно рассеяна по набору электронных таблиц, положение остаётся прежним: для всех практических целей информация существует только в цифровой форме.

Вспомним проведённое ранее в разделе Знание различие между специальными и обыденными знаниями. Специальные знания — формулы, исходный код, договорные правила — уже существуют письменно и потому естественно служат сырьём для механизации. Обыденные знания, напротив, остаются в неявных практиках: известно, что перевозчик X никогда не приезжает после 4 часов дня, что грузовик «Бесси» приходится уговаривать включить первую передачу или что определённый поставщик забывает таможенные документы каждый второй вторник. Скептики полной автоматизации в действительности боятся, что этот расплывчатый остаток исчезнет, как только людей «выведут из процесса».

Лечение — не отказ от автоматизации, а постепенная формализация. Всякий раз, когда оператор опирается на неписаное правило, меняющее существенное решение, правило нужно выявить, записать и поставить под контроль версий точно так же, как любой другой фрагмент рабочего кода. Со временем организация собирает живой, проверяемый коллегами корпус — практическое руководство по цепочке поставок, — из которого инженеры смогут извлекать детерминированные правила, статистические априорные распределения или обучающие метки для будущей системы принятия решений.

Выращивание такого руководства требует общекорпоративной письменной культуры. Протоколы совещаний, разборы происшествий, блокноты симуляций и исправляющие SQL-фрагменты следует считать полноценными рабочими материалами и хранить в общем репозитории для поиска, проверки и переработки. Письменные слова стареют медленно; устные традиции испаряются за ночь. Чем раньше фирма примет эту дисциплину, тем быстрее приблизится к полностью информированным решениям, исполняемым машиной.

Таким образом, возражение против автоматизации, основанное на информации, не выдерживает проверки. Однако это не решает вопроса самого знания и интеллекта, необходимого для его применения. Возражение можно переформулировать: даже располагая всей необходимой информацией, мы всё ещё не знаем, как формализовать её превращение в решения. Сотрудники умеют это делать, но не могут сказать как, по крайней мере достаточно точно для надёжного воспроизведения компьютером. У этого возражения есть основания; мы вернёмся к нему в главе Интеллект.

5.6 Плохие данные

За последние четыре десятилетия инициативы планирования цепочек поставок образовали почти непрерывную череду провалов, о чём говорит отсутствие полноценных промышленных процессов принятия решений без участия человека в большинстве компаний. Позже мы подробнее вернёмся к этому утверждению, но уже сейчас отметим, что плохие данные стали любимым оправданием. Поставщики ПО, интеграторы и специалисты по анализу данных неизменно объясняют отсутствие результатов неподходящими данными. Однако при ближайшем рассмотрении это объяснение не выдерживает проверки.

С конца 1990-х годов все крупные цепочки поставок оцифрованы: каждая закупка, отгрузка, продажа и производственный запуск где-то записаны в системе учёта. Это не означает, что системы отражают все значимые аспекты физического потока или свободны от ограничений и иных проблем. Но уже более двух десятилетий основная транзакционная история крупных компаний существует в цифровом виде.

Эмпирически транзакционные данные систем учёта почти неизменно демонстрируют столь низкую частоту ошибок, как одна неверная запись на тысячу. Такая точность неудивительна. Ведение точного регистра — вопрос выживания компании: неоплаченные долги клиентов нужно взыскать, а счета поставщиков нельзя оплачивать дважды. Регулярные провалы в этих основах гарантируют либо банкротство, либо в лучшем случае поглощение лучше управляемым конкурентом, поскольку эти проблемы по большей части устранимы. Несмотря на защитные меры, отдельные канцелярские ошибки всё же проскакивают, но они слишком редки, чтобы существенно влиять на оптимизацию цепочки поставок.

Нетранзакционные данные систем учёта обычно ниже качеством, чем транзакционные, именно потому, что ошибочные записи не приводят систематически к экономической санкции. Но в цепочках поставок эти данные редко представляют собой откровенный мусор. Большинство крупных компаний достаточно дисциплинированы, чтобы их записи отражали ежедневную работу. Главная проблема качества нетранзакционных данных — возможное отсутствие записей, если сотрудники могут уклониться от ввода. При плохом пользовательском интерфейсе пропуск ввода может быть единственным практическим способом сохранять продуктивность. Но эти поля остаются незаполненными именно потому, что не критичны для поддержания потока.

В некотором смысле сам факт продолжающейся работы компании доказывает, что данные «достаточно хороши». Десятилетия назад некоторые подразделения держали бумажные резервные копии, но в крупных цепочках поставок такая практика исчезла. Если данных нет в системах компании, их не существует. Поэтому отсутствие нетранзакционных данных не мешает оптимизации цепочки поставок как таковой, а лишь ограничивает её эффективность. Более того, те же ограничения данных сдерживают сотрудников, выполняющих задачу вручную. Ситуаций, когда для оптимизации достаточно информации в головах людей, немного. Вместо этого они опираются на правила, не учитывающие контекст, которые поддерживают поток, возможно неэффективно, на скудных данных. Но такие правила не являются исключительной принадлежностью человеческого разума: программы могут их воспроизвести.

Рассмотрим, например, розничную сеть со складом, обслуживающим несколько десятков франчайзинговых магазинов. Каждый день самостоятельно управляемые магазины посылают заказы на склад, ожидая исполнения на следующий день. Но суммарное количество, заказанное ими за день, может превышать физически имеющийся складской запас. Тогда правило по умолчанию просто: «кто первым пришёл, того первым обслужили». Это наивное правило провоцирует манипуляции: магазины завышают заказы при ощущении возможной нехватки, лишь углубляя проблему. Лучшее правило распределяло бы остаток по сети, а не отдавало всё первым заявителям. Однако такое усовершенствование требует больше данных, то есть больше контекста.

Эти наблюдения ставят под сомнение популярное утверждение, будто «плохие данные» губят большинство проектов цепочек поставок. В конце концов, большинство инициатив сводится к планированию потока, которому нужны лишь транзакционные данные — доступные и надёжные. Другое, более убедительное объяснение: большинство технологических специалистов — поставщики ПО, интеграторы, внутренние специалисты по анализу данных — не умеют использовать данные, уже находящиеся в системах учёта компании. И книги о цепочках поставок, и программы действительно склонны отмахиваться от этой проблемы: подготовку данных полностью игнорируют, неявно считая её настолько простой задачей, что ей не нужны особые методологии или технологии.

Однако, как подробно объяснялось в предыдущем разделе, системы учёта никогда не проектировали для анализа данных и вряд ли когда-либо будут. Крупные компании часто эксплуатируют множество, иногда десятки, функционально пересекающихся систем учёта. Этот хаотичный набор приложений возникает из слияний и поглощений, последовательных внедрений, при которых не выводят старые системы, и всё новых функциональных требований. Поэтому подготовка данных, особенно установление семантики полей, неизменно остаётся огромной задачей для любой крупной компании. Справиться с ней могут только специалисты по цепочкам поставок.

Иными словами, «плохие данные» часто служат удобным козлом отпущения для простой некомпетентности. Хотя внешние источники нередко страдают от чрезвычайно серьёзных проблем качества, к собственным системам учёта компании это не относится.

6 Интеллект

Интеллект — трудноуловимая способность, позволяющая людям выражать свои желания и планировать действия для их достижения. Самоочевидно, что цепочка поставок, понимаемая как мастерство использования опциональности, требует значительного интеллекта, чтобы приносить прибыль. Но грубо организованная цепочка поставок обременяет компанию постоянными предотвратимыми накладными расходами — затратами, от которых избавило бы более продуманное распределение ресурсов.

На рынке, которому не чинят препятствий, фирмы, управляемые разумно, получают вознаграждение, а остальные отсеиваются. Рынок замечателен тем, что даёт возможности, которых его участники явно не понимают. Ранее мы видели, как рынок создаёт цены; теперь видим, что он обеспечивает и разумное управление. Эти возможности возникают лишь косвенно, как совокупное свойство всего рынка. Руководителю по-прежнему приходится полагаться на собственный интеллект, чтобы улучшать фирму и, в частности, её цепочку поставок.

Понимание интеллекта критически важно для цепочек поставок, потому что значительную его часть теперь можно создать инженерными средствами и передать вычислительному оборудованию. На практике уже гораздо больше десяти лет доступна масштабная автоматизация повседневных операционных решений, поддерживающих поток товаров, без участия человека. Это не утверждение, что задача общего интеллекта «решена», а наблюдение: специализированный, инженерно созданный интеллект уже даёт сверхчеловеческую стабильность в узких задачах и большой прирост производительности. Сегодняшние повсеместные приложения построения маршрутов — тихое, но убедительное свидетельство.

Архитектурная форма этой инженерно созданной способности — система принятия решений. Прежде чем противопоставлять общий и специализированный интеллект, рассмотрим сами эти системы: как они возникают в современной цепочке поставок, превращают необработанные записи в прибыльные решения без участия человека и почему принципы их устройства резко отличаются от CRUD-приложений, преобладающих в корпоративном ПО.

6.1 Системы принятия решений

Принятие решений механизируется с помощью систем принятия решений. В отличие от систем учёта или отчётности, их проектируют для замены операторов-людей, а не для взаимодействия человека и машины. Цель такой системы — формировать наиболее прибыльные решения и принимать их полностью без участия человека.⁵⁶ Для большинства компаний непрерывная автоматизация была краеугольным камнем прибыльности. Системы принятия решений распространяют этот принцип на задачи, традиционно поручаемые офисным служащим. Наша способность создать такую систему напрямую зависит от способности механизировать интеллект — общий или специализированный.

Хотя каждая корпоративная функция — маркетинг, финансы, работа с персоналом и так далее — в конечном счёте получит собственные системы принятия решений, цепочки поставок относятся к самым многообещающим направлениям. Любая крупная цепочка поставок требует ежедневно десятков тысяч, а порой миллионов решений. Без таких систем только для поддержания движения товаров нужны десятки, а то и сотни служащих. К началу 2020-х многие розничные компании и производители держали больше офисных сотрудников для обновления таблиц, чем рабочих для обращения с самими товарами. Рабочие профессии активно механизируют два столетия, и процесс продолжается. Напротив, почти весь рост производительности от корпоративного ПО за последние пять десятилетий обеспечили одни лишь системы учёта. Численность офисного персонала почти не уменьшилась: выигрыш поглотила растущая сложность цепочек поставок.

Но от первых систем контроля запасов, внедрённых в 1970-х годах, ожидали обширной автоматизации принятия решений⁵⁷. Эти системы почти неизменно опирались на парадигму страхового запаса или небольшие её вариации: для каждой SKU буфер рассчитывают по прогнозу спроса, входному значению срока выполнения операции и целевому уровню сервиса. Метод предполагает нормальное распределение неопределённости спроса. Первоначально ожидалось, что такая система сможет автоматически формировать решения по запасам под небольшим надзором сотрудников, время от времени обновляющих параметры. Ожидание оказалось ошибочным; системы остались чрезвычайно трудоёмкими.

Однако в XXI веке, после нескольких десятилетий застоя, практическая автоматизация повседневных решений цепочки поставок стала возможна благодаря системам, специально созданным для принятия решений. Для практиков цепочек поставок их значение трудно переоценить: современная практика цепочек поставок по большей части представляет собой специализированную работу с программным обеспечением. Она сводится к созданию систем принятия решений для цепочек поставок. Это фундаментальное понимание часто упускают и авторы, и консультанты, и учёные в этой области. В результате традиционная парадигма не способна превратить практику цепочек поставок в производительный актив.

6.1.1 Производительный актив

А что, если мы обучим сотрудников, а они уйдут? Верно, но что, если мы не обучим их, а они останутся? (старая деловая поговорка)

До появления ПО фирмам приходилось нанимать и удерживать служащих для каждого рутинного решения, каким бы мелким, обыденным или повторяющимся оно ни было. По мере умножения решений множились служащие и их руководители. Компания могла сузить свою специализацию, чтобы сократить штат, но лишь ценой сужения предложения. В таком представлении персонал — чистые операционные расходы (OPEX): рабочие дни расходуются и после принятия решения не оставляют долговременного актива.

Даже при обучении и усовершенствованной организации большие коллективы давно достигли потолка компетентности. Например, APICS⁵⁸ (American Production and Inventory Control Society) была основана в 1957 году; её учение остаётся стабильным десятилетиями. Вопреки тому, за что всё ещё выступают многие авторы из консалтинга, теперь неразумно ожидать, что перестройка процессов или организации цепочки поставок в рамках допрограммной парадигмы принесёт что-то кроме скромной отдачи.

Основополагающая идея системы принятия решений — превратить эти операционные расходы в капитальные затраты. Даже человеко-дни, вложенные в построение системы, улучшают саму систему. Её эксплуатация и сопровождение по-прежнему стоят денег, но для программ эти расходы обычно составляют небольшую долю фонда оплаты труда, необходимого для тех же результатов вручную. Таким образом, сама система принятия решений воплощает практику цепочек поставок в производительном активе. Актив производителен, потому что через автоматизируемые решения непрерывно приносит компании отдачу, существенно превышающую расходы на его эксплуатацию.

В отличие от канцелярского персонала, который можно обучить лишь до определённого уровня, априорного верхнего предела результатов цепочки поставок, ожидаемых от системы принятия решений, нет. Во-первых, появляется возможность фактически окончательно устранить некоторые неэффективности или ошибки. Как бы хорошо ни были обучены и добросовестны руководители, в любом ручном процессе неизбежны отдельные канцелярские ошибки. Кроме того, дополнительное дублирование ручных процессов, например проверки коллегами или вышестоящими руководителями, обычно контрпродуктивно: оно замедляет поток, добавляет препятствия и расходы. Во-вторых, каждое решение можно дальше улучшать с помощью большего количества данных, более точных предикторов, более эффективных оптимизаторов… без встроенного потолка их сложности. Программы уже способны упаковать знания и навыки, на накопление которых иначе потребовалось бы несколько жизней, и так обстоит дело уже десятилетия⁵⁹.

Поскольку сопровождение системы принятия решений — задача общего интеллекта, ни одна система пока не полностью автономна. Однако с начала 2010-х всё больше компаний используют такие системы, которые обеспечивают повседневное исполнение в цепочках поставок преимущественно без участия человека⁶⁰. Числовые рецепты остаются неизменными неделями, если не месяцами.

6.1.2 Путаница вокруг появления

С 1970-х годов поставщики ПО для цепочек поставок неоднократно заявляли, что их продукты автоматизируют планирование; на практике обещания не воплотились: поставляемые системы не принимали решений без участия человека, и для большинства поставщиков это верно и в середине 2020-х.⁶¹ Настоящие системы принятия решений появились лишь в конце XX века, впервые в масштабе — в количественных финансах как платформы алгоритмической торговли, часто называемые «торговыми алгоритмами» или «автоматизированными торговыми системами». Начиная с 1980-х финансовые учреждения использовали алгоритмы для автоматизации торговых решений, фактически заменяя трейдеров-людей в разных видах рыночной деятельности. Эти системы создавали для анализа огромных массивов рыночных данных, поиска прибыльных торговых возможностей и исполнения сделок со скоростью, недостижимой для человека. Их успех показал преобразующий потенциал механизации интеллекта и создал прецедент для других отраслей.

Однако в других отраслях, особенно в цепочках поставок, путаница между системами учёта и принятия решений сохраняется с подъёма корпоративного ПО в 1970-х годах, а поставщики при содействии рыночных аналитиков играют ключевую роль в её увековечивании. Если кратко, системы учёта легко проектировать, но их отдача ограничена; системы принятия решений проектировать трудно, но их потенциал огромен. Поэтому большинство поставщиков представляют свои системы учёта как системы принятия решений, чтобы повысить готовность потенциальных клиентов платить. При всей грубости этот маркетинговый приём остаётся действенным: в 2020-х компании всё ещё дорого платят за технологии — CRUD-приложения, — ставшие стандартными массовыми продуктами более десяти лет назад. Многие руководители по-прежнему убеждены, что системы учёта улучшают качество бизнес-решений, несмотря на несколько десятилетий эмпирических свидетельств обратного.

Ценность системы учёта строго ограничена независимо от качества решения. Когда система достигает почти идеальной надёжности и полного функционального охвата, улучшать больше нечего. Для многих процессов — выставления счетов, инвентаризации, учёта времени… — эта конечная точка была достигнута более десяти лет назад. Как лучший бухгалтер в мире ничего не меняет по сравнению с отличным бухгалтером, так и лучшая система учёта ничего не меняет по сравнению с отличной.

Поставщики корпоративного ПО всегда болезненно осознавали внутренние ограничения систем учёта. С самого начала они строили свои заявления вокруг «лучших решений», которые компании смогут принимать благодаря их продуктам. Например, в цепочках поставок поставщики неизменно утверждают, что их решения снижают запасы и дефицит, даже когда ПО в действительности полностью передаёт решения по запасам сотрудникам клиента, как неизменно происходит с ERP. Позднее поставщики систем отчётности пошли тем же путём, рекламируя решения, которые в лучшем случае лишь косвенно вытекали из отчётов.

Суть технологической трудности в том, что ни систему учёта, ни систему отчётности на практике нельзя расширить до системы принятия решений. В защиту первых поставщиков ПО 1970-х годов нужно сказать, что причины тогда не были очевидны, поэтому они, скорее всего, сами верили, что ранние системы учёта со временем охватят принятие решений. Но к концу 1990-х десятки заметных неудачных попыток показали, что такого перехода не произойдёт.

6.1.3 Культура и стимулы

Автоматизация принятия решений в цепочках поставок возникла не у первопроходцев корпоративного ПО, превратившихся в гигантов в 1990-х годах. Это вдвойне удивительно: через свои системы учёта эти поставщики не только всесторонне обозревали цепочки поставок, но и неустанно рекламировали свою способность улучшать именно эти процессы. Понять, почему они так и не создали системы принятия решений для цепочек поставок, важно: компании, модернизирующие свои цепочки поставок, столкнутся с теми же проблемами.

Можно возразить, что ПО конца XX века было недостаточно развитым, а поставщики — чрезмерно оптимистичными; это сомнительное объяснение. Те же поставщики — прежде всего ERP и CRM — не сменили курс даже через десять лет после того, как стало ясно, что некоторые компании механизировали принятие решений в цепочках поставок. У них не было архитектурных решений, которые сделали бы такую автоматизацию возможной. Поэтому технологические барьеры существовали, но главным препятствием были не они.

Первая проблема — стимулы. Поставщики систем учёта обычно привязывают плату к числу пользователей; даже платежи, не привязанные к численности персонала, например за поддержку, на практике следуют за ней. Поэтому поставщики заинтересованы в добавлении возможностей, увеличивающих штат, и не заинтересованы в развитии продуктов в сторону его сокращения. Системы принятия решений, прямо нацеленные на автоматизацию принятия решений, идут вразрез с этой логикой.

Поэтому неудивительно, что у поставщиков систем учёта — нередко высокорентабельных — мало причин финансировать технологии, способные подорвать нынешние источники прибыли. Если экономика чему-то и учит, то тому, что стимулы имеют значение. Если прибыльность организации зависит от того, чтобы прорыв не состоялся, наличие в ней людей с дальновидными идеями ничего не меняет⁶².

Вторая проблема — инженерная культура. Как уже отмечалось, системы учёта разрабатывают почти исключительно в парадигме CRUD. По сравнению с альтернативами CRUD требует гораздо меньше инженерного мастерства для сопровождения и расширения приложения. Это стало краеугольным камнем управления персоналом у поставщиков систем учёта. В результате они могут увеличивать команды, уменьшая зависимость от инженерных талантов. Напротив, системы принятия решений неизменно ставят сложные инженерные задачи, едва сопоставимые с тривиальными задачами CRUD. Неудивительно, что коллектив, почти исключительно решавший «лёгкие» задачи — нередко десять лет или дольше, — неохотно берётся за действительно трудные. В качестве частного свидетельства: почти все прорывы в информатике за последние два десятилетия произошли в компаниях, разрабатывающих потребительское ПО⁶³, тогда как заметный вклад поставщиков корпоративных систем учёта назвать трудно.

Поэтому при внедрении системы принятия решений компании следует избегать поставщиков, специализирующихся на системах учёта. Поскольку системы учёта внедряют первыми, руководители неизменно испытывают соблазн обратиться к уже работающему поставщику, заслужившему доверие. К сожалению, это доверие направлено не по адресу: качества, обеспечивающие поставщику успех в системах учёта, полностью контрпродуктивны для систем принятия решений.

6.1.4 Противоречащие друг другу требования к устройству систем

Помимо стимулов и культуры, попытки расширить системы учёта до принятия решений во многом обречены из-за противоречащих друг другу требований к устройству систем. Производительность, надёжность и удобство сопровождения важны для обоих лагерей, но содержание этих понятий резко различается.

Позднее, рассматривая технологии для систем принятия решений в цепочках поставок, мы увидим, что такая система не может сколько-нибудь осмысленно вырасти из CRUD-приложения и её лучше разрабатывать отдельно. Даже базовые соображения показывают, насколько велик разрыв между системами учёта и принятия решений.

6.1.4.1 Производительность

Система учёта должна откликаться с малой задержкой: независимо от ввода или экрана действия должны завершаться за миллисекунды — в идеале менее чем за 100 мс, — чтобы задержка оставалась незаметной; иначе производительность повседневной работы падает. Хотя 100 мс кажется быстрым откликом, из-за очередей система с таким средним показателем всё равно заставляет ждать по несколько секунд — такие задержки пользователи замечают и воспринимают с раздражением.

Поэтому в системе учёта каждая операция должна завершаться за практически постоянное время в рамках фиксированного бюджета ресурсов. Поскольку все операции конкурируют за одно транзакционное ядро, любая «тяжёлая» операция рано или поздно лишит систему ресурсов и увеличит задержки множества операций. При тысячах функций рискованно даже одно исключение. Сегодня большинство компаний с «медленными» деловыми системами страдают от предсказуемых последствий тяжёлых операций, которым вообще не место в системе учёта.

Такую затратную операцию легко добавить непреднамеренно. Например, суммирование неограниченного числа строк — допустим, вычисление скользящей средней выручки за год для товарной категории — уже проблематично. Между тем это элементарная описательная статистика. Читатели, знакомые с алгоритмами, могут возразить, что большинство описательных статистик можно поддерживать и получать при постоянном расходе ресурсов. Это верно, но подобные ухищрения непрактичны⁶⁴. Во-первых, достоинство CRUD как раз в отсутствии требований к знанию алгоритмов. Во-вторых, при масштабировании на тысячи функций проблемы производительности всё равно просачиваются. Полный отказ от таких операций — единственная масштабируемая защита.

Для системы принятия решений картина производительности совершенно иная. Допустим, нужно решить, когда и сколько заказать у зарубежного поставщика. Хотя решение важно принять своевременно, разумно потратить минуты — или даже часы — на оптимизацию, дающую более выгодный заказ. Ограничивать 100 мс решение, последствия которого будут разворачиваться неделями, бессмысленно. Задача систем принятия решений — формировать лучшие решения, инженерную разработку которых компания может себе позволить. Пока дополнительные выгоды намного превышают вычислительные расходы, увеличение этих расходов разумно.

6.1.4.2 Надёжность

Для систем учёта надёжность означает совсем не то, что для систем принятия решений. Если система учёта выходит из строя, любой зависящий от неё процесс немедленно останавливается. Например, при отказе системы учёта запасов отбор товара может оказаться невозможен. Поэтому при разработке системы учёта критически важно обеспечить её постоянную работоспособность. CRUD-приложения разделяют зоны ответственности, поэтому большинство ошибок локальны: они затрагивают только один экран или процесс. Обычно лучше сохранить систему учёта в работе с выявленной проблемой, чем отключить до её исправления. Более того, исправления следует иметь возможность вносить без остановки операций: устранение локальной проблемы не должно вредить остальной компании. Эта возможность — внесение исправлений без остановки системы — обычно считается технически сложной. Но парадигма CRUD через движок реляционной базы данных в значительной мере её обеспечивает. Поэтому на практике разработчикам систем учёта редко требуется специализация в распределённых вычислениях, чтобы добиться почти непрерывной доступности.

Напротив, при подозрении на неисправность системы принятия решений благоразумие требует остановить её и провести диагностику до возобновления работы. Ошибочные решения могут стоить чрезвычайно дорого. Например, чрезмерно большой заказ зарубежному поставщику практически гарантирует обесценение запасов, если не их списание.

Следовательно, в системе принятия решений экономическое качество решений важнее непрерывной доступности. Когда доверие к ним падает, механизм должен остановиться — намеренно и быстро, на основе явных эвристик. Это предотвращает дорогие ошибки и обычно оказывается самым прибыльным выбором. Такие эвристики остановки — не те «оповещения» и «исключения», которые выдаёт система учёта, растянутая до инструмента принятия решений. Архитектуры CRUD не позволяют закодировать тонкости нетривиальных решений, поэтому пограничные случаи множатся: базовая логика пополнения не справляется с запуском товаров, каннибализацией, акциями конкурентов и другими обычными потрясениями. Но отключать приложение недопустимо: пограничные случаи настолько часты, что оно большую часть времени простаивало бы, а поскольку оно одновременно служит системой учёта, остановка парализовала бы операции. Поэтому инструмент регистрирует исключение и передаёт случай человеку. Настоящая система принятия решений действует наоборот: механизм принятия решений останавливается, а работа возобновляется только после внедрения программного исправления — изменения логики. Ручное закрытие отдельных случаев не допускается.

6.1.4.3 Удобство сопровождения

Два вида систем резко различаются и подходом к сопровождению. Как только в системе учёта появляются новые сущности, клиенты начинают от них зависеть: данные уже сохранены, и процессы на них опираются. Проблемы начинаются, когда сущности перекрываются и их становится невозможно сопровождать. Перекрытия создают неустранимую путаницу: сущности нельзя удалить или даже сократить. Они также порождают конфликты при дальнейшем развитии ПО. Подобные ситуации возникают и при нечётком определении сущностей, их неоднозначности или иных нарушениях смысловой целостности совокупности сущностей. Поэтому для системы учёта удобство сопровождения прежде всего требует тщательной проверки сущностей и поведения, построенного поверх них.

Кроме того, сам по себе размер кодовой базы системы учёта не затрудняет сопровождение. Многие такие системы содержат тысячи сущностей в десятках тысяч таблиц. Большая кодовая база увеличивает накладные расходы на расширение продукта, но не угрожает непрерывности его работы. Допустимо даже гипотетическое полное переписывание, занимающее годы. Оно нежелательно, но не является главной заботой: никакая ситуация не требует немедленно переписать всё. Если бизнес развивается в направлении, не предусмотренном существующими системами учёта, допустимо создать новую систему в дополнение к ним. Интеграция может оказаться сложной, но далеко не настолько, насколько полное переписывание старых систем.

Напротив, система принятия решений удобна в сопровождении, если при столкновении с беспрецедентными условиями её можно быстро переработать и возобновить работу. Такие условия могут быть вызваны резким стратегическим поворотом, внезапным изменением рынка или любым фактором, коренным образом меняющим поток. Система принятия решений должна справляться с обычными колебаниями, но от специализированного интеллекта нельзя ожидать реакции на радикальные потрясения. Для этого нужен общий интеллект, который пока недоступен в готовом компьютеризированном виде.

Например, во время глобальной паники 2020 года, столкнувшись с резким падением пассажиропотока, некоторые авиационные организации MRO прекратили ремонт отдельных оборотных компонентов (ремонтируемых деталей) и стали хранить их неисправными, чтобы сберечь денежные средства. Ремонт может стоить треть цены компонента; когда из-за снижения перевозок исправных запасов в избытке, отложить эти расходы разумно. До 2020 года хранение неисправных компонентов не считалось жизнеспособным вариантом, и процедуры отказа от ремонта обычно не было. Все пригодные к ремонту оборотные компоненты ремонтировали по умолчанию. Беспрецедентные рыночные условия сделали это правило непригодным. Было бы неразумно ожидать, что система принятия решений, разработанная до 2020 года, адекватно отреагирует на ограничения того года. Действующие системы пришлось существенно изменить под новую реальность.

Поскольку новые условия могут потребовать полного переписывания логики принятия решений, такая возможность должна сохраняться. На практике команда должна подготовить черновую новую версию за часы, а отлаженную — за дни. В менее крайних ситуациях, когда срабатывает эвристика остановки, расследовать и устранить причину должно быть возможно за несколько часов, а может быть, менее чем за час. Это означает, что инженер всегда должен иметь возможность сразу разобраться в основной логике, оценить проблемы и при необходимости исправить их на месте.

Поэтому кодовая база системы принятия решений должна оставаться небольшой и понятной — в идеале посильной одному инженеру. Следует исходить из того, что существующая логика рано или поздно столкнётся с условиями, в которых уже не сможет выдавать осмысленные решения. Тогда не останется ничего иного, кроме как обратиться к общему интеллекту компетентного сотрудника, чтобы переработать логику под новую реальность. По существу, удобство сопровождения системы принятия решений — это возможность более или менее полностью переписать её при серьёзном нарушении привычных условий.

6.1.5 Нет проблемы без решения

Успех или провал систем принятия решений зависит от того, как они формулируют деловую игру, в которой им предстоит участвовать. Даже безупречный оптимизатор уничтожает ценность, если преследует неверную цель. Поэтому, прежде чем позволить ПО рассуждать от нашего имени, нужно точно выяснить, о чём оно должно рассуждать. Эта задача оказывается на удивление трудной.

От начальной школы до университета учащимся предлагают «задачи», которые нужно решить. Многие оценки, если не большинство, решающим образом зависят от способности учащегося находить решения этих задач. Подход сохраняется не столько благодаря педагогическим достоинствам, сколько потому, что даёт учебным заведениям простой, внешне объективный способ выставления оценок. Однако такая установка на решение задач глубоко укоренилась в нашей индустриальной культуре и имеет как минимум два заметных последствия. Они чрезвычайно важны для цепочек поставок и, шире, для действительно трудных начинаний.

Во-первых, существует почти инстинктивное нежелание думать о самих «проблемах». Учебные заведения обучают поиску решений и вознаграждают за него, а не за изобретение проблем. После двух десятилетий в этих учреждениях такая установка глубоко закрепляется в большинстве из нас. В результате нам часто трудно сформулировать проблему, если решение ещё не просматривается. Размышлять о решениях естественно: мы посвятили этому тысячи часов. Напротив, размышлять о самих проблемах большинству доводится редко.

Поэтому практики и авторы часто игнорируют важнейшие проблемы цепочек поставок просто потому, что готового решения нет под рукой. Среди примеров — ценовые ступени, каннибализация, состязательное поведение, неопределённость модели и оптимизация в условиях неопределённости: всё это серьёзные вопросы, которые современное обсуждение цепочек поставок по большей части обходит. Компании решают их косвенно, через корпоративные правила — операционные рецепты, поддерживающие работу бизнеса, — но редко явно указывают, какую именно проблему должно решать каждое правило. Для системы принятия решений такой пробел губителен: код будет добросовестно оптимизировать вчерашнюю постановку задачи, тогда как рынок уже перешёл к другой игре.

Во-вторых, оспаривание самой постановки задачи инстинктивно воспринимается как вызов авторитету. После двух десятилетий в учебных заведениях каждый студент знает: ответ это не имеет значения на поставленный вопрос гарантирует плохую оценку. И всё же слишком часто именно такой ответ уместен. Тщательный выбор проблем, которыми стоит заниматься, имеет основополагающее значение. Ресурсы — время, вычислительная мощность, люди — всегда ограничены, поэтому нельзя взяться за каждую мыслимую проблему. Один из важнейших навыков предпринимателя — мудро выбирать, какие проблемы решать. Этот взгляд радикально отличается от взгляда сотрудников: им обычно поручают не только решить заданную проблему, но и следовать формализованному методу, закреплённому в корпоративных правилах.

И академическая среда, и бизнес поддерживают стимулы, отваживающие от сомнений в самой постановке задачи. В университетах публикации, гранты и набор студентов зависят от пребывания в официально признанных областях исследований. Учёные могут заниматься любой «актуальной» темой — при условии, что она соответствует канону их дисциплины. Макс Планк описал эту динамику в Scientific Autobiography (1950): Новая научная истина торжествует не потому, что убеждает противников и открывает им глаза, а потому, что её противники со временем умирают и вырастает новое поколение, знакомое с ней.

В компаниях решение каждой проблемы воплощается в организационной структуре и бюджетной статье. Поэтому сомнение в проблеме угрожает существующему порядку и создаёт победителей и проигравших среди руководителей. В крупных фирмах политика неизбежна и серьёзно препятствует переосмыслению проблемы. История бизнеса показывает, что организации, как и люди, умирают, а отказ столкнуться с новыми проблемами — одна из главных причин упадка.

Поэтому первый результат проекта системы принятия решений — не код, а ясная, проверяемая постановка экономической проблемы. Оптимизация, прогнозирование и подготовка данных должны начинаться лишь после того, как эта постановка выдержит состязательную проверку. Заложив инженерные и культурные основы, мы можем расширить взгляд и вернуться к интеллекту как таковому: сначала к его универсальной форме, затем к специализированным разновидностям, с которыми ежедневно имеет дело практика цепочек поставок.

6.2 Общий интеллект

Системы принятия решений содержат узконаправленное рассуждение, ограниченное программой, тогда как общий интеллект не привязан к определённой проблеме и не обязан превосходно справляться с какой-либо одной задачей. Его отличительный признак — способность совершенствовать и постановку, и решение проблем. Загадки и сказки — инструменты развития интеллекта у детей и взрослых — сопровождают человечество с незапамятных времён. Загадка — упражнение для оттачивания ума ради него самого. Сказки играют сходную роль, но используют эмоциональный отклик, чтобы облегчить запоминание.

Письменность, изобретённую более 5 000 лет назад, лучше понимать как усилитель человеческого общего интеллекта, а не его причину. Она выносит память вовне: взгляды, открытия и факты можно записывать, критиковать и сочетать заново спустя много лет после смерти авторов. Печатный станок, а гораздо позднее — Всемирная паутина, снизили затраты на копирование и расширили координацию, ускорив этот цикл обратной связи. Но само по себе увеличение объёма хранения не создаёт понимания или здравого суждения. Устройство массой в граммы может хранить литературу, на чтение которой потребовалось бы множество жизней, и при этом быть полностью лишённым интеллекта: запоминание — не интеллект.

Умные животные, например косатки и шимпанзе, передают потомству культурные навыки — приёмы охоты или поиска пищи. Они демонстрируют заметный интеллект, но общий интеллект им недоступен. Вопреки прежним философским теориям, ни один отдельный признак, по-видимому, не является исключительно человеческим. Сложный язык, индивидуальные имена, юмор, орудия, формальная логика и модель психического⁶⁵ существуют в менее развитом виде и у животных. Поэтому переход от интеллекта к общему интеллекту — размытый порог: множество умственных способностей должны пересечь количественную границу, прежде чем произойдёт качественный скачок.

До начала 2020-х годов целенаправленное самосовершенствование общего интеллекта оставалось исключительно человеческим и явно ремесленным делом. Ум не поддаётся «инженерному улучшению» в смысле безграничных воспроизводимых усовершенствований. Тысячелетия педагогики дали множество методов, но никто не ожидает прорыва в этой области — по крайней мере, в обозримом будущем⁶⁶. Новый язык, линейную алгебру или термодинамику нельзя освоить за одну ночь; единственный путь — дисциплинированное обучение.

К 2010-м годам специализированные интеллекты могли самосовершенствоваться в узких областях, самый известный пример — го⁶⁷. В начале 2020-х произошёл перелом: появились большие языковые модели, крупнейшие из которых демонстрируют различимую искру общего искусственного интеллекта⁶⁸. Подобно печатному станку или Всемирной паутине, эти модели расширяют способность человечества совершенствовать собственный интеллект.

Заложив эти основы, можно уточнить понятие «общего интеллекта». Следующие три подраздела рассматривают его с разных сторон. Во-первых, мы спросим, когда вопрос становится задачей общего интеллекта — задачей, пространство вариантов которой не поддаётся формальному ограничению. Во-вторых, рассмотрим канцелярские роли в командах цепочки поставок и покажем, почему им нужен специализированный, а не общий интеллект и почему их пора автоматизировать. В-третьих, оценим большие языковые модели — сегодня наиболее убедительную попытку инженерного создания общего интеллекта — и отделим реальный вклад от шумихи. Вместе эти ракурсы превращают философскую идею в практическое руководство для современных цепочек поставок.

6.2.1 Задачи общего интеллекта

Задачи общего интеллекта по своей природе не имеют окончательной постановки. Каждое решение лишь углубляет понимание и вынуждает сформулировать задачу заново, после чего требуется новое решение. Остановка этого цикла никогда не окончательна: точки остановки отчасти произвольны — это прагматическое перемирие, определённое нынешней экономикой, инструментами и вниманием, пока реальность не потребует новой постановки. Такие задачи могут субъективно казаться редкими: большинство «проблем», едва назвав, поспешно заключают в формальные границы, чтобы сделать их разрешимыми. Но почти все деловые проблемы в своей исходной форме — задачи общего интеллекта.

Предпринимательский поиск прибыли — очевидный пример задачи общего интеллекта. Капитал фирмы, время и внимание руководителей конечны; способы их применения практически безграничны и непрерывно меняются. В каждый момент предприниматель должен решить, выбрать ли лучший из известных сейчас вариантов или потратить ресурсы на поиск лучшего, понимая, что сам поиск расходует те же дефицитные ресурсы. Поскольку пространство вариантов меняется вместе с технологиями, конкурентами и регулированием, никакая фиксированная формализация не закрывает проблему. Поэтому предпринимательство безусловно относится к общему интеллекту. История показывает, как предприниматели снова и снова переопределяют или изобретают отрасли, которых их предшественники не могли представить.

Напротив, задача маршрутизации транспорта — выбор оптимальных маршрутов для парка, который должен обслужить заданных клиентов, — типичный пример ограниченной задачи. Решить её может быть трудно⁶⁹, но общий интеллект для этого не нужен. Любое решение должно соответствовать формальной постановке в терминах теории графов. Множество вариантов конечно, пусть и астрономически велико, а каждый кандидат имеет одну форму: перестановка остановок и времени их посещения, оцениваемая по фиксированной модели затрат. По-настоящему неожиданный ход никогда не возникает.

Каждая проблема начинается как неразбериха, требующая общего интеллекта; превратить её в поддающуюся решению «ограниченную» задачу — уже проявление общего интеллекта⁷⁰. Главный вопрос — адекватна ли выбранная формализация. Академическая среда может бесконечно каталогизировать головоломки, но бизнес должен выбрать одну постановку, поскольку каждый ресурс можно распределить лишь один раз. Позднее мы вернёмся к этому методологическому вопросу.

И наоборот, любую ограниченную задачу можно вновь превратить в задачу общего интеллекта, изменив рамки, делавшие её «ограниченной». Такой ход иногда отвергают как «жульничество», поскольку он нарушает исходные правила. В учебной задаче маршрутизации фиксированы клиенты, обещания по обслуживанию, автопарк и цены. Стоит пересмотреть что-либо из этого — отказаться от удалённых доставок или отложить их, изменить их цену, добавить постаматы или службу доставки посылок, сменить тип транспорта, расширить окна доставки или вовсе устранить потребность в доставке, как потоковое воспроизведение устранило её для кассет, — и исходная задача исчезает. Мы не нашли более умный маршрут; мы изменили игру. Такая смена постановки — изменение ограничений, обязательств или отдачи — и есть работа общего интеллекта.

Предыдущие главы показали, что ряд трудностей цепочки поставок — настоящие задачи общего интеллекта. Выделяются три. (1) Выбор экономической модели, определяющей, как действия превращаются в затраты, выручку, риски и ограничения, то есть какой показатель мы оптимизируем. (2) Определение пространства вариантов: множества допустимых действий, сроков и количеств, которые фирма готова рассматривать (решение — выбор из этого множества, а не само множество). (3) Инженерная разработка числовых рецептов, которые по данным выбирают решения в этом пространстве, максимизируя доходность с учётом риска и соблюдая ограничения. Поскольку состязательное поведение конкурентов, сотрудников, поставщиков, клиентов или поставщиков ПО постоянно испытывает границы на прочность, справиться с этими вопросами способен лишь общий интеллект. История о поставщиках, использующих слабую ERP, чтобы отгружать излишние запасы, — пример такого обхода правил.

Значительная часть опубликованных работ о цепочках поставок жёстко привязана к ограниченным постановкам и оставляет неявными проектные решения, требующие общего интеллекта: цель, ограничения и пространство вариантов. Это не делает такие задачи неразрешимыми. На практике нужно явно раскрыть эти скрытые решения: выразить экономическую цель в деньгах, перечислить допустимые варианты и определить условия остановки, а затем разбить работу на ограниченные подзадачи, доступные машине. Следующие разделы показывают конкретные приёмы такого разбиения и последующих итераций, когда реальность оказывает сопротивление. Программа неизбежно неполна — задачи общего интеллекта нельзя «закрыть», — но её достаточно, чтобы получать прибыльные решения без участия человека.

6.2.2 Канцелярская работа в цепочках поставок

Трудности цепочек поставок требуют значительного общего интеллекта. Устойчивое заблуждение состоит в том, что к рутинным решениям нужно предъявлять те же требования. Это не так: им достаточно специализированного интеллекта — структурированных процессов, которые можно спроектировать и передать программам.

Заблуждение восходит к устаревшим практикам. Во многих фирмах служащие по-прежнему решают, например, размещать ли заказ на пополнение. Они действительно разумно применяют правила, но общий интеллект почти не задействован — при ближайшем рассмотрении практически совсем.

Обычно эти правила — небольшие вариации практик 1970-х годов⁷¹. Служащие редко совершенствуют основы: они лишь исполняют и поддерживают правила. Даже обновление параметров, например корректировка уровней сервиса, — специализированная задача, ограниченная правилами. Общий интеллект и здесь не участвует.

Улучшенные инструменты отчётности повысили производительность, но не качество самих решений. Избавить сотрудников от поиска остатков и истории продаж полезно, однако само по себе представление чисел не раскрывает, как превратить их в прибыль.

Говоря прямо, служащий цепочки поставок XXI века⁷² — офисный аналог фабричного рабочего XX века. Каждый день начинается с открытия приложения, часто электронной таблицы, и тяжёлого монотонного просмотра сотен строк. Цикл бесконечен: лучшие работники становятся наставниками или руководителями, увековечивая его. Сам по себе письменный стол не наделяет «интеллектом». При нынешних технологиях эти канцелярские роли скоро останутся лишь в учебниках истории — устареют, ко всеобщему облегчению.

Однако накопленные навыки этих самых служащих вовсе не расходный материал. Их повседневные эвристики, отточенные годами борьбы с причудами поставщиков ПО, пограничными случаями каталогов и импровизированными обходными решениями, составляют неявные предметные знания, которые будущим системам принятия решений предстоит усвоить, формализовать и превзойти. Поэтому автоматизация не отвергает их опыт: она позволит сохранить его, масштабировать и наконец освободить от рутины, из-за которой сегодня его потенциал используется недостаточно.

Прежде чем рассмотреть исчезновение рутинных задач, вспомним, почему лидерство на основе «гибких навыков» занимало столь заметное место в командах цепочки поставок. При ручном или полуручном планировании руководители тратили большую часть сил на координацию армий служащих: согласовывали приоритеты, сглаживали трения между обособленными подразделениями и не давали работе останавливаться. Как только решения автоматизируются, эта потребность отпадает. Когда инженерно созданный, а в дальнейшем искусственный интеллект берёт на себя планирование, проблема координации резко сокращается: небольшая группа специалистов может направлять огромный поток работы.

Задача руководителя меняется: вместо управления толпой людей он отвечает за машину, принимающую решения. Эта ответственность состоит из четырёх частей: (1) выразить экономическую цель в деньгах и определить пространство допустимых вариантов; (2) охранять качество решений посредством аудита, эвристик остановки и, при необходимости, параллельных запусков; (3) следить за смыслом и происхождением данных, чтобы входным данным можно было доверять; (4) набрать и защитить небольшую команду с инженерным складом мышления, способную быстро изменить логику. Харизма и эмпатия по-прежнему полезны, особенно для согласования финансов, управления ассортиментом и операций вокруг общей цели, но не заменяют технической ответственности. Фирмы, цепляющиеся за канцелярские процессы, продолжат вознаграждать театр гибких навыков даже при падении маржи. К этой теме мы вернёмся при обсуждении ручного прогнозирования.

6.2.3 Большие языковые модели

Большие языковые модели (LLM), появившиеся в начале 2020-х годов, стали важной вехой семи десятилетий стремительного развития ПО. Наиболее способные LLM, вероятно, демонстрируют первую искру общего интеллекта и потому заслуживают пристального внимания. Они важны для практики цепочек поставок, хотя многие рекламируемые поставщиками «сценарии применения» — просто бессмыслица, эксплуатирующая модные слова.

Концептуально LLM делает одно: читает последовательность символов и предсказывает следующий, добавляя его к входу. Входная последовательность — промпт, а генерация — продолжение последовательности. Единицами могли бы быть отдельные символы, но производительность повышается, когда модель работает с многосимвольными группами, называемыми токенами; словарь обычно насчитывает \(\sim\)100 000 токенов. Перед выполнением модели текст токенизируется, а после — детокенизируется, вновь превращаясь в обычный язык⁷³.

Внутри LLM назначает вероятности всем возможным следующим токенам. Вместо постоянного выбора самого вероятного можно выбирать из этого распределения случайным образом, внося случайность, управляемую параметром температуры; при температуре = 0 результат детерминирован.

LLM имеют фиксированное контекстное окно — максимальное суммарное число токенов промпта и ответа. При превышении предела самые старые токены отбрасываются, а их информация теряется. Теперь модели обычно вмещают более 100 000 токенов, примерно 100 страниц текста. Такие методы, как генерация с дополнением поиском (RAG), расширяют практические возможности, но выходят за рамки этого обсуждения.

Запуск модели (инференс) прост; её создание (обучение) гораздо сложнее. LLM — сети глубокого обучения с миллиардами параметров, организованных в тензоры⁷⁴ и соединённых преимущественно операциями линейной алгебры.

Такие корпуса обычно содержат триллион токенов или больше. При обучении корпус обрабатывается по одному токену, и каждый раз параметры⁷⁵ немного сдвигаются в сторону более точного вероятностного предсказания следующего токена. После усвоения общедоступного корпуса обучение повторяют на гораздо меньшем корпусе, призванном приблизить манеру генерации модели к манере полезного помощника. Этот последний процесс — дообучение.

Это краткое описание также объясняет, почему модели называют предварительно обученными: в отличие от большинства моделей машинного обучения, пользователям не нужно приносить собственный набор данных — его предоставляет тот, кто обучает модель.

LLM воплощают непривычный, нечеловеческий вид интеллекта. Поставщики ПО преувеличивают их возможности, тогда как многие эксперты по цепочкам поставок и целые организации преуменьшают их, считая LLM любопытным явлением, ничего не меняющим ни в теории, ни в практике. Обе позиции ошибочны. LLM — не магия, но и не малозначимое явление. Они требуют базовых навыков составления промптов⁷⁶ и надлежащего оснащения инструментами; без этого любая модель выглядит «глупой». Результаты сильно зависят от задачи: слабые в арифметике и строгих численных вычислениях, но сверхчеловеческие при восстановлении читаемости минифицированного кода, рефакторинге шаблонного кода или переформулировке хрупких бизнес-правил. Компетентный практик заранее представляет, где модели проявят себя, а где не справятся. В этом смысле составление промптов стало таким же обязательным навыком офисной работы, как электронные таблицы и текстовые редакторы.

Современные модели также мультимодальны. Большинство передовых LLM напрямую принимают изображения, а многие теперь и создают их. Такая же интеграция распространяется на звук — и распознавание, и синтез речи: пиксели или звуковые волны втискивают в псевдотокены. Но за пределами этих встроенных модальностей впечатляющие «дополнительные» способности — поиск в интернете, исполнение кода, извлечение данных, оптимизаторы, симуляторы — по-прежнему обеспечиваются оркестратором поверх модели. Модель выдаёт структурированный вызов инструмента; оркестратор запускает внешний инструмент; результат возвращается в контекст, и генерация продолжается.⁷⁷ LLM без инструментов — искусное автодополнение; те же веса, оснащённые инструментами, ведут себя как компетентный аналитик с браузером, калькулятором и терминалом. Интеллект в весах не изменился; возможности, а значит и полезность, изменились.

Современные языковые модели демонстрируют искру общего интеллекта по двум причинам: они умеют писать код и следовать промптам с цепочкой рассуждений. Их код уступает работе опытного инженера, но уже превосходит результаты низкоквалифицированных ИТ-работников. Способность писать программы основополагающая, поскольку она необходима для самосовершенствования — отличительного признака общего интеллекта.

Промпт с цепочкой рассуждений побуждает модель рассуждать вслух. Простое добавление фразы «Давайте подумаем шаг за шагом»⁷⁸ к заданному промпту часто повышает точность ответа, но дополнительные токены рассуждения увеличивают вычислительные расходы. Иллюстрация ниже показывает этот эффект.

Цепочка рассуждений (CoT) помогает, заставляя модель разложить задачу на меньшие шаги внутри контекстного окна. За его пределами у модели нет памяти; никакое скрытое состояние не переносится от одного ответа к следующему. CoT просто расходует больше токенов во время инференса, чтобы явно выразить промежуточное рассуждение. Обычно это до некоторого предела повышает надёжность, но отдача убывает, а окно задаёт жёсткие ограничения. Новейшие системы всё чаще выполняют это развёртывание внутри и скрывают необработанный ход рассуждений — режимы «мышления», — избавляя пользователей от длинных монологов. CoT — бюджет вычислений во время инференса для более трудных вопросов, а не новая способность в весах модели.

Несмотря на привлекательность, большие языковые модели обычно требуют в миллион раз больше вычислений, чем классические алгоритмы для той же работы. Развитие аппаратуры снизит стоимость токена, но эти модели едва ли когда-нибудь сравняются со специально написанным кодом обработки данных. Оставьте их для задач, недоступных обычным алгоритмам.

Языковые модели важны для цепочек поставок главным образом в двух отношениях: во-первых, они ускоряют написание и сопровождение числовых рецептов и их документации; во-вторых, извлекают признаки из необработанного текста. К обоим применениям мы вернёмся позднее. Остальные второстепенны.

6.2.3.1 Неправильное применение больших языковых моделей

С начала 2020-х годов многие поставщики корпоративного ПО делают смелые и часто бессмысленные заявления об искусственном интеллекте (AI). Они скрывают подробности не ради сохранения секретов, а чтобы замаскировать скудность технологий под ними. Большая часть шумихи сосредоточена вокруг больших языковых моделей (LLM). Разберём основные заявления.

Наш AI прогнозирует точнее: языковые модели плохо подходят для прогнозирования временных рядов — или вообще любой численной работы. И по точности, и по вычислительным затратам их результаты удручающи по сравнению даже с простейшими статистическими моделями, не говоря уже о лучших. Предварительно обученные модели прогнозирования — идея в духе LLM — активно исследуются. Они могут быть полезны в других областях, но, как показывает глава Будущее, для цепочек поставок это тупик.

Наш AI обрабатывает все ваши данные: в расчёте на байт языковые модели и дороги, и медленны и останутся такими в обозримом будущем. Как правило, обработка мегабайт данных языковой моделью — нетривиальная операция, занимающая минуты. В деловых системах крупных компаний хранятся терабайты записей. Простое пропускание всего корпоративного набора данных через LLM — даже однократное — ещё годы будет неприемлемо медленным и дорогим. Помимо затрат, LLM делает лишь одно: продолжает последовательность. Это универсальный инструмент, но принудительное пропускание через него огромных нетекстовых массивов данных не даёт очевидной пользы.

Наш AI общается с конечными пользователями: поскольку поставщики ПО берут плату за рабочее место, неэффективность продаётся: каждый лишний служащий, вынужденный бороться с программой, приносит дополнительную выручку. Прикручивание LLM к экрану ради интерфейса «чата» лишь ухудшает положение: разговор медленен и утомителен. Чат-ботам место в службе поддержки, а не в корпоративных процессах с большим потоком операций; обучение работе с чётким интерфейсом всегда лучше вялого диалога.

В корпоративном ПО LLM — нынешняя мода, одна в длинной череде, которую скоро сменит следующая. Сорок лет господствуют CRUD-системы, и эта культура, преобладающая среди поставщиков систем учёта, сопротивляется содержательной интеграции новых идей, даже когда идеи здравы.

6.2.4 Заблуждения об интеллекте

Идея искусственного интеллекта (AI) десятилетиями присутствует в массовой культуре, а многие интуитивные представления сегодняшних руководителей всё ещё повторяют теории XX века о том, как должен выглядеть «интеллект». Это важно, поскольку такие представления напрямую проникают в решения цепочек поставок: определяют, какие проекты финансируются, каких рисков боятся и какие рычаги остаются незадействованными. Прежде чем механизировать решения, нужно устранить мифы, заставляющие руководителей колебаться между параличом и доверчивостью.

Для цепочек поставок важен не вопрос, будут ли машины «думать как мы», а вопрос, сможет ли ПО систематически делать более выгодные ставки на то, что перемещать, куда, когда и в каком количестве, без участия человека и с проверяемой экономикой. Заблуждения об AI толкают фирмы к двум симметричным ошибкам: паникёрству, откладывающему прибыльную автоматизацию под предлогом «AI опасен», и антропоморфизму, принимающему человекоподобный разговор за способность принимать решения и дающему зелёный свет хрупким игрушкам.

На следующих страницах рассмотрены три устойчивых заблуждения — «сингулярность», представление в духе теста Тьюринга, что человеческая манера разговора свидетельствует об общем интеллекте, и парадокс Моравека, ошибочно понимаемый как свидетельство ограниченности машин, — и их операционный смысл. Критерий интеллекта в этой книге строго экономический: более высокая доходность с учётом риска от тех же дефицитных ресурсов. По этому критерию большинство кинематографических страхов несущественны, а большинство эффектных на демонстрациях чат-ботов отвлекают от дела.

6.2.4.1 Сингулярность

Сингулярность рисует AI, который самосовершенствуется настолько быстро, что обгоняет человечество, а затем либо выходит за пределы человеческого, либо порабощает нас. Бесчисленные боевики обыгрывают эту тему, но Голливуд понимает AI не лучше, чем реальную баллистику. Для практики цепочек поставок эта мифология — логически посторонний довод. Системы, определяющие повторные заказы, цены, маршруты или распределения, — узконаправленные, проверяемые программы с ограниченным пространством вариантов, явными целями и аварийными выключателями. Они не «пробуждаются», а оптимизируют при заданных ограничениях. Отказываться от механизации пополнения или маршрутизации, потому что «AI может взбунтоваться», — всё равно что отказываться от погрузчиков из страха перед восстанием роботов: гарантированное расточительство сегодня предпочитают умозрительной далёкой опасности. Настоящие риски обыденны и разрешимы — неверные цели, небрежная семантика, непроверенный код; столь же обыденны меры защиты: параллельный запуск, эвристики остановки, проверка кода и экономический аудит. Споры об угрозе существованию человечества не имеют отношения к тому, стоит ли фирме применять лучшие достижения информатики для повседневного распределения дефицитных ресурсов.

У широкой публики могло сложиться впечатление, что в 2022 году⁷⁹ технология практически за одну ночь совершила скачок вперёд, но это совершенно не так. В действительности последние семь десятилетий прогресс был медленным, постепенным и давался тяжёлым трудом. Причём совершенствуется не что-то одно, а десятки во многом независимых направлений: парадигмы, алгоритмы, оборудование, наборы данных, методологии и кодовые базы. Все эти улучшения создавались множеством самых разных участников. Поэтому, хотя можно натолкнуться на нечто, превосходящее человеческий интеллект, идея, что такая сущность в результате отдельного события вознесёт себя до трансцендентного существа, весьма натянута.

Если убрать из появления общего искусственного интеллекта характер внезапного «события», становится трудно объяснить, почему оно вообще должно создавать угрозу вымирания. Любой злонамеренной сущности или сущности под управлением злонамеренных людей будут противостоять сопоставимые по возможностям сущности, созданные армиями, разведслужбами, компаниями или даже университетами и любителями. Общий искусственный интеллект станет поздним дополнением к уже длинному списку технологий, способных нанести огромный ущерб при использовании со злым умыслом.

Такая сущность будет продуктом развитой индустриальной цивилизации и будет зависеть от её сложных и хрупких цепочек поставок. Производство полупроводников уже относится к самым сложным отраслям. Мыслимые «альтернативы» — нейроморфные, фотонные, квантовые или биосинтетические носители — в лучшем случае существуют на лабораторном уровне и сами опираются на те же полупроводниковые инструменты, материалы и технологии прецизионного производства. Иными словами, промышленного некремниевого пути к вычислениям, обходящего эти цепочки, сегодня нет. Продолжение существования таких сущностей будет десятилетиями, если не столетиями, зависеть от активной поддержки человечества. У людей будет достаточно времени и возможностей справиться с неизбежными проблемами, до сих пор сопровождавшими развитие каждой технологии.

Предсказания конца света стары как мир, а большинство экспертов и политиков присоединяются к ним ради собственного возвеличивания.

6.2.4.2 Тест Тьюринга

В 1950 году британский специалист по информатике Алан Тьюринг предложил игру в имитацию, впоследствии названную тестом Тьюринга. Суть в том, что если человек, общаясь только через текстовый канал, не может надёжно отличить человека от машины, то машина считается обладающей общим интеллектом.

Обычные возражения против теста сосредоточены на сознании и самосознании; для цепочек поставок это несущественно. Нас интересует не то, «говорит ли машина как человек», а то, делает ли она систематически выбор, повышающий доходность с учётом риска в условиях неопределённости.

Существенно, что интеллект в цепочках поставок не очевиден невооружённому глазу. У людей нет шестого чувства, подсказывающего, немного ли завышено или занижено «200 единиц на следующей неделе». Даже постфактум оценка решения требует контрфактических вариантов — что произошло бы, поступи мы иначе, — и горизонтов, соответствующих срокам выполнения операций. Такая оценка трудна: результаты зашумлены, отсрочены и переплетены с тысячами параллельных выборов.

Поэтому механизм, который плохо говорит или не говорит вовсе, может казаться «неразумным», незаметно наращивая ценность. И наоборот, бегло говорящий чат-бот может проходить беседы в духе Тьюринга и при этом вести фирму к убыткам. В 2010-х простые боты на основе сопоставления шаблонов часто обманывали людей-судей: риторически убедительные, они были операционно бесполезны. Вывод остаётся в силе: имитация человеческого стиля не связана с качеством решений.

Практический пример: хороший механизм пополнения может размещать множество крошечных заказов в странные моменты, ежедневно менять цены медленно оборачивающихся товаров на несколько центов или направлять один контейнер на непопулярный кросс-док. Планировщику эти действия могут казаться суетливыми или даже ошибочными; в учёте они снижают затраты на содержание запасов, сокращают списания и ускоряют превращение запасов в деньги. Напротив, инструмент, который красиво «объясняет» себя, сохраняя прежние MOQ и календари партий, заслужит аплодисменты на совещаниях и незаметно истощит оборотный капитал.

Единственный содержательный тест — экономический. Назовём его экономическим тестом Тьюринга: при параллельном запуске или обоснованном контрфактическом сравнении, с теми же ограничениями и аудиторским следом, даёт ли система принятия решений более высокую операционную прибыль с учётом риска, чем действующий процесс, после учёта всех затрат — запасов, логистики, уценок, труда и капитала? Если да, считайте её разумной, сколь бы молчалив ни был интерфейс. Если нет, никакая разговорная изысканность её не оправдывает.

Таким образом, при всей увлекательности игра в имитацию не подходит как критерий для нашего ремесла. Системы принятия решений в цепочках поставок нужно оценивать по проверяемой экономике на соответствующих временных горизонтах, а не по способности беседовать.

6.2.4.3 Парадокс Моравека

В 1980-х американский специалист по информатике Ханс Моравек заметил, что кажущиеся простыми задачи — взять чайник и налить чай — относятся к самым трудным для воспроизведения искусственным интеллектом. Напротив, задачи, некогда считавшиеся признаками гениальности, например диагонализация матриц, оказались для машин несложными.

Однако парадокс исчезает, если явно назвать его скрытую предпосылку. Он предполагает, что подвижность животных и стоящее за ней планирование приобретаются через обучение (воспитание), а не являются врождёнными (природа). Иначе говоря, способность двигаться считается результатом обучения, которое последние четыре десятилетия оказывается невероятно трудно воспроизвести искусственно.

При ближайшем рассмотрении эти способности почти не требуют обучения или не требуют его совсем. Жеребята и их родичи из семейства лошадиных встают и ходят через несколько часов. Это не «обучение», а быстрая калибровка почти готовой двигательной системы. Когнитивные структуры практически завершены; системе нужен лишь небольшой толчок, чтобы связи закрепились.

У людей врождённость менее заметна: по сравнению с другими млекопитающими наши слишком большие головы вынуждают рождаться раньше, оставляя двигательным контурам завершать развитие вне утробы. То, что многие считают «обучением» младенца, — когнитивное развитие, которое беспрепятственно продолжалось бы, останься младенец в утробе ещё несколько месяцев.

Эти преимущественно врождённые контуры — продукты эволюции, совершенствовавшиеся примерно 800 миллионов лет и бесчисленные поколения. Неудивительно, что машинам трудно сравниться с подвижностью животных. Задача сродни созданию устройства, превосходящего деревья в превращении солнечного света в конструкционный материал или рибосомы в сборке макромолекул. Превзойти эволюцию в играх, в которые она играет эоны, чрезвычайно трудно.

Подвижность опирается на сотни тесно связанных эвристик; даже улитка умеет проходить трёхмерный лабиринт растительности. Удачно подобранные эвристики могут казаться «разумными», если пространство действий строго ограничено, как у улитки.

В природе подвижность была необходимым эволюционным этапом на пути к общему интеллекту: жизнь не могла перескочить от одноклеточных истоков к общему интеллекту, не решив сначала задачу передвижения. У машин такого ограничения нет, пока люди снабжают их энергией и материалами, преодолевая оставшиеся препятствия, например создавая промышленные заменители мышечных волокон. Эволюция решила эти задачи способами, не поддающимися индустриализации; нам приходится решать их заново.

Следствие для цепочек поставок легко упустить. Задачи, кажущиеся человеку «простыми», — пройти по заполненному людьми проходу, схватить коробку, узнать коллегу — как раз те, которые эволюция оттачивала сотни миллионов лет. Напротив, масштабное быстрое распределение ресурсов — ранжирование миллионов микровариантов с отсроченной случайной отдачей — противоположно тому, для чего развивался наш мозг. Рабочая память мала, внимание хрупко, а интуиция о вероятностях общеизвестно ненадёжна. У машин профиль обратный: им трудно воспроизводить движение животных, зато они отлично перечисляют огромные множества вариантов, оценивают контрфактические сценарии и ежеминутно пересчитывают планы. Поэтому острота «AI не умеет даже складывать бельё» не имеет отношения к тому, способно ли ПО превзойти планировщиков в изменении цен 50 000 SKU, перебалансировке многоуровневых запасов или изменении маршрутов контейнеров в пути при нестабильных сроках поставки. В смысле Моравека это естественные для машин задачи.

Отсюда следуют два операционных вывода. Во-первых, не ставьте автоматизацию решений в зависимость от успехов робототехники или отточенности разговора; уместным остаётся введённый ранее экономический критерий: даёт ли механизм при тех же ограничениях более высокую прибыль с учётом риска, чем действующий процесс? Во-вторых, ожидайте, что машины раньше всего обгонят людей там, где планировщикам труднее всего: в комбинаторном распределении, ценообразовании с противодействием других участников, балансировке многоуровневых запасов и динамическом пересоставлении расписаний. Всё это не требует человеческой универсальности; достаточно специализированного интеллекта в чётко определённых границах — именно такова среда механизмов принятия решений в цепочках поставок.

Итак, копирование подвижности животных не сокращает путь к общему интеллекту: это совокупность трудных, но по существу специализированных задач. Их решение может вдохновлять работу над общим искусственным интеллектом или изредка давать ей полезные сведения, но она остаётся отдельным направлением.

6.3 Специализированный интеллект

Специализированная задача — та, варианты которой ограничены явными формальными правилами; для её решения нужен специализированный интеллект. Академические головоломки о цепочках поставок — типичные примеры, и каждое решение, будь то простая эвристика или большая гиперпараметрическая модель, считается «разумным» лишь по качеству результатов. Объявлять метод «умнее» только потому, что он выглядит заумным, — ошибка.

Цепочка поставок становится поддающейся расчёту именно тогда, когда её разветвлённые вопросы общего интеллекта разбивают на множество ограниченных задач распределения. Каждая такая задача фиксирует три элемента: (1) множество вариантов — что, куда, когда и в каком количестве можно перемещать; (2) ограничения — пределы мощностей, календари, MOQ, обещания по обслуживанию и частоту пересмотра решения; (3) денежную оценку — выраженный в деньгах показатель, оценивающий выгоды и потери в условиях неопределённости. Когда это задано явно, задача перестаёт звучать как «спланировать цепочку поставок» и становится задачей «выбрать из допустимых вариантов те, что максимизируют доходность с учётом риска».

Это разбиение — не риторический приём, а инженерный ход, делающий возможным ПО без участия человека. Пополнить SKU в определённом месте на заданном горизонте, выбрать сегодняшнюю цену медленно оборачивающегося товара, определить, на какой остановке грузовика выгрузить коробки, согласовать или отложить ремонт оборотного компонента — всё это специализированные, проверяемые решения по распределению ресурсов. Слабо связанные задачи можно решать жадными методами с высокой частотой; тесно связанные — объединять и оптимизировать более тяжёлыми средствами. Границы можно пересматривать: при изменении экономики расширять множество вариантов или корректировать денежную оценку. Но пока границы сохраняются, система принятия решений может автоматизировать, проверять и улучшать решение.

История искусственного интеллекта — игра с постоянно отодвигаемой целью. Исследователи выбирают трудную задачу, называют её решение «настоящим AI», а после решения переименовывают его и переходят к следующей трудности. Каждый триумф вскоре признают обыденным, и цикл начинается заново.

Эта закономерность объясняет, почему зрелые решения часто выглядят «неразумными»: они становятся рутинными и механическими. Интеллект следует оценивать по качеству выбора, а не по заумности устройства. Изощрённые модели могут казаться «умнее», но по-прежнему решают ограниченную задачу; с настоящими вопросами общего интеллекта нужно разбираться отдельно.

Вопреки интуиции, первое работоспособное решение редко бывает самым простым; достижение простоты — отдельная, часто более трудная задача. Прогресс идёт не от простого к изощрённому, а от запутанных прототипов к стройному ядру. Электромагнитная теория Максвелла начиналась более чем с двадцати уравнений; позднее Хевисайд свёл их к четырём, которыми мы пользуемся сегодня. Точно так же сегодняшние запутанные ответы становятся завтрашними элегантными принципами.

Тот же цикл питает взлёты и спады AI: люди путают решение трудной узкой задачи с разгадкой общего интеллекта, а инвесторы увлекаются возникающей шумихой. Общий интеллект — трудная задача, но бесчисленные специализированные задачи должны быть ещё труднее. Ведь если мы когда-нибудь создадим общий интеллект, каждая оставшаяся нерешённой задача по определению будет труднее; иначе её решили бы раньше.

Взлёты и падения ярлыка AI не должны затмевать достижения информатики со Второй мировой войны, многие из которых основополагающи для цепочек поставок. Теперь область настолько широка, что любой обзор неизбежно неполон, но на следующих страницах выделены темы, наиболее важные для практики цепочек поставок.

6.3.1 Алгоритмы

Алгоритмы — точные процедурные рецепты, которые завершают работу и возвращают правильный ответ для чётко заданных входных данных. Формализованные в 1930-х годах Черчем, Тьюрингом и Колмогоровым, алгоритмы стали основой информатики XX века. Многие ранние успехи «AI» 1950-х — топологическая сортировка, поиск маршрутов в графах, решатели линейных уравнений — теперь называются просто алгоритмами.

Формально любую программу, останавливающуюся на всех допустимых входных данных, можно назвать «алгоритмом». На практике специалисты по информатике используют термин в более узком смысле. Алгоритм — атомарный, многократно используемый строительный блок, постановка задачи которого не зависит ни от набора данных, ни от интерфейса, ни от сервера. Он сопровождается доказательством того, что для любых допустимых входных данных возвращает заданный результат, и анализом потребностей во времени и памяти при увеличении размера входа.

«Атомарную» задачу нельзя разложить на меньшие независимые осмысленные подзадачи. Напротив, отображение веб-страницы включает сотни шагов — от токенизации HTML до настройки кернинга символов — и потому не атомарно.

Алгоритм имеет доказательство корректности; без него это лишь эвристика. Например, объединённые тесты Ферма–Фибоначчи надёжно определяют простые числа, но по-прежнему не имеют доказательства корректности и потому остаются эвристиками.

Ценность алгоритма в конечном счёте определяется производительностью. Для большинства задач существуют методы полного перебора, но хороший алгоритм достигает того же результата с гораздо меньшими затратами вычислений и памяти. Иногда можно даже доказать оптимальность, хотя тонкости теории сложности выходят за рамки этой главы.

Алгоритмы и поддерживающие их структуры данных — фундамент ПО; на них опирается каждый метод, обсуждаемый далее. Поэтому для цепочек поставок они служат вспомогательной наукой, хотя, как мы увидим, хорошо спроектированные инструменты могут ограждать практиков от их подробностей.

Читателям, желающим углубиться в тему, стоит обратиться к классической книге Кормена и соавторов Introduction to Algorithms (3-е изд., 2009). В приложении разобран пример — алгоритм топологической сортировки.

Успех шаблона CRUD, представленного в главе Информация, объясняется тем, что он позволяет командам выпускать деловое ПО без глубокого владения алгоритмами. В корпоративных ИТ это стало карьерной траекторией: многие способные разработчики десятилетиями строят формы и отчёты, так и не научившись проектировать и анализировать алгоритмы. Внутри систем учёта, где преобладает CRUD с постоянным временем выполнения, а тяжёлую работу берёт на себя база данных, этот пробел безвреден. Но он становится губительным, как только мы оставляем учёт и пытаемся заняться оптимизацией. Он также объясняет культурное господство CRUD и, симметрично, частые неудачи блестящих поставщиков систем учёта в системах принятия решений: последние требуют алгоритмического моделирования, контроля сложности и инженерной работы над производительностью — навыков, которым привычки CRUD не учат и которые не служат основанием отбора.

6.3.2 Исследование операций

Возникшее во время Второй мировой войны исследование операций занималось военными задачами распределения ресурсов⁸⁰: где разместить радары, как прокладывать маршруты конвоев, как распределять немногочисленные самолёты, а после 1945 года — деловыми задачами. Оно породило множество алгоритмов, самый известный — симплекс-метод Данцига 1947 года, но, в отличие от информатики, меньше интересовалось атомарными задачами и больше — сквозными прикладными решениями. В 1947 году шотландский радиоинженер Роберт Уотсон-Уотт определил исследование операций так:

Количественно исследовать, получает ли организация-пользователь от эксплуатации своего оборудования наилучший достижимый вклад в свою общую цель.

Формулировка Уотсон-Уотта перекликается с определением цепочки поставок в начале книги; исследование операций — её предшественник. С 1950-х по 1970-е годы область породила имитационное моделирование, эконометрику, стохастические модели и математическую оптимизацию. Многие из этих направлений позднее выросли в самостоятельные дисциплины и отошли от общего зонтика исследования операций.

Наиболее заметный вклад исследования операций, по крайней мере среди направлений, не выделившихся в отдельные области, — методы транспортной оптимизации, линейного и квадратичного программирования, целочисленного программирования и сходных задач. Все эти задачи имеют общую структуру: нужно выбрать переменные решения так, чтобы максимизировать целевую функцию, представляющую реальную цель. Эта постановка по-прежнему лежит в основе большей части принятия деловых решений и подхода этой книги.

К 1970-м годам исследование операций не оправдывало своих амбиций. Как уже упоминалось, американский первопроходец этой области Рассел Акофф выразил это настроение в статье 1979 года The Future of Operational Research is Past. В 1979 году большинство решений о распределении ресурсов всё ещё принималось вручную, и большинство остаётся таким сегодня. Акофф перечислил несколько коренных причин:

• Слабое системное мышление: эксперты опирались на упрощённые причинные связи первого порядка.

• «Псевдооптимальные» результаты, обусловленные искусственно сконструированными целевыми функциями.

• Хрупкие ответы, предполагающие полностью известный и неизменный контекст.

• Превращение реального «беспорядка» в выхолощенные игрушечные задачи, ничего не меняющее в практике.

Эта критика по-прежнему справедлива. Значительная часть литературы о цепочках поставок повторяет те же ошибки — одна из причин, по которым столь малая её доля выдерживает соприкосновение с реальностью⁸¹.

В 1980-х исследование операций превратилось в «OR» (аббревиатуру) и специализировалось на программных «решателях» для оптимизационных моделей, написанных на предметно-ориентированных языках. Так OR закрепилось как подраздел информатики.

Коммерческие решатели образуют благополучную нишу ПО и хорошо справляются со многими проектными задачами. Книга Носедаля и Райта Numerical Optimization (2006) остаётся стандартным обзором, в том числе для вариантов на основе обучения. За пределами разновидностей маршрутизации транспорта решатели редко встречаются в цепочках поставок: их ценность сдерживают три сохраняющихся ограничения.

Во-первых, они сосредоточены исключительно на детерминированной, а не стохастической оптимизации, что делает невозможной работу с неопределённостью — постоянным свойством цепочек поставок.

Во-вторых, они предлагают либо масштабируемость, либо выразительность, но не обе сразу. Для целей цепочек поставок решатели масштабируются лишь в линейном или квадратичном случае, слишком простом для отражения реальных ситуаций в цепочках поставок.

В-третьих, решатели ставят математическую чистоту выше практической выразительности⁸². Линейное и квадратичное программирование действительно могут удостоверить оптимальность, но настолько плохо описывают реальный мир, что «оптимальный» ответ неизменно бесполезен.

Даже если оставить чистоту в стороне, решатели по-прежнему плохо масштабируются. Столкнувшись с конкретной задачей, например маршрутизацией транспорта, компании часто пишут код под конкретный случай вместо использования готовых инструментов. В цепочках поставок проблема особенно остра: десятки миллионов переменных решения, по нескольку на SKU, здесь обычны.

Таким образом, наследие исследования операций во многом заключено в областях, некогда из него выросших. Нынешнее OR имеет мало общего с первоначальными целями исследования операций. Более того, хотя излюбленные методы OR обладают достоинствами и заметными достижениями, их возвращение в цепочки поставок маловероятно.

6.3.3 Статистическое обучение

Идея алгоритмически выводить процесс из записанных наблюдений появилась в 1950-х годах, одновременно с первыми работами об искусственном интеллекте. Поскольку отдельные наблюдения могут кодировать частичные решения, обучение давно пересекается с оптимизацией⁸³. Ранние работы об искусственных нейронных сетях некогда публиковались под знаменем исследования операций; сегодня их однозначно относят к «обучению».

До начала 1990-х интерес к методам обучения оставался ограниченным по двум главным причинам. Во-первых, компьютерам не хватало мощности, чтобы добиться обучением чего-то существенного. Поэтому предпочтение отдавали подходам без обучения, например экспертным системам⁸⁴. Так, Deep Blue — первая шахматная программа, победившая действующего чемпиона мира Гарри Каспарова в 1997 году, — была создана как экспертная система. Не хватало и общедоступных обучающих наборов данных: сбор и распространение больших массивов оставались непомерно дорогими до конца 1990-х. Набор MNIST содержит 60 000 обучающих и 10 000 тестовых изображений, каждое — рукописная цифра в оттенках серого размером 28×28. Он дал общую отправную точку, на которой выросло поколение исследователей и стандартизировались валидация и сравнительные испытания.

Во-вторых, обучение в высокой размерности оставалось загадкой до конца 1990-х. Классическая статистика предполагает, что переменных мало по сравнению с числом наблюдений. При 100 наблюдениях регрессии с двумя переменными можно доверять; при десяти переменных множатся ложные закономерности; при 10 000 переменных стандартные методы разваливаются. Парадоксальным образом больше информации давало меньше понимания.

Первый убедительный ответ на проклятие размерности дала теория Вапника–Червоненкиса (VC), развивавшаяся с 1960-х по 1990-е годы⁸⁵. Она привела к методу опорных векторов, впервые реализованному в 1995 году⁸⁶, и дала математическую основу для сдерживания переобучения. Метод опорных векторов вскоре доказал свою ценность на реальных наборах данных.

Теория VC переопределила цель статистического моделирования как максимизацию обобщения — качества на ранее не встречавшихся данных. Хотя измерить точность на данных, которых у нас нет, невозможно, теория VC доказывает верхнюю границу истинной ошибки: эмпирическая ошибка плюс слагаемое сложности модели, определяемое её устройством. Эта формализация уточняет классический компромисс между смещением и дисперсией: модели малой ёмкости имеют высокое смещение, модели большой ёмкости — высокую дисперсию. На рисунке \ref{fig:under-over-fitting} показаны недообучение, правильная подгонка и переобучение. Теория открыла путь статистическим моделям, дающим надёжные результаты даже тогда, когда число входных измерений намного превышает число наблюдений.

На практике метод опорных векторов быстро уступил место альтернативам — (градиентному) бустингу (1999)⁸⁷ и бэггингу (2001)⁸⁸, — математический анализ которых также показал хорошее поведение в отношении переобучения. Вместе эти идеи породили модели градиентного бустинга, примерно десятилетие остававшиеся передовыми во многих задачах. Сегодня градиентный бустинг по-прежнему популярен, особенно при нехватке наблюдений.

Эти разработки оказали огромное влияние: встроенный контроль ёмкости в бустинге, бэггинге и SVM позволил теоретикам доказать тесные границы переобучения — гарантии, которых не было у конкурирующих подходов. В конце 1990-х и на протяжении значительной части 2000-х это статистическое одобрение заставляло исследователей отодвигать почти все альтернативы. Но постепенно стало ясно, что никакая теоретическая отделка или инженерная изощрённость не выведет эти методы за определённые жёсткие пределы. Технология фактически оказалась в застое. Франко-американский специалист по информатике Ян Лекун выразил это настроение, пренебрежительно назвав их немногим большим, чем «разрекламированное сопоставление с шаблонами».

Несмотря на ограничения, идеи статистического обучения остаются краеугольным камнем современной статистики и важнейшей вспомогательной наукой для цепочек поставок. Доступный обзор с множеством иллюстраций даёт учебник Хасти и соавторов The Elements of Statistical Learning (2009). Модели на основе бустинга и бэггинга по-прежнему отлично работают при малом объёме высокоразмерных данных и требуют гораздо меньше ресурсов, чем большинство альтернатив, хотя пути к общему интеллекту не дают.

6.3.4 Глубокое обучение

В 2010-х глубокое обучение стало господствующей парадигмой машинного обучения. Оно происходит от искусственных нейронных сетей, но оформилось лишь после отказа от биологических метафор и перехода к ориентации на кремниевое оборудование. Примечательно, что его основные идеи проще идей биологически вдохновлённых предшественников.

Концептуально модель глубокого обучения — фиксированная схема операций с плавающей точкой, параметризованная числами с плавающей точкой. Большинство слоёв выполняет матричные умножения, перемежаемые выпрямляющими функциями. Выпрямляющие функции нарушают линейность: композиция линейных отображений остаётся линейной, поэтому нужна нелинейная активация. Дополнительные компоненты — свёртки, пулинг или слои softmax — позволяют модели работать с разными входными модальностями и форматами вывода.

Вернёмся к распознаванию рукописных цифр на наборе MNIST. Если развернуть каждое изображение 28×28 в 784 числа и пропустить их через три матрицы весов с выпрямляющими функциями, получится многослойный перцептрон с 234 752 параметрами — крошечный по нынешним меркам (см. рисунок \ref{fig:perceptron}). Его выполнение, то есть инференс, требует лишь трёх матричных умножений и двух выпрямляющих активаций; подробности приведены в приложении.

Рисунок: компактный 4-слойный многослойный перцептрон (784-256-128-10) для распознавания рукописных цифр.

Пока мы задали архитектуру и отметили, что инференс сводится к трём матричным умножениям и двум выпрямляющим функциям; осталось получить числа внутри матриц. На практике нужна хорошо обученная сеть, которая для каждого входного изображения присваивает наибольшую оценку действительно изображённой цифре. Поэтому обучение — поиск в пространстве параметров значений, минимизирующих выбранную функцию потерь классификации. Глубокое обучение ведёт этот поиск тремя согласованными шагами: инициализация — выбор разумных случайных начальных весов, обеспечивающих численно корректное поведение активаций; градиент — вычисление того, как бесконечно малое изменение каждого веса изменит потери; спуск — использование градиентов для пошагового сдвига весов к меньшим потерям. Вместе эти шаги итеративно уточняют веса сети, пока качество не стабилизируется.

Инициализация — начальные веса задают гауссовским шумом и сразу масштабируют так, чтобы слой за слоем активации сохраняли приблизительно нулевое среднее и единичную дисперсию. Эта простая предосторожность не даёт произведению множества линейных операций разрастись до переполнения или сжаться до числовой пыли (антипереполнение). Когда явная формула неприменима, быстрый пробный проход по сети позволяет эмпирически подобрать масштаб, сохраняющий этот инвариант.

Градиент — градиент указывает каждому параметру, в какую сторону и насколько сдвинуться, чтобы снизить выбранные потери. Современные фреймворки получают его автоматическим дифференцированием, проводящим производные по вычислительному графу примерно ценой одного дополнительного прямого прохода, но с большим расходом памяти: промежуточные активации нужно кешировать. Ранние инструменты глубокого обучения использовали вручную написанное обратное распространение градиента. То, что сообществу понадобились десятилетия для принятия автоматического дифференцирования, восходящего к 1960-м, напоминает: прогресс редко бывает линейным.

Спуск — градиенты превращаются в обновления посредством стохастического градиентного спуска (SGD), рабочей лошадки 1950-х годов, по-прежнему господствующей в глубоком обучении. SGD выбирает одно наблюдение или, для лучшего использования оборудования, небольшой набор наблюдений — мини-пакет, — сдвигает веса в направлении градиента и повторяет процесс. Обработка мини-пакетов обменивает дополнительные арифметические операции на резкое сокращение фактического времени за счёт параллельных ядер. Варианты с инерцией, адаптивной скоростью обучения или отделённым затуханием весов совершенствуют базовое обновление.

Глубокое обучение опровергло несколько догм статистического обучения и по-прежнему определяет, что можно — и чего нельзя — вывести из данных компании.

6.3.4.1 Двойной спуск

Модели глубокого обучения гиперпараметрические: обычно параметров в них больше, чем обучающих примеров. Приведённый выше перцептрон с 234 752 параметрами намного превосходит по их числу 60 000 изображений MNIST. Статистическая теория предсказывает сильное переобучение, но практика говорит об обратном.

Открытая в конце 2010-х кривая двойного спуска помогла прояснить, почему многие статистики поначалу сомневались в заявлениях о глубоком обучении. Привыкшие ожидать классический U-образный компромисс между смещением и дисперсией, они недоумевали, когда большие сети порой превосходили меньшие вместо переобучения. Двойной спуск показывает причину: с ростом ёмкости модели тестовая ошибка сначала падает — хорошее обобщение, — затем растёт — переобучение, — но за вторым порогом падает снова, когда очень большие, избыточно параметризованные модели оказываются в новых областях малой ошибки (см. рисунок \ref{fig:double-descent}).

В левой части кривой двойного спуска, в классическом режиме, у сети слишком мало параметров, поэтому она недообучается. По мере добавления весов тестовые потери падают до первого минимума в «оптимальной точке». За ней модель переходит к классическому переобучению: дополнительная ёмкость теперь запоминает шум быстрее, чем усваивает сигнал. Любопытно, что в этой области обучающая ошибка продолжает плавно снижаться, хотя тестовая растёт. Такое поведение долго озадачивало статистиков, ожидавших гораздо более раннего расхождения двух кривых.

Справа, в глубоком режиме, картина переворачивается. Как только число параметров пересекает второй, намного более высокий порог, тестовые потери снова начинают падать: больше действительно значит лучше, как и утверждали практики глубокого обучения с начала 2010-х. Но каждая добавка точности требует непропорционально больших вычислений и энергии, поэтому отдача быстро убывает. Передовые сети теперь работают далеко за этим порогом, обменивая огромные аппаратные бюджеты на последние доли процентного пункта качества.

Для цепочек поставок вывод неоднозначен: гигантские модели выигрывают в точности, но затрудняют сопровождение, тогда как небольшие сохраняют гибкость, но возвращаются к классической дилемме недообучения и переобучения. Гибридные архитектуры, сочетающие оба подхода, часто оказываются лучшим вариантом.

6.3.4.2 Чувство техники

У искусственных нейронных сетей (ANN) есть явная слабость: они крайне неэффективно используют вычислительные ресурсы. Кремниевые чипы так мало похожи на биологические нейроны, что даже грубый цифровой нейрон расточает такты. Глубокое обучение избавилось от этого недостатка, приняв то, что гоночные инженеры называют чувством техники. В ранней Формуле 1 самые быстрые круги проходили не гонщики, постоянно ехавшие на пределе, а те, кто чувствовал допустимую нагрузку на двигатель, коробку передач и тормоза и регулировал темп так, чтобы машина целой дошла до клетчатого флага. В коде чувство техники означает такое расположение алгоритмов и данных, которое согласуется с устройством кешей, векторных блоков и шин памяти, а не противодействует ему. Утвердив такой образ мышления, исследователи отбросили ностальгические нейронные метафоры и оставили только то, что максимизировало чистую вычислительную пропускную способность.

Например, ранние ANN использовали сигмоидальную функцию активации, выбранную по аналогии с биологией, но её экспонента медленно вычисляется аппаратурой. Более простая выпрямляющая функция ReLU оказалась быстрее и вскоре заняла её место.

В начале 2010-х считать строки кеша, ширину векторов и шины памяти первостепенными проектными ограничениями казалось почти ересью. Алгоритмический лагерь, исследование операций и статистическое обучение выросли на теории, независимой от аппаратуры: докажите лучший класс асимптотической сложности, а закон Мура поглотит досадные постоянные множители. Оптимизацию этих констант — например, экономию тактов перестановкой матрицы или инструкцией SIMD — считали суетой, результаты которой скоро обесценит следующее поколение процессоров. Исследователи глубокого обучения перевернули этот взгляд, показав, что скрупулёзное внимание к аппаратным мелочам даёт ускорения, недостижимые одной лишь элегантностью алгоритмической сложности.

Первоначальную гонку за всё большими сетями питала биологическая метафора: человеческий мозг примерно со 100 миллиардами нейронов стал неформальным ориентиром размера ANN. Эксперименты вскоре сделали метафору ненужной: качество росло просто потому, что росли модели. Тем временем положение с данными изменилось на противоположное. В 1990-х общедоступных наборов не хватало; к 2010-м они увеличивались быстрее, чем сети могли их усваивать. Обучаться на каждом доступном примере стало непрактично, и огромные залежи информации оставались неиспользованными.

Отсюда гонка вооружений: всё большие модели питаются всё большими наборами данных. Торонтская сеть ImageNet 2012 года имела 60 миллионов параметров и работала на GPU; десятилетие спустя трансформеры с триллионом параметров работают на специализированных чипах. Взрывной рост масштаба породил и тяжеловесные инструменты. TensorFlow от Google, выпущенный в 2015 году, разросся более чем до четырёх миллионов строк кода — промышленное усилие, немыслимое в эпоху статистического обучения с библиотеками по 10 000 строк.

Гонка за всё большими моделями также подтолкнула разработчиков к всё меньшим форматам чисел с плавающей точкой. Поскольку число транзисторов, а значит и затраты энергии, растёт быстрее разрядности, снижение точности даёт непропорционально большое ускорение: на современных GPU арифметическая пропускная способность может вырасти вчетверо при переходе с 32 бит на 16 бит. Системы глубокого обучения начала 2010-х использовали исключительно 32-битные числа с плавающей точкой — безопасный выбор по умолчанию, которого и сегодня достаточно для большинства расчётов цепочки поставок, если избегать патологических пограничных случаев; некоторым задачам всё ещё полезны 64 бита. Но к началу 2020-х обучение с 16 битами и выполнение с 8 битами стали обычными благодаря согласованному развитию GPU и CPU. Теперь исследования пробуют 1-битные и даже менее чем 1-битные веса, показывая, что нижний предел пригодной точности ещё не достигнут.

Чувство техники важно в практике цепочек поставок. В 1990-х швейцарский специалист по информатике Никлаус Вирт предупреждал: ПО часто замедляется быстрее, чем ускоряется оборудование, — закономерность, теперь называемая законом Вирта. Из-за общего отсутствия интереса к эффективности использования аппаратуры многие деловые системы сегодня работают не быстрее, чем в 2000 году, несмотря на намного лучшие чипы. Это замедление — закон Вирта в действии. Приёмы глубокого обучения нельзя перенести целиком, но они показывают, как вдумчивое программирование открывает огромный выигрыш. Поэтому специалистам по цепочкам поставок нужно хотя бы практическое понимание чувства техники.

6.3.4.3 Невыпуклая оптимизация

В начале 2000-х математическая оптимизация всё ещё следовала исходным установкам исследования операций. Её определяли три положения. Практики статистического обучения, включая приверженцев метода опорных векторов, принимали их целиком.

Во-первых, ранняя теория оптимизации считала локальные минимумы практически непреодолимой стеной: в невыпуклом ландшафте из них в принципе можно было бы выбраться, но в реальных проектах это почти никогда не удавалось. Такая предпосылка породила целую ветвь — выпуклую оптимизацию, — специально предназначенную для обхода препятствия. Поскольку у выпуклой функции нет локальных впадин, а есть лишь единственный глобальный минимум, любой корректно ведущий себя алгоритм спуска сходится к нему. Подробное изложение доказательств, алгоритмов и применений, опирающихся на это свойство, дано в книге Бойда и Ванденберге Convex Optimization (2004).

Рисунок: вещественнозначная функция с локальными и глобальными экстремумами.

Во-вторых, в невыпуклых задачах от любого уважаемого метода ожидали границу удалённости его решения от глобального оптимума. Её задают верхней границей разрыва между лучшим известным решением и глобальным минимумом. Такие гарантии дают, например, методы ветвей и границ и ветвей и отсечений. Но в отличие от выпуклой оптимизации, располагающей хорошо масштабируемыми методами, эти общие методы масштабируются плохо. Как уже упоминалось, слабая масштабируемость таких решателей давно служит одной из главных причин их ограниченного распространения в цепочках поставок.

Сообщество глубокого обучения отбросило этот классический взгляд. Оно взяло грубый инструмент — стохастический градиентный спуск — и применило его к невыпуклым ландшафтам, оставив в стороне страх перед локальными минимумами. Подход оказался чрезвычайно успешным и позволил создавать модели с триллионами параметров — масштаб, немыслимый в 2000-х.

Возник новый взгляд: препятствие — уже не локальные минимумы, а широкие плоские плато. Согласно преобладающему представлению, с ростом размерности локальные минимумы становятся крайне редкими. Поэтому интуиция, выработанная на маломерных примерах, не работает в высоких размерностях⁸⁹. Вместо этого главную трудность для методов спуска составляют обширные области малого градиента — «плато».

В-третьих, для (гипер)параметрических моделей доказательства оптимальности теряют смысл в режиме двойного спуска. Обучающие потери могут резко упасть и держаться около нуля, но эти крошечные остатки мало говорят об обобщающей способности модели. Хуже того, многие излюбленные в глубоком обучении функции потерь, например кросс-энтропия, вообще не имеют настоящих минимумов⁹⁰.

Хотя у сообщества глубокого обучения были собственные причины отвергнуть классический взгляд на оптимизацию, унаследованный от исследования операций, этот отказ важен и для цепочек поставок. Он показывает, что у классической парадигмы есть неочевидные ограничения, остававшиеся незамеченными около шести десятилетий, с 1950-х по 2000-е. Далее мы увидим, что у цепочек поставок есть и другие основания отвергнуть эту классическую позицию и что существуют альтернативные, гораздо более ценные парадигмы.

6.3.4.4 Набор приёмов

Каждая парадигма программирования предлагает собственную мысленную модель работы с ПО, основные понятия, практики и инструменты; большинство придерживается определённого подхода к представлению данных и управлению поведением программы.

Глубокое обучение стало первой⁹¹ широко принятой программируемой парадигмой обучения; в начале 2010-х оно озадачивало исследователей, нарушая господствующие ожидания в машинном обучении.

До этого статьи и ПО сосредоточивались на готовом продукте: модели, которую можно обучить на новом наборе данных. Глубокое обучение отличалось вниманием к архитектурам, численным приёмам и руководящим принципам конструирования моделей. Если инструменты статистического обучения, например scikit-learn⁹², содержали десятки моделей, то инструменты глубокого обучения поставлялись без них. Значительную часть 2010-х область осваивала этот сдвиг. Старый подход — придумать новую модель, провести сравнительное испытание и опубликовать результаты — устарел. Новизна больше не заключалась в самой модели или её статистических характеристиках. Даже первокурсники, изучающие информатику, могли наскоро собрать «уникальную» сеть глубокого обучения, выбирая слои из доступных тензорных операций, и испытать её на одном из множества открытых наборов данных. Некоторое время конференции и журналы по глубокому обучению были наводнены статьями, почти целиком сводившимися к таким композициям; несмотря на «уникальность», этот вклад часто был несущественным.

Архитектуры глубокого обучения служат современным аналогом «моделей», некогда отстаивавшихся исследованием операций, но оставляют специалисту по данным значительную свободу окончательного формирования сети для обучения и внедрения.

Самый ценный вклад стал известен как «набор приёмов» глубокого обучения: небольшие модульные изменения, улучшающие части сети, а не переопределяющие её целиком. Стратегии инициализации весов, оценивание моментов, расписания скорости обучения, dropout, ранняя остановка, остаточные связи, плотные связи, механизмы внимания, архитектуры трансформеров, пакетная нормализация, накопление градиентов, оптимизация гиперпараметров, аугментация данных, позиционное кодирование, прореживание, квантование, дистилляция знаний, низкоранговая факторизация и другие методы — лишь малая часть этого растущего «набора приёмов». Но эти достижения, по крайней мере значимые, хорошо дополняли друг друга: один метод редко исключает другой, если они не принадлежат одному классу.

С 1960-х многие парадигмы — функциональная, объектно-ориентированная, распределённая, реактивная и другие — решают общие вопросы разработки ПО. Появились и специализированные парадигмы, например реляционная алгебра, представленная SQL для реляционных баз данных. Хотя споры о «лучшей» парадигме продолжаются, ни один серьёзный программный проект не обходится без принятия одной или нескольких парадигм. Уже сам выбор языка программирования — выбор парадигмы.

Главный вывод для цепочек поставок: выбор правильной парадигмы важен и за пределами чисто программной работы. Глубокое обучение как парадигма программирования переопределило передовой уровень машинного обучения. Возникает вопрос, могут ли другие области, например цепочки поставок, выиграть от столь же специализированных парадигм. Как мы увидим, специализированные парадигмы программирования имеют для цепочек поставок первостепенное значение.

6.3.5 Генеративная эпоха

В 2022 году несколько прорывных выпусков, вскоре объединённых под знаменем «генеративного AI», перескочили из узких исследований в мировые заголовки. ChatGPT, разговорный помощник, представленный OpenAI в ноябре 2022 года, и Stable Diffusion, модель генерации изображений по тексту, выпущенная в августе 2022 года исследователями Мюнхенского университета Людвига и Максимилиана и Гейдельбергского университета, сразу стали вехами соответственно в продолжении текста и генерации изображений. Их кажущийся мгновенным успех скрывал годы устойчивого открытого поиска широкого сообщества глубокого обучения; в 2022 году изменилась не лежащая в основе наука, а упаковка. Впервые неспециалисты могли обратиться к большим предварительно обученным моделям через простой веб-интерфейс и за секунды получить впечатляющий результат. Этот перелом превратил академическую диковинку в массовую категорию продуктов. Хотя системы полностью опираются на глубокое обучение, они также оспаривают некоторые ранние предпосылки парадигмы, например о качестве данных и устройстве функций потерь. В этом смысле «генеративная эпоха» — настоящее второе поколение практики глубокого обучения, а не просто продолжение первого.

Во-первых, поставщики начали по умолчанию предоставлять предварительно обученные модели — радикальный, хотя и неожиданный шаг вперёд. С ними конечным пользователям больше не нужно заниматься созданием моделей — фазой обучения: можно сосредоточиться на использовании — фазе инференса. Это значительно облегчило внедрение. Открылся и путь гибридным процессам обучения, в которых сеть глубокого обучения собирается из предварительно обученных компонентов и дополняется обучаемой частью. Хотя поэтапные процессы обучения существовали до глубокого обучения, генеративная парадигма добавила новое измерение и побудила сообщество машинного обучения расширить практики открытого исходного кода, делясь не только кодом, но и моделями.

Во-вторых, отличительный признак генеративной эпохи — почти ненасытный аппетит к данным масштаба интернета. Десятилетиями действовала поговорка «мусор на входе — мусор на выходе» (GIGO): низкое качество входных данных обрекает модель на низкое качество результатов. Но сегодняшние генераторы текста и изображений обучаются на миллиардах слегка отфильтрованных страниц и картинок, собранных прямо из открытого интернета, и всё же выдают тексты и изображения, превосходящие среднее качество этого сырья. Их результаты далеки от безупречности, но явно лучше медианного уровня источников — результат, опровергающий прежнее кредо GIGO. Однако использовать такие океаны данных можно лишь тогда, когда ПО написано с глубоким чувством техники и выжимает всё из каждого такта и банка памяти, доступных в оборудовании.

В-третьих, всё большие модели проявляют возникающие способности, для которых их функции потерь никогда не предназначались. Например, когда большие языковые модели (LLM) достигают миллиардов параметров и обучаются на миллиардах токенов, они начинают демонстрировать способность к переводу. Но функция потерь отражает лишь предсказание следующего токена и не учитывает перевод. Аналогично модели генерации изображений по тексту проявляют возникающие способности, например перенос стиля, выходящие за пределы обучающих данных.

Эти способности переворачивают предпосылку, заимствованную из исследования операций. До этого обычно считалось, что лучший способ решить оптимизационную задачу — направлять процесс той же метрикой, которой оценивается конечное решение. Замещающие функции потерь — приближения истинных потерь — считались приемлемыми лишь при значительной вычислительной выгоде, как компромисс между качеством решения и ресурсами. Однако возникающие способности генеративных моделей неоднократно превосходили прежние передовые методы, использовавшие более прямые функции потерь.

В генеративную эпоху связь между оценкой конкретной задачи и функцией потерь, направляющей стохастический градиентный спуск, стала слабой. Обучение с самоконтролем вытеснило обучение с учителем, господствовавшее до того. Идея обучения с самоконтролем состоит в том, что объём неразмеченных данных⁹³ обычно намного превышает объём размеченных. Поэтому, если отделить обучение от узкой задачи предсказания «меток» и сосредоточить его на внутренних свойствах данных, оно сможет лучше уловить лежащую в их основе структуру.

Хотя генеративные модели переопределили передовой уровень машинного обучения, их применение в цепочках поставок не столь самоочевидно, как утверждают многие поставщики ПО. Основная часть данных, значимых для цепочек поставок, — реляционные записи, однако модели продолжения текста, генерации изображений по тексту и генерации текста по изображению плохо подходят для их обработки. Два утверждения, часто выдвигавшиеся поставщиками в начале 2020-х, заслуживают опровержения.

Во-первых, большие языковые модели подходят для текста, а не для численного прогнозирования временных рядов. Хотя существуют предложения⁹⁴ улучшить арифметические способности таких моделей, эти разработки едва ли сделают их конкурентоспособными с моделями, специально созданными для численной обработки. В лучшем случае большие языковые модели могут стать чрезвычайно запутанным способом получить то, что простые параметрические модели делают с ничтожной долей вычислительных ресурсов.

Во-вторых, чат-интерфейсы обычно снижают производительность. Разговор с чат-ботом значительно медленнее традиционной навигации. Любая регулярно повторяемая задача заслуживает «традиционного» взаимодействия, а не громоздкого разговорного интерфейса. В корпоративной среде от сотрудников ожидают обучения и уверенного владения системой, а не попыток «как-нибудь разобраться». Корпоративный взгляд принципиально отличается от взгляда на конечного потребителя, которому независимо от задачи приписывают меньшую осведомлённость.

В цепочках поставок большие языковые модели отлично помогают писать числовые рецепты и облегчать неформальную работу вокруг решений; к этому вкладу мы вернёмся позднее.

7 Будущее

Каждое решение в цепочке поставок содержит неявное утверждение: «Мы ожидаем, что будущие условия работы компании сделают сегодняшнее распределение ресурсов прибыльным». Предсказание может остаться невысказанным, но избежать его нельзя. Фирма может игнорировать задачу прогнозирования, но не её последствия.

Поэтому будущее и, шире, время чрезвычайно важны для цепочек поставок. Но время обманчиво сложно: не из-за чрезмерной абстрактности, а потому, что кажется самоочевидным и сопротивляется сознательному размышлению. Будущее подобно воздуху, которым мы дышим: вездесущее, но невидимое.⁹⁵ В таких темах велик соблазн принять предубеждения как данность и вовсе отказаться от интеллектуальной работы. Химия научила нас, что тысячелетние представления о воздухе были ошибочными⁹⁶. Так и в цепочках поставок непроверенные убеждения о завтрашнем дне — часто неявная экстраполяция вчерашнего — незаметно определяют цены, мощности и запасы. Ошибаясь, они застывают в планах, неверно распределяющих дефицитные ресурсы и распространяющих сбои по всему потоку.

Чтобы придать обсуждению опору, эта глава связывает простое наблюдение — каждое решение есть ставка на завтра — с инструментами, делающими такие ставки прибыльными. Рассуждение состоит из трёх шагов.

Во-первых, мы выявим невысказанные видения, направляющие мысли фирм о будущем. Значительная часть практик двадцатого века восходит к телеологическому видению: предопределить завтра прогнозами и инженерно разработанным планом. Ему противостоит прагматическое видение: воспринимать завтра как поле возможностей в условиях неопределённости и сохранять варианты действий, чтобы фирма могла действовать, когда шансы станут благоприятными.

Во-вторых, мы рассмотрим, почему планирование на основе прогнозов рушится в бизнесе даже при математически аккуратном виде: формализм временных рядов уплощает существенное; будущее формируется ещё не принятыми решениями; малые числа, объединение в партии, состязательное поведение и тяжёлые хвосты разрушают стройную симметрию прошлого и будущего. Результат — хрупкая координация и бюрократический ритуал.

В-третьих, мы соберём инструменты предсказания, соответствующие прагматическому видению и экономике опциональности, представленной ранее. Точечные временные ряды мы заменим вероятностными прогнозами спроса, сроков выполнения операций, цен и возвратов, добавим многомерные прогнозы покупательских корзин, замещения и распространения последствий дефицита, а также введём функциональные прогнозы, говорящие на языке самих объектов потока, а не равноотстоящих временных интервалов. Эти инструменты не угадывают «то самое» будущее: они оценивают альтернативы в деньгах и явно раскрывают альтернативные издержки.

7.1 Видения

[Видение] — то, что мы ощущаем или чувствуем до построения какого-либо систематического рассуждения, которое можно назвать теорией [..] Видение — наше ощущение того, как устроен мир [..] Все видения в некоторой степени упрощённы, хотя обычно этим словом обозначают чужие видения, а не собственные. A Conflict of Visions (1987), Томас Соуэлл.

Из всех невысказанных идей, окружающих нас, самые сильные формируют нашу интуицию о причинности применительно к рассматриваемым объектам — здесь к цепочкам поставок. Эта интуиция определяет, как мы описываем ситуации, как видим проблемы и видим ли их вообще. Здесь видение означает именно такую интуицию о причинности.

Видение предшествует теории, а теория — моделям. Видения пронизывают компании: их культуру, практики и процессы. Они важны, поскольку служат приблизительным компасом для мысли. Среди бесконечного числа тем, способных привлечь внимание, видения определяют, о чём стоит думать.

Например, «День 1», за который выступает основатель Amazon Джефф Безос, — одно из таких видений. Оно подчёркивает постоянное мышление стартапа — непрерывные инновации и инициативные действия, — позволяющее избежать застоя «Дня 2». Это означает относиться к каждому дню как к первому, поощрять быстрые решения, принимать экспериментирование даже с риском неудачи и предпочитать долгосрочные возможности краткосрочным выгодам. Следуя мышлению «Дня 1», Amazon стремится сохранить предпринимательский дух и избежать самоуспокоенности, поражающей более крупные и зрелые организации.

Но и у противоположного видения есть сторонники. Как заметил капитан Чесли «Салли» Салленбергер, прославившийся аварийной посадкой на Гудзон, спасшей 155 жизней: «42 года я регулярно делал небольшие вклады в этот банк опыта, образования и подготовки. И 15 января на счёте оказалось достаточно для очень крупного снятия». Этот взгляд господствует в авиации: с самоуспокоенностью борются не подрывными инновациями, а неустанным совершенствованием существующей практики. За прошлые неудачи заплатили кровью; за будущие заплатят так же.

Видения определяют, как люди инстинктивно подходят к сложным системам — тем, которые человеческий ум не может без труда охватить целиком. Представьте розничный магазин, которому не удаётся поддерживать достаточные запасы и у которого половина полок пуста. Инстинктивные диагнозы будут резко различаться в зависимости от видения того, как работает цепочка поставок.

Возьмём профессора аналитики цепочек поставок. Он может инстинктивно обвинить неточность прогнозов спроса, управляющих пополнением. Здесь видение возлагает ответственность за качество сервиса на технологическое решение — на ПО. Оно распространяется и на его академическое сообщество, чьи исследования влияют на устройство и точность такого ПО, укрепляя тем самым технологически ориентированный взгляд.

Напротив, региональный руководитель той же сети может обвинить плохое руководство магазином. В этом видении люди — директор магазина и сотрудники — отвечают за его эффективную работу. Ответственность прежде всего лежит на тех, кто ближе к проблеме. Видение затрагивает и высшее руководство: оно позволяет неэффективному директору сохранять должность, что ещё раз подчёркивает ориентацию на людей.

Эти два видения возникают перед одними и теми же пустыми полками, но возлагают ответственность, а значит и поиск решения, на совершенно разные стороны. Одно обращается к технологическому решению, другое — к управленческому. Третий, столь же правдоподобный диагноз лежит вне фирмы: разгулявшиеся магазинные кражи заставляют выложенные товары исчезать. Разумеется, действительно ли проблема вызвана неисправным ПО, плохим управлением или неблагоприятной обстановкой с общественным порядком — совсем другой вопрос. Видения ничего не доказывают; они лишь управляют нашей непосредственной оценкой сложных ситуаций.

Видения имеют последствия. История показывает, что многие компании стали господствовать на своих рынках благодаря своеобразным видениям основателей, метко названных «визионерами»⁹⁷. Но со временем те же видения могут подготовить компании к провалу. Поэтому любой компании разумно выявить господствующие видения высшего руководства и оценить их пригодность для бизнеса.

В отличие от корпоративных стратегий, видения редко обсуждают, не говоря уже о взвешивании достоинств и недостатков. В одной компании люди могут придерживаться радикально разных видений. Поскольку их редко формулируют явно, сотрудникам кажется: стоит им толкнуть, как другие тянут, и наоборот. Но расхождение видений редко называют причиной.

7.1.1 Ценности

И в политике, и в бизнесе лидеры часто подчёркивают различие ценностей, чтобы обозначить расхождение с соперниками. Фраза «У нас разные ценности» слышна со всех сторон. Но этот взгляд, хотя и не лишён оснований, склонен скрывать глубокое влияние видений.

В A Conflict of Visions (1987) Томас Соуэлл проницательно замечает: встречая разные толкования одних и тех же фактов, люди склонны объяснять различия ценностями. Часто расхождение ценностей гораздо слабее, чем предполагает лозунг «У нас разные ценности». Например, в политике трудно найти человека, выступающего за бедность, преступность или войну. Но при общих ценностях, направленных против этих зол, видения ведут людей к резко различающимся решениям.

То же верно для цепочек поставок. Независимо от области или отрасли компании стремятся к прибыльности, росту, качеству сервиса и сокращению потерь. Компании, открыто выступающие против таких ценностей, редки, если вообще существуют. Разные видения порождают заметно разные стратегии и практики, направленные на одни и те же ценности.

Возьмём основателя Amazon Джеффа Безоса, часто подчёркивавшего неослабное внимание к клиенту. Однажды он сказал: «Самое важное — одержимо сосредоточиться на клиенте. Наша цель — стать самой клиентоориентированной компанией на Земле». Это заявление о ценностях, причём довольно обыденное. Руководители редко публично принижают клиентов. Если руководителя ловят на этом, он редко сохраняет должность. Amazon отличают не провозглашённые ценности, совпадающие с ценностями большинства компаний, а особое видение и культура.

Поэтому, оценивая, как понимание будущего формирует практику цепочек поставок, нужно помнить: люди могут предлагать радикально разные решения, разделяя одни и те же ценности. Чаще всего расхождения коренятся в конфликтующих видениях.

7.1.2 Время

Ход времени формирует наш опыт и понимание мира. Он настолько конкретен и вездесущ, что абстрагироваться от временного измерения трудно. Но многие трудности цепочек поставок, если не большинство, заслуживают такого подхода — хотя бы для выявления лежащих в основе видений времени. Поэтому мы поставим ряд вопросов о времени. На этом этапе отвечать на них неважно, и мы не будем пытаться это делать. Вместо этого мы хотим охарактеризовать видения — интуитивные представления о причинности.

Считаем ли мы будущее познаваемым или непознаваемым?

Ценность прогнозирования ограничена той частью завтрашнего дня, которую можно предвидеть на практике. Когда будущее хотя бы отчасти познаваемо, прогнозы — мощные инструменты; когда в нём господствует шум, они лишь церемония. Планирование наследует ту же предпосылку: оно окупается, лишь если некоторые черты будущего можно предвидеть достаточно надёжно, чтобы направлять обязательства. Если результаты регулярно расходятся с ожиданиями, усилия по планированию превращаются в расточительство.

Считаем ли мы будущее предопределённым или открытым для изменений?

Если будущее фиксировано, прогноз — предварительное измерение состояния, которое наступит; точность оценивается по совпадению с реализованным результатом. Если будущее податливо, прогноз действует как директива, формирующая поведение; точность оценивается по тому, насколько исполнение соответствует плану.

Видим ли мы в неопределённости изъян или риски и возможности?

Мало кто спорит с неопределённостью будущего. Один взгляд считает её дефектом, который нужно минимизировать более точными прогнозами, жёстким контролем и быстрыми корректирующими действиями. Другой считает её сырьём: его следует оценивать в деньгах, хеджировать, а иногда принимать, когда шансы благоприятны.

Считаем ли мы раннее действие предпочтительнее отсрочки ради более информированного решения?

Важные решения, принятые на месте, одним кажутся опрометчивыми, другим — решительными. Так же и бездействие читается либо как безвольное колебание, либо как сила дождаться лучшей информации.

Понимаем ли мы знание как характеристику неизменного или как конкретные обстоятельства времени и места?

Научное знание стремится к постоянству: теории формулируют как вневременные утверждения, а воспроизводимость предполагает явление, не меняющееся с датой или местом. Деловое знание противоположно. Как только факт становится широко известен, его частная ценность рушится. Преимущество создают конкретные обстоятельства времени и места: кому что нужно, по какой цене, при нынешних мощностях и ограничениях. Поэтому ценное знание локально, своевременно и недолговечно.

Считаем ли мы прошлое основополагающим активом для дальнейшего развития или порочным наследием, ведущим к самоуспокоенности?

Основатели могут начать с чистого листа; каждый преемник наследует существующее положение. Один подход считает это наследие накапливающим ценность активом: навыками, связями с поставщиками, данными и процедурами, совершенствование которых снижает риски и затраты. Другой считает его обременением: невозвратными затратами, закостеневшими привычками и внутренними группами интересов, склоняющими выбор к вчерашнему рынку.

Считаем ли мы, что вложения в людей способны бесконечно накапливать отдачу, или это свойственно лишь технологиям и методам?

Одни считают человеческие способности накапливающимися. Благодаря практике, обратной связи и лучшим мысленным моделям планировщики становятся всё быстрее и точнее, поэтому расходы на обучение подобны капитальным вложениям. Другие ожидают раннего плато: после достижения компетентности устойчивый выигрыш приносят главным образом улучшенные методы и ПО; значит, вкладывать следует в инструменты, а не в людей. Выбранная позиция во многом определяет, что вообще считается «инвестицией».

Конечно, эти вопросы — ложные дихотомии: истина может лежать между полюсами, зависеть от контекста или находиться совсем в другом месте. Это далеко не просто философские размышления: вопросы показывают, что интуиция о времени и будущем имеет последствия. Расходящиеся видения порождают не только разные решения: люди могут даже не соглашаться, какие проблемы стоит решать.

В среде цепочек поставок взгляды на время и будущее в основном свелись к тому, что мы называем телеологическим видением: убеждению, что завтра можно заранее зафиксировать прогнозами, а затем инженерно воплотить, соблюдая план. В XX веке этот взгляд стал господствующим и остаётся стандартным в XXI веке. Его редко называют, редко ставят под сомнение, а большинство авторов и корпоративное ПО молчаливо принимают его как данность. Следующий раздел явно формулирует это видение и рассматривает его последствия.

7.2 Телеологическое видение

Будущее остаётся недоступным лишь тем, кто не принял математические инструменты современной науки. Какие бы слабости ни мучили нынешние модели прогнозирования, неостановимая сила прогресса в конечном счёте их устранит. Более того, эти инструменты сообщают не только, что произойдёт, но и почему. Поэтому современный руководитель, в отличие от примитивного предшественника, ничего не оставляет на волю случая. Его планы больше не опираются на подверженную ошибкам человеческую интуицию: они инженерно разработаны с точностью, свойственной машинному веку.

Эти строки передают суть телеологического видения⁹⁸. В течение XX века оно стало господствующим в интеллектуальных кругах. Под интеллектуалами мы понимаем людей, зарабатывающих продажей идей — писателей, историков, учёных, — а не конкретных услуг или товаров. Это определение ничего не говорит об интеллекте: оно лишь обозначает профессии. Например, журналист — интеллектуал, а нейрохирург — нет. Однако от нейрохирурга можно ожидать большей образованности и большего интеллекта, чем от журналиста; именно этого ожидает каждый пациент, вверяющий хирургу свою жизнь.

Завладев интеллектуальными кругами, взгляд часто распространяется и формирует общественное мнение⁹⁹. Телеологическое видение стало господствующим, если не единственным, в среде цепочек поставок — и среди авторов, и среди практиков. Поставщики корпоративного ПО закрепили его рабочими процессами и технологиями, почти или совсем не оставлявшими места альтернативным взглядам.

К сожалению, это видение столь же популярно, сколь порочно. Несмотря на гору опровергающих свидетельств, оно остаётся одной из самых соблазнительных экономических идей всех времён. Искоренить его из цепочек поставок — задача пугающая, но необходимая. Сначала нужно рассмотреть, откуда возник этот взгляд и как он породил свои ответвления в цепочках поставок.

7.2.1 Историческое возникновение

Современное количественное прогнозирование¹⁰⁰, в отличие от традиционных предсказателей, авгуров, оракулов или пророков, возникло в начале XX века в США с первым поколением экономических прогнозистов. Спрос на прогнозы подпитывало появление инвестирующего среднего класса, в то время уникального для США. В начале XX века акциями владели лишь полмиллиона американцев; к концу 1920-х число выросло до 10 миллионов. Ранние прогнозисты были уверены, что их методы в итоге превратят экономическую неопределённость в пережиток прошлого:

Неделю за неделей его [Роджера Бэбсона] бюллетень объяснял читателям, что экономические события не случайны и не неопределённы, а управляются силами, которые можно понять тщательным изучением. Он начал выпускать регулярные прогнозы после паники 1907 года. […] Он предсказывал всё — от цен до занятости и продаж. — Уолтер А. Фридман, Fortune Tellers (2013)

Самоуверенность Бэбсона задала образец экономическим комментаторам на всё столетие. Его главная идея состояла в переносе третьего закона Ньютона¹⁰¹, известного также как закон действия и противодействия, на экономику. Он полагал, что в итоге ход экономики станет столь же предсказуемым, как движение небесных тел. Хотя теперь такой взгляд широко признаётся наивным и ошибочным, прогнозисты середины XX века оставались столь же уверенными, как Бэбсон, перенеся доверие с ньютоновской механики на статистику.

Госплан СССР, основанный в 1921 году, начал выпускать годовые планы в 1925 году. Комитет прямо опирался на телеологическое видение покорения будущего. Но он не производил ничего, кроме нереалистичных планов, которые невозможно было исполнить. Результаты оказались катастрофическими. Советские экономисты Николай Шмелёв и Владимир Попов пишут: «Административную систему отличали экономический романтизм, глубокая экономическая неграмотность и невероятное преувеличение реального влияния „административного фактора“ на экономические процессы и мотивы населения».

Массовая культура вторила этим убеждениям: научно-фантастический цикл Айзека Азимова Foundation (1951) передаёт преобладающие взгляды интеллектуалов той эпохи. Центральный сюжет строится вокруг вымышленной теории «психоистории», сочетающей физику частиц и социологию и якобы достигающей почти идеальной предсказательной силы при огромном числе людей. Однако Азимов допускает, что некоторые личности способны противостоять предсказательной силе психоистории. Но для этого требуется практически полубог — человек, наделённый огромными психическими силами.

Большинство интеллектуалов двадцатого века сохраняло непоколебимую уверенность в конечной предсказуемости человеческих дел, даже когда экономические прогнозы продолжали проваливаться. Хотя неудачу Госплана можно отчасти отнести к общим порокам социализма, ориентированные на рынок американские первопроходцы, такие как Moody’s и Standard & Poor’s, тоже терпели неудачи. Обе фирмы начинали с продажи инвестиционных публикаций — справочников, обзоров компаний и рыночных бюллетеней с явными прогнозами, — а не просто с табулирования прошлой отчётности. К середине века обе перешли к кредитным рейтингам — «более безопасному» бизнесу, избавлявшему от неловкости неизбежно ошибочных прогнозов.

Неудачи прогнозирования не затормозили исследование операций: развиваясь в 1950-х и 1960-х годах, область приняла телеологический взгляд. Будущее считалось известным входом модели — либо при стационарных условиях, либо через прогноз временного ряда. К концу 1970-х временные ряды стали краеугольным камнем количественных теорий цепочки поставок. Роль прогнозов временных рядов ещё усилилась с распространением S&OP (Sales and Operations Planning) в конце XX века. Их статус и значение по существу не оспаривались до начала 2010-х.

7.2.2 Парадигма временных рядов

Временной ряд — последовательность значений величины, наблюдаемых в последовательные моменты времени, обычно через равные интервалы¹⁰². Продолжение ряда за сегодняшний день даёт прогноз — именно прогноз временного ряда. Хотя временные ряды могут представлять что угодно, от числа солнечных пятен до населения страны, большинство авторов и программ в области цепочек поставок используют их прежде всего для представления спроса, измеряемого в единицах товара или в деньгах.

Рисунок: исторический временной ряд до настоящего момента (сплошная линия) и его прогноз (пунктир).

Временной ряд — неограниченная последовательность чисел, размещённая на линейке, где «0» обозначает сегодня. Всё слева уже произошло; всё справа ещё предстоит вывести. На практике мы заполняем эти позиции прогнозами, рассматривая время как отдельные равномерные шаги: дни, недели и так далее.

Этот формализм проясняет несколько предпосылок парадигмы временных рядов. Во-первых, временные ряды, подобно геометрической прямой, не имеют ни начала, ни конца. Конечно, из практических соображений любое изображение ограничено конечным отрезком. Но этот фрагмент не следует путать с целым.

Во-вторых, временные ряды структурно симметричны относительно временного измерения. Под «структурной» симметрией мы понимаем не совпадение прошлых и будущих значений, а лишь одинаковую их природу. Они не различаются ничем, кроме условного разделения в момент ноль.

В-третьих, временные ряды используют дискретную ось времени. Это резко упрощает и их отображение, и построенные на них модели — аналитические или предсказательные.

Эти три предпосылки соответствуют преобладающему взгляду естественных наук. Метеоролог, изучающий температуру в определённом месте, принимает ту же парадигму. Хотя записи начинаются с некоторой даты, он не сомневается, что температуру можно было записывать и раньше. И наоборот, измерения могут продолжаться бесконечно. Температура меняется непрерывно, но для удобства анализа записи намеренно дискретизируют, например измеряют раз в день в определённый час. Наконец, физические законы почти идеально симметричны¹⁰³ относительно времени.

Трудно преувеличить господство парадигмы временных рядов в среде цепочек поставок начала XXI века. Почти вся литература о прогнозировании вращается вокруг прогнозов временных рядов спроса. Немногие авторы признают другие объекты прогнозирования¹⁰⁴, помимо спроса, и ещё меньше — другие структуры прогнозов, помимо временных рядов. Прогнозирование фактически стало синонимом «прогнозирования временных рядов спроса».

Аналогично большая часть «прикладной оптимизации», наследницы исследования операций, при любой возможности принимает временные ряды на вход. И здесь немногие признают альтернативные перспективы.

В программном обеспечении большинство систем отчётности опирается на кубы OLAP (online analytical processing), само устройство которых следует парадигме временных рядов. Одно из измерений куба неизменно представляет время. Существенно, что такие кубы несовместимы с альтернативными, более выразительными структурами за пределами временных рядов.

В управлении распространённая практика S&OP (Sales and Operations Planning) ставит временные ряды прямо в центр. Межфункциональные команды собираются ради одного результата — стратегического плана. На практике он представляет собой набор временных рядов, обычно прогнозируемых продаж фирмы, распределённых по будущим временным интервалам.

7.2.3 Планирование через временные ряды

В бизнесе прогноз временного ряда — не нейтральная проекция, как в естественных науках; он одновременно служит обязательством. После утверждения прогноз становится базовой линией, задающей бюджеты, резервирующей мощности и определяющей сроки пополнения. Затем организация работает над тем, чтобы эти числа сбылись; прогноз превращается скорее в указание сформировать завтра, чем в догадку о нём.

Когда прогнозы установлены и будущий спрос считается известным, остаётся лишь скоординировать ресурсы, чтобы своевременно удовлетворить его с минимальными затратами. В телеологическом взгляде планирование означает фиксацию будущего спроса и назначение соответствующих ресурсов.

Действительно, если будущее считается определённым — известен единственный дневной спрос для каждой SKU в каждом месте, — задача планирования сводится к арифметике: материальные решения (что закупать, производить или перемещать; куда; когда; в каком количестве) механически выводятся из самого прогноза¹⁰⁵. Исполнение затем сводится к измерению соответствия «плану». Например, если завтрашний прогноз электронной торговли для данной SKU в центре исполнения заказов составляет ровно 2 единицы, меньший запас — запланированный дефицит; больший — по определению предотвратимый избыток, который более точно рассчитанное по времени пополнение «должно было» предотвратить.

Когда прогноз освящён как «план», способность фирмы действовать перемещается в ритуал установления этого числа. Прогноз восседает на троне; всё остальное — соблюдение. Отсюда войны за территорию вокруг базовой линии: это не спор о статистических достоинствах, а замаскированные переговоры о бюджете. Прогнозистам препирательства кажутся извращением; для руководителей «точность» второстепенна. Настоящий приз — большая доля капитала, мощностей и внимания для собственной вотчины.

Затем координация сталкивается со структурным несоответствием: прогнозы выражены в одной геометрии, ресурсы — в другой. Базовая линия может быть недельной по SKU, тогда как грузовики отправляются ежедневно, но никогда по воскресеньям; производство идёт партиями с учётом переналадок; закупочные заказы подчиняются MOQ и ценовым ступеням. Поэтому небольшая армия планировщиков получает задачу рассчитать сроки каждой детали обратным ходом: переносить количества между днями, втискивать заказы до предельного времени, здесь добавлять, там урезать, чтобы учёт выглядел согласованным с базовой линией. Со стороны эта суета кажется «принятием решений». В действительности свобода усмотрения минимальна: выбор ограничен соблюдением плана, а оставшиеся степени свободы канцелярские, а не экономические.

Этот взгляд также объясняет, почему авторы, практики и поставщики ПО для цепочек поставок почти всегда игнорируют ценообразование. Цены влияют на спрос, поэтому относятся к цепочке поставок, как мы утверждаем на протяжении всей книги; но классическая позиция, следующая телеологическому взгляду, полностью их игнорирует. Предполагается, что цены просто устанавливаются до этапа планирования и независимо от него. Для традиционного планировщика спроса и предложения цены — данность, не подлежащая ни оценке, ни оспариванию.

Такое понимание планирования — прогноз направляет распределение ресурсов — настолько господствует в современной среде цепочек поставок, что немногие даже признают альтернативы. Разногласия сужаются до выбора методов прогнозирования, моделей запасов и процессов координации. Но при всей популярности у телеологического планирования есть недостатки, и оно заслуживает тщательного рассмотрения.

7.2.4 Ограничения планирования

Назовём здесь телеологическим заблуждением иллюзию, будто вы точно знаете, куда идёте, точно знали, куда шли в прошлом, а другие добились успеха в прошлом благодаря тому, что знали, куда идут. Antifragile: Things that Gain from Disorder (2012), Нассим Николас Талеб

Планирование, возникающее из телеологического видения, глубоко порочно. Тем не менее, вопреки столетию опровергающих свидетельств, самые печально известные из которых — фиаско советского Госплана, оно остаётся центральной доктриной крупных государственных и частных организаций. Немногие идеи так полно соблазнили интеллектуальные круги XX века, дав столь мало. Прежде чем рассмотреть устойчивость этого очарования, проясним технические недостатки планирования, начиная с непригодности временных рядов.

Как математическая структура временные ряды плохо подходят для отражения деловых ситуаций. Соблазнительно, но глубоко ошибочно переносить временные ряды из естественных наук. Суть проблемы в том, что в бизнесе временные ряды принципиально игнорируют целые стороны рассматриваемого явления.

Представьте метеоролога, каждый день один раз измеряющего температуру в одном месте: это и есть интересующий его временной ряд. Он знает, что немного лучшее оборудование сделало бы само измерение точнее. Знает, что можно измерить дважды с интервалом в минуту или на расстоянии 100 метров. Но ни одно из улучшений не должно радикально изменить картину. Измерения всегда можно сделать точнее или подробнее, но с убывающей отдачей. Временной ряд — приближение, однако метеоролог контролирует его природу и масштаб. Он никогда не находится «в нескольких секундах» или «в нескольких метрах» от радикального прорыва, который перевернул бы понимание погоды.

Бизнес играет по другим правилам. Кажущиеся незначительными изменения измерения могут радикально изменить оценку ситуации. Представьте компанию, годами продающую один и тот же товар. Продажи стабильны — около 1 000 единиц в неделю — и мало колеблются. Какова вероятность, что на следующей неделе спрос упадёт до нуля и останется нулевым навсегда? Чтобы ответить, рассмотрим две ситуации с одинаковыми историческими временными рядами недельных продаж.

Рассмотрим две структуры спроса с одинаковым недельным итогом около 1 000 единиц: случай A — 1 000 независимых клиентов, каждый покупает примерно единицу в неделю; случай B — единственный клиент, покупающий около 1 000 единиц в неделю. Исторический временной ряд — недельные итоги за годы — выглядит одинаково, но хвостовые риски различаются. В случае A обнуление продаж на следующей неделе потребовало бы потерять практически всех клиентов, а такой процесс, если не случится катастрофа, разворачивается много недель или месяцев. В случае B достаточно одного решения одного покупателя; риск полного обвала равен вероятности ухода этого единственного клиента.

Рассмотрим последствия для запасов. В случае A спад обычно проявляется постепенно, позволяя уменьшать запасы по мере выявления оттока; списания, как правило, остаются ограниченными. В случае B крупное списание — вопрос когда, а не случится ли: после ухода единственного покупателя накопленные для него запасы становятся излишком. Итак, две ситуации с одинаковыми недельными временными рядами продаж имеют противоположные профили риска и требуют разных решений.

Рассмотрим другую ситуацию: магазин продаёт в среднем 10 единиц определённой SKU в неделю. Магазин открыт семь дней и пополняется ежедневно. Какой физически имеющийся запас обеспечит надёжный сервис? Точечный прогноз дневного спроса составляет \(\approx 1.4\) единицы, но две структуры спроса с одним и тем же временным рядом означают противоположные потребности в запасах.

Вариант A — много небольших корзин. Десять разных клиентов покупают по одной единице за неделю. При ежедневном пополнении физического запаса примерно 5–6 единиц достаточно для большинства дней: циклический запас на один день плюс небольшой буфер покрывают обычный шум.

Вариант B — мало больших корзин. Один клиент в неделю покупает сразу 10 единиц. Запас менее 10 единиц гарантирует дефицит при этом посещении; для достойного сервиса нужно не менее 10, а поскольку два таких клиента могут прийти в один день, уместный диапазон — 20, возможно 30.

Временной ряд одинаков в обоих вариантах, но экономически разумный уровень запаса различается в четыре раза или больше. Важно распределение размеров корзин, а не среднее, разложенное по дневным интервалам.

Как показывают два примера, даже для одной SKU временные ряды уплощают критические стороны потока. Это представление истории транзакций с потерями: проекция отбрасывает информацию, и, в отличие от метеорологии, утраченное часто оказывается существенным. Поэтому получающиеся планы неизменно неработоспособны: они игнорируют критические стороны ситуации. Поскольку слабость заключена в самой парадигме временных рядов, надежда вылечить её большей изощрённостью — заблуждение. Добавление рядов, расширение горизонта назад или вперёд, повышение детализации или точности точечного прогноза проблему не исправят.

Можно привести ещё множество сходных примеров. Даже для одной SKU временные ряды не справляются: со скоропортящимися товарами, у каждой единицы которых свой срок годности; с ремонтируемыми изделиями, у каждой единицы которых свой жизненный цикл; с обратной логистикой, где возвраты создают путаницу; с запуском новых товаров, для которых ряда ещё нет, и так далее. Действительно, трудно найти отрасль, где значительная доля бизнеса несовместима с парадигмой временных рядов, а значит и с «планированием».

Эти оговорки для одной SKU не исчезают при увеличении масштаба, а взрывообразно усиливаются. В крупной фирме с тысячами SKU взгляд через временные ряды и построенные на нём ритуалы планирования порождают те же, только увеличенные ошибки. Рассмотрим компанию спортивной одежды с собственными магазинами, продающую среди множества товаров чёрный рюкзак. В рамках планового взгляда фирма готовит прогноз продаж рюкзака на 12 месяцев и соответственно задаёт производство, затем повторяет упражнение для всего ассортимента. Практика настолько распространена, что немногие её оспаривают, но её предпосылка несостоятельна.

Прогноз бессмысленен. Заметное размещение в магазинах повысит спрос; ограничение продаж электронной торговлей его подавит. Если компания введёт множество вариантов рюкзака по цветам и размерам, они будут каннибализировать спрос на исходный рюкзак. Если она назначит агрессивную цену, сделав рюкзак остриём маркетинговой кампании по привлечению новых клиентов в сеть магазинов, спрос будет гораздо выше, чем если он останется одним неприметным товаром в огромном ассортименте.

План не имеет смысла, поскольку каждый прогноз обусловлен решениями, которые ещё предстоит принять, но работа ведётся так, будто они уже приняты. После выпуска плана служащим приходится восстанавливать свои варианты выбора от обратного, чтобы последующие обязательства выглядели соответствующими ему. На практике план не невозможен: его делают «выполнимым» лишь дорогими приближениями — платой за ускорение, избыточными буферами, искусственным сглаживанием и отсрочкой обязательств, — сохраняющими согласованность учёта ценой ухудшения экономики. Выполнимость здесь — артефакт учёта, а не операционная истина.

В том, что Госплан производил невыполнимые планы, не было ничего особенного или удивительного. Это врождённый дефект телеологического планирования. Руководители корпораций, феодальные господа и политические комиссары, приняв тот же взгляд, так же пришли бы к невыполнимым планам. Чтобы понять почему, вспомним: по своей сути цепочка поставок — экономический процесс распределения ресурсов, имеющих альтернативные применения.

Создавая план, руководители неявно распоряжаются тысячами дефицитных ресурсов и ожидают их готовности в нужное время, в нужном месте, количестве и по нужной цене. Вероятность идеального совпадения бесчисленных ожиданий плана с ресурсами, реально доступными компании в каждый момент и в каждом месте на всём горизонте планирования, практически нулевая.

Планирование по временным рядам и, шире, телеологическое видение не просто не оправдывают ожиданий: они направляют усилия по ложному пути. Но и в XXI веке это стандартный подход большинства компаний и почти любой площадки обсуждения цепочек поставок. Как многократно опровергнутое представление стало ортодоксией? Объяснение лежит скорее в стимулах, чем в логике. Следующий раздел рассматривает эти стимулы — бюрократическую привлекательность планирования — и показывает, почему доктрина сохраняется вопреки плохим результатам.

7.2.5 Бюрократическая привлекательность

Корпорации влюблены в идею стратегического плана. Им нужно заплатить, чтобы понять, куда они идут. Но свидетельств того, что стратегическое планирование работает, нет; похоже, есть даже свидетельства обратного. Исследователь управления Уильям Старбак опубликовал несколько работ, развенчивающих эффективность планирования: оно делает корпорацию слепой к вариантам действий, запирая её на курсе, не использующем открывающиеся возможности. Antifragile: Things that Gain from Disorder (2012), Нассим Николас Талеб.

Госплан, возможно, исчез, но его дух живёт в крупных корпорациях и государственных учреждениях. Телеологическое видение несомненно привлекательно, но не только из-за невежества или глупости. Его живучесть объясняется скорее стимулами, вознаграждающими театр планирования, чем невежеством; пока эти стимулы не названы и им не противопоставлено действие, доктрина сохранится.

По сути, планирование — бюрократическая функция специалистов бэк-офиса. Функция неизбежна: фирме нужен механизм распределения запутанной смеси ресурсов во времени и пространстве. Специалисты редко напрямую касаются физического потока: они координируют его косвенно. Задача распределения отражает управляемый поток и слишком сложна, чтобы один человек мог вести её от начала до конца. Работа аналитическая и насыщена данными, поэтому специалисты в ней заметно производительнее универсалов. Распределять нагрузку по всему управленческому слою редко жизнеспособно; здравый подход — сосредоточить задачу у небольшой группы планировщиков.

Как в любой бюрократии, неудачу наказывают, часто сурово, а успех едва замечают. Например, успешный продавец, вдвое перевыполнивший ожидаемую годовую норму продаж, имеет сильную позицию для переговоров о крупной прибавке. Но планировщик, у которого списания запасов вдвое меньше, чем у коллег, редко получает сопоставимое признание. Успех продавца считают личным, а достижения планировщика — зависимыми от множества других участников внутри и вне фирмы, например поставщиков. И наоборот, продавца редко увольняют за упущенную выгодную сделку, тогда как планировщик, вызвавший крупное списание, может столкнуться с серьёзными карьерными последствиями, если убыток свяжут с предложенным им планом.

Обоснованны такие предубеждения или нет, они пронизывают крупные компании, особенно среднее руководство. Поэтому участники плановой бюрократии быстро усваивают: уклоняться от ответственности безопаснее, чем претендовать на признание редкого успеха. Предсказуемо, культура процессов вытесняет культуру результатов. Такое положение поддерживается переопределением «хорошего планирования» как соблюдения формализованных процессов. Этот поворот делает бюрократию почти неуязвимой: успех переопределяют как непрерывное соблюдение правил, которые она сама для себя написала.

К сожалению, одно лишь соблюдение процессов даёт мало ощутимой отдачи в планировании. Корпоративное планирование не похоже на авиационную безопасность, где каждую, теперь редкую, катастрофу изучают, чтобы найти изменения, предотвращающие повторение. Ошибки планирования, напротив, настолько часты и значительны, что такие изменения часто вносят не меньше изъянов, чем устраняют. В результате посредственность остаётся долговременной чертой планирования.

В частности, прогнозирование временных рядов создаёт для команды планирования ловушку ответственности. Точечный прогноз гарантированно ошибочен в месте применения; при недостаче или избытке промах виден и внутри фирмы относится на счёт прогнозистов. Бюрократия избегает такой единоличной ответственности. Обычный ответ — расширить круг «ответственных» за прогноз, втянув в ритуал продажи, маркетинг, финансы и операции, прежде всего не ради уточнения чисел, а чтобы любая ошибка стала коллективной.

Этот манёвр обычно выглядит как крупная инициатива «сотрудничества», якобы повышающая точность прогнозов. S&OP (Sales and Operations Planning) — один из самых популярных её вариантов. Бесконечные совещания S&OP гарантируют, что под прогнозами подпишется множество других сторон. Эмпирических свидетельств повышения качества планирования такими совещаниями нет. Напротив, свидетельства показывают, что большие комитеты почти всегда дают худшие результаты независимо от задачи.

Итак, телеологическое прогнозирование привлекательно для служащих тем, что позволяет уклониться и от решений, и от последствий. Прогнозы служат профессиональным буфером, отводящим ответственность за получившееся распределение ресурсов. Затем планировщики подстраивают процесс прогнозирования, часто объявляя его «совместным», чтобы ещё сильнее размыть собственную ответственность.

Хотя простой анализ обнажает пороки телеологического взгляда, применить эту критику к конкретной компании часто трудно. Пороки нередко маскируются методологическими надстройками, придающими планированию «научный» лоск.

Критика — не метод. Фирмам всё ещё нужен компас, не притворяющийся, будто завтра — фиксированное продолжение вчера. Альтернатива — считать неопределённость входной данностью, а не дефектом, опциональность — активом, который нужно развивать и расходовать, а выбор оценивать по его вкладу в прибыль с учётом риска, а не по верности плану. Эта позиция, обычная среди предпринимателей и редкая в бюрократии, вновь сосредоточивает способность действовать на распределении ресурсов, а не на оправдывающем его прогнозе. Мы называем её прагматическим видением и рассмотрим далее.

7.3 Прагматическое видение

Будущее неустранимо беспорядочно. Клиенты непостоянны, сотрудники капризны, поставщики ненадёжны. Но соперники сталкиваются с той же неразберихой. Вам не нужно быть идеальными — только лучше. Каждая неровность — ещё и полоса для обгона. Решительное действие побеждает сложное планирование, а удача вознаграждает подготовленных. Значит, подготовка — искусство создавать возможности, а не угадывать точный облик завтрашнего рынка.

Эти замечания выражают суть прагматического видения. Телеологический лагерь воспринимает будущее как путешествие, требующее всё более подробной карты — прогноза. Если карта достаточно точна, другие инструменты не нужны: она одна должна привести путника в известный пункт назначения. Путешествовать без такой карты её приверженцам кажется безрассудством.

Напротив, прагматическое видение опирается на непрерывную оценку возможностей — путеводный маяк, а не карту. Если маяк надёжен, продвижение сводится к устойчивому движению в его сторону. Знание пункта назначения заранее не добавляет скорости; меняющаяся местность вскоре делает неподвижные карты бесполезными.

Хотя предприниматели ежедневно применяют прагматическое видение, многие интеллектуалы его отвергают. Их презрение возникает скорее из морального подтекста, чем из сомнений в эффективности, словно принятие такого взгляда выдаёт изъян характера.

Первое клеймо возникает из неявной связи прагматического видения с азартными играми и другими формами праздной спекуляции. Но хотя предприниматель действительно рискует, это не «праздная» спекуляция: ожидается, что процесс будет прибыльным и для него, и для клиентов. Например, предпринимателю, выпустившему товар, ставший огромным хитом, могут приписать незаслуженный успех, поскольку невнимательному наблюдателю его экономический вклад кажется незначительным. Но ради одного успеха он мог выпустить десятки товаров, теряя деньги на каждом неудачном. Более того, лишь потребители решают, представляет ли товар небольшую вариацию или радикальное улучшение. Крупный коммерческий успех говорит о том, что потребители нашли нечто особенно привлекательное. К сожалению, затраты на исследование множества подходов к лучшему обслуживанию рынка в основном невидимы посторонним, поэтому успех часто списывают на чистую удачу, как выигрыш в лотерею.

Второе клеймо возникает из характерного поведения, которое многие наблюдатели считают эксплуатацией. И здесь они сосредоточиваются на реальных или воображаемых выгодах предпринимателя, искажая восприятие. Во-первых, на свободном рынке сделка происходит лишь с согласия обеих сторон. Поэтому, какую бы цену ни запросил продавец, покупателя нельзя «эксплуатировать», если он не согласится с ценой¹⁰⁶. Например, фирма, срочно доставляющая переносные генераторы в пострадавший от бури регион, может запросить намного больше «обычной» цены. Но эксплуатации в этом нет. Покупателей не принуждают покупать генераторы, а купившие считают своё положение с генератором лучшим, чем без него¹⁰⁷. В более общем виде в прагматическом видении цены формируют поток: покупать дёшево и продавать дорого — его движущая сила. Но её часто ошибочно выставляют эксплуатацией: невнимательные наблюдатели не понимают, что «покупать дёшево, продавать дорого» — не удача, а постоянные усилия и неизбежные финансовые риски.

С XIX века интеллектуальные круги трудятся над стигматизацией прагматического видения¹⁰⁸ и распространяют такое восприятие среди публики. Многие странности того, что сегодня считается «основной» теорией цепочек поставок, например уклонение от очевидного влияния цены на спрос, во многом обязаны этой стигматизации.

Но истина не определяется популярностью: прагматическое видение превосходит телеологическую альтернативу и концептуально, и эмпирически. Концептуально оно исходит из стремления к прибыли со всеми его свойствами. Например, состязательному поведению нет места в телеологическом взгляде, но оно естественно вписывается в прагматический. Эмпирически прагматическое видение устойчивее к окружающему хаосу, потому что гораздо меньше зависит от правильности плана и даёт лучшие решения с учётом риска. Например, само понятие «возможностей» в прагматическом видении самоочевидно, а в телеологическом отсутствует.

7.3.1 Неустранимая неопределённость

Прагматическое видение исходит из безусловной неопределённости будущего, не подразумевая его полной непознаваемости. Оно не утверждает ни того, что возможные будущие немыслимы, ни того, что все они равновероятны. Напротив, оно считает некоторые будущие намного вероятнее других, допускает их выявление и, следовательно, распределение ресурсов под эти вероятные будущие. В свою очередь, это позволяет обслуживать клиентов добросовестнее и прибыльнее.

Прагматическое видение считает, что часть завтрашнего дня можно предвидеть, часто лишь в грубых структурных терминах. Многое из известного нам сравнительно — «грамм золота почти наверняка останется дороже грамма серебра» — или выражает отношения — «при одинаковой цене SKU A будет продаваться лучше SKU B». Такое знание операционно полезно, но неудобно для равноотстоящих точечных временных рядов, предлагающих лишь одно число на дату. Позиции временного ряда не могут выразить неравенства, порядок или условные утверждения: они уплощают относительные факты до абсолютных догадок.

Даже когда знание не носит сравнительного характера, его структура сопротивляется форме временного ряда. Возьмём авиацию: глобальное число пассажиров растёт в большинстве лет, изредка прерываясь тяжёлыми обвалами. Точечный ряд вынуждает выбрать одно число на каждую будущую дату; он не может закодировать «почти всегда вверх, кроме катастрофических лет падения с малой вероятностью». Для отражения асимметрии и хвостового риска нужны распределения вероятностей или переменные режимов, а не одна базовая траектория. Итак, формализм временных рядов слишком узок для утверждений, дающих фирмам настоящее преимущество.

С этого ракурса прагматический взгляд не менее «предсказателен», чем телеологический: он просто использует другую грамматику. Вместо заполнения временных интервалов одной базовой траекторией он назначает вероятности семействам исходов и фиксирует сравнительные факты: например, что при равных ценах SKU A, вероятно, будет продаваться лучше SKU B, жара повысит продажи воды, а сроки выполнения операций имеют тяжёлый правый хвост. Важно не одинокое число на дату, а множество оценённых в деньгах альтернатив, открываемых этими утверждениями. Прогноз считается «хорошим» постольку, поскольку создаёт экономическое преимущество, позволяя фирме брать обязательства, откладывать, хеджировать или менять цены лучше соперников, а не потому, что минимизирует академическую метрику ошибки.

В отличие от телеологического взгляда, уплощающего завтра до единственного количества во времени, прагматический воспринимает будущее как портфель неопределённостей по всему потоку. Объём спроса — лишь одна переменная. Цены и коммерческие условия могут измениться; соперник может продлить гарантию с трёх до пяти лет, вынуждая ответить; товарный состав и замещение меняются вместе с управлением ассортиментом. Сроки выполнения операций колеблются, часто с тяжёлыми хвостами задержек; закупочные и операционные затраты дрейфуют; поставщики и производственные линии иногда дают сбой. Каждая из этих величин заслуживает собственного закона вероятностей, поскольку не меньше спроса меняет альтернативные издержки. Практическая задача — совместно оценить эти неопределённости в деньгах, а не притворяться, будто один скалярный прогноз заменяет их все.

В прагматическом взгляде есть не одно будущее, а безграничное множество. Свести его к горстке сценариев, не говоря уже об одном прогнозе, — принять желаемое за действительное. Поскольку будущее лишь отчасти познаваемо и полно неопределённостей, перечислить все правдоподобные исходы невозможно. Поэтому любая попытка создать всеобъемлющий «генеральный план» граничит с самообманом.

Вместо этого прагматический взгляд считает планирование попыткой согласовать разнообразные и противоречивые знания о будущем, чтобы распределить ресурсы наиболее прибыльно. Крупная ставка на маловероятный исход может быть приемлема, если отдача велика и компенсирует риски. И наоборот, весьма вероятный исход может не заслуживать никаких ресурсов, если прибыли получить нельзя, сколь бы он ни был достоверен.

Итак, прагматическое видение воспринимает завтрашний день как портфель разнородных свидетельств. Оно отказывается сжимать их в единственную базовую траекторию временного ряда и сохраняет каждое в его собственной форме — вероятностей, режимов, неравенств и сравнительных утверждений. Практическая задача — синтез: превращение разрозненных свидетельств в согласованные решения. Эта задача относится к инструментам, а не к видению. В оставшейся части главы представлены теория и инструменты, осуществляющие такой синтез.

Прежде чем перейти к инструментам, сформулируем один принцип: в прагматическом взгляде на первом месте стоит решение — само распределение ресурсов.

7.3.2 Распределение ресурсов по возможностям

Прагматическое видение воспринимает будущее не как фиксированный «базовый» объём единиц, которые предстоит поставить, а как непрерывно меняющийся поток возможностей: одни удручающе убыточны, другие весьма прибыльны. Каждое решение — прежде всего экономическая оценка возможности, которой предстоит воспользоваться.

В прагматическом видении главенствует решение — сознательное выделение дефицитных ресурсов под определённую возможность. Прогнозы служат исходными данными для этого выбора; в телеологическом видении, напротив, корона принадлежит прогнозу. Этот резкий, характерный акцент осложняет любую попытку диалога между сторонниками двух видений. Для приверженца прагматического взгляда прогнозы сложны, но в конечном счёте второстепенны и полностью уступают необходимости решительно действовать. Для приверженца телеологического взгляда прогнозы и связанный с ними план неотделимы от рационального образа действий. Решения, не основанные на плане, считаются в лучшем случае недальновидными, а в худшем — прихотью.

Но хотя прагматическое видение в своей основе ориентировано на возможности, оно смотрит вперёд не меньше телеологического. Ведь любое распределение ресурсов сопряжено с неизбежными альтернативными издержками. Поэтому внешне прибыльную возможность могут отвергнуть: это может открыть путь к лучшей, либо сама возможность, наоборот, может породить проблемы, подрывающие ожидаемую выгоду.

Например, рассмотрим авиакомпанию, сдающую другой авиакомпании в аренду дорогой ремонтопригодный авиационный компонент, чтобы один из самолётов последней не простаивал из-за его отсутствия¹⁰⁹. Поскольку компонент нужен срочно, авиакомпания может запросить у коллег очень высокую арендную плату. Но она часто откажется сдавать его в аренду, даже если по простым бухгалтерским правилам операция на бумаге выглядит чрезвычайно прибыльной. Ведь авиакомпания должна учитывать собственный парк. Сдавая компонент в аренду, она увеличивает риск простоя одного из своих самолётов именно из-за отсутствия этого компонента. Стоимость такого риска может полностью перекрыть прибыль от аренды, несмотря на цену, которая на бумаге кажется весьма выгодной.

Заметим, что телеологическое видение полностью обходит вопрос альтернативных издержек. С этой позиции план либо признают выполнимым — тогда ни один клиент не останется без обслуживания, — либо невыполнимым, и тогда прогнозы спроса пересматривают и снижают, пока план снова не станет выполнимым. В телеологическом видении само понятие возможности погребено — вместе почти со всеми остальными вопросами цепочек поставок — внутри проекции будущего спроса в форме временного ряда.

Точный расчёт этих альтернативных издержек на практике затруднён, и прагматическое видение это признаёт. Поэтому вместо явного подсчёта альтернативных издержек в уме оно отдаёт предпочтение сравнительным оценкам. Например, следует ли компании выделить последнюю единицу новому, но неизвестному клиенту или негласно сохранить её для постоянного клиента, которого компания не хочет разочаровывать? Хотя сравнительные оценки могут опираться на сложные методы, прагматическое видение в целом предпочитает рассматривать любое распределение ресурсов через его альтернативы.

Такие сравнительные оценки позволяют также решить, стоит ли вообще выделять ресурсы: если для тех же ресурсов существует более предпочтительная отложенная возможность, текущую следует отвергнуть. Например, компания может прекратить закупку дополнительных единиц, сохранив деньги на потом, когда текущие запасы сильнее истощатся, а потребности станут яснее.

В результате прагматическому видению не нужен «план» в смысле телеологического. Ресурсы будут распределяться постепенно, пока альтернативные издержки не сочтут слишком высокими для продолжения. Наличия более предпочтительных отложенных возможностей компании достаточно, чтобы не истощить ресурсы преждевременным распределением. Поэтому, несмотря на ориентацию на возможности, прагматическое видение не более близоруко, чем телеологическое. Оба опираются на оценки будущего и потому смотрят вперёд, хотя форма их предсказаний различается.

Когда варианты распределения ресурсов сопоставимы, их можно упорядочить по приоритету. Единый непрерывно пересортировываемый список приоритетов способен направлять весь поток по мере того, как новая информация меняет каждую оценку. В масштабе предприятия такой список легко достигает миллионов строк — по одной на каждый допустимый вариант распределения, — далеко за пределами человеческих возможностей его ведения. Прагматическое видение говорит, что ранжировать и почему. Как поддерживать это ранжирование и действовать на его основе — инженерный вопрос, к которому мы обратимся, представляя инструменты, механизирующие это видение в большом масштабе. Сначала нужен ещё один элемент: признание того, что будущее — не зеркало прошлого, а следствие ещё не принятых решений, то есть асимметрия времени.

7.3.3 Асимметрия времени

В отличие от распространённого в естественных науках взгляда, где многие законы фактически симметричны относительно обращения времени, а завтрашний день считается очередным отрезком того же процесса, прагматическое видение считает, что будущее формируется ещё не сделанным выбором. В бизнесе завтра — не отражение вчерашнего дня, а следствие сегодняшних обязательств. Прогнозировать, откладывая решение, — значит переворачивать причинность: решения вызывают результаты, а не наоборот.

Мы уже обсуждали компанию спортивной одежды, продающую рюкзаки. Будущие продажи нельзя считать простой проекцией прошлых, поскольку компания может формировать спрос по многим направлениям: снизить цену, выпустить более вместительную модель рюкзака или предложить новый цвет, оплатить рекламу, разместить товар на видном месте в магазинах и так далее. Поэтому с позиции прагматического видения нет смысла воспринимать наступающий год как продолжение предыдущего. Наступающий год принципиально отличается от предыдущего.

Ещё сильнее тревожит телеологических планировщиков то, что прагматическое видение считает совершенно нормальной зависимость от ещё не принятых решений. Сегодняшние обязательства можно прямо поставить в зависимость от будущего выбора: мы обеспечиваем варианты действий и оцениваем их в деньгах сегодня именно для того, чтобы завтра решать на основе более свежей информации, когда альтернативные издержки станут яснее. Для практика прагматического подхода это не замкнутый круг, а благоразумие: действовать сейчас, расширяя будущий набор вариантов, но откладывать выбор среди них, пока рынок не раскроет больше информации.

Например, модный бренд может договориться с надёжным поставщиком о предварительном резервировании значительных мощностей и оплатить его. Это позволяет поставщику активно закупать сырьё — например, ткани и кожу. Тем самым снижается риск задержек из-за последующих трудностей с закупкой сырья и одновременно открывается путь к снижению закупочных затрат. Однако в момент заключения соглашения бренд ещё не решил, что именно закажет. В прагматическом видении эти детали могут подождать. Если мощность в целом подходит, отложить заказ предпочтительнее: так сохраняется возможность согласовать будущие заказы с новейшими желаниями рынка.

Ценность сохранения вариантов действий — ещё один краеугольный камень прагматического видения. Ведь всякий раз, когда компания обязывается придерживаться определённого образа действий, она теряет часть своей свободы действия. Например, как только производитель запускает партию в производство, сырьё расходуется и уже не может быть использовано для другого производственного запуска. Аналогично, если тот же производитель обязуется запустить партию в следующем месяце, соответствующее сырьё фактически резервируется под это предстоящее производство.

Помимо прямых обязательств, варианты действий исчезают и под влиянием прецедента — эффекта храповика. Наблюдая определённое поведение, контрагенты меняют ожидания, делая обратный ход дорогим. Модный бренд, завершающий сезон глубокими скидками, приучает клиентов откладывать покупки и ждать тех же скидок в следующем сезоне; «временное» улучшение сервиса становится новой нормой; разовое снятие требования MOQ — новым правилом. Как у механического храповика, движение в сторону затягивания легко, а ослабление встречает сопротивление. В прагматическом взгляде каждое действие оценивают не только по немедленной марже, но и по тому, как оно расширяет или сужает завтрашний набор вариантов; к шагам, связывающим будущий выбор, предъявляют более высокие требования, чем к сохраняющим гибкость.

В более общем виде всякий раз, когда часть будущего фиксируется, она становится функционально тождественной прошлому: на неё уже нельзя повлиять, даже если события технически ещё не произошли. Прагматическое видение не только считает будущее радикально отличным от прошлого, но и дорожит сохранением того, что делает его отличным, — свободы действия компании. Для его практиков окончательно связать себя определённым образом действий — крайняя мера, к которой прибегают лишь тогда, когда выгоды обязательства перевешивают альтернативные издержки.

Сторонники телеологического видения часто воспринимают эту позицию как непостоянство или переменчивость. Здесь нет обязательств перед собой прежним — только перед формальными соглашениями с третьими сторонами. Например, на вопрос о будущих действиях приверженец прагматического взгляда просто выскажет своё лучшее предположение, не испытывая особой привязанности к сказанному. Это лишь один вариант — предварительно наиболее вероятный, — но уверенности нет. Он сосуществует с огромным числом альтернатив, которые в совокупности ещё вероятнее. Впоследствии, по мере развития событий, курс пересмотрят с учётом новой информации.

С телеологической точки зрения наличие лежащего в основе плана само собой разумеется: это центральная характеристика будущего. Возможность полного отсутствия плана почти немыслима, а при столкновении с ней её презрительно считают дилетантством. Поэтому изменение образа действий означает изменение плана. Такой исход воспринимают как проявление скрытой проблемы: либо ненадлежащего исполнения — неспособности соблюдать план, — либо изначально ненадлежащего плана¹¹⁰.

Количественное описание будущего, зависящего от ещё не принятых решений, порождает множество технических трудностей. В частности, прогнозы временных рядов и большинство инструментов планирования телеологического видения оказываются непригодными. Поскольку литература по цепочкам поставок почти ничего не предлагает в поддержку прагматического видения, большинство его приверженцев полагаются на прикидки на обороте конверта. Телеологические планировщики считают эти расчёты грубыми. Однако, как будет показано далее, инструменты прагматического видения могут не уступать классическим методам планирования в сложности — и нередко превосходить их.

7.3.4 Превосходство прагматического видения

Хотя прагматическое видение почти не пользуется поддержкой интеллектуальных кругов¹¹¹, оно значительно превосходит телеологическое. Эмпирически успешные предприниматели, раскрывая своё видение, неизменно склоняются к прагматическому. Ингвар Кампрад (Ikea), Джефф Безос (Amazon) и Уоррен Баффетт (Berkshire Hathaway) — лишь некоторые из тех, кто публично занимал такую позицию. Успешные предприниматели направляют почти все усилия на ведение бизнеса и потому выпускают не столько статей или книг, сколько интеллектуалы, специализирующиеся на такой работе. Поэтому труды в поддержку прагматического видения редки.

Кроме того, существует немало эмпирических свидетельств плачевных результатов телеологического видения. Семь десятилетий Госплан Советского Союза навязывал тяжёлую экономическую неэффективность более чем 100 миллионам человек. В более широком масштабе и в частном, и в государственном секторе крупные многолетние планы часто срывались, порождая огромные затраты. Напротив, случаи, когда успех всеобъемлющего планирования принёс крупной компании процветание, неизвестны. В лучшем случае планы исполняют с ограниченными накладными затратами — в деньгах и задержках, — и этим здесь исчерпывается «успех».

Эти наблюдения — и успехи при прагматическом видении, и неудачи в его отсутствие — во многом сводятся к одному фактору: обращению с неопределённостью. Телеологическое видение пытается её устранить; прагматическое принимает её. Поэтому телеологические методы уязвимы к потрясениям, тогда как методы прагматического видения могут смягчить те же потрясения или даже извлечь из них выгоду.

В мире с малой неопределённостью или вовсе без неё телеологическое видение могло бы работать великолепно. Мы живём не в таком мире. Одних свободных рынков достаточно, чтобы создать значительную неопределённость для всех участников. Ведь свободные рынки многократно усиливают небольшие различия. Например, Walmart довёл конкурентов до банкротства: Kmart в 2002 году и Sears в 2018-м. Walmart сократил выручку Kmart с более чем $36 миллиардов в 1994 году до нуля, хотя был дешевле всего на 2,2%¹¹². На свободном рынке отставание от конкурента на 1% обычно приводит к потере 100% доли рынка за одно-два десятилетия. Поэтому, даже если бы нерыночные источники неопределённости — войны, град, землетрясения, эпидемии — были побеждены, неустранимая неопределённость всё равно определяла бы свободные рынки.

Инструменты цепочек поставок — будь то алгоритмы или методологии, — поддерживающие прагматическое видение, редки: неудивительное следствие отсутствия его сторонников в интеллектуальных кругах. Большинство практиков полагаются на опыт и рождаемую им интуицию. Но ничто не мешает нам представить такие инструменты — именно эту задачу данные главы решают шаг за шагом.

7.4 Предсказуемость человеческих дел

Результативность цепочки поставок зависит от способности компании — и её руководителей, и программных систем — адекватно предвидеть будущие события. Эти события включают прежде всего человеческие решения. Идеальное предсказание природных событий мыслимо, хотя редко достижимо за пределами простых циклов вроде приливов, но совершенное предвидение человеческих дел невозможно. Достаточно, чтобы один клиент, склонный поступать наперекор¹¹³, передумал, и якобы «идеальный» прогноз будет опровергнут. Однако привычки делают действия до некоторой степени предсказуемыми в краткосрочной перспективе.

Например, ставя упаковку йогурта с ценником на полку, управляющий супермаркетом ожидает, что её купит клиент. Более того, он ожидает продажи задолго до истечения срока годности. Точное предвидение сдерживает списания и дефицит — искусство, которым большинство супермаркетов владеет. Прибыльные супермаркеты доказывают, что такое предвидение можно осуществлять в большом масштабе как обычную деловую практику.

В целом цепочки поставок остаются прибыльными, потому что руководители хорошо предвидят будущие события. По большей части это означает предвидение чужих решений. До конца XIX века процесс опирался на интуицию и опыт. В начале XX века появились формальные аналитические методы, а точность моделей начали строго измерять. После 1950 года эти методы расцвели благодаря непрерывному росту вычислительных мощностей. Так возникла парадигма временных рядов, которая, как уже обсуждалось, стала господствующим подходом к предсказанию в цепочках поставок.

Однако взгляд через временные ряды хрупок в деловой среде. Он отвлекается от самих рычагов, делающих завтра непохожим на вчера, и сжимает редкие дискретные события в дробные средние. Там, где он помогает, причин всего две: краткосрочная инерция и календарные цикличности. Мы рассмотрим эти узкие преимущества, а затем заменим этот взгляд инструментами, соответствующими экономике потока: (i) вероятностными прогнозами, задающими распределения спроса, сроков выполнения операций, цен и возвратов; (ii) многомерными прогнозами, отражающими покупательские корзины, замещение и взаимные влияния товаров, каналов и местоположений; (iii) функциональными прогнозами, обусловленными правилами принятия решений и выраженными в естественных объектах потока — заказах, распределениях ресурсов и ценах, — а не в равномерных временных интервалах. Эти инструменты не угадывают «единственное» будущее: они оценивают альтернативы в деньгах и делают альтернативные издержки явными.

7.4.1 Инерция и цикличности

Прогнозирование временных рядов рассматривает человеческие дела как периодические измерения, проецируемые вперёд. После записи прошлых чисел задача состоит в том, чтобы предложить разумные значения для будущих дат — настолько точно, насколько позволяют наши инструменты.

При наличии миллионов статей¹¹⁴ о прогнозировании временных рядов трудно переоценить воспринимаемую важность этой парадигмы в академической среде. Но для столь огромного массива работ она предлагает удивительно мало. В её основе лежат два принципа, придающих моделям временных рядов предсказательную силу: инерция и цикличности. Они важны, но их пределы очевидны.

Инерция¹¹⁵ в цепочках поставок — это нежелание людей менять привычки в краткосрочной перспективе. Такое нежелание — не просто упрямство: изменения часто несут значительные затраты. Оценка того, улучшит ли изменение статус-кво, может потребовать немалых усилий, а внедрение — подорвать ценность существующих производственных активов.

Например, производитель может решить закупать станки у более дешёвого поставщика. Поскольку станки — не простые стандартные товары, оценка их пригодности требует времени. Чтобы использовать новые станки в полной мере, нужно переобучить сотрудников и скорректировать процессы. Наконец, имеющиеся запчасти могут потерять большую часть ценности, если окажутся несовместимы со станками нового поставщика.

Таким образом, инерция объясняет, почему семейство моделей скользящего среднего, включая экспоненциальное сглаживание, часто даёт достойный краткосрочный базовый прогноз: ближайшее будущее похоже на недавнее прошлое. Кроме того, инерция управляет не только спросом, но и сроками выполнения операций, долями возвратов и брака, закупочными и продажными ценами и так далее.

По мере изменения привычек предсказательная сила инерции ослабевает; эффект Линди говорит нам, насколько быстро.

Если книга издаётся сорок лет, я могу ожидать, что она будет издаваться ещё сорок. Но — и это главное отличие — если она проживёт ещё десятилетие, то ожидается, что она будет издаваться ещё пятьдесят лет. Это простое правило объясняет, почему вещи, существующие долго, «стареют» не как люди, а в обратном направлении. Каждый год без исчезновения удваивает дополнительную ожидаемую продолжительность жизни. Это показатель некоторой устойчивости. Устойчивость объекта пропорциональна его жизни! Antifragile: Things That Gain from Disorder (2012), Нассим Николас Талеб.

Эффект Линди управляет привычками не менее уверенно, чем объектами, и в меняющемся мире критически важен для управления риском распределения ресурсов. Значительные инвестиции требуют одновременно сильной и долговечной инерции. Практики используют эффект Линди, чтобы оценить срок жизни конкретной инерции.

Например, двухнедельного всплеска продаж сухих завтраков может хватить супермаркету для увеличения запасов. Однако бренд, наблюдающий тот же всплеск, может отложить расширение мощностей на несколько месяцев. Ставка супермаркета невелика: если всплеск временен, избыточные запасы постепенно разойдутся. Напротив, вложения бренда в мощности гораздо крупнее, и, если всплеск угаснет, их придётся списать.

Цикличности отражают склонность людей привязывать решения к календарю. На практике полезных календарных закономерностей немного, и они устойчивы: час суток, день недели, день месяца и день года. Всё остальное, что сохраняет ценность, — вариации или сочетания этих четырёх, плюс горстка квазициклических событий, не следующих в точности григорианскому календарю.

Час суток. У магазинов есть часы работы; в электронной коммерции — предельное время приёма заказов и поздневечерние всплески. Записи с детализацией меньше суток выявляют отчётливые внутридневные закономерности, например затишье в обеденный перерыв и всплески в конце дня. В дневных данных внутридневные циклы в основном исчезают из поля зрения, кроме порождаемых ими эффектов дня недели: например, закрытие по воскресеньям обнуляет розничный спрос.

День недели. Домохозяйства делают покупки по выходным; спрос B2B сосредоточен с понедельника по пятницу; возвраты группируются по понедельникам. Для многих ассортиментов недельный профиль объясняет больше вариации, чем любой другой отдельный фактор.

День месяца. Выплаты зарплат и пособий, выставление счетов и цели на конец периода создают в конце месяца «хоккейные клюшки», особенно в отгрузках. Обратите внимание на различие: всплеск отгрузок в конце месяца обычно порождён бюрократическим порядком разрешения отгрузок, а не реальным потреблением. Рассматривайте его как календарное воздействие на наблюдаемые потоки, а не как устойчивое повышение лежащего в их основе спроса.

День года. В годовом профиле преобладают времена года, отпуска и гражданские праздники. «Сезонность» здесь не загадка, а отпечаток календаря на привычках: обогреватели зимой, сандалии летом. Розничные «события» также привязаны к календарю: Чёрная пятница — день после четвёртого четверга ноября в США¹¹⁶ — каждый год неизменно меняет покупательские корзины.

За пределами четырёх базовых частот остаются несколько квазициклов: религиозные или лунные события — Рамадан, китайский Новый год, Пасха, — смещающиеся относительно григорианского года. Их нужно учитывать через явные календари для конкретной местности, а не наивные месячные индексы.¹¹⁷ Школьные календари и местные праздники относятся к тому же типу: это дискретные календари с предсказуемыми списками дат, а не свободно плавающие «закономерности», которые предстоит открыть.

С точки зрения моделирования самый экономный подход — небольшой набор мультипликативных индексов, по одному на каждый значимый календарный фактор, регуляризуемых к \(1\) при слабых свидетельствах. География и канал заслуживают отдельных индексов: то, что продаётся в субботу в рознице, часто не продаётся в B2B. Закрытие подразумевает структурные нули, а не восстановление пропусков; SKU с малым числом ненулевых наблюдений заимствуют информацию у аналогичных SKU посредством иерархического объединения. Это сохраняет календарь явным — и переносимым — между ассортиментами.

Проще говоря, после учёта инерции — краткосрочного сохранения привычек — и компактного календаря — четырёх базовых цикличностей и нескольких явных квазициклов — извлечён почти весь практически полезный сигнал, доступный моделям временных рядов. Изощрённые разложения — фейерверки Фурье, экзотические лаги, вычурные автоматы состояний — редко выдерживают проверку вне обучающей выборки в деловой среде. Всё, что лежит за пределами инерции и календаря, относится к другим инструментам — ценообразованию, продвижению, замещению, моделированию сроков выполнения операций, — а не к самому взгляду через временные ряды.

Следующий раздел показывает, что после учёта инерции и календаря дальнейшая погоня за собственным хвостом в рамках парадигмы временных рядов даёт цепочкам поставок исчезающе малую отдачу.

7.4.2 Тупик

Несмотря на десятки тысяч новых статей ежегодно, прогнозирование временных рядов уже много лет оказывается технологическим тупиком для цепочек поставок¹¹⁸. Самое наглядное подтверждение этого утверждения — результаты M5, крупного открытого соревнования по прогнозированию, прошедшего в 2020 году, крупнейшего по сей день, на наборе данных о продажах Walmart на уровне магазинов.

На этом соревновании команда Lokad — специалиста по программному обеспечению для цепочек поставок — заняла первое место на уровне SKU¹¹⁹, самом детальном и, с точки зрения цепочек поставок, единственном уровне, в конечном счёте значимом для решений о потоке. Её победившая прогнозная модель¹²⁰ была простой мультипликативной параметрической моделью, использовавшей только инерцию и цикличности, представленные в предыдущем разделе. Более того, подавляющее большинство её параметров были простыми индексами цикличности, то есть мультипликативными коэффициентами, отражающими факторы «день недели», «день месяца» и «месяц года».

На уровне SKU эта модель превзошла более сложные подходы, включая модели глубокого обучения с миллионами параметров и модели градиентного бустинга с тысячами деревьев. На других уровнях агрегирования точность этой простой модели оставалась близкой к точности победителей.

В M5 участвовали 909 команд со всего мира, так что наверняка был испробован каждый заметный метод временных рядов. Но в итоге простая модель достигла сопоставимой, если не лучшей, точности, чем её более сложные аналоги. Причина проста: ни одной модели не удалось извлечь из исторических временных рядов ценную информацию сверх инерции и цикличностей. Ни одной это не удалось, потому что такой информации во временных рядах M5 нет.

Для команды Lokad этот результат отнюдь не стал неожиданностью: он подтвердил вывод, сложившийся примерно десятилетием раньше после многочисленных сравнительных испытаний прогнозирования временных рядов на данных десятков корпоративных клиентов. В этих наборах нет скрытых неоткрытых цикличностей, латентных лагов, при которых один ряд предсказывает другой, или тайных трендов, ожидающих обнаружения¹²¹. В более общем виде в деловых записях нет альтернативных закономерностей, которые можно было бы использовать посредством более сложных моделей прогнозирования временных рядов.

Отсутствие свидетельств — не свидетельство отсутствия. Хотя альтернативные закономерности временных рядов, то есть не инерция и не цикличности, остаются неуловимыми, их ещё могут открыть. Но вероятность прорыва после столь ошеломляющего объёма исследований мала. Уже к концу Второй мировой войны предсказательная сила инерции и цикличностей была установлена. Затем соревнование M5 показало, что спустя 70 лет и миллионы статей иных принципов так и не обнаружили. Большая часть того, что с тех пор выдавали за «прогресс», лишь уточняла параметризацию этих двух эффектов — более гладкие трендовые составляющие для инерции и всё более детальные календарные индексы для цикличностей, — принося небольшие улучшения с резко убывающей отдачей после создания чистой мультипликативной базовой модели.

За пределами инерции и цикличностей есть множество пригодных к использованию закономерностей, но они лежат вне узких рамок парадигмы временных рядов. Поэтому, чтобы ими воспользоваться, от этой парадигмы нужно отказаться.

Нескончаемое появление всё новых «достижений» в области временных рядов объясняется скорее стимулами, чем непониманием: новизну легче продать, чем признание того, что за пределами инерции и цикличностей почти не остаётся сигнала для извлечения. Отсюда парад вариаций десятилетие за десятилетием, каждая из которых подхватывает очередную модную в информатике технику¹²². Для прогнозирования цепочек поставок эти волны мало что добавляют по существу, как показывают приведённые выше результаты M5.

7.4.3 Закон малых чисел

Инерция и цикличности, несомненно, сильны как принципы предсказания. Когда речь идёт о больших числах, одних этих двух принципов хватает, чтобы человеческие дела стали вполне предсказуемыми. Например, даты пробок во Франции можно предсказать за годы вперёд почти с уверенностью. Эти пробки отражают десятки миллионов индивидуальных решений, укоренённых в привычках всей жизни. Транспортная инфраструктура продолжает развиваться, но достаточно медленно, чтобы почти не мешать таким предсказаниям на несколько лет вперёд.

К сожалению, цепочки поставок в своей основе имеют дело с малыми числами. Всякий раз, когда число, характеризующее поток, становится большим, скажем превышает 20, происходит объединение в партии, и число уменьшается благодаря возникающей при этом экономии масштаба.

Проиллюстрируем этот принцип местной перевозкой небольших механических деталей. Одну срочно нужную деталь отправляют на скутере. С ростом количества способ перевозки меняется дискретными шагами: несколько десятков деталей упаковывают термоусадочной плёнкой в одну связку и отправляют ближайшим курьерским рейсом; несколько связок помещают в коробку и везут фургоном; стопка коробок становится паллетой для среднетоннажного грузовика; несколько паллет оправдывают заказ целой машины. На практике поток движется квантами — единица → связка → коробка → паллета → полная машина, — а не по одной единице.

В результате временные ряды цепочек поставок почти всегда разрежены — наблюдения в основном нулевые — и неравномерны: ненулевые наблюдения сильно различаются.

Рисунок: Гладкий ряд с большими объёмами и недельным циклом (сплошная линия) в сравнении с разреженным неравномерным рядом (серые столбцы).

Методы временных рядов плохо работают с разреженными рядами: они дают дробные дневные объёмы, например 0,3 единицы в день, лишённые операционного смысла в месте применения и, неудивительным образом, неточные применительно к реальным решениям. Распространённая полумера — «спрятать» преобладание нулей агрегированием: удлинить временной интервал (дни \(\rightarrow\) месяцы) или расширить охват (SKU \(\rightarrow\) категория).

Но даже если агрегирование технически даёт более точные прогнозы временных рядов, это не более чем оптическая иллюзия. Структура решения — распределения ресурсов — определяет детализацию предсказания, а не наоборот.

Например, рассмотрим управляющего магазином, продающим несколько банок горчицы определённой марки в месяц. В его случае решение о пополнении имеет два поля: дату — когда заказать снова — и количество единиц. Управляющему нужно знать, подходит ли сегодняшний день для нового заказа, а не подходит ли для него этот месяц. Аналогично ему нужно знать, сколько банок той же марки и того же размера заказать. Оценка в единицах приправ — товарной категории — для управляющего бесполезна.

Закон малых чисел объясняет, почему надежда создать точные прогнозы временных рядов глубоко ошибочна — даже в ситуациях, не переплетённых с ещё не принятыми решениями. Малые числа делают неравномерность данных неустранимой. Это не временный недостаток современных статистических инструментов, который скоро исправят более совершенные. Напротив, любые численные инструменты, которые мы приносим в цепочки поставок, должны быть приспособлены к малым числам и иным ограничениям наборов данных.

Эти ограничения требуют не более мелкой временной сетки или более сложного сглаживания, а иной грамматики. Когда количества малы, а действия дискретны, содержательная единица предсказания — не «одно число на следующий вторник», а закон вероятностей на допустимых исходах: сколько, если вообще что-то, и с каким опозданием. Первый инструмент этой грамматики — вероятностный прогноз: распределение, учитывающее преобладание нулей, целочисленные количества и неожиданности тяжёлых хвостов и одинаково применимое к спросу, срокам выполнения операций, возвратам и ценам. Для конкретности начнём со сроков выполнения операций и спроса.

7.4.4 Вероятностные прогнозы

Вероятностное прогнозирование рассматривает все возможные будущие исходы события и назначает каждому вероятность. Вероятностный прогноз — полный набор этих вероятностей. Невероятностный, классический прогноз, указывающий один исход, — точечный прогноз; термин редко используют, поскольку «прогноз» обычно подразумевает именно его. Вероятностное прогнозирование имеет основополагающее значение для цепочек поставок, поскольку принимает закон малых чисел и теоретически, и эмпирически. Это наш первый существенный отход от парадигмы равноотстоящих точечных временных рядов.

Вероятностные прогнозы количественно описывают неопределённость всего потока, а не только спроса. Это наш второй разрыв с господствующей практикой: мы задаём распределения каждому неопределённому фактору, движущему деньги и атомы, — срокам выполнения операций, полноте исполнения входящих поставок, надёжности поставщиков, закупочным и продажным ценам, возвратам, браку и доступным мощностям. Во всей книге «вероятностный» используется в этом широком смысле. Для конкретности рассмотрим меняющиеся сроки поставки. Ни поставщик, ни перевозчик не бывают совершенно надёжны; случаются незапланированные задержки. Нам нужно распределение времени до получения только что размещённого заказа. Вероятностный прогноз срока поставки даёт именно это распределение. Гистограмма ниже обобщает вероятности по дням.

Рисунок: Пример распределения срока поставки: в дни слева доставка невозможна; пик приходится на номинальную доставку за 3 дня; риск более долгих задержек имеет тяжёлый хвост.

Гистограмма показывает, что вероятность доставки менее чем за три дня равна нулю. Это отражает минимальное время перевозки выбранным способом. Мода распределения приходится на третий день, где вероятность максимальна. Это номинальный срок поставки — ожидаемая длительность, когда и поставщик, и перевозчик действуют по плану. Малые, но ненулевые вероятности тянутся далеко вправо: они отражают сбои, удлиняющие сроки поставки намного сверх номинального. В худшем случае доставка не происходит никогда.¹²³

Как и точечные, вероятностные прогнозы можно рассчитывать по историческим данным. Оставив в стороне технические детали моделирования, уточним, что вероятностные прогнозы дают принятию решений в цепочках поставок.

Вероятностные прогнозы несут более богатую информацию, чем точечные. Однако сами по себе они не точнее. Вероятности добавляют информационное измерение, отсутствующее у точечных прогнозов. В частности, вероятностный прогноз можно свернуть в точечный, взяв среднее или медиану распределения. Поэтому более точный вероятностный прогноз механически даст более точный точечный прогноз. Чтобы определить, какая из двух моделей — вероятностная или точечная — точнее, нужна эмпирическая проверка. Как классы «вероятностные» и «точечные» модели не дают систематического преимущества в точности. Тем не менее дополнительная информация вероятностных моделей часто критически важна для решений в цепочках поставок.

Возвращаясь к примеру с меняющимися сроками поставки, отметим: тонкие детали распределения критически важны для управления риском опоздания. Предполагать, что товары прибудут за медианный срок, было бы серьёзной ошибкой: по определению половина поставок опоздала бы. И наоборот, столь же неразумно строить операции на далёком правом значении распределения — высоком квантиле. Большинство товаров прибывало бы намного раньше, создавая проблемы вроде избыточных запасов.

Сроки выполнения операций — лишь один из множества примеров, где изменчивость и неопределённость критически влияют на решения в цепочках поставок.

Вернёмся к варианту с единственным покупателем из раздела Ограничения планирования. Допустим, завод годами отгружает одному клиенту по 1 000 единиц в день. В терминах временного ряда точечный прогноз — горизонтальная линия на уровне 1 000. Теперь добавим информацию, которую временной ряд игнорирует: отношения с клиентом долговечны, но не бессмертны — еженедельная вероятность его ухода составляет около 0,1%. Через год, то есть 52 недели, ожидаемый дневной спрос равен \((1-0.001)^{52}\times 1000 \approx 934\) единицам. Возможно, математически верно, но операционно бессмысленно. Через год дневной спрос будет либо 1 000, либо 0.¹²⁴ Любой план мощностей, основанный на «934 единицах в день», распределит ресурсы неверно.

Вероятностный прогноз, напротив, делает риск обвала явным: большая часть вероятностной массы остаётся на исходе «по-прежнему 1 000», а меньшая — на «падении до 0» в пределах горизонта. Такой взгляд ведёт к двоякому правилу действий: обеспечивать текущее обслуживание, пока клиент остаётся, и готовить запасной вариант на случай его последующего ухода. Точечный прогноз пытается предсказать единственное «истинное» будущее и усреднением стирает риск; вероятностный взгляд оценивает альтернативы в деньгах и предотвращает провал планирования, к которому располагает горизонтальная линия.

Таким образом, вероятностное прогнозирование выявляет то, чего точечный взгляд показать не может. Пытаясь ухватить «одно истинное будущее», точечный прогноз остаётся слеп к в остальном очевидным закономерностям. Более того, вероятностный подход обычно позволяет использовать дополнительные данные за пределами узкого исторического временного ряда или извлекать больше сигнала из тех же данных. Проиллюстрируем это ещё одним примером.

Рассмотрим магазин товаров для дома и ремонта с товаром, продающимся в среднем по 0,5 единицы в день. Хотя это нереалистично, для ясности предположим постоянный спрос без цикличности. Магазин ежедневно пополняет запасы со склада, обслуживающего похожие магазины. Прогноз спроса снова представляет собой горизонтальный ряд на уровне 0,5 единицы в день. Теперь рассмотрим вероятностный прогноз дневного спроса, изображённый ниже.

Рисунок: Гистограмма дискретного спроса: общее снижение с выраженными пиками на 4 и 8 единицах.

Этот товар — защитная накладка на угол для безопасности детей. Хотя накладки можно покупать поштучно, большинство клиентов берут их в количестве, кратном 4. Гистограмма выше это показывает: вероятности дневного спроса на 0, 4, 8 и 12 единиц намного выше, чем на другие количества. Этот вероятностный прогноз спроса ясно указывает, что для высокого качества обслуживания магазин должен держать 8 единиц в запасе — возможно, 12. Такой уровень запасов нельзя было предвидеть, рассматривая лишь средний спрос в 0,5 единицы в день.

Вероятностные прогнозы не только принимают закон малых чисел, но и устраняют необходимость работать с бессмысленными дробными проекциями. Хотя 0,5 единицы в день может быть удобной абстракцией для обобщения спроса на упакованный товар, клиенты не могут покупать дробные единицы: допустимы лишь целые количества. Многие авторы и программные решения отмахиваются от этого вопроса, но такое отношение ошибочно. Пополнять запасы можно только целыми количествами. Принятие дробного точечного прогноза вносит грубые приближения, иногда порождающие существенные дополнительные затраты для компании.

Например, если спрос за цикл прерывист — скажем, 0,1 единицы за период, — существует реальный риск округления до нуля. Тогда запасы не пополняются, наблюдаемый спрос исчезает, и поток останавливается. Эта ситуация — замораживание запасов — отнюдь не теоретический пограничный случай, а обычная проблема правил управления запасами, основанных на точечных, а не вероятностных прогнозах. В более общем виде вероятностные прогнозы естественно соответствуют преимущественно дискретной природе потока, вытекающей из обсуждавшегося ранее принципа стандартизации.

Хотя любое распределение можно свести к одному числу — среднему, медиане или моде¹²⁵, — при этом отбрасывается информация, придающая вероятностному взгляду ценность. Польза заключена во всей форме — её асимметриях, хвостах и многомодальности, — а не в выбранном вручную «центральном» значении. Ни один одиночный показатель не может сохранить эту информацию. Следующая глава показывает, как принимать решения, используя полное распределение, а не сворачивая его обратно в одну точку.

Построение вероятностных прогнозов, пожалуй, технически сложнее, чем точечных; однако в эпоху мощных компьютеров дополнительные затраты в основном несущественны при использовании подходящих методов. Из-за этого препятствия может возникнуть соблазн пойти обратным путём: сначала рассчитать точечный прогноз временного ряда, а затем превратить его в вероятностный. Например, можно приблизить сумму на отрезке нормальным распределением, как иногда делают для страховых запасов.

К сожалению, такой подход не даёт ни одной из ожидаемых выгод. Вероятностные прогнозы превосходят точечные, потому что несут больше информации, но эта дополнительная информация не возникает из воздуха. Её извлекают процессы, специально предназначенные для получения из исторических данных большего количества информации, чем методы, нацеленные на построение точечных прогнозов.

Ещё одна тонкость: вероятностный прогноз не становится оправданным лишь потому, что реализовавшийся исход имел ненулевую вероятность в распределении. Важен вес, который модель назначает этому исходу. Хорошая модель сосредоточивает вероятность там, куда обычно попадает реальность, и не расходует её в других местах. Плохая делает обратное: рассыпает крошечные вероятности повсюду или назначает 1% событиям, происходящим каждую неделю. Поэтому вероятностные прогнозы следует оценивать не по двоичным попаданиям, а по тому, сколько вероятности они отводят реально происходящему, оставаясь настолько сосредоточенными, насколько позволяют свидетельства. Для этого нужны правильные правила оценки, вознаграждающие хорошо откалиброванные, концентрированные распределения и штрафующие неуместную уверенность.

Соответственно, мы оцениваем вероятностные модели метриками, приспособленными к распределениям. Хотя вероятностные метрики — например, логарифм правдоподобия — менее привычны, чем их аналоги для точечных прогнозов, например средняя абсолютная ошибка, загадки в них нет. Тонкости этих метрик технические и несущественны для нынешнего обсуждения. Пока можно продолжить, зная, что такие метрики существуют и для двух вероятностных моделей указывают, какая считается «лучшей».

7.4.5 Тяжёлые хвосты

В естественных науках многие явления подчиняются нормальным, или гауссовским, распределениям — примечательный факт. Например, рост мужчин во всём населении мира распределён приблизительно нормально. Аналогично приблизительно нормально распределён их вес. Даже если отфильтровать выборку — например, оставить голубоглазых мужчин или живущих севернее 45-й параллели, — распределение останется приблизительно нормальным. Похожие нормальные распределения получаются для температуры тела, плотности костей или длительности циклов сна.

Рисунок: Нормальное распределение с тонкими хвостами, центром в 3 и стандартным отклонением 1. Сравните с гистограммой срока поставки.

Нормальные распределения повсеместны в природе. Температура воздуха, осадки и скорость ветра на недельных и более длительных горизонтах подчиняются нормальным распределениям. Они встречаются также в отклонениях видимой яркости звёзд и уровнях экспрессии генов в человеческих и нечеловеческих популяциях.

Как математические инструменты нормальные распределения исключительно удобны. Для них есть простые аналитические выражения. Они располагают простыми замкнутыми формами, повсеместными библиотеками с открытым исходным кодом и богатой алгеброй: суммы нормальных величин остаются нормальными, а надлежащим образом масштабированные суммы множества случайных величин сходятся к нормальному распределению и так далее.

Неудивительно, что большинство авторов по цепочкам поставок принимают нормальные распределения; однако этот взгляд в корне ошибочен. Как только в картину входят человеческие решения, тонкие хвосты становятся исключением. Большинство значимых для бизнеса переменных имеют тяжёлые хвосты: экстремальные исходы встречаются намного чаще, чем допускает колоколообразная кривая; распределения обычно асимметричны; хвосты определяют итоговые суммы. Их моделирование как нормальных систематически занижает риск и неверно оценивает возможности.

Рассмотрим стадион с 10 000 зрителей. Ни на одного человека не может приходиться даже 0,1% общей массы тел толпы: по биологическим причинам распределение человеческого веса имеет тонкие хвосты. С чистым состоянием всё наоборот: вполне возможно, что один зритель владеет большим богатством, чем все остальные вместе. Распределение богатства имеет тяжёлые хвосты¹²⁶.

В более общем виде всё, что сродни предпринимательскому успеху, даёт исходы с тяжёлыми хвостами. Ведущие 10 марок смартфонов продают больше единиц, чем все остальные вместе. В любой год ведущие 100 музыкальных исполнителей мира продают больше песен, чем все остальные исполнители вместе. На президентских выборах во Франции первые три кандидата всегда получали больше голосов, чем две дюжины следующих за ними кандидатов.

Потоки цепочек поставок также подвержены потрясениям с тяжёлыми хвостами: спрос способен почти без предупреждения взлететь до неправдоподобного уровня. В декабре 1973 года мимоходом брошенная шутка ведущего ночного The Tonight Show Джонни Карсона о грядущем дефиците туалетной бумаги вызвала ажиотаж по всей стране; полки опустели не из-за изменения предложения, а из-за изменения ожиданий. Почти пять десятилетий спустя та же SKU продемонстрировала тот же хвост по иной причине: в марте 2020 года, среди неопределённости из-за карантинных ограничений, домохозяйства запасались товарами первой необходимости, и продажи туалетной бумаги в США выросли примерно в восемь раз¹²⁷ — резкий скачок для товара с обычно ровными продажами. Разные спусковые механизмы — слух и резкое изменение государственной политики — породили одну операционную реальность: длинный тонкий хвост превратился во внезапную подавляющую волну.

Продажи могут заметно расти и вследствие целенаправленных маркетинговых кампаний. Например, благодаря кампании «Just Do It» и сильному продукту Nike увеличила свою долю внутреннего рынка спортивной обуви с 18% до 43%, а мировые продажи — с $877 миллионов до $9,2 миллиарда за 1988–1998 годы. К 2021 году показатель достиг $44,5 миллиарда — рост примерно в пятьдесят раз за несколько десятилетий.

Инженерные достижения также способны привести к полному господству одной компании на её рынке. В 2024 году SpaceX вывела на орбиту около 90% мирового тоннажа. Ещё примечательнее, что она добилась этого, затратив лишь крошечную долю инвестиций, которые её конкуренты — почти исключительно государственные программы — вложили в создание возможностей орбитальных запусков.

Спрос — не единственное явление с тяжёлыми хвостами; то же относится к большинству переменных потока. Цены могут колебаться до поразительных уровней в обоих направлениях. Например, 20 апреля 2020 года цена нефти West Texas Intermediate впервые упала ниже нуля, достигнув $-37,63 за баррель. Отрицательная цена возникла из-за истекавших фьючерсов: держатели были обязаны принять физическую поставку, хранилища были заполнены, и они сбрасывали контракты по любой цене, чтобы избежать логистических и финансовых последствий.

Сроки поставки также демонстрируют экстремальное поведение. По состоянию на 2023 год Airbus сообщала о портфеле невыполненных заказов более чем на 7 000 самолётов — примерно на 7–8 лет выпуска при текущей мощности. Высокий спрос на экономичные модели, например семейство A320neo, существенно способствовал накоплению этого портфеля. Он также отражает высокие капитальные затраты на единицу и длительное производство. Более того, другие известные авиастроители сталкивались с сопоставимо крупными портфелями невыполненных заказов.

С точки зрения цепочек поставок тяжёлые хвосты важны потому, что прибыли и убытки определяются экстремальными событиями. Эти события отнюдь не непредсказуемы: повсеместные распределения с тяжёлыми хвостами гарантируют их регулярное появление. Поэтому вероятностных прогнозов недостаточно: модели должны отражать тяжёлые хвосты явлений цепочек поставок.

И наоборот, любая модель цепочки поставок, использующая нормальные или иные распределения с тонкими хвостами, гарантированно занижает риск и, следовательно, порождает хрупкие решения. Эта хрупкость угрожает выживанию фирмы: рынки, особенно при наличии более осмотрительных или лучше использующих возможности конкурентов, наказывают её при наступлении экстремальных событий.

Наличие нормальных распределений в материалах о цепочках поставок — публикациях или программном обеспечении — следует считать лакмусовой бумажкой некомпетентности. Это относится ко всем методам с тонкими хвостами, например к страховым запасам. Ведь даже беглый взгляд на эмпирические распределения реальных цепочек поставок показывает, что нормальное распределение даже близко не даёт разумного соответствия¹²⁸. Поэтому, защищая такие методы, авторы выдают, что даже не потрудились взглянуть на какую-либо реальную цепочку поставок. Компания, принимающая эту бессмыслицу в любом обличье, лишь делает одолжение конкурентам.

7.4.6 Цена знания

Вероятностные прогнозы сплетают два разных вида неопределённости; их разделение проясняет и моделирование, и действия.

В сроки морских поставок погодные системы и перегруженность портов вносят изменчивость, которую не может устранить ни одна сторона; даже при совершенной информации и бесконечной истории день, когда контейнер покинет терминал, всё равно меняется. Эта неустранимая изменчивость — случайная.

Напротив, когда фирма разместила у нового поставщика лишь несколько заказов, форма распределения срока поставки плохо известна. Каждый дополнительный заказ, более ясные временные метки и более строгие условия Incoterms уменьшают это незнание. Это эпистемическая неопределённость — неопределённость нашей модели явления, а не самого явления.

Это различие важно потому, что в цепочках поставок прошлые наблюдения, используемые для построения точечных или вероятностных прогнозов, не падают с неба. Они возникают из прошлых решений, то есть прошлых распределений ресурсов. Поэтому за знание о будущем платят. Например, розничная сеть может разместить дополнительный товар на полках выбранных магазинов, чтобы оценить потенциал спроса. Это инвестиция — и стоимость товара, и место на полке — с неопределённой отдачей.

Вложение ресурсов в уменьшение эпистемической неопределённости, то есть в приобретение знания, имеет основополагающее значение для цепочек поставок. Для сторонников прагматического видения постоянное вложение дефицитных ресурсов в зондирование рынка настолько самоочевидно, что едва заслуживает упоминания. Это просто естественный способ вести бизнес.

Но авторы основного направления в цепочках поставок, по большей части придерживающиеся телеологического взгляда, не просто умалчивают об этом переплетении распределения ресурсов и знания, а отрицают его. Хотя большинство понимает, что знание рынка не возникает из воздуха, за знанием сверх исторических данных они обращаются к «исследованиям рынка» и подобным бюрократическим инструментам¹²⁹.

С телеологической точки зрения главное достоинство исследования рынка в том, что оно совершенно не ставит под сомнение парадигму планирования. Предполагается, что исследование завершится до начала планирования и даст информацию, необходимую для точных прогнозов временных рядов там, где не хватает исторических данных. На уровне идей исследования рынка аккуратно отделяют приобретение знания от его использования. Но, как и многие благозвучные идеи, на практике это не работает.

Мы вернёмся к этой связи в главе Решения, где покажем, как решения можно — и часто следует — настраивать так, чтобы извлекать ценность из уменьшения эпистемической неопределённости.

7.4.7 Многомерные прогнозы

Поскольку под «прогнозом» почти всегда понимают «прогноз временного ряда», другие формы остаются без внимания. Формализм временных рядов ограничителен и охватывает лишь часть реальных ситуаций в цепочках поставок. Но только недостаток воображения мешает нам исследовать более широкие виды прогнозов.

На практике прогноз временного ряда одномерен. Даже когда горизонт охватывает много периодов, ошибку каждой даты оценивают отдельно; многопериодный прогноз сводится к набору независимых однопериодных прогнозов. Получены ли числа из одной общей модели или из несвязанных формул, для оценки неважно: стандартные метрики точности рассматривают их как отдельные догадки и игнорируют совместное изменение ошибок вдоль горизонта. Эта слепота становится существенной, как только решения связывают даты, товары или местоположения.

Чтобы показать значение многомерной точности, рассмотрим идеализированный случай с двумя товарами. Пусть магазин продаёт два разных товара, являющихся совершенными заменителями друг друга¹³⁰. Срок их годности истекает в конце дня, а запасы пополняются ежедневно. Спрос на два товара составляет 10 единиц в день; пока есть запас, клиенты случайно выбирают между ними.

Суть иллюстрируют три возможных дневных прогноза:

• (A) 5 единиц и 5 единиц

• (B) 10 единиц и 0 единиц

• (C) 6 единиц и 6 единиц

С учётом замещения подходящая метрика точности должна приписывать (A) и (B) одинаковые потери или ценность. Ведь оба предвидения одинаково хороши — более того, идеальны при наших упрощённых предположениях. Однако (C) метрика должна оценивать хуже, поскольку он завышает совокупный спрос на 2 единицы. Ни одна одномерная метрика не может удовлетворить обоим требованиям. Лишь мера, рассматривающая два товара совместно, признаёт равенство (A) и (B) при худшем (C). Все классические оценки — средняя абсолютная ошибка, средняя квадратичная ошибка и так далее — ошибочно ставят (C) выше (B). Единственный путь вперёд — расширить взгляд до 2-мерной метрики точности.

Этот пример раскрывает пределы одномерного взгляда; чтобы увидеть их значение, перейдём к более реалистичному вероятностному примеру.

Рассмотрим продуктовый магазин и его задачу выбора ассортимента: точного перечня различных товаров для размещения на полках. Клиенты редко покупают один товар; большинство уходит с корзиной из нескольких продуктов. Более удачный ассортимент в среднем даёт более крупные или более прибыльные корзины.

При любом ассортименте всё равно возникает дефицит: если полка пуста, клиенты могут выбрать заменитель. Замещение смягчает дефицит. И наоборот, клиент может отказаться не только от отсутствующего товара, но и от дополняющих его товаров, которые собирался купить. Распространение последствий усугубляет дефицит.

Изучить это замещение и распространение последствий можно лишь на исторических данных о покупательских корзинах. Ведь при наличии таких данных у нас есть естественная отправная точка для оценки взаимосвязей товаров с позиции клиента. Более того, если используются карты лояльности, можно восстановить последовательности корзин, каждую из которых связывают с конкретным клиентом. Для такого анализа данные лояльности дополняют данные корзин.

Технические подробности здесь не нужны. Важно, что соответствующая информация заключена в данных покупательских корзин. Без неё, сколь бы изощрённой ни была наша работа, поведенческий анализ провалится из-за её отсутствия.

Напротив, когда данные продаж уплощены до временных рядов, мы даже не знаем, сколько разных клиентов зашло в магазин в конкретный день. Мы не видим ни замещения, ни распространения последствий, поскольку остаются лишь предположительные корреляции между одновременно разреженными и неравномерными временными рядами. Одних временных рядов для поведенческого анализа недостаточно.

Возвращаясь к задаче ассортимента, заметим, что прогноз покупательских корзин, обусловленный выбранным ассортиментом, предлагает прямое решение. Если мы можем предсказать будущие корзины при пересмотренном ассортименте, то можем оценить, будет ли он лучше текущего — по крайней мере по объёму продаж.

В понимании точечного прогноза «надёжный» прогноз покупательской корзины — ошибка категории. В одной корзине часто смешаны десять и более SKU; число сочетаний взрывообразно растёт, а покупатели свободно выбирают заменители у полки. Заранее назвать ту самую точную корзину кажется невозможным — и действительно невозможно; поэтому идею обычно отвергают. Ошибка заключается в постановке: важна не одна угаданная корзина, а вероятности совместного появления и взаимное стимулирование покупок товаров — именно та структура, к которой мы теперь обратимся.

Но с вероятностной точки зрения картина резко меняется. Очевидно, не все мыслимые покупательские корзины равновероятны. Например, маловероятна любая корзина, содержащая пару товаров, никогда ранее не наблюдавшихся вместе. Построение распределения вероятностей на пространстве покупательских корзин может выглядеть технически устрашающим, но сообщество машинного обучения разработало солидный «набор приёмов» для таких предсказаний.

Взгляд точечного прогнозирования, уплощая всё вокруг «одного истинного будущего», создаёт ошибочное впечатление, будто качество предвидения можно оценивать поточечно, то есть по одному измерению за раз; однако так игнорируются зависимости внутри системы. В вероятностном взгляде эти зависимости становятся очевидны через неправдоподобие некоторых исходов. Спрос может расти или падать, но неправдоподобно, чтобы он рос в районах с нечётными почтовыми индексами и падал в районах с чётными. Это наблюдение подразумевает многомерный взгляд.

В цепочках поставок такие зависимости повсеместны именно потому, что, как мы видели, это системы. Успех одного товара может оттянуть продажи его заменителей; простой самолёта — вызвать каскад пропущенных стыковок; удешевление энергии — повысить маржу целой отрасли. Открытие флагманского гипермаркета может привлечь новых покупателей, которые немного улучшат дела всех соседних магазинов, чем бы те ни торговали. Аналогично успешная маркетинговая кампания способна поднять продажи всех товаров определённого бренда.

Разработка многомерных метрик точности — техническая задача за пределами этой главы. Важен принцип: совместные прогнозы нужно оценивать в геометрии решения — как единое целое, а не покоординатно. Для многомерных распределений существуют правильные правила оценки, позволяющие сравнивать модели по простому критерию: сосредоточивают ли они вероятность там, куда обычно попадает реальность, сохраняя зависимости, определяющие экономику? После создания этой основы остаётся пробел — свобода действия: прогноз, игнорирующий наши собственные рычаги, всё ещё проецирует статус-кво. Решение — обусловить предсказания правилами, которые фирма намерена применять. Такие предвидения, обусловленные правилами принятия решений, мы называем функциональными прогнозами; им посвящён следующий раздел.

7.4.8 Функциональные прогнозы

Будущее состояние цепочки поставок зависит от ещё не принятых решений. Решения третьих сторон — клиентов, поставщиков, конкурентов — следует прогнозировать, как любую другую неопределённость. Ведь эти процессы принятия решений вполне могут навсегда остаться для компании чёрными ящиками. Напротив, её собственные будущие решения требуют иного обращения. В конце концов, компании не нужно угадывать собственные решения: она контролирует их принятие.

В обычном применении прогнозы оставляют фирме мало свободы действия. Они описывают вероятное при зафиксированных правилах, а не возможное при альтернативных. Они обусловлены решениями, уже принятыми к моменту расчёта базового прогноза, и остаются слепы к ещё обсуждаемым. Производитель может сегодня снизить цены и вполне закономерно увидеть рост прогнозного спроса; но тот же прогноз ничего не говорит о ценовом решении следующего месяца или ещё не выбранной акции. Иными словами, базовый прогноз проецирует статус-кво — контрфактический сценарий «не делать ничего нового», — полезный для ориентации, но не заменяющий принятие решений.

Чтобы понять значение ещё не окончательных решений, рассмотрим модный бренд. Он выпускает две коллекции в год, заказывая товары до начала сезона. Предположим, пополнений в течение сезона нет. В начале сезона бренд выставляет товары по полной цене. Для каждого товара запланированное количество соответствует ожидаемым сезонным продажам с исчерпанием запасов к концу сезона. Количества задают так, чтобы скидки в конце сезона не ожидались.

Однако к концу сезона некоторые товары продаются хуже ожидаемого, оставляя нераспроданные запасы. Ценовая политика компании предписывает большие скидки на такие товары в конце сезона именно ради ликвидации запасов.

При динамическом ценообразовании бренд может обоснованно начинать сезон с большими запасами, чем при неизменных ценах. Если спрос окажется выше прогнозного, дополнительный запас принесёт прибыль. Если же спрос переоценён, правило всё равно позволит ликвидировать запасы с минимальными потерями. Ценообразование — не техническая мелочь, а неотъемлемая часть стратегии потока бренда.

«Обычный» прогноз спроса, вероятностный или нет, не способен отразить траектории продаж, порождаемые этим правилом. При расчёте базового прогноза нет причин, по которым проецируемый спрос должен в конце сезона показывать поздний всплеск из-за скидок. Скидки возникают лишь при переоценённом спросе; при точном прогнозе спроса начальные запасы были бы ниже, и скидки в конце сезона не понадобились бы. Правило делает спрос отчасти самокорректирующимся: продажи согласуются с уровнями запасов лишь в той мере, в какой агрессивны скидки.

Функциональный прогноз, напротив, явно включает одно или несколько правил принятия решений. Эти правила принимаются как заданные; они не выводятся путём обучения на исторических данных. Более того, они остаются обособленными внутри логики прогнозирования. Поэтому, чтобы модель была «функциональной», то есть обусловленной правилами, должна быть возможность заменить одно правило альтернативным и сразу получить пересмотренный прогноз. В этом смысле функциональная модель неполна: без необходимых правил она не может строить прогнозы.

Как мы увидим далее, функциональные модели необязательно намного сложнее в реализации, чем их необусловленные аналоги. Однако оценка их обоснованности — трудная задача. Пока правила, подаваемые функциональной модели, остаются близкими к исторически применявшимся в компании, хорошо спроектированная модель должна вести себя разумно. Но если правило выходит на неисследованную территорию, обоснованность модели становится неопределённой.

Вернёмся к приведённому случаю: если бренд исторически применял скидки в конце сезона от 15% до 30%, данные поддерживают моделирование любых сочетаний внутри этого диапазона. Но если бренд запустит функциональную модель спроса со скидками от 30% до 60%, любые полученные числа будут в лучшем случае весьма умозрительными. Этим предсказаниям недостаёт прямой эмпирической опоры; экстраполяция реакции клиентов на неопробованные цены может принести большие неожиданности.

К сожалению, за пределами узких ситуаций оценка того, даст ли функциональная модель разумные числа при произвольно новом правиле, — задача общего интеллекта. Оценка должна учитывать конкретику. Например, можно испытать новое правило в ограниченном масштабе исключительно ради дополнительных эмпирических данных. Этот процесс — исследование, обсуждаемое в следующей главе.

Без функциональных прогнозов компания лишь проецирует статус-кво, воспроизводя прошлые правила. Если компания хочет развиваться, ей нужна способность проецировать, как задуманные изменения правил повлияют на поток.

В малом масштабе функциональные прогнозы очевидны, хотя их редко так называют. Рассмотрим районного пекаря, выбирающего часы работы. Более долгий рабочий день позволяет совершить больше покупок — купить могут и рано едущие на работу, и поздние покупатели, — но расходует дефицитный ресурс: время с семьёй и отдых. Нужный прогноз — не одно число («завтрашний спрос — 180 буханок»), а функция, связывающая решение с исходом («ожидаемые продажи как функция часов работы»). Выбирая входной параметр — расписание, — пекарь отчасти создаёт спрос, который намерен обслуживать; в этом и состоит функциональный взгляд.

В большом масштабе, когда строятся тысячи прогнозов, многие фирмы скатываются к проекциям статус-кво под действием бюрократической инерции. Естественно, такой подход служит им плохо. К сожалению, большинство учебников по цепочкам поставок — и созданное на их основе программное обеспечение — принимают тот же взгляд.

С технической точки зрения функциональные прогнозы важны по двум причинам.

Первая относится к разработке программного обеспечения: они обеспечивают чёткое разделение между прогнозным ядром — моделями, превращающими записи в вероятностные утверждения о спросе, сроках выполнения операций, ценах, возвратах и затратах, — и овеществлёнными правилами принятия решений: явным кодом и параметрами, реализующими ценообразование, распределение ресурсов, правила сервиса и другие рычаги. После разделения одно и то же прогнозное ядро можно использовать при множестве допустимых правил; правила можно заменять без переобучения; экономический эффект каждого правила становится проверяемым.

Вторая причина — статистическая: прогнозные модели учатся лишь тому, что раскрыли прошлые правила. Когда правило выходит за пределы этой опоры в данных — к новым диапазонам цен, ритму акций, обещаниям сервиса, — прогноз становится экстраполяцией. При таком сдвиге правил точность ухудшается, а неопределённость расширяется; результаты следует считать предварительными, пока не накопятся измерения при новом правиле.

С учётом этих ограничений функциональное прогнозирование строит мост от «что вероятно» к «что мы сделали бы, если…». Естественный инструмент для использования этого моста в большом масштабе — симулятор: стохастическая дискретная модель, включающая правила принятия решений и распространяющая неопределённости. Теперь обратимся к нему.

7.4.9 Стохастические симуляции

Симуляция — модель, имитирующая реальную систему и позволяющая наблюдать, как её состояние меняется со временем. По мере роста вычислительных мощностей симуляторы распространялись, в том числе версии для цепочек поставок, часто продаваемые под названием «цифровые двойники»¹³¹. При правильном понимании симулятор — многомерный вероятностный прогноз: он порождает множество правдоподобных будущих с неявными частотами, а не одну предписанную траекторию. В таком применении симуляция — правомерный инструмент предвидения будущих состояний цепочки поставок. Но поскольку эту вероятностную природу редко делают явной, результаты слишком часто принимают за чистую монету; предположения не исследуют, и мало кто утруждает себя проверкой сходства смоделированных распределений с тем, что операции дают на деле.

Симуляторы цепочек поставок сильно различаются, но почти все имеют три общие черты: они микроаналитические, дискретные и стохастические.

Микроаналитический симулятор, строящийся снизу вверх, разлагает систему на минимальные единицы, управляемые простыми правилами. К единицам относятся агенты — клиенты или поставщики — и неодушевлённые сущности вроде SKU. Микроаналитический взгляд предполагает, что сложность системы лишь кажущаяся и возникает из многократного применения простых правил.

Дискретный симулятор — с дискретным временем или дискретными событиями — проходит последовательность событий. Каждое событие происходит в конкретный момент и обозначает изменение состояния системы. Между событиями ничего не меняется — приём, значительно упрощающий программную реализацию симулятора.

Стохастический симулятор, часто называемый симулятором Монте-Карло, использует недетерминированные правила, порождающие случайные исходы. Поэтому повторные запуски из одинаковых начальных условий дают разные результаты. Используйте детерминированные правила, когда возможно; стохастические оставляйте для неизвестного, отражая наше несовершенное знание развития системы.

Симуляторы — инструменты функционального прогнозирования: они отображают явные правила управления потоком в предсказанные исходы. Кодируя правила решений — что и когда покупать, производить, перемещать и по какой цене продавать — вместе с операционными ограничениями, симулятор строит прогнозы, обусловленные этими правилами. В этом обусловливании и состоит суть: оно ставит альтернативные правила в равные условия и позволяет количественно оценить их экономические последствия.

Обход этого обусловливания почти всегда вынуждает к грубому приближению. Например, трактовка спроса как не зависящего от качества сервиса — предположение, что повторяющийся дефицит никогда не снижает наблюдаемые продажи, — делает симулятор слепым к самому поведению, порождаемому правилом. Такая модель систематически завышает достижимые объёмы, неверно оценивает варианты действий и сбивает решения с курса. Далее «функциональный прогноз» обозначает именно это предсказание, обусловленное правилами, а не безусловный временной ряд.

Программная реализация таких симуляторов концептуально проста. Главный цикл проходит по рёбрам графа, представляющего поток. Узлы обычно соответствуют SKU или агрегатам, когда более мелкая детализация слишком дорога. У каждого узла небольшой набор правил: детерминированных — например, уменьшать запас на каждую выбывающую единицу — или стохастических, например случайно выбирать спрос за период. Каждая итерация главного цикла представляет дискретный шаг времени, обычно день, возможно меньше.

Если не слишком придираться к обоснованности, такой симулятор потока часто можно построить за несколько дней. Отсюда его популярность у поставщиков корпоративного ПО. Функциональная конструкция привлекательна: она даёт предсказания последствий правил со сколь угодно мелкой детализацией. Но без строгой проверки это доверие неоправданно.

На деле результаты симулятора могут быть — и часто бывают — откровенной бессмыслицей. Правдоподобие правила не гарантирует его правильности, а соединение двух верных правил не гарантирует, что симулятор сочетает их правильно. В код симулятора проникают и обычные ошибки программирования. Как отмечалось ранее, новые правила принятия решений могут подорвать стохастические правила, если симуляция выйдет на «неизведанную» территорию. В конечном счёте обоснованность эмпирична и должна устанавливаться измерениями.

Вероятностные прогнозы и стохастические симуляции связаны двойственностью. Из вероятностного прогноза можно генерировать выборки в соответствии с лежащим в его основе распределением вероятностей; такие выборки обычно называют реализациями случайной величины. Из полного вероятностного прогноза можно вывести стохастические правила, управляющие системой; и наоборот, наблюдение за симулятором раскрывает вероятности всех исходов. Таким образом, симулятор может оценить полное распределение вероятностей по всем допустимым состояниям; следовательно, из симулятора можно получить вероятностный прогноз.

На практике преобразование между вероятностным прогнозом и симулятором затрудняют многочисленные технические детали. Вероятностный прогноз может быть недостаточно подробным для задания всех правил симулятора. И наоборот, число запусков, необходимое для оценки всех вероятностей, может оказаться непомерно большим. Тем не менее двойственность означает, что стохастические симуляции используют те же метрики точности, что и вероятностные прогнозы.

Поэтому обращайтесь с симулятором как с любым прогнозом: количественно оценивайте его точность. Эта работа техническая; игнорирование количественной оценки ведёт к дорогостоящим ошибкам.

8 Решения

Практика цепочек поставок — непрерывное распределение дефицитных ресурсов в условиях неопределённости. Цель — не план, а прибыльный поток: превращать деньги в товары, товары в сервис, сервис обратно в деньги, сохраняя варианты действий, которым будущая информация придаст ценность. Даже средние фирмы ежедневно осуществляют тысячи таких распределений, а крупнейшие — миллионы, поэтому система принятия решений не может быть ситуативной. Она должна делать варианты выбора явными, оценивать их в деньгах, затем упорядочивать и исполнять так, чтобы ПО без участия человека могло безопасно выдавать решения в большом масштабе. Систематизация не просто защищает от вышедшего из-под контроля закупщика, истощающего оборотный капитал; её цель — порождать решения, которые в среднем дают более высокую доходность с учётом риска.

Чтобы закрыть разрыв между принципом и практикой, уточним понятие решения, впервые очерченное в главе 1.

Определение, сколь бы чётким оно ни было, оставляет два практических вопроса. Во-первых, где начинается и заканчивается решение, когда появляются время и случайность? Во-вторых, по какому единому критерию сравнивать альтернативы, черпающие из одних и тех же дефицитных ресурсов — денег, мощностей, внимания? В цепочках поставок решение — не строка плана. Это обязательство, определяющее поток, принятое в условиях неопределённости на достаточно мелком уровне, чтобы менять экономику, и записанное в учётный регистр, который проверят будущие события.

Чтобы сделать такие обязательства вычислимыми и проверяемыми, нужно вывести на поверхность четыре элемента. Первой идёт рамка: нынешняя сфера свободы действия — допустимые шаги, проверки допустимости, ритм и немногочисленные храповики, стирающие завтрашние варианты, — должна быть записана, в идеале кодом. Затем следует вероятностный взгляд на ближайшие будущие: распределения спроса, сроков выполнения операций, возвратов, надёжности и любых других величин, существенно влияющих на исходы. В-третьих, все штрафы и вознаграждения — ущерб от дефицита, устаревание, плата за капитал в единицу времени, перегруженность, штрафы за опоздание, опционная ценность ожидания — должны быть выражены в деньгах и закреплены за ответственными, чтобы разнородные препятствия стали соизмеримыми в одном регистре. Наконец, предельные обязательства ранжируются по ожидаемой апериодической норме доходности с учётом риска; прошедшие порог выдаются, регистрируются и впоследствии оцениваются по реализованным исходам.

Предыдущие главы подготовили эту позицию: опциональность и изменчивость (глава 1) задают пространство действий и объясняют обязательность вероятностного взгляда; экономика (глава 4) даёт цель, выраженную в денежных единицах; информация и интеллект (главы 5–6) разграничивают роли учёта, отчётности и механизмов принятия решений. Эта глава превращает данные элементы в практику. Она начинается с осмысления решения: выявления рамки, изгнания артефактов, открытия экономики для проверки и возвращения предельного анализа. Следующие разделы рассматривают исполнение без участия человека и инструменты оптимизации, подходящие для повторяющегося выбора, насыщенного неопределённостью, чтобы каждое обязательство стало небольшой оценённой в деньгах ставкой, которую фирма может и обосновать ex ante, и проверить ex post.

8.1 Осмысление решения

Согласно приведённому определению, решение — обязательство, стирающее альтернативы. Поэтому осмысление решения начинается на шаг раньше: с действия, определяющего, какие альтернативы вообще будут замечены и как их оценят в деньгах. В большинстве фирм это предшествующее действие остаётся неявным. Люди говорят на языке знакомых «правил» — FIFO, полных машин, минимальных объёмов заказа, планов полок, — так что выбор кажется очевидным, а невыбранное — невидимым. Опасность не в канцелярской ошибке, а в метафизической подмене: правило незаметно подменяет экономический вопрос, на который должно было отвечать. Обращение этой подмены вспять — возвращение вопроса на поверхность, удержание артефактов на своём месте, явное раскрытие экономики и предельный анализ — превращает принятие решений из ритуала в научную практику, пригодную для автоматизации.

8.1.1 Выявление рамки

Руководители склонны мыслить решениями — это не глупость, а верная и полезная эвристика. Пространство мыслимых «проблем» безгранично: создание антигравитационного двигателя — тоже проблема, и без намёка на решение большинство исследований было бы напрасным. Однако мышление, начинающее с правил, быстро окаменевает. «Обслуживать магазины по FIFO» сначала служит неплохим практическим правилом, а со временем твердеет в доктрину; каждое исключение латают новым правилом, и вскоре фирмой управляет накопившееся прецедентное право.

До любого правила нужно выявить рамку. Это конкретная, доступная проверке граница свободы действия для текущего цикла решений: что сейчас можно изменить, а что нельзя; какие варианты допустимы; какие случайные элементы будут важны; какие обязательства сработают как храповик для будущего; и по каким ценам будет оцениваться этот срез реальности. Рамку нужно записать, а не просто описать. В современной организации она существует как код: короткая программа, перечисляющая допустимые шаги, кодирующая проверки допустимости и вызывающая функцию оценки. Если программа длинна, рамка запутанна; если программа непрозрачна, рамка политическая.

После задания рамки та же ситуация допускает разные шаги. Рассмотрим импортёра, наполняющего контейнеры «товар за товаром до полного заполнения» и откладывающего остаток до следующего рейса. Правило звучит осмотрительно; скрытая за ним рамка действительно узка. Сделайте допустимые варианты явными — совместную загрузку от разных поставщиков, временный кросс-докинг в другие регионы, небольшие ценовые изменения, согласованные с датами отплытия, позднюю фиксацию выбора между похожими товарами, — и оптимизация перестанет искать в одном коридоре, получив небольшой атлас для исследования. Выигрыш приходит скорее от лучшего вопроса, чем от более хитрого решателя. Проектирование задачи — не глазурь, а сам торт.

8.1.2 Изгнание артефактов

Когда рамка существует, в механизме появляются численные артефакты: прогнозы, буферы, уровни сервиса, метки ABC, бюджеты и бесчисленные их родственники. Они часто полезны как промежуточные представления, подобно реагентам химика, никогда не покидающим лабораторный стол. Проблемы начинаются, когда артефакт сбегает из лаборатории и его возводят на трон в качестве цели. Тогда вступает в силу закон Гудхарта: мера становится целью и перестаёт измерять.

Уровень сервиса — классический беглец. Он начинал как приближённое представление денежного компромисса между ущербом от дефицита и затратами на содержание запасов, а закончил процентом, командующим организацией. Планировщики повышают его ради чувства безопасности, финансисты снижают ради высвобождения денег; ни одну сторону не заставляют назвать цены. Точность прогнозов играет ту же роль в телеологическом планировании: её улучшение празднуют даже при падении прибыли.

Артефакты следует держать на поводке. Внутри механизма принятия решений они допустимы как временные координаты, делающие вычисление посильным; снаружи собственного статуса у них нет. Пополнение «хорошо» не потому, что его SKU достигла уровня сервиса 97%, а потому, что с учётом вариантов, ограничений и вероятностных будущих, рассмотренных в рамке, оно максимизировало норму доходности фирмы с учётом риска. Механизм вполне может вычислять распределение дневного спроса, теневой «уровень сервиса», подразумеваемый штрафом за дефицит, и плату за оборотный капитал на единицу в день; он может даже выводить их для проверки. Но панели показателей и стимулы должны опираться на решения и их реализованную экономику, а не на лабораторную посуду, помогавшую их вычислить.

Есть и вторая причина изгнать артефакты с алтаря: их систематически труднее оценить, чем само решение. Число страхового запаса не имеет неизменного экономического смысла для разных товаров, сезонов или регионов; его достоинства паразитируют на скрытых штрафах и возможностях, которые оно подменяет. Превращение такого хамелеона в KPI приглашает бюрократию колонизировать поток. Лечение — считать каждый артефакт внутренним временным объектом, пересчитываемым по мере надобности из достоверных записей первоисточников, никогда не поддерживаемым вручную, никогда не превращаемым в цель и отбрасываемым, как только появится лучшее внутреннее представление.

Артефакты бывают не только численными. Организации чеканят и бюрократические артефакты — правила и разделения, — начинавшиеся как грубые предохранители для процессов с участием людей, а затем закостеневшие в правила, подменяющие экономический вопрос. Когда такие артефакты покидают лабораторию и приобретают институциональный статус, они искажают решения точно так же, как уровни сервиса: средство становится целью.

Как предупреждал британский историк Сирил Норткот Паркинсон в Parkinson’s Law (1957), «работа разрастается, чтобы заполнить время, отведённое на её выполнение». Бюрократии растут рефлекторно; крупные организации со значительными цепочками поставок — не исключение. По мере их разрастания в процессах принятия решений накапливаются посторонние правила и внутренние перегородки, проявляющиеся главным образом как выдуманные ограничения и выдуманные изолированные подразделения, которые подрывают эффективность и размывают ответственность.

Выдуманные ограничения обычно возникают после неприятности. Роджер из отдела закупок по ошибке заказывает объём продаж за восемнадцать месяцев; в ответ руководство ограничивает закупочные заказы «шестью месяцами продаж», измеряемыми скользящим средним. В ручной работе служащие применяют этот предел со здравым смыслом: игнорируют его для новых товаров без истории, для резко сезонных товаров, у которых сопоставимый период был двенадцать месяцев назад, для быстрорастущих товаров, чьё будущее несоизмеримо больше прошлого, или для запланированных акций с намеренно созданным приростом продаж. Механизм без участия человека не может «разумно игнорировать» правила: он либо соблюдает букву, либо объявляется несоответствующим требованиям.¹³²

Средство повторяет обращение с численными артефактами: оставляйте такие правила внутренними для механизма и выражайте их как проверки допустимости и денежные штрафы, а не публичные заповеди. Если закупка сверх наивного «шестимесячного» предела иногда рациональна, предел должен входить в целевую функцию как неприятность, оценённая в денежных единицах, а не как вето; новизна, сезонность и намеренно созданный прирост становятся явными свойствами рамки, а не племенными исключениями. Правило, записанное кодом, оценённое в деньгах и закреплённое за ответственным, понятно и оспоримо; правило в форме указа провоцирует манипуляции и душит автоматизацию.

Выдуманные изолированные подразделения дробят единый экономический вопрос на череду артефактов, чтобы с ним могли справиться команды со слабыми инструментами. Например, модный ритейлер проводит поток со склада в магазины через три артефакта: ассортиментный список — что магазин может держать, стартовый набор — сколько получить в начале, — и правило пополнения: что отправлять позже. Хореография выглядит аккуратно, но незаметно производит ограничения. Ассортиментный список заранее связывает место на полках и запрещает замены, оправданные ранними продажами; стартовый набор заранее распределяет труд, магистральные перевозки и вместимость выкладки, которые пополнению затем приходится выкупать обратно, часто с наценкой; правило пополнения после этого делает вид, что оптимизирует остаток. Деньги упускаются, потому что исходный вопрос — где ещё одна единица принесёт наивысшую доходность с учётом риска при текущих ограничениях? — был разбит на процедуры, ограниченные артефактами, ещё до того, как его успели поставить сквозным образом.

И здесь артефакты должны оставаться на поводке. Изолированные подразделения могут вести эти артефакты, но не должны распоряжаться решением. Механизм должен видеть сквозную рамку — допустимые шаги, общие ограничения и цены — и выдавать единый поток обязательств. Если управление требует организационных границ, интерфейс должен передавать цены и допустимость, а не квоты и вето: распределительный центр (DC) публикует теневые цены дефицитных ресурсов; магазины — штрафы за дефицит; ассортимент становится предложением, которое механизм может расширить, когда это оправдано экономически. Иными словами, пусть церемония остаётся местечковой, а экономика — единой.

Когда численные и бюрократические артефакты приручены как внутренние, оценённые в деньгах и временные объекты, сцена готова для единственного существенного спора: о самих ценах. Следующий раздел обращается прямо к нему.

8.1.3 Экономика системы

Предыдущая глава установила деньги как общую шкалу фирмы. Экономика системы требует оценивать каждое решение с позиции всей фирмы, а не KPI подразделения. На практике это означает, что цены внутри целевой функции — ущерб от дефицита, устаревание, перегруженность полок, штрафы за опоздание, стоимость оборотного капитала, опционная ценность ожидания, потеря благожелательности — задаются один раз для всей компании, закрепляются за конкретными ответственными, версионируются и раскрываются. Скрытые цены не становятся нейтральными: они смещают поток в пользу тех, кто тайком их внёс. Скрытый штраф за отложенные заказы — частная повестка, маскирующаяся под науку.

Чтобы сделать экономику общесистемной, не нужен плебисцит по каждой денежной единице; нужны числа, понятные и оспоримые для разных функций. Финансы должны публиковать общую стоимость капитала и пределы ликвидности фирмы; операционные команды — переводить их в платежи на единицу в день, отражающие периоды полураспада запасов и ликвидационную стоимость. Мерчандайзинг не должен требовать «98% доступности», не оценив следующий процентный пункт в денежных единицах в день; логистика не должна настаивать на порогах полной загрузки машин, не оценив предотвращаемые ими перегруженность и побочные последствия. Где есть рынки, заимствуйте внешние цены; где их нет, создавайте внутренние оценки и обосновывайте их. Для разрешения споров между изолированными подразделениями общие дефицитные ресурсы — слоты грузовых доков, место на полках, время линий, капитал — должны иметь теневые цены: временные числа, вычисленные механизмом и выражающие текущие альтернативные издержки использования ещё одной единицы. Они заменяют квоты и вето, а не становятся новым правилом. Мы вернёмся к ним ниже при обсуждении последовательных решений. Цель — не единодушие, а сопоставимость в отчёте о прибылях и убытках компании. Когда штрафы и вознаграждения выражены в общей денежной единице, варианты, прежде жившие в разных провинциях, — «вернуть деньги сверх правил», «купить ещё одну единицу SKU из длинного хвоста», «задержать грузовик, чтобы дополнить маршрут», «продлить срок возврата для этого класса клиентов», — конкурируют в одном регистре.

Этот системный взгляд проясняет и ответственность. Если после реализации исходов решение систематически даёт слабый результат, досье показывает, где ошибка: в рамке — пропущены варианты, в прогнозах — плохо откалиброваны хвосты, или в ценах — неверно заданы штрафы. Тогда корректировки направлены на виновный элемент, а не растворяются в туманных призывах к «лучшему сотрудничеству». Локальные KPI теряют алиби: шаг, украшающий показатель подразделения, но уничтожающий деньги в другом месте, будет разоблачён общим регистром. Скрытые цены порождают политику; открытые общесистемные цены — результативность. Когда цены заданы для всей компании, механизм возвращается к своей естественной позиции: предельному анализу в едином регистре.

8.1.4 Принятие предельного подхода

Экономика — маржиналистская дисциплина; такова и цепочка поставок при правильной практике. Существенный вопрос почти никогда не звучит как «каков правильный уровень запасов этой SKU в этом сезоне?», а звучит как «какова доходность с учётом риска ещё одной единицы — здесь, сейчас — с учётом всего уже связанного обязательствами?». Ответ — число денежных единиц на единицу ресурса в единицу времени, и оно меняется вместе с обязательством. Предельный анализ заставляет видеть детализацию, время и зависимость от обстоятельств.

Сначала детализация. Решения следует вычислять на самом мелком уровне, существенно меняющем их экономику. Для стандартных товаров единица — штука; для перевозки — остановка или кубический метр; для авиационных ремонтируемых компонентов — серийный номер, чьи циклы и часы делают две детали с одинаковым P/N экономически несопоставимыми. Авиакомпания может обоснованно продать определённую единицу по запросу AOG (Aircraft On Ground) соперника, оставив другую, внешне идентичную, для хеджирования собственного хвостового риска; предельные ценности расходятся, поскольку страхуемые будущие различаются.

Затем время. Предельные ценности апериодичны: они должны учитывать период полураспада нагрузки, а не только срок выполнения операции. Ящик, распроданный за два дня с отсрочкой платежа, может быть весьма прибыльным, тогда как тот же ящик, оплаченный авансом и продаваемый восемь недель, посредственен. Когда механизм ранжирует допустимые шаги по апериодической норме доходности, как обосновывалось в главе Экономика, он естественно предпочитает ставки с быстрым оборотом и штрафует длительные храповики, если их выгода несоразмерна.

Наконец, зависимость от обстоятельств. Предельные результаты живут в распределениях, а не в точках. Дополнительная единица, выглядящая прибыльной при медианном прогнозе, может оказаться разорительной после учёта тяжёлого хвоста срока выполнения операции; и наоборот, единица, кажущаяся расточительством в модели с тонкими хвостами, становится привлекательной при правильной денежной оценке редкого, но катастрофического дефицита. Поэтому вероятностный прогноз — не роскошь, а основа, на которой работает предельное исчисление.

В большом масштабе принятие предельного подхода превращает повседневную работу фирмы в непрерывную пересортировку миллионов микровариантов. Каждое новое обязательство меняет границу: на жёстко связывающих ограничениях возникают теневые цены, конкурирующие варианты действий меняют отдачу, вчерашний лучший следующий шаг сегодня становится третьим по привлекательности. Статичный план не может оценивать движущиеся границы, а механизм принятия решений может. Он не создаёт определённость из ничего: в каждый момент он вычисляет лучшую следующую ставку и записывает её в регистр с обоснованием. Остальное — лишь учёт.

Такое осмысление решения — явная рамка, приручённые артефакты, открытая экономика, главенство предельного анализа — не добавляет церемонии. Оно убирает суеверие. Оно также соответствует прагматическому видению предыдущей главы: решения становятся небольшими проверяемыми ставками в условиях неопределённости, направляемыми ценами, которые фирма готова обосновать, и пересматриваемыми по мере раскрытия реальности.

8.2 Зачем автоматизировать

Компьютеры ненадёжны, но люди ещё ненадёжнее. Любая система, зависящая от надёжности человека, ненадёжна. Один из многочисленных законов Мёрфи.

На предыдущих страницах решение определялось как проверяемое обязательство, стирающее альтернативы и оправданное лишь ожидаемой нормой доходности с учётом риска. Когда рамка становится явной, а экономика открытой, цепочка поставок становится тем, чем всегда была по существу: мельницей бесчисленных малых ставок, преимущество которых достигается предельным анализом. В современном масштабе это преимущество недоступно служащим без инструментов. Их изматывает не арифметика — электронные таблицы уже снимают эту ношу, — а сама комбинаторика допустимых вариантов, требования вероятностного рассуждения при тяжёлых хвостах и непрерывная переоценка ограничений по мере движения реальности. Если узкое место ощущается в панелях SQL, а не в стали и дизельном топливе, фирма решила ограничить себя в единственной области, где ограничения связывают меньше всего, — в вычислениях.

Есть и вторая, менее заметная причина автоматизации: повторение под контролем. Ручной или полуручной процесс меняется всякий раз, когда меняются люди; текучесть кадров, локальные исправления и перемещение внимания делают вчерашнюю базу несопоставимой с сегодняшней. Напротив, процесс без участия человека можно дублировать, возмущать и измерять. Два числовых рецепта могут одновременно работать с одними и теми же регистрами — один управляет, другой работает в тени — с опорой на общий персонал, поскольку ни один не требует ежедневного надзора. При таком измерении прогресс перестаёт быть вопросом мнений и становится проверенной разницей в денежных единицах.

Электронные таблицы сделали канцелярскую работу терпимой, но никогда не делали её эффективной. Их «логика» — клубок формул ad hoc, не кодирующих рамку и не оценивающих неопределённость в деньгах. Результат знаком: ручные корректировки в последний момент, страховые буферы поверх страховых буферов и ритуальная спешка, при которой служащий должен окончательно задать сотню количеств до обеда. Соблазнительно вообразить, будто больше времени для каждого даст лучшие ответы. На практике пауза раздувает штат, углубляет изоляцию подразделений и задерживает обязательства; каждая задержка — альтернативные издержки, редко появляющиеся на панели показателей, но всегда проявляющиеся в прибылях и убытках.

Автоматизация в данном смысле — не «использование большего количества ПО». Это институциональное решение позволить системам принятия решений, представленным ранее, в обычных условиях вычислять, выдавать и регистрировать решения без участия человека. Далее эта позиция рассматривается с нескольких сторон: как актив, как дисциплина ручных корректировок, как культурный перелом и как естественный итог векового пути от управления к механизмам.

8.2.1 Производительный актив

Автоматизация превращает принятие решений из скоропортящегося труда в средство производства. Система принятия решений — не отчёт, «помогающий» планировщику, а механизм, связывающий деньги обязательствами от имени фирмы в соответствии с целью, которую он может обосновать. Профиль расходов переворачивается: то, что было OPEX — часами подправления ячеек, — становится CAPEX: кодовой базой, чьи эксплуатационные затраты ничтожны относительно объёма обрабатываемого выбора. Каждый инженерный день, потраченный на улучшение этого актива, наращивает ценность: либо решения становятся лучше, либо вычисления дешевле, либо сопровождение легче. Если не происходит ничего из этого, дальнейшие траты следует прекратить.

Этот актив производителен, потому что кодирует рамку и цены. Невысказанные эвристики, прежде жившие в служебных записках и совещаниях, переходят в код под управлением версий. Механизм читает достоверные записи первоисточников, выводит значимые распределения — спроса, сроков выполнения операций, возвратов, длительности ремонта, — оценивает допустимые варианты при этих распределениях и записывает обратно проверяемые обязательства. Он делает это с ритмом, которого требует реальность, а не с темпом, который способен выдержать комитет. Параллельный запуск становится рутиной: действующий рецепт держит перо, претендент выдаёт теневые решения, а в регистре накапливается чистая разница A/B. Когда уверенность падает — хвосты выглядят плохо откалиброванными, ограничение неожиданно становится активным, — эвристики остановки приостанавливают выдачу; запасной вариант — не тысяча исключений, а остановка и исправление.

Запуск ПО дёшев, а если оно остаётся небольшим и понятным, дёшево и сопровождение. Предел его результативности задаётся не человеческим терпением, а закодированной экономикой. Любое настоящее понимание — замещения, отсрочки или ускорения, изменения маршрутов, опционной ценности ожидания — можно включить в код и затем применять в машинном масштабе. Канцелярский потолок исчезает; остаётся стратегический потолок, заданный способностью фирмы оценивать в деньгах то, что она ценит.

8.2.2 Ручные корректировки

Автоматизация всегда ставит вопрос о том, когда вмешиваться. Аварийная остановка нужна любому механизму с приводом; регулярные «ручные исправления» обычно свидетельствуют об изъяне конструкции.

Поставщики давно смягчают хрупкую автоматизацию, назначая пользователей человеческими сопроцессорами. Предупреждения и «исключения» затапливают почтовые ящики; планировщикам предлагают проверять большинство результатов и многие менять вручную. Этот подход сводит цель на нет. Если системе нужен человек, чтобы ловить плохие решения, он скоро перестанет ей доверять, и организация вернётся к театру электронных таблиц с дополнительными шагами.

Лечение архитектурное, а не увещевательное. Во-первых, механизм нужно построить так, чтобы каждое выдаваемое им решение было обоснованным на собственных условиях: помещённым в рамку допустимых вариантов, оценённым в денежных единицах и оправданным при вероятностном взгляде на будущее. Во-вторых, при неуверенности механизм должен останавливаться, а не докучать. Остановка — не отказ от ответственности: она покупает время для единственных вмешательств, надолго улучшающих результаты, — изменений рамки, цен или семантики прогнозов. В-третьих, доверие зарабатывается конструкцией: параллельным запуском до переключения; доступными досье каждого обязательства; явными версионируемыми оценками; измеренными различиями после реализации. В главе Инженерия эта дисциплина будет названа экспериментальной оптимизацией.

Корректировки не исчезают, а меняют природу. Редкая адресная корректировка меняет оценку («штраф за дефицит для этого класса клиентов был занижен»), сужает набор вариантов («не отправлять литиевые аккумуляторы самолётом в этом месяце») или исправляет семантический сбой («смысл этого поля изменился после исправления ERP»). Она не подставляет другое число в закупочный заказ, оставляя механизм нетронутым.

8.2.3 Культура и беспокойство

Рост производительности неизменно тревожит тех, кто занимает существующие позиции. Тиберий отказался от подъёмных кранов; луддиты ломали ткацкие станки. Современные фирмы не избавлены ни от тревоги, ни от политики, а белые воротнички сталкиваются с новым поворотом: им предлагают помочь автоматизировать собственную работу.

Парадокс исчезает, когда роли становятся ясны. Механизировать нужно канцелярскую рутину исполнения вчерашних эвристик. Возвысить нужно формулирование рамок и цен, заботу о семантике и быстрое переустройство логики при изменении мира. Культуры разработки ПО разрешили это напряжение десятилетия назад. Они ценят людей, которые делают собственное присутствие за клавиатурой ненужным, потому что ценность перемещается к следующей задаче: инструмент становится активом, инженер идёт дальше. Там, где этой культуре сопротивляются, решение выносят рынки, а не служебные записки. Фирмы, отказывающиеся наращивать актив, вытесняются теми, кто это делает.

Руководители не могут купить такую культуру в готовом виде, но способны убрать отравляющие её стимулы. Вознаграждайте качество решений, а не численность персонала. Платите поставщикам за результаты, а не за входы в систему. Продвигайте тех, кто улучшает рамки и оценки, а не тех, кто ведёт всё более крупные панели показателей. Прежде всего дайте немногочисленным людям, действительно способным переустроить механизм, полномочия делать это быстро: их влияние несоизмеримо больше влияния целой комнаты составителей расписаний.

Две повторяющиеся закономерности стоит вывести на свет. Во-первых, численность персонала всё ещё считается мерилом статуса. Руководители, увеличивающие число «мест» в своём подчинении, получают бюджет и влияние; автоматизация, резко сокращающая места, воспринимается как понижение. Переверните систему ценностей. Привяжите престиж к улучшению на человека и на ватт. Сделайте сокращение рабочих мест, требующих участия человека, явной целью и чествуйте команды, делающие своё присутствие за клавиатурой ненужным; в культуре ПО это продвижение, а не отказ от обязанностей.

Во-вторых, лицензирование по рабочим местам и метрики «вовлечённости» делают поставщиков соучастниками сохранения людей в контуре. Система, выставляющая счета за входы, клики или «активных пользователей», экономически противостоит потоку без участия человека. Цена контрактов должна зависеть от нужных фирме результатов — объёма обязательств, выдаваемых без участия человека со следом для аудита, измеренного улучшения относительно базы параллельного запуска, времени переустройства логики после изменения рамки, — а не от канцелярского движения, вызываемого инструментом. Когда деньги платят за результаты, а не за экраны, стимулы согласуются с автоматизацией, а не противодействуют ей.

Наконец, остерегайтесь театра метрик: когда премии зависят от процентов точности или показателей своевременности, оторванных от денежных оценок, энергия направляется на улучшение показателя, а не экономики.

8.2.4 Исключительность человека

Утверждение «компьютер никогда не должен принимать управленческое решение, поскольку его нельзя привлечь к ответственности»¹³³ кажется гуманным, но на деле путано. Большинство крупных организаций уже исполняет обширные массивы правил, не оставляющих места усмотрению. Блокировка кредита по просроченным счетам применяется независимо от того, нажимает кнопку человек или программа. Ответственность лежит на авторах правила и руководителях, одобривших закодированные в нём цены и ограничения, а не на исполняющем его служащем.

Настойчивое требование человеческой руки ради символизма ухудшает и скорость, и качество. Оно также приглашает худшую форму сбоя: невидимую ответственность. Когда правило живёт в электронной таблице, а обычное исключение вписывают в ячейку, никто ничему не учится. Когда то же правило живёт в коде, а выброс вынуждает остановиться, конструкцию исправляют открыто. Существенная проверка экономическая, а не антропоморфная: при тех же входных данных, допустимых вариантах и следе для аудита даёт ли система более высокую операционную прибыль с учётом риска, чем действующий подход? Если да, она «достаточно умна» для задачи.

8.2.5 От управления к механизмам

Загадка не в том, почему автоматизация желательна, а в том, почему ей понадобилось столько времени, чтобы стать рутиной вне нескольких ниш. Большую часть XX века процессы принятия решений неизбежно были управленческими: только человеческий ум мог переваривать информацию и выдавать разумный выбор. Тогда вопрос сводился к разделению труда между множеством умов. Авторы-консультанты предлагали сложные переплетения комитетов и календарей, чтобы сделать разделение терпимым. Фундаментальный изъян оставался невысказанным: «лучшее» для фрагмента редко совпадает с лучшим для целого. Подразделение товаров для дома, вкладывающее миллион денежных единиц с ожидаемой доходностью десять процентов, может без злого умысла помешать подразделению кухонных принадлежностей вложить тот же миллион под пятнадцать процентов. Как бы мелко ни нарезали организацию, все руководители черпают из одних конечных запасов денег, товаров, мощностей и внимания.

Бюрократические методы пытались вылечить это усилением коммуникации. Совещания, служебные записки и эскалации переносили фрагменты знания вверх, затем вниз в надежде на последующее согласование. Но распределение ресурсов количественно; без общего регистра цен координация возвращается к иерархии. Исследование операций, рождённое в военное время, обещало другое будущее: пусть алгоритмы оптимизируют распределение от начала до конца. Ограничения оборудования, грубая семантика данных и вкус к детерминированным игрушкам вместе притупили это обещание. К концу 1970-х Рассел Акофф уже писал ему некролог.

Вакуум заполнили электронные таблицы. Они умножили канцелярские возможности, но заморозили принятие решений на донаучной стадии. Попытки заменить их модулями «планирования» провалились, поскольку модули унаследовали ту же детерминированную позицию и то же поклонение артефактам. Пользователи возвращались к файлам; поставщики добавляли экраны. Нагрузка принятия решений вернулась к рядам белых воротничков, теперь более многочисленным, чем ряды рабочих, перемещающих коробки.

Экономика никогда не менялась: повторяющиеся решения цепочек поставок можно и нужно автоматизировать. Необходимые условия созревали незаметно. Системы учёта стабилизировались; вероятностные методы из экзотики стали обыденностью; оборудование подешевело; возник новый архитектурный вид — системы принятия решений, — предназначенный стоять рядом с регистрами и отчётами, а не притворяться их заменой. У первопроходцев полностью работающие без участия человека механизмы принятия решений эксплуатируются уже больше десятилетия¹³⁴. Этот подход распространится, а электронные таблицы сохранят место швейцарских ножей: полезных в крайнем случае и отсутствующих на производственной линии.

Долгую задержку объясняют ещё два часто упускаемых препятствия. Во-первых, распределение решения между множеством голов по природе своей коварно. Не существует естественного порядка, делающего локальные выборы коммутативными. Рекламные бюджеты, место на полках и заводские мощности для нового товара ограничивают друг друга; какая бы команда ни «пошла первой», она загоняет остальные в худший коридор. Правильное решение — не очередной комитет, а единая оптимизационная задача, использующая знания каждой команды там, где им место, — в оценках, ограничениях и сценариях, — и позволяющая решателю синтезировать единое обязательство. Вчерашние обязательства после исполнения возвращаются как данные; следующий цикл идёт на более узкой, но более ясной сцене. Во-вторых, организации накапливают выдуманные ограничения для защиты от собственных прошлых ошибок. Ручные процессы выживают, игнорируя эти правила, когда того требует здравый смысл; ПО так не может. Поэтому цену автоматизации платят заранее удалением или переоценкой таких ограничений; дивиденд выплачивается постоянно в виде более чистых рамок и более высокой доходности.

Общая траектория знакома. Последние три столетия предприниматели, стремящиеся к прибыли, неустанно заменяли труд капиталом, и доля рабочих соответственно снижалась. Во многих индустриализированных регионах число управляющих потоком теперь превышает число физически перемещающих его¹³⁵. Следующий прирост производительности придёт от устранения автоматизацией канцелярской части труда белых воротничков. Сопротивление будет яростным; экономика — терпеливой и решающей.

Наконец, несколько слов о технологическом «почему не раньше». До недавнего времени отсутствовали три предпосылки. Регистры были слишком хрупкими, чтобы служить достоверной фактической основой; вероятностное рассуждение — слишком громоздким для включения в повседневный код; а поставщиков вознаграждали за продажу CRUD по ценам интеллекта. Все три обстоятельства изменились. Ценность и надёжность систем учёта вышли на плато; вероятностные инструменты помещаются на ноутбуке; покупатели научились отделять учёт, отчётность и механизмы принятия решений. При наличии этих условий довод за автоматизацию не риторический, а арифметический.

Итак, мы автоматизируем не ради полировки плана, а ради возвращения экономики за руль. Механизмы принятия решений без участия человека помещают узкое место туда, где ему место, — в атомы и часы, — обеспечивая при этом единственное необходимое условие устойчивого улучшения: сопоставимые эксперименты, выполняемые ежедневно, в большом масштабе, с деньгами на кону.

8.2.6 С чего начать

Автоматизация — не лозунг, а задача распределения ресурсов: куда направить следующую денежную единицу инженерных усилий, чтобы решения без участия человека окупались быстрее всего? На практике рабочее понятие — трудность процесса принятия решений, понимаемая экономически как величина, обратная ожидаемой доходности вложений в его улучшение. Высокая ожидаемая доходность — низкая трудность; низкая доходность — высокая трудность. Важнее всего два режима. Базовая трудность — стоимость перевода потока с электронных таблиц, обслуживаемых людьми, на механизм принятия решений без участия человека при явной рамке. Предельная трудность — стоимость извлечения следующего прироста результативности из уже автоматизированного потока.

Мысль проста и наглядна: масштаб снижает базовую трудность. Когда повторяются миллионы малых похожих обязательств, а рамку можно записать — допустимые варианты, проверки допустимости и денежные цены, — первые этапы автоматизации обычно окупаются быстро. Напротив, небольшие своеобразные ниши сочетают малую отдачу с высокой предельной трудностью; это худшие отправные точки, и заниматься ими следует в последнюю очередь, как бы ни соблазняла их кажущаяся посильность.

Рассмотрим продуктового ритейлера, чей национальный распределительный центр каждую ночь снабжает 800 магазинов. Автоматизация отправок из DC в магазины имеет короткую понятную рамку: допустимые шаги — «отправить 0/1/2 единицы SKU \(i\) в магазин \(j\) этой ночью»; проверки допустимости — объём машины, слоты ворот и пределы магазинов; цены — ущерб от дефицита, старение, магистральная перевозка и обработка плюс теневая цена запасов распределительного центра; распределения — продажи следующего дня и риск опоздания машины. Один числовой рецепт охватывает десятки тысяч однородных микрорешений в день, поэтому первый проход — жадное накопление при этих ценах с остановкой при падении уверенности — быстро окупается. Напротив, начало с нишевого потока — ежеквартальных временных ассортиментов для двенадцати флагманских магазинов, переплетённых с правилами визуального мерчандайзинга, мероприятиями запуска ad hoc и политикой планограмм, — даёт мало масштаба и мутные цены; «рамка» в основном состоит из церемонии. Большая река легче лужи: масштаб снижает базовую трудность, своеобразие повышает её.

Инженеры часто неверно читают кривые времени работы решателей. При любой фиксированной технике увеличение модели — больше переменных, больше ограничений — почти неизменно вызывает сверхлинейный рост затрат процессора и памяти.¹³⁶ Эта кривая — свойство метода, а не деловой задачи. Экономика даёт рычаги, которые кривая игнорирует: укрупнять рамку там, где детализация не влияет на деньги; сокращать горизонты до следующего момента контроля; заменять хрупкие жёсткие пределы денежными штрафами; помогать решателю тёплыми стартами и декомпозициями, чтобы вчерашний ответ ускорял сегодняшний поиск. Цель — не алгебраическая чистота, а доходность с учётом риска в разумном вычислительном бюджете день за днём. На практике грубая, но оценённая в деньгах формулировка, работающая надёжно, превосходит «точные» модели, не укладывающиеся во время, а при наличии масштаба обе превосходят канцелярщину электронных таблиц.

Отсюда следует практический отбор. Начинайте там, где рамка коротка и понятна: варианты перечислимы без героизма, проверки допустимости механические, а не политические, а цены, управляющие целью, — ущерб от дефицита, устаревание, плата за капитал в единицу времени, опционная ценность ожидания — можно назвать, закрепить за ответственными и версионировать. Предпочитайте потоки, ритм которых даёт механизму время подумать — от минут до часов: зарубежные закупки и консолидацию, отправки из DC в магазины, балансировку запасов сети, обеспечение ремонтируемыми компонентами. Откладывайте микрониши, чья экономика опирается на неразрешённые неявные цены: это прежде управленческие проблемы, чем инженерные. Прежде всего пусть решает измерение: запускайте претендентов параллельно действующим подходам, относите денежные различия к решениям в ясном окне ответственности и переводите претендента в основной режим лишь тогда, когда улучшение окупается.

При таком взгляде в вопросе «с чего начать» нет загадки. Сначала беритесь за крупнейшие реки решений, принимайте приближённые ответы, соблюдающие экономику и рамку, и позволяйте механизму без участия человека наращивать улучшения от этой основы. Малые задачи кажутся безопаснее; большие — легче.

8.3 Решать — значит оптимизировать

Механизация выбора требует формализма, сообщающего машине, что предпочитать и когда остановиться. «Оптимизация», раздел прикладной математики, предоставляет такой формализм, но лишь после его переосмысления под экономический и итеративный характер реальных решений. Учебниковая позиция — сформулировать модель, передать универсальному решателю, ждать доказуемо оптимального плана — на практике даёт осечку. Работает нечто скромнее и мощнее: оптимизационная рамка, раскрывающая допустимые шаги, оценивающая их последствия в деньгах, принимающая вероятностные представления завтрашнего дня и спроектированная для работы без участия человека снова и снова по мере изменения мира.

8.3.1 Парадигма оптимизации

Классическая запись математической оптимизации говорит о переменных, ограничениях и целевой функции (см. приложение). Мы сохраняем триаду, но меняем её смысл в соответствии с грамматикой решений, разработанной ранее в этой главе, а также в главах Экономика и Интеллект.

Переменные — не грубые итоги («количество SKU X в этом месяце»), а предельные обязательства на самом мелком уровне, меняющем экономику. Для одних задач это единица, остановка или кубический метр; для ремонтируемых компонентов — конкретный серийный номер, чья история делает его экономически уникальным. Предельное мышление согласует механизм с исчислением нормы доходности: вопрос никогда не в том, «каков правильный уровень запасов?», а в том, «стоит ли ещё одна единица здесь и сейчас больше, чем при следующем лучшем её использовании?».

Ограничения — проверки допустимости, определяющие, какими вариантами можно воспользоваться. Их следует записывать кодом, проверяющим предлагаемый шаг и либо допускающим его, либо отклоняющим с указанием причины. В реальности цепочек поставок лишь немногие пределы по-настоящему абсолютны: почти любое узкое место можно ослабить за деньги или ценой задержки. Поэтому разумно перенести многие «ограничения» в целевую функцию как денежные штрафы, оставив лишь горстку отражающих физическую невозможность или правовые запреты. Это делает разнородные препятствия — перегруженность доков, сверхурочную работу бригад, перестановку полок — сопоставимыми в одном денежном регистре и позволяет механизму найти наименее плохой компромисс при неопределённости.

Целевая функция — оценка, выраженная в деньгах и согласованная с целью фирмы: максимизировать ожидаемую норму доходности с учётом риска. Это не процентная цель, маскирующаяся под экономику. Полезная целевая функция должна явно раскрывать предполагаемые цены: ущерб от дефицита, устаревание, плату за капитал в единицу времени, штрафы за опоздание, потерю благожелательности, опционную ценность ожидания. Скрытые цены порождают политику; открытые — результативность.

Прогнозы входят как полноправные входные данные. Поскольку исходы зависят от отчасти непознаваемых будущих, механизм оценивает планы не относительно одной угаданной траектории, а относительно распределений спроса, сроков выполнения операций, возвратов, надёжности и иногда цен. Целевая функция остаётся детерминированной функцией своих входов; случайность живёт в подаваемых ей прогнозных объектах. Это разделение сохраняет причинность понятной, а ответственность устанавливаемой при слабой отдаче ставки: была ли рамка узкой, оценка ошибочной или прогноз плохо откалиброванным? Тяжёлый вероятностный аппарат будет разработан в следующем разделе; здесь достаточно настоять, что механизм принятия решений с самого начала должен строиться для приёма распределений, а не точек.

Наконец, о форме выражения. Доктрина середины века пыталась отделить постановку от решения: один «декларативный» файл для задачи, решатель — чёрный ящик — для остального¹³⁷. Это разделение льстит элегантности, но мешает практике. Ежедневно работающий механизм принятия решений выигрывает, когда модель помогает методу: порядком переменных, отражающим экономику; тёплыми стартами со вчерашнего решения; декомпозициями по географии или жизненным циклам; кэшами, запоминающими дорогие частичные вычисления; проверками допустимости, быстро выявляющими отказ. Это не нечистота, а чувство техники во взаимодействии задачи и машины.

8.3.2 Об оптимальности

В фиксированной рамке — конечные ресурсы, явные допустимые шаги, заданные цены — существует оптимальное распределение. Это важно: «достаточно хорошо» означает не отказ от строгости, а признание того, что момент остановки поиска определяет экономика, а не алгебра.

Отсюда два урока. Во-первых, задачи цепочек поставок демонстрируют убывающую отдачу по большинству рычагов. Дополнительные запасы улучшают сервис, пока не перестают; дополнительные ускорения сдерживают опоздания, пока не перестают; расширение ассортимента увеличивает охват, пока не забивает внимание. Эта кривизна — хорошая новость: она превращает дискретный поиск в нечто, допускающее псевдоградиенты. Жадные шаги, локальные улучшения, обмены в окрестности и правила с коротким заглядыванием вперёд, направляемые правильными ценами и питаемые вероятностными входами, быстро поднимаются на высоту. Эти задачи не криптографические: переключение одного бита не превращает допустимое в невозможное и не обрушивает ценность до нуля.¹³⁸. Алгоритмы, полагающиеся исключительно на разбиение абстрактных пространств и ужесточение линейных релаксаций, склонны буксовать в неверной геометрии; ограничения бизнеса редко становятся достаточно тесными достаточно рано, чтобы отсечение полупространств окупалось.

Во-вторых, «оптимум» условен. Измените рамку — и вершина переместится. Добавьте канал ликвидации; разрешите небольшие ценовые сдвиги, привязанные к датам отплытия; расширьте допустимую совместную загрузку; разрешите позднюю фиксацию выбора между близкими заменителями — и вчерашний идеал станет сегодняшним локальным холмом. Это не провал оптимизации, а её назначение. В терминах Куна обычный прогресс происходит внутри парадигмы, скачки — через её изменение.¹³⁹ Поэтому живой механизм принятия решений должен строиться для экспериментальной оптимизации: параллельно запускать претендентов и действующие подходы, переводить претендента в основной режим только при оправдывающих это измеренных различиях и дёшево откатываться, когда их нет. Одержимость сертификатами глобальной оптимальности в игрушечных мирах здесь умирает; валютой становится улучшение, измеренное в учёте фирмы.

8.3.3 Решатель внутри механизма

Решатель — программный компонент, который, получив рамку, прогнозы и цены, исследует допустимое пространство и предлагает обязательства. Это сердце механизма, но не сам механизм. Вокруг него расположены необходимые органы: семантические адаптеры для чтения достоверных записей первоисточников; вероятностные модули для построения распределений; регистры оценок, раскрывающие цены и ответственных; эвристики остановки, приостанавливающие выдачу при падении уверенности; механизмы перехода к исполнению, превращающие предложения в факты и вновь принимающие их на следующем цикле.

Поскольку механизм работает в условиях неопределённости и повторяется, несколько инженерных позиций оказываются решающими.

Во-первых, стохастическое управление превосходит детерминированное планирование. Решатель должен ранжировать допустимые шаги по ожидаемой норме доходности с учётом риска при заданных распределениях вероятностей. Последовательную зависимость — сегодняшний шаг формирует завтрашние варианты — можно учитывать оптимизацией правил принятия решений, а не отдельных действий, обычно в цикле со скользящим горизонтом, где каждый пересчёт использует более свежую информацию. Функциональные прогнозы — симуляторы, отображающие «что мы сделали бы, если…» в распределения исходов, — естественный партнёр такого поиска правил. Математика проста; новизна в том, чтобы сделать её достаточно компактной, понятной и проверяемой для ежедневной работы.

Во-вторых, штрафы укрощают негарантируемые пределы. В стохастическом мире «никогда не превышать X» либо невозможно, либо разорительно. Денежная оценка нарушений собирает пределы под одной крышей и согласует их с денежной целью. Язык вероятностных ограничений может быть полезен для обсуждения; работу выполняют цены. Далее мы вернёмся к негарантируемым пределам и к связи между вероятностными ограничениями и денежными штрафами.

В-третьих, проектируйте для повторного решения. Большинство выборов в цепочках поставок — не разовые задачи промышленного проектирования, например размещение складов или фиксация направлений перевозки, а малые стохастические распределения ресурсов, которые завтра повторятся при немного иных фактах. Успешный здесь решатель должен принимать распределения, оценивать варианты в денежных единицах и дёшево останавливаться и перезапускаться. Результат — не монолитный план с сертификатом, а устойчивый поток лучших ставок в общем регистре. Эта позиция противоречит господствующей в OR — разовым глобальным моделям со статичными ограничениями, — поэтому лишь горстка фирм использует решатели в повседневных операциях.

В-четвёртых, оснащайте механизм средствами, создающими доверие. Каждое выдаваемое решение должно сопровождаться досье: рассмотренными допустимыми вариантами, использованными ценами и распределениями, предельными различиями, оправдавшими выбор, и пройденными перед выдачей проверками. Параллельный запуск должен быть стандартом: действующий рецепт держит перо, претендент пишет теневые решения; измеренные различия накапливаются в денежных единицах. Когда что-то пахнет неладным — хвосты плохо откалиброваны, ограничение становится активным, — останавливайтесь. Поток «исключений» назначает пользователей неоплачиваемыми сопроцессорами и учит их не доверять системе. Чистая остановка приглашает единственные полезные вмешательства: изменения рамки, цен или семантики.

Наконец, трезвое замечание об инструментах, продаваемых под вывеской OR. После семи десятилетий исследований и ещё двух — всё более быстрого оборудования — универсальные линейные и смешанно-целочисленные решатели остаются второстепенными в повседневных операциях цепочек поставок. Они появляются в разовых проектных работах — размещении объектов сети, исследованиях мощностей на длинном горизонте — и в нескольких строго ограниченных нишах. Они почти никогда не управляют повторяющимся, насыщенным неопределённостью выбором, который ежедневно движет деньги. Дело не в упрямстве руководителей, а в несоответствии инструмента явлению.

Классическая технология OR предполагает мир, в котором цепочки поставок не живут. Неопределённость сжимается в точечные суррогаты или «страховые» слагаемые с тонкими хвостами; цели записываются в единицах артефактов — уровнях сервиса, процентах точности, загрузке, — а не в деньгах; монолитный план выдаётся так, будто исполнение — разовый план, а не цикл стохастического управления, повторяющийся с операционным ритмом. Затем вероучение моделирования, отделяющее «чистую постановку» от «нечистого метода», запрещает именно те подсказки, которых требует практика: денежные штрафы за негарантируемые пределы, явные теневые цены общих ресурсов, тёплые старты со вчерашних обязательств и правила жадного накопления, направляемые окнами ответственности. Столкнувшись с тяжёлыми хвостами, храповиками и опционными ценностями, глобальная MILP либо не укладывается во время, либо оптимизирует не то, либо выдаёт хрупкое расписание, рушащееся при первом контакте с реальностью.

Эмпирическое решение просто и негламурно. Рассматривайте решатели как подпрограммы внутри более широкого стохастического поиска, учитывающего экономику, а не как властителей решения. Пусть вероятностные прогнозы поставляют будущие; целевая функция говорит только деньгами; большинство «жёстких» пределов переходит в денежные штрафы; предельные обязательства пересчитываются с ритмом, допускаемым реальностью; при падении уверенности наступает остановка; претенденты запускаются параллельно действующим подходам; структура предметной области встраивается везде, где покупает отдачу. Классические примитивы — назначение, поток минимальной стоимости, рюкзак, маршрутизация — остаются бесценными, но лишь при правильных ценах на входе и включении в цикл, уважающий неопределённость, повторение и храповики.

При таком взгляде приговор OR в операциях состоит не в неверности математики, а в несоответствии позиции. Инструменты для стационарных игрушек и разовых планов не могут управлять комбинаторикой вариантов при неопределённости с тяжёлыми хвостами, где прибыль живёт в хвостах. Поэтому вычисления следует тратить там, где они покупают деньги: на лучшие рамки, цены и вероятностные представления, а не на сертификаты оптимальности для неверного вопроса. Следующий раздел назначает цену самим вычислениям.

8.3.4 Экономика вычислений

У оптимизации есть стоимость. Минуты процессора, часы реального времени, дни инженерной работы — всё должно оправдываться, как любой другой ресурс: ожидаемой доходностью с учётом риска. Значимый горизонт — операционный. Для перепланирования роботов-комплектовщиков естествен миллисекундный ритм; для зарубежных закупок — нет. Поставщики торгуют «реальным временем», словно само время — достоинство; это не так. Правильный ритм — тот, при котором дополнительная единица вычислений перестаёт окупаться в деньгах.

Отсюда два практических следствия. Во-первых, примите, что некоторые циклы решений «медленны по замыслу». Крупные стохастические многомерные поиски нельзя довести до задержек порядка сотни миллисекунд, не выпотрошив рамку или не обесценив цель упрощением. Закон Амдала¹⁴⁰ даёт о себе знать, как только механизму приходится обращаться к широкому контексту, чтобы избежать локальной глупости. Во-вторых, проектируйте плавное снижение качества. Выполните быстрый проход, собирающий 80% ценности дешёвыми эвристиками и хорошими ценами; потратьте оставшийся бюджет там, где теневые цены кричат о внимании; остановитесь, когда ожидаемое улучшение за минуту станет ниже стоимости минуты. Поскольку механизм повторяется, завтрашний запуск соберёт сегодняшние остатки с более свежей информацией и более тёплым стартом.

То же исчисление управляет размером модели. Более крупные задачи не «труднее» в каком-либо метафизическом смысле; они лишь дороже при фиксированной технике. Если метод вылетает за разумный бюджет, смените метод, укрупните детализацию там, где допускает экономика, или сократите горизонт. Решает измеренное улучшение, а не эстетическая чистота.

Итак, оптимизация — язык, на котором механизм принятия решений выражает предпочтения в условиях неопределённости. Переосмысленная вокруг предельных величин, цен и допустимых шагов, оснащённая средствами повторения, остановки и аудита, спроектированная с чувством и техники, и экономики, она становится тем, что нужно программе автоматизации: не оракулом, диктующим план, а неутомимым писцом намерений фирмы, постоянно предлагающим следующую лучшую ставку и разборчиво записывающим её в регистр.

8.4 Решения в условиях неопределённости

Решения — это ставки с денежной оценкой на будущее, которым мы не управляем. Ранее в этой главе мы приняли подход, позволяющий рассчитывать такие ставки: целевая функция детерминирована и выражена в деньгах, а неопределённость входит через вероятностные прогнозы — распределения значимых фактов (спроса, сроков выполнения операций, надёжности, возвратов, иногда цен). Мы не прячем случайность внутри целевой функции; мы подаём механизму распределения и предлагаем ему ранжировать допустимые обязательства по ожидаемой норме доходности с учётом риска.

Этот подход отличается от телеологического видения (глава Будущее), в котором неопределённость считается дефектом, подлежащим устранению с помощью более точных точечных прогнозов. Даже небольшие ошибки в таких точечных оценках могут иметь скачкообразные последствия: турбина, неработоспособная из-за одной недостающей лопатки, стоит гораздо меньше, чем «99,98 % турбины», а конкурент, чья цена на 1 % ниже, может лишить вас 100 % продаж. В цепочках поставок прибыль и убытки живут в хвостах распределений. Поэтому методы, оптимизирующие единственную угаданную траекторию, производят уверенность вместо устойчивости.

Терминология здесь ничего не решает. Назвать задачу «стохастической оптимизацией» — значит лишь признать, что будущее представлено распределениями, а оценка берётся в математическом ожидании (и, когда это оправданно, с явными поправками на риск). На практике важно, где учитывается неопределённость и как она оценивается в деньгах. Как уже отмечалось, ей место в прогнозах, входящих в целевую функцию, а не в самой целевой функции; правильные цены — это собственные денежные штрафы и вознаграждения компании: ущерб от дефицита, устаревание, плата за капитал за единицу времени, перегруженность, штрафы за опоздание, опционная ценность ожидания.

Может возникнуть соблазн заключить, что после взятия математического ожидания «детерминированный» и «стохастический» случаи сводятся к одной и той же математике. На практике это не так. Детерминированные рецепты поощряют хрупкие планы, игнорируют тяжёлые хвосты и прячут компромиссы за искусственными KPI; механизм, рассчитанный на распределения, должен, напротив, оценивать хвосты в деньгах, делать оценки явными, останавливаться при падении уверенности и повторять расчёт с частотой, которую допускает реальность. Результаты определяет это различие в подходе, а не смена символов.

На этой основе оставшаяся часть раздела рассматривает операционные последствия решений в условиях неопределённости. Сначала мы разберём, как методы, опирающиеся на точечные оценки, систематически порождают хрупкие решения — варианты, которые на бумаге выглядят экономными, а затем оборачиваются денежными потерями, когда мир отклоняется от медианы. Затем мы рассмотрим ограничения, соблюдение которых нельзя гарантировать: с ними следует работать через цены или явно ограниченные риски, а не через указы; дадим денежную оценку обучению через компромисс между исследованием и использованием; и обоснуем финансирование вариантов действий, убыточных сегодня, но страхующих от завтрашних режимов. Во всех этих темах действует одна грамматика: допустимые действия, вероятностные представления и единый денежный учёт.

8.4.1 Хрупкие решения

В этой книге решение считается хрупким, если небольшое отклонение от предполагаемого «типичного случая» непропорционально снижает его норму доходности с учётом риска. На операционном уровне хрупкость проявляется и в более высокой дисперсии фактической доходности, и — после правильной денежной оценки тяжёлых хвостов и храповиков — в меньшем математическом ожидании по сравнению с конкурирующими действиями, сохраняющими варианты открытыми. Хрупкость связана не с катаклизмами, а с обыденными неожиданностями, встречающимися в любом потоке: поставщик отгрузил меньше заказанного, грузовик пропустил свой временной интервал, магазин закрылся на день, публикация стала вирусной и опустошила полку. Каждое событие неожиданно на своём участке; в совокупности они неожиданностью не являются.

Хрупкость во многом создаётся правилами принятия решений. Телеологический подход — единственное предопределённое будущее, план его осуществления и показатели, следящие за соблюдением плана, — порождает решения, которые на бумаге выглядят замечательно экономными и оборачиваются денежными потерями, стоит миру хотя бы немного свернуть с пути. Точечные прогнозы сжимают возможные будущие до единственной траектории; «жёсткие» ограничения воспринимаются как указы; загрузку доводят до насыщения; резервы обосновывают формулами, за скрытые цены которых никто не отвечает. Такие процедуры не просто сталкиваются с изменчивостью: они увеличивают её стоимость, убирая именно те варианты действий, которым изменчивость придаёт ценность. Поэтому точнее говорить о хрупких правилах принятия решений — правилах, систематически порождающих хрупкие решения.

Эти правила хрупки по двум структурным причинам. Во-первых, большинство результатов в цепочках поставок асимметричны: потери живут в хвостах, тогда как выигрыш ограничен. Один недостающий компонент может остановить самолёт стоимостью в миллионы; цена на 1 % выше, чем у конкурента, может полностью лишить продажи. Заменители с тонкими хвостами и планирование по медианному случаю скрывают эти обрывы и тем самым занижают стоимость возможности их избежать. Во-вторых, операционные храповики стирают альтернативы. Преждевременное распределение по магазинам, выглядевшее безобидным при базовом прогнозе, мешает удовлетворить более выгодный запрос завтра; процедура отправки «полного грузовика» по календарю исключает завтрашнюю консолидацию. Решения, максимизирующие бумажную «эффективность» за счёт ранней фиксации обязательств, на практике дёшево продают варианты действий и дорого покупают неприятности.

Внешнее впечатление обманчиво. Хрупкие решения выглядят эффективными: грузовики уезжают явно полными, распределительные центры выглядят пустыми, штат — небольшим, а запасы находятся у самой границы дефицита. Нехрупкие решения на первый взгляд немного «расточительны»: небольшая часть мощностей остаётся свободной, в распределительном центре удерживается общий запас, сохраняется второй поставщик, заранее размещается несколько ремонтопригодных деталей. Однако после денежной оценки хвостов и храповиков этот кажущийся консервативным подход даёт более высокую ожидаемую апериодическую норму доходности с учётом риска. Плата за резерв — это опционная премия; она окупается всякий раз, когда мир не попадает в медиану, а это происходит регулярно.

Обыденный пример поясняет эту мысль. Рассмотрим линейное техническое обслуживание реактивного пассажирского самолёта при короткой стоянке между рейсами. Объём работ неизвестен до открытия первых панелей; одна недостающая лопатка может задержать самолёт и вызвать каскад пропущенных пересадок. Детерминированная процедура, комплектующая набор под «среднюю работу», выглядит экономной ex ante и дорого обходится всякий раз, когда резко возрастает потребность в нескольких деталях. Прагматическая процедура начинает с распределений неопределённого объёма работ и сроков ремонта и возврата, назначает денежный штраф за сдвиг расписания и оценивает каждую дополнительную деталь как возможность избежать этого штрафа. Полученный набор не «минимален»; он прибылен. Неиспользованные детали возвращаются в запас; затраты на их хранение невелики по сравнению с потерями, предотвращёнными при реализации хвостовых событий. Та же логика действует при любом маловероятном дефиците с большими штрафами: тяжёлые хвосты определяют результат, а арифметика тонких хвостов производит хрупкость.

Второй пример связан с входящим потоком. Предположим, у склада ограничено число ворот приёмки, а сроки поставщиков случайным образом смещаются. Еженедельный календарь заказов, соблюдающий план, время от времени будет накладывать рейсы друг на друга и перегружать зону приёмки; исправлять ситуацию придётся тушением пожаров: переносами, оплатой простоя водителей и демереджа¹⁴¹, сверхурочной работой бригад и не предусмотренными договором надбавками за приоритет в дефицитных временных интервалах приёмки.

Прагматический подход рассматривает прибытия и время обработки у ворот как распределения, оценивает перегрузку через явные штрафы за перегруженность (ту же экономику, которая проявляется в плате за простой, демередже, сверхурочных или надбавках за приоритетные интервалы) и позволяет механизму принятия решений откладывать или переносить на более ранний срок заказы до тех пор, пока ожидаемая доходность следующей партии с учётом риска не превысит теневую стоимость капитала компании плюс опционную ценность ожидания. Ритм становится результатом экономического расчёта, а не вводной из календаря; зона приёмки не «всегда занята», зато деньги перестают утекать.

Ниже по потоку ещё одним незаметным источником хрупкости служит преждевременное распределение. Ранняя отправка дефицитных единиц товара в слабые магазины замораживает их там, где они медленно оборачиваются, и мешает обслужить победителей, которые выявятся через несколько дней. Прагматическая процедура назначает явную теневую цену запасам распределительного центра, на которые претендуют конкурирующие запросы, — денежные единицы на единицу товара в день, отражающие возможность удовлетворить более выгодный запрос завтра, — и отпускает единицу в магазин, только когда предельная доходность этого магазина превышает цену удержания в распределительном центре. Фактический товарный поток обычно увеличивается там, где это важнее всего, хотя в распределительном центре немного дольше остаётся больше товара. Хрупкие правила улучшают видимость «занятости»; устойчивые улучшают экономику.

Хрупкость также создаёт затраты труда, ускользающие от дашбордов. Хрупкие правила сталкиваются с реальностью, порождают длинные очереди исключений и мобилизуют планировщиков в качестве человеческих сопроцессоров. Организация начинает считать нормой постоянные ускорения, ручную перестановку последовательностей и корректировки постфактум. Это тушение пожаров поглощает внимание, необходимое для создания рассматриваемого производительного актива: небольшого, понятного механизма принятия решений, который кодирует рамки, цены и вероятностные представления, работает без участия человека и накапливает улучшения. Хрупкие правила не только теряют деньги в плохие дни; они ещё и не дают компании вложить время в то, чтобы плохие дни стали реже и обходились дешевле.

Для проектирования нехрупких решений не нужен героизм; нужен другой подход. Прагматическое видение рассматривает неопределённость как сырьё для прибыли. На практике это означает (i) принятие распределений спроса, сроков выполнения операций, надёжности, возвратов и иногда цен как полноправных входных данных; (ii) выражение всех трений в деньгах — ущерба от дефицита, перегруженности, старения, штрафов за опоздание, опционной ценности ожидания — и ответственность за эти цены на уровне всей компании; (iii) ранжирование предельных обязательств стохастическим оптимизатором по их ожидаемой апериодической норме доходности с учётом риска. Небольшие резервы с денежной оценкой возникают естественным образом: немного общего запаса в распределительном центре, несколько сохранённых транспортных альтернатив, рассчитанный запас возможностей критических ресурсов, умеренное избыточное комплектование наборов там, где штрафы в хвостах велики. Это не талисманы от невезения, а варианты действий, приобретённые потому, что ожидаемая выплата превышает премию.

На практике хрупкость выявляется простым тестом. Если рекомендация рушится при небольших реалистичных изменениях входных данных; опирается на календарные ритуалы, а не на ритм с денежным обоснованием; выражает «совершенство» в артефактах — процентах точности, целевых уровнях сервиса, показателях загрузки, — а не в деньгах; и требует постоянных человеческих «исключений», чтобы оставаться терпимой, она хрупка. Напротив, если процедура может ясно изложить свою рамку, показать распределения, назвать цены, обосновать порог между действием и ожиданием и выдавать досье, выдерживающие сопоставление с фактическими результатами, она, вероятно, устойчива, даже если неопытному наблюдателю кажется немного «расточительной».

После признания неопределённости неизбежен ещё один элемент: соблюдение многих ограничений нельзя гарантировать при любом броске костей. Временные интервалы приёмки, графики водителей, места отбора и циклы зарядки аккумуляторов время от времени будут испытывать перегрузку из-за неудачных совпадений, даже если решения разумны. Правильно не отрицать случайность, а оценивать её в деньгах. Следующий раздел посвящён этим ограничениям, соблюдение которых нельзя гарантировать, и показывает, как работать с ними через вероятностные границы или, лучше, через явные штрафы, выраженные в той же денежной единице, которая определяет все остальные компромиссы.

8.4.2 Ограничения, соблюдение которых нельзя гарантировать

В стохастическом мире большинство «ограничений» — не законы физики, а предпочтения, подкреплённые штрафами. Если обращаться с ними как с указами, которые должны исполняться при любом броске костей, получаются хрупкие планы и дорогостоящее тушение пожаров. Введённая ранее рамка уже подсказывает правильное разделение. Некоторые ограничения действительно жёсткие — юридические запреты, физическая невозможность, барьеры безопасности — и должны входить в проверки допустимости, безусловно отвергающие рассматриваемые действия. Всё остальное мягкое: нарушение оплачивается деньгами или задержкой и потому должно входить в целевую функцию как явно выраженная в деньгах неприятность.

Рассмотрим, например, компанию, размещающую заказы на пополнение склада. У склада есть предельная пропускная способность приёмки. Если в один день приезжает слишком много грузовиков, персоналу приходится отправлять часть из них обратно, чтобы они вернулись позже. Это дорого и нарушает работу, задерживая грузовики, запланированные для последующих доставок. Поэтому заказы на пополнение намеренно распределяют во времени, чтобы избежать чрезмерного входящего потока в любой отдельный день. Однако у поставщиков могут возникать трудности. Непредвиденные задержки иногда приводят к тому, что поставки, изначально назначенные на разные даты, совпадают в один день. Поскольку задержки поставщиков случайны и часто имеют тяжёлые хвосты, такие совпадения невозможно полностью исключить. Для этого потребовались бы непрактично длинные интервалы между последовательными заказами. Разнесение заказов во времени снижает риск превышения пропускной способности приёмки, но не устраняет его.

В более общем случае для большинства ограничений цепочки поставок существует реальный риск нарушения, даже если работать с ними аккуратно. По определению компания не управляет своими клиентами или поставщиками. Нет у неё и полного контроля над собственными сотрудниками, которые по разным причинам могут не выйти на работу. И всё же, хотя совершенство не от мира сего, компания может направлять принятие решений так, чтобы соблюдать эти ограничения. Рассмотрим два подхода.

Вероятностные ограничения предлагают менее строгий критерий. Вместо требования соблюдать ограничение при любом исходе вероятностное ограничение требует его соблюдения с вероятностью не ниже заданной. Один прагматичный подход — допустить небольшой, явно количественно заданный риск нарушения правила: например, удерживать вероятность перегрузки зоны приёмки ниже 5%. Так нарушения остаются редкими и контролируемыми.

Главная слабость вероятностных ограничений, однако, состоит в их принципиально неэкономической природе — точнее, экономический компромисс скрыт внутри произвольного процента, признанного допустимым, то есть безразмерного числа. Этот процент можно настроить так, чтобы он отражал экономику ситуации, но такая настройка создаёт новую задачу, которую придётся решать.

Ограничения со штрафами — более простая альтернатива: перенести ограничения в целевую функцию через штрафы. Каждое нарушение рассматривается как дорогостоящая неприятность, а оптимизатор сопоставляет этот штраф с ожидаемой выгодой решения. Каждое нарушение влечёт большие затраты. Затем оптимизация минимизирует ожидаемые совокупные затраты, естественным образом поощряя допустимые или близкие к допустимым решения. Достаточно высокий штраф сдерживает нарушения и направляет оптимизатор к решениям, близким к допустимым.

Ограничения со штрафами подходят для оптимизации цепочек поставок, поскольку выражают операционные пределы в тех же денежных единицах, которые определяют модель. Практически любое узкое место в принципе можно ослабить за определённую плату, и штрафной член явно отражает эту цену. Поэтому оптимизатор ищет планы, позволяющие избежать разорительных расходов, не оказываясь зажатым жёсткими правилами. Главное, поскольку каждый штраф выражен в валюте, десятки разнородных ограничений без труда суммируются в единой целевой функции, позволяя модели плавно масштабироваться в условиях высокой сложности.

8.4.3 Исследование и использование

Решения повторяются. Каждый цикл обновляет наши представления, а эти представления направляют следующий цикл. Поэтому исторические данные не нейтральны: это побочный продукт вчерашнего выбора. Если розничный продавец никогда не устанавливал для SKU цену выше 9,99, в учёте нет свидетельств о спросе при цене 10,99. Решатель, который только «использует» — всегда выбирает сегодня то, что выглядит наилучшим в текущей модели, — незаметно закрепляет слепые зоны модели. Тогда прибыль перестаёт расти не потому, что возможности мира исчерпаны, а потому, что компания больше не узнаёт, где доходность могла бы быть выше.

Прагматический подход (глава Будущее) рассматривает эту эндогенность как ограничение проектирования. Иногда нужно выбрать действие, немного худшее по сегодняшнему денежному расчёту, потому что порождённое им наблюдение улучшит завтрашний расчёт на сумму, превышающую упущенные деньги. В экономических терминах компания покупает небольшой опцион на знание. Практический вопрос не философский — стоит ли «пробовать новое», — а количественный: когда ожидаемая ценность информации превышает альтернативные издержки эксперимента?

Здесь важны два вида неопределённости. Случайная неопределённость — внутренняя случайность; никакими усилиями её не устранить. Эпистемическая неопределённость — незнание; её можно уменьшить, собирая нужные наблюдения (см. главу Будущее). Исследование — это намеренное уменьшение эпистемической неопределённости, когда его ожидаемый дивиденд — более качественные решения на соответствующем горизонте — перевешивает непосредственные потери от пробы.

Небольшой конкретный пример делает эндогенность наглядной. Рассмотрим линейку спортивных напитков, продающихся в ста магазинах. Компания давно придерживается негласной доктрины, согласно которой «десять денежных единиц» — оптимальная цена для импульсных покупок; в результате база цен богата данными около 9,99 и почти пуста выше 10,49. Модель спроса наследует этот перекос и на очередной запрос снова советует держаться около 9,99. Прагматическая процедура противодействует этой инерции, не ставя бренд на кон. Она выделяет крошечную тестовую группу — скажем, восемь магазинов с типичным потоком покупателей — на две недели, повышает там цену до 10,49 и заново оценивает локальную реакцию на цену. Стоимость — это оценённая потеря маржи (или отпугнутые покупатели) по сравнению с ценой status quo за период теста; дивиденд — прирост результата, который новая реакция позволяет получить при распространении на остальные девяносто два магазина. Если ожидаемый дивиденд, выраженный в деньгах, превышает стоимость эксперимента, ценовая проба рациональна, даже если во время теста восемь магазинов показывают худшие результаты.

Исследование не ограничивается ценообразованием. Закупщик, имеющий дело с новым поставщиком неопределённой надёжности, может заранее разместить несколько намеренно небольших заказов, чтобы изучить хвост распределения сроков поставки, прежде чем брать обязательства по объёму. Планировщик сети может опробовать небольшую схему кросс-докинга в одном регионе, чтобы измерить штрафы за перегруженность, а не предполагать их. Специалист по ассортименту может намеренно допустить дефицит нескольких товаров с низкой долей распроданных запасов (в безопасном масштабе), чтобы узнать реальные коэффициенты замещения вместо экстраполяции по цензурированным данным. В каждом случае механизм оценивает пробу так же, как любое другое действие: допустимые варианты сформулированы, будущее представлено вероятностно, а все последствия — ущерб от дефицита, старение, перегруженность, плата за капитал за единицу времени — выражены в едином денежном учёте.

В литературе этот компромисс известен как «исследование и использование».¹⁴² Классический образ многорукого бандита полезен, если не упускать экономику из виду. Цель — не погоня за абстрактными «границами сожаления», а решение в операционном ритме вопроса о том, преодолевает ли предельная проба тот же порог, который действует для любого обязательства: ожидаемую апериодическую норму доходности с учётом риска. Три привычки проектирования делают процесс понятным и проверяемым:

Во-первых, пробы должны быть небольшими и ограниченными. Окно ответственности ограничивает отнесение результатов; охват (число магазинов, транспортных направлений, SKU) ограничивает потери. Малый масштаб — не робость; он позволяет ясно оценивать в деньгах возможности обучения и сопоставлять их с дивидендами.

Во-вторых, делайте дивиденд обучения явным: ожидаемый прирост результата за окно, в течение которого будет действовать пересмотренное правило, за вычетом старения, уценок, перегруженности и платы за капитал. Скрытые «выгоды» считаются нулевыми; учитываются только деньги в учёте.

В-третьих, встраивайте исследование в тот же механизм, работающий без участия человека. Проба — не особый проект, а ещё одно допустимое действие с досье: априорное распределение, предлагаемое изменение, окно, цены и правило внедрения или отката после получения результатов. Если уверенность механизма падает, эвристики остановки приостанавливают пробу так же, как приостанавливают обычный выпуск решений.

Этот подход также проясняет, почему телеологическое видение не вмещает исследование. В схеме «прогнозировать — планировать — соблюдать» решения — лишь последняя строка детерминированной программы; прогнозы существуют отдельно от действий; а «точность» контролируется как процент, оторванный от денег. В таком мире нет бюджета на покупку информации, потому что процедура предполагает, что уже знает всё важное. В прагматическом мире, напротив, быстрые пробы с денежной оценкой дают преимущество: они сокращают эпистемическую неопределённость там, где это окупается, и позволяют компании действовать первой там, где небольшое открытие приносит накапливающийся эффект.

Теперь перейдём от покупки информации к покупке страховки. Исследование финансирует наблюдения, меняющие модель; поддержание вариантов действий финансирует возможности, которые сегодня убыточны, но при определённых режимах окупились бы, причём с лихвой. Грамматика остаётся прежней: допустимые действия, вероятностное будущее, единый денежный учёт.

8.4.4 Поддержание вариантов действий

Устойчивость означает финансирование вариантов действий, которые сегодня убыточны, но могут сохранить будущую прибыль при изменении условий. Действительно, ценность для бизнеса того или иного набора вариантов, предлагаемых поставщиком, перевозчиком или сборочной линией, зависит от текущих рыночных условий. Если эти условия изменятся, некоторые варианты могут резко подорожать или обесцениться. Компания может хеджировать такие риски, поддерживая нужные варианты действий.

Например, компания из Вестонии сейчас может закупать деталь у поставщика из Руритании. Местные альтернативы в Вестонии, к сожалению, неконкурентоспособны по сравнению с руританским поставщиком. Более того, их детали не полностью соответствуют спецификациям компании. Компания вполне довольна своим руританским поставщиком. Однако правительство Вестонии может ввести огромную пошлину на импорт из Руритании. Несколько набирающих влияние политиков уже открыто выступают за такие пошлины. Их введение резко сократило бы прибыль, а перейти к местным поставщикам компания не смогла бы, поскольку их детали не соответствуют спецификациям. Поэтому, чтобы застраховаться от этого риска, компания выбирает местного поставщика и помогает модернизировать его производство до соответствия деталей спецификациям. Большинство заказов по-прежнему уходит руританскому поставщику, но компания поддерживает местную альтернативу, которая может спасти прибыль, если пошлина будет введена.

Поддержание вариантов действий принимает множество форм. Компания может финансировать неиспользуемые мощности — трудовые, складские, производственные или транспортные. Она может дорого платить за обслуживание в обмен на выгодные условия расторжения договора (для отказа от аренды транспортного средства, здания или промышленного оборудования). Она может снизить эффективность сборочной линии, чтобы облегчить её переналадку и расширить спектр конструкций, которые линия способна выпускать.

Смысл поддержания вариантов действий — подготовить компанию к условиям маловероятным, но далеко не невозможным. В отличие от рассмотренного выше компромисса между исследованием и использованием, цель вложения — не открытие. С самого начала известно, что вариант нежизнеспособен, пока сохраняются нынешние рыночные условия. Это вложение представляет собой хеджирование.

Для оценки жизнеспособности нужно количественно определить три элемента: (1) вероятность события, запускающего изменение, (2) экономию, которую вариант дал бы в этих условиях, и (3) стоимость его поддержания. Если экономия, взвешенная по вероятности, превышает стоимость поддержания, хеджирование прибыльно.

И вновь поддержание вариантов действий имеет смысл только в рамках прагматического видения. При телеологическом видении будущее считается известной величиной. В результате варианты, не обладающие немедленной экономической жизнеспособностью, отбрасываются. Действительно, без обоснования руководству трудно оправдать «ненужные» расходы, особенно связанные с крайне пессимистичными условиями, которые сделали бы несостоятельным нынешний курс, предпочитаемый управленческой командой.

8.5 Последовательные решения

Многие варианты выбора в цепочках поставок последовательны: результат сегодняшнего действия зависит от действий, которые компания выберет завтра. Нынешние обязательства стирают альтернативы и меняют набор вариантов следующего цикла — это эффект храповика, отмеченный в разделе «Асимметрия времени» (глава Будущее). Кажущийся парадокс — «как оптимизировать сейчас, если завтрашнее решение ещё не принято?» — встречается повсюду: зарубежные закупки, которыми нужно заполнить контейнер; отправки в магазины, исключающие последующие распределения; производственные партии, занимающие мощности до следующей переналадки.

В этой главе мы рассматриваем такие ситуации не как изолированные разовые оптимизации, а как правила действий во времени. Чёткий формальный объект здесь — правило принятия решений.

Превращение правила принятия решений в явный объект даёт два результата. Во-первых, оно делает видимой рамку: допустимые действия и проверки допустимости; денежные цены (штрафы и вознаграждения), которые компания готова обосновать; вероятностное представление о будущем, на котором основан каждый выбор. Во-вторых, оно позволяет оценивать замкнутый контур через функциональный прогноз — симулятор, отвечающий на вопрос: «Если мы будем следовать этому правилу, какое распределение результатов следует ожидать?» Эта пара — правило принятия решений плюс функциональный прогноз — позволяет сравнивать рассматриваемые наборы правил по той же мерке, что и разовые решения: ожидаемой норме доходности с учётом риска.

При этом превращение каждой последовательной задачи в полноценный поиск правил принятия решений редко оправдывает возникающие непрозрачность и вычислительные затраты. Пространство возможных правил огромно; их оценка только на уровне целых траекторий затемняет отнесение предельных результатов; а наивный перебор будущих шагов становится слишком дорогим для повседневных операций. На практике мы сохраняем маржиналистский подход — ранжируем небольшие, проверяемые обязательства по денежным единицам за единицу времени, — используя несколько строго определённых инструментов, которые учитывают последовательную взаимозависимость без превращения полного правила в явный объект.

Сквозной пример закрепит эту мысль. Предположим, закупщик должен сформировать зарубежный заказ, который экономически оправдан только при заполнении целого контейнера. В составе может быть много SKU, но каждая единица, загруженная сегодня, должна покрывать спрос до прибытия следующего контейнера от того же поставщика. Однако дата этого прибытия зависит от решения, которое компания ещё не приняла. Буквальная разовая оптимизация не может оценить сегодняшний заказ, не предположив завтрашний. Правило принятия решений устраняет эту зависимость («заказывать, когда теневая цена следующего контейнера превышает \(S\); распределять единицы по предельной доходности с учётом ограничений веса и объёма»), а функциональный прогноз строит распределения сроков поставки, спроса и пропускной способности зоны приёмки при этом правиле.

Оставшаяся часть раздела показывает, как учесть большую часть этой взаимозависимости более лёгкими средствами: окном ответственности, ограничивающим горизонт, на котором сегодняшний заказ отвечает за результаты (следующий подраздел); экономикой ожидания, оценивающей возможность отложить действие и задающей пороговую норму доходности для действия; инвариантностью к перестановкам, обосновывающей жадное накопление распределений в партии — с оговорками там, где порядок действительно важен (маршрутизация транспорта, расписание работ в цехе); и принципом отсрочки, предпочитающим позднюю фиксацию, чтобы сохранять будущие варианты открытыми. Только когда этого требуют задержка или масштаб, мы выполняем явный параметризованный поиск правил принятия решений.

8.5.1 Окно ответственности

Последовательные решения создают проблему отнесения результатов: сегодняшнее действие меняет завтрашние варианты, а завтрашнее, в свою очередь, исправит или усилит сегодняшние последствия. Механизму, который должен работать ежедневно, нужно правило, относящее последствия к каждому обязательству без моделирования всего будущего. Практический инструмент — окно ответственности: ограниченный горизонт, на котором нынешнее решение отвечает за результаты, тогда как остальное наследуют последующие решения.

Окно — не интервал планирования, а принцип учёта. Оно отвечает на два вопроса: с какого момента мы начинаем относить результаты к сегодняшнему обязательству и до какого момента длится эта ответственность, прежде чем перейти к следующему решению того же класса?

Для зарубежного заказа, который должен заполнить контейнер, естественное начало — не календарный день ввода заказа, а день, когда товары становятся пригодными к использованию после производства и перевозки, поскольку только тогда решение может начать приносить или терять деньги. Конец — первый последующий момент, после которого следующий заказ может обоснованно принять ответственность. На практике устойчивое соглашение — завершать окно при прибытии контейнера, следующего за следующим, из того же источника. Ближайший «следующий» контейнер ещё отчасти исправляет или усиливает сегодняшний выбор; после «следующего за следующим» ответственность действительно переходит дальше. Напротив, при ежедневном пополнении магазинов окно обычно длится от сегодняшней ночной поставки до завтрашней; границу задаёт сам ритм.

Внутри окна решение оценивается в деньгах в соответствии с целью компании. Продажи (или потребление), реализованные в течение окна, засчитываются в его пользу; дефициты внутри окна учитываются по явному денежному штрафу, отражающему потерянную маржу, благожелательность клиентов и любые каскадные последствия для соседних товаров. Запасы, оставшиеся к концу окна, нельзя замести под ковёр. Практичны два подхода, в зависимости от случая близких по смыслу. Первый — конечная оценка: рассматривать остаток так, словно его немедленно ликвидируют по ожидаемой ликвидационной стоимости за вычетом ожидаемых затрат на хранение и обработку до этой ликвидации. Второй, часто более простой и консервативный для длинных хвостов, — отнести весь ожидаемый поток будущих затрат на хранение и устаревание к решению, создавшему запас. Этот подход «храповика» признаёт, что последующие действия не могут отменить чрезмерно большую закупку без платы за уценку, хранение и списания; нагрузка по праву остаётся на инициаторе.

Определение границ окна — вероятностная задача. Обычно достаточно двух распределений. Во-первых, распределение срока выполнения операции размещает вероятностную массу на датах, когда обязательство начинает влиять на результат. Во-вторых, распределение следующей возможности принять решение заново обозначает дату передачи ответственности. Этот второй прогноз «нечист» в том смысле, что описывает наше собственное будущее поведение; однако в значимых масштабах объединения в партии — контейнерных рейсах, заводских переналадках, еженедельных интервалах отправки — ритм во многом определяется внешними факторами (предельными сроками, расписанием судов, минимальными объёмами заказа) и оказывается достаточно стабильным для прогноза с полезной точностью. Там, где циклы жёсткие, — ночные отправки в магазины, выпуск продукции в конце смены, — конец задаёт сам календарь.

Обрезая горизонт, мы обязуемся дать денежную оценку тому, что остаётся за ним. Уже упомянутый штраф за дефицит — один пример: он заменяет снижение повторных покупок и динамику замещения, которые мы решили не моделировать на протяжении сезонов. Подобные теневые оценки иногда нужны и в других местах. Модный бренд, агрессивно снижающий цены в конце сезона, может обнаружить, что большие скидки приучают клиентов ждать; долгосрочный ущерб спросу реален, но его трудно моделировать для будущих коллекций, которые ещё даже не разработаны. Небольшой штраф за скидку на единицу товара, выраженный в деньгах и применяемый внутри окна, сохраняет честность механизма, не превращая симулятор в многолетнюю сагу. Как всегда, цены должны быть явными, иметь ответственных, версионироваться и быть доступны для проверки; скрытые штрафы не становятся нейтральными — они становятся произвольными.

Краткий пример закрепит эту мысль. Предположим, импортёр сегодня заказывает полный контейнер. Окно оценки начинается, когда контейнер проходит оформление и товары становятся доступны; оно заканчивается прибытием контейнера, следующего за следующим, по тому же направлению. Все продажи в промежутке засчитываются сегодняшнему заказу; все дефициты за тот же период учитываются по штрафу за дефицит. Остатки в конце окна получают конечную оценку — либо, при подходе храповика, ожидаемые будущие затраты на хранение и уценку полностью относятся к сегодняшнему заказу. Следующий контейнер оценивается в собственном окне по тем же правилам; ответственность не учитывается дважды. Это соглашение делает ежедневный механизм вычислительно осуществимым и проверяемым, сохраняя экономический реализм там, где он важен: в хвостах и в необратимых затратах, которые последующие действия не могут стереть.

Окно ответственности согласуется с развитым ранее маржиналистским подходом. Оно позволяет решателю рассуждать на один шаг вперёд с вероятностными входными данными, ясно относить последствия к решениям и двигаться дальше. Его обоснованность эмпирическая, не теоретическая: выберите границы, выполните параллельный запуск с действующими рецептами, измерьте разницу в деньгах и скорректируйте. На практике этот инструмент успешно работает в широком круге последовательных задач — зарубежных закупках, сглаживании входящего складского потока, отправках в магазины, — потому что удерживает внимание там, где живёт экономика: на вариантах действий с денежной оценкой и будущем с тяжёлыми хвостами, а не на спекулятивных многолетних повествованиях.

8.5.1.1 Экономика ожидания

В каждой последовательной задаче есть молчаливый вариант: пока ничего не делать. Ожидание сохраняет варианты и позволяет накапливаться информации; действие сейчас фиксирует норму доходности и стирает альтернативы. Механизм должен явно оценивать задержку в деньгах и применять пороговое правило. Действовать следует только тогда, когда ожидаемая апериодическая норма доходности с учётом риска у лучшего допустимого действия превышает теневую стоимость капитала плюс опционную ценность ожидания. Ниже этого порога — откладывать.

На операционном уровне это становится простой повторяемой дисциплиной. Ежедневно или с ритмом, определяемым реальностью, пересчитывайте лучшее следующее действие внутри текущего окна ответственности; если его норма доходности превышает порог, выполняйте его и фиксируйте обязательство; иначе ждите. Сразу после заказа контейнера контейнер на следующий же день обычно убыточен: спрос ещё не накопился, возможностей консолидации мало, а штрафы за перегрузку приёмки уже маячат. С течением дней объёмы накапливаются, совместная загрузка улучшается, ожидаемая доходность растёт; как только она пересекает порог, заказ размещается. Правило — не «еженедельные циклы по традиции», а «всякий раз, когда это оправдано экономически».

Та же логика определяет отправки вниз по потоку. Рассмотрим распределительный центр модных товаров, в котором осталось несколько единиц невероятно популярного бестселлера. Выделить сегодня одну единицу слабому магазину может показаться безобидным при точечном прогнозе; завтра это станет дорогостоящим храповиком, когда её запросит сильный магазин, а ничего уже не останется. Вместо попытки расписать весь сезон назначьте теневую цену запасу распределительного центра, на который претендуют конкурирующие запросы, — плату за упущенную возможность в денежных единицах на единицу товара в день, отражающую возможность обслужить более выгодный запрос позже. Отпускайте товар в магазин, только когда его предельная доходность, рассчитанная при текущем вероятностном представлении о распродаже запасов и штрафе за дефицит, превышает теневую цену распределительного центра. Такое терпение не вредит фактическому товарному потоку, а, напротив, обычно увеличивает его там, где это приносит наибольшую отдачу; преждевременное распределение часто снижает фактический товарный поток, замораживая запасы там, где они будут медленно оборачиваться.

Ожидание — не нерешительность, а решение с денежной оценкой, как и любое другое. Порог включает и стоимость капитала компании, и её терпимость к хвостовому риску. Он также включает рассмотренные ранее эвристики остановки: когда уверенность механизма падает (неверно откалиброванные хвосты, необычное срабатывание ограничений), выпуск решений приостанавливается до исправления рамки, цен или семантики. Таким образом, окно ответственности и экономика ожидания вместе превращают многие последовательные задачи в одношаговое жадное накопление, сохраняющее ориентацию на прибыль. Следующий подраздел, об инвариантности к перестановкам, показывает, почему такое жадное накопление часто работает и где порядок действительно важен.

8.5.2 Инвариантность к перестановкам

Многие распределения в цепочках поставок осуществляются партиями: контейнер заполняется набором SKU; линия выпускает серию единиц; грузовик уезжает из распределительного центра с грузом для нескольких магазинов. В этих условиях экономически важны итоговое мультимножество предельных обязательств в партии и ограничения, которым оно удовлетворяет (вес, объём, временные интервалы, предельные сроки), а не условный порядок выбора атомарных обязательств. Если проверки допустимости зависят только от суммарных величин, а штрафы и вознаграждения оцениваются симметрично для элементов партии, целевая функция — с точностью до незначительных эффектов учёта — инвариантна к любой перестановке составляющих партию микрораспределений.

Это наблюдение особенно полезно в сочетании с введёнными ранее инструментами. Окно ответственности ограничивает горизонт, на котором партия отвечает за результаты; экономика ожидания задаёт порог: действовать только тогда, когда лучшее допустимое действие превышает теневую стоимость капитала плюс опционную ценность задержки. При наличии обоих инструментов партию можно собирать жадно: на каждом шаге пересчитывать теневые цены дефицитных ресурсов и выбирать следующую допустимую единицу с наивысшей ожидаемой апериодической нормой доходности с учётом риска; останавливаться, когда срабатывает ограничение мощности или перестаёт выполняться пороговое условие. Поскольку оценка партии нечувствительна к перестановке её составляющих, такое пошаговое построение нацелено на значимый набор — содержимое партии, — а не на церемониальную последовательность без экономического основания.

Две оговорки проясняют, что именно утверждается, а что нет. Во-первых, хотя итоговая ценность партии не зависит от порядка, предельная ценность конкретной единицы зависит от пройденного пути: ранний выбор сталкивается с менее строгими ограничениями, чем поздний. Именно поэтому при жадном накоплении нужно пересчитывать теневые цены после каждого добавления; зависимость от пути учитывается переоценкой, а целью остаётся получившийся набор. Во-вторых, инвариантность к перестановкам — не доказательство глобальной оптимальности; это инженерное обоснование поиска, быстро поднимающегося к высоким значениям в задачах, где преобладают убывающая отдача и штрафы с денежной оценкой, — именно та геометрия, которую мы обсуждали в подразделе Об оптимальности. Механизм повторяет расчёт в операционном ритме; завтрашний запуск начинается с лучшей исходной позиции и более узкой области поиска, а механизм окна относит последствия к решениям без моделирования всего будущего.

Конкретные случаи поясняют мысль. При заполнении зарубежного контейнера допустимость определяется суммарными величинами (весом и объёмом) и предельными датами, а ценность создаёт сочетание товаров, которые будут проданы внутри окна оценки. Разумно добавлять единицы, возможно по многим SKU, в порядке убывания предельной доходности, делая паузу всякий раз, когда экономика ожидания говорит «ещё рано», и возобновляя процесс по мере накопления спроса и возможностей совместной загрузки. При отправках из распределительного центра в магазины запас распределительного центра несёт теневую цену, отражающую возможность удовлетворить более выгодный запрос завтра (см. Экономика ожидания). Магазин получает единицу, только когда её предельная доходность превышает эту теневую цену; затем внутри волны отправки единицы добавляются жадно, пока денежные штрафы и вместимость грузовика не подскажут остановиться. Результатом часто становится более высокий фактический товарный поток там, где это важнее всего. Преждевременные распределения замораживают запас в низкодоходных точках; эта суета снижает товарный поток, когда сезон выявляет настоящих победителей.

Инвариантность к перестановкам также помогает сохранять модели небольшими и проверяемыми. Ограничения партии — минимальные объёмы заказа, стимулы к полной загрузке грузовика, перегруженность зоны приёмки — лучше выражать проверками допустимости и денежными штрафами для отправляемого набора, чем процедурными правилами, предписывающими порядок отбора. Первые дают ясные цены и чёткие остановки; вторые порождают артефакты и обработку исключений. Поскольку ценность партии не зависит от церемониальной последовательности, решатель свободен предлагать следующее лучшее предельное обязательство, записывать его досье и повторять процесс, пока не сработает порог.

8.5.2.1 Распределения, зависящие от порядка

Не все последовательные задачи допускают инвариантность к перестановкам. Некоторые классы по своей природе зависят от порядка: маршрут транспортного средства, последовательность работ в цехе с затратами времени на переналадку и дефицитными навыками, путь комплектовщика по автоматическому складу. Здесь пройденное расстояние, очереди и блокировки или потери при переналадке непосредственно зависят от порядка задач. Перестановка двух остановок на кольцевом сборном маршруте может добавить час езды; перестановка двух этапов работ по техническому обслуживанию и ремонту может увеличить полный срок до возвращения в эксплуатацию на день. В таких случаях последовательность имеет реальное экономическое значение, и модель должна это отражать.

Однако методология остаётся согласованной с этой главой. Мы сохраняем явную рамку (допустимые действия и проверки допустимости), открытую экономику (денежные штрафы за опоздания, сверхурочные, пропущенные интервалы и старение) и принимаем вероятностные представления о спросе, времени поездок, длительности ремонта и надёжности. Тогда задача решателя — предложить последовательность, а не просто набор. Окна ответственности по-прежнему ограничивают отнесение результатов — концом смены, концом дня, возвращением на базу, — а денежные штрафы вводят в целевую функцию ограничения, соблюдение которых нельзя гарантировать. Принцип остаётся прежним: делайте порядок явным только там, где он меняет деньги; в остальных случаях считайте его артефактом и опирайтесь на инвариантность к перестановкам для обоснования жадного накопления.

Вместе инвариантность к перестановкам и экономика ожидания поощряют позднюю фиксацию. Когда оценка партии зависит от её содержимого, а не от церемонии его выбора, разумно откладывать обязательства до превышения порога предельной доходности, а затем быстро собирать партию жадным накоплением. Следующий раздел, Принцип отсрочки, формализует этот подход и показывает, как проектировать потоки, чтобы обязывающий выбор делался как можно позже на практике, сохраняя варианты и повышая доходность в условиях неопределённости.

8.5.3 Принцип отсрочки

Инвариантность к перестановкам и экономика ожидания указывают на общее правило последовательной работы: фиксировать поздно. Компания получает преимущество, откладывая необратимый выбор до поступления информации, существенно меняющей ранжирование вариантов, и одновременно учитывая справедливую цену задержки. При телеологическом видении (глава Будущее) отсрочка — помеха, осложняющая соблюдение плана. При прагматическом видении отсрочка — вариант с денежной оценкой: она сохраняет альтернативы и используется, только когда её ожидаемая доходность с учётом риска превышает соответствующий порог.

Отсрочка, также называемая поздней фиксацией, означает организацию потока так, чтобы обязывающий выбор делался не раньше, чем это оправдано экономикой. Сохраняйте товары, мощности и обязательства в универсальном состоянии, допускающем переназначение, пока ожидаемая апериодическая норма доходности фиксации с учётом риска не превысит (i) теневую стоимость капитала, (ii) опционную ценность ожидания и (iii) премию за отсрочку — дополнительные затраты на сохранение вариантов открытыми.

Эта премия вполне осязаема: содержание запаса полуфабрикатов, которые можно специализировать позже; плата альтернативным поставщикам за готовность; резервирование мощностей окраски или комплектования; дополнительная обработка для сохранения общего запаса в распределительном центре; вложения в более сложную координацию. Отсрочка — не «бесплатная гибкость», а ставка на то, что ценность информации и опциональности с лихвой окупит премию и любой риск старения внутри окна ответственности. При правильном применении отсрочка обычно сокращает период полураспада решений (см. ниже Смена курса), приближая обязательства к моменту, когда они начинают окупаться, и сокращая дорогостоящие ошибочные распределения, которые иначе сохранялись бы надолго.

Поздняя фиксация принимает несколько повторяющихся форм, и все они подчиняются одному экономическому тесту.

Отсрочка формы. Импортёр модных товаров может рано взять обязательства по закупке суровой ткани и фурнитуры (дешёвых универсальных материалов) и отложить дорогую специализацию — окраску, стирку, маркировку, размерный ряд, географическое распределение, — пока первые продажи не покажут, у каких артикулов и цветов тяжёлые хвосты. Допустимые варианты становятся явными: завершить сейчас и широко отгрузить либо подождать несколько недель и завершить то, что действительно поглотят победители. Механизм принятия решений оценивает ликвидационную стоимость отстающих товаров, штраф за дефицит победителей, затраты на специализацию и премию за готовность красильного производства; затем он фиксирует обязательства, только когда ожидаемая апериодическая норма доходности превышает порог.

Отсрочка распределения. Слишком ранняя отправка дефицитных единиц в магазины замораживает их там, где они медленно оборачиваются. Удержание в распределительном центре с явной теневой ценой (денежные единицы на единицу товара в день) сохраняет возможность обслужить более выгодный запрос завтра. Магазин получает единицу, только когда её предельная доходность, рассчитанная при текущем вероятностном представлении о распродаже запасов и штрафе за дефицит, превышает цену удержания в распределительном центре (см. Экономика ожидания). Фактический товарный поток обычно увеличивается там, где это важнее всего, потому что победителей снабжают первыми, а отстающие не накапливают товар.

Отсрочка окончательной обработки и комплектования. Ранние окраска, комплектование, упаковка или адаптация вариантов к регионам обязывают компанию следовать ещё неизвестному распределению спроса. Сохранение незавершённого производства универсальным и поздняя окончательная обработка позволяют заказам выявить нужный состав. Премия — дополнительная обработка и плата за резервирование мощности на завершающем этапе; выгода — меньше списаний неверно выбранных вариантов и более короткий период полураспада решения, поскольку запасы специализируются только при наличии получателя.

Отсрочка во времени. На входящих направлениях контейнер, заказанный «потому что сегодня вторник», чаще всего не проходит экономический тест. С течением дней объёмы накапливаются, совместная загрузка улучшается, а штрафы за перегрузку приёмки меняются. Пересчитывайте ежедневно; выпускайте заказ в тот день, когда лучшая допустимая партия преодолеет порог, определяемый теневой стоимостью капитала, опционной ценностью ожидания и премией за отсрочку. Ритм становится результатом экономики, а не календаря.

Отсрочка изменения цены. Цены формируют спрос; откладывание уценок или акций до уменьшения неопределённости может превосходить заранее прописанную ценовую траекторию. Функциональные прогнозы (глава Будущее) делают правило ценообразования явным и позволяют механизму сравнивать «уценить сейчас» с «подождать ещё неделю» в едином денежном учёте. Премия здесь — риск остаться со состарившимися запасами, если окно закроется; выгода — получить больше от победителей, не приучая клиентов ждать.

На операционном уровне отсрочка — искусство разделения обязательств на решения, которые можно фиксировать поздно. Разбейте монолит («все артикулы, количества, пункты назначения и даты определены за девять месяцев») на поэтапные микрорешения, соответствующие физике потока. Рано принимайте обязательства по входным ресурсам, требующим мало информации и длительного срока выполнения; откладывайте специализацию, требующую много информации и короткого срока; сохраняйте общий запас, пока его назначение не станет выгодным; заключайте договоры с гибкими объёмами и поздними спецификациями там, где премия приемлема. Руководители часто «упрощают» последовательные задачи, делая их жёсткими: замораживают ассортимент, запрещают перераспределения посреди сезона, фиксируют ценовые траектории — не потому, что этого требует физика, а потому, что процессы с участием человека не справляются. При системах принятия решений, работающих без участия человека, узкое место должно находиться в атомах и часах, а не в контуре решений; тогда поздняя фиксация становится не только осуществимой, но и обычной.

Как у любой эвристики, у отсрочки есть границы применимости. Там, где порядок по своей природе значим, — маршрутизация транспорта, последовательность цеховых работ, путь комплектовщика, — ранняя фиксация и есть проблема, а последовательность нужно оптимизировать, а не откладывать. Предварительные разрешения регулятора, дефицит навыков переналадки или скоропортящиеся товары тоже могут задавать жёсткие рубежи, за которыми ожидание уже не окупается. Выход — не отказаться от отсрочки, а сдвинуть рубеж поздней фиксации вверх по потоку настолько, насколько позволяют экономика и допустимость, и явно оценить в деньгах оставшееся в целевой функции: штрафы за опоздание, старение, сверхурочные или пропущенные интервалы.

На практике правило просто и повторяемо. С частотой, диктуемой реальностью, пересчитывайте лучшее допустимое действие, фиксирующее обязательство, в текущем окне ответственности. Фиксируйте его, только когда ожидаемая апериодическая норма доходности с учётом риска превышает сумму теневой стоимости капитала, опционной ценности ожидания и премии за отсрочку. Иначе ждите. Там, где позднюю фиксацию невозможно спроектировать или задержка должна оставаться в пределах десятков миллисекунд, оправданны заранее рассчитанные параметризованные правила — тема следующего подраздела, Поиск правил принятия решений.

8.5.4 Поиск правил принятия решений

На предыдущих страницах мы работали с последовательными решениями, не превращая «правило принятия решений» в явный объект. Окно ответственности ограничивало отнесение результатов; экономика ожидания оценивала бездействие; инвариантность к перестановкам обосновывала жадное накопление; поздняя фиксация сохраняла варианты. Во многих потоках этого достаточно, и такой подход лучше: он сохраняет предельный масштаб рассмотрения, явные цены и понятные рассуждения. Однако бывают случаи, когда вычисления нужно сжать в правило, применимое с миллисекундным ритмом, или когда физика задачи делает порядок существенным, а не церемониальным. В этих случаях мы не отказываемся от экономического подхода; мы кодируем его в правило принятия решений и исследуем пространство таких правил.

Правило принятия решений, как определено ранее, — это алгоритм, сопоставляющий состояниям допустимые действия при заданных ценах и вероятностных прогнозах. Практическое воплощение этого определения служит одной цели: перенести тяжёлые вычисления вверх по потоку, в предварительный стохастический поиск, чтобы инференс в момент принятия решения был быстрым и надёжным. Когда допустимая задержка велика (от минут до часов), пересчёт лучшего предельного обязательства по свежим прогнозам обычно лучше использования готового правила. Когда задержка жёстко ограничена (десятки миллисекунд) или когда тысячи независимых агентов должны действовать одновременно на основе локальной информации — парк комплектовщиков на автоматизированном складе, динамическое размещение в шаттловой системе хранения, зависящие от порядка последовательности работ при дефиците навыков переналадки, — хорошо спроектированное правило становится подходящим носителем экономики, уже развитой в этой главе.

Остерегайтесь соблазна «стационарных доказательств». Литература богата аналитическими правилами, «оптимальными» только в игрушечных мирах: стационарный спрос, тонкие хвосты, аддитивные затраты, отсутствие храповиков. Наш мир — пересечённая местность: распределения сдвигаются, хвосты определяют результат, а обязательства стирают варианты. Оптимальность в символах никогда не должна перевешивать измеренный прирост результата в достоверном симуляторе, а затем и при параллельном запуске в рабочей среде.

Когда же поиск правил принятия решений оправдан? Всякий раз, когда порядок действительно меняет деньги и его нельзя пересчитать достаточно быстро; когда вычисления нужно убрать с критического пути без ущерба для экономики; когда тысячи небольших агентов должны согласованно действовать на основе локальных представлений; и когда простое параметризованное правило способно сохранить смысл отсрочки, предельной оценки и ограничений с денежными ценами при задержке на порядки меньше. Когда эти условия не выполняются, предпочтительнее остаются уже введённые более лёгкие инструменты — отнесение результатов в пределах окна, экономика ожидания, инвариантность к перестановкам и поздняя фиксация: они возвращают узкое место к атомам, сохраняют варианты открытыми до того момента, когда фиксация окупается, и не заключают вчерашние представления в правила, которым предстоит устареть.

На своём месте поиск правил принятия решений дополняет картину, а не вытесняет её целиком. Так компания превращает глубокие медленные вычисления в быстрые повторяющиеся действия, сохраняя ту же экономическую основу: решения остаются предельными ставками, оценёнными в деньгах, обоснованными вероятностным будущим и пересматриваемыми по мере раскрытия реальности. Следующий раздел переходит от правил к инерции и количественно определяет, насколько обременительно обязательство в действительности, — его нагрузку и период полураспада, — чтобы из двух одинаково прибыльных действий компания предпочитала то, которое позволяет раньше сменить курс.

8.6 Смена курса

На свободном рынке постоянны только перемены. Способность сменить курс — вопрос выживания для любой компании. Однако любое решение в цепочке поставок сопровождается эффектом храповика: после распределения ресурсов они больше не доступны немедленно для других целей. Некоторые решения кажутся окончательными, например производственный процесс, расходующий сырьё, а другие — обратимыми, например перемещение запасов между складами. В любом случае с экономической точки зрения эти решения можно отменить, хотя требуемые время и деньги различаются.

Рассматривая решения с одинаковыми прогнозируемыми нормами доходности, компания должна предпочитать те, которые требуют меньших обязательств во времени или в деньгах. Избегать неоправданно больших обязательств необходимо для сохранения гибкости компании, а благодаря ей — для противостояния рыночным потрясениям, которые неизбежно наступят.

При телеологическом видении — прогнозировать, планировать, соблюдать — рабочего понятия гибкости вообще нет. Будущее воспринимается как расписание, исполнение которого нужно обеспечить, а инструменты тяготеют к показателям надзора за планом: точности прогнозов, процентам уровня сервиса, загрузке, оборачиваемости запасов. Такие измерители мало говорят о способности компании сменить курс; они вознаграждают следование угаданной траектории и не замечают времени, необходимого для высвобождения обязательств. Гибкость же — это способность быстро снимать или переназначать обязательства при поступлении новой информации с приемлемыми затратами.

Чтобы обсуждать гибкость в экономических терминах, нужно заменить суррогаты соблюдения плана мерами, оценивающими в деньгах обязательства во времени. Классическая тройка — срок выполнения операции, оборотный капитал и оборачиваемость запасов — остаётся в поле зрения, но мы переосмысливаем её через две операционные величины, делающие длительность явной: нагрузку, создаваемую решением (деньги \(\times\) время), и период полураспада этой нагрузки (время, необходимое для высвобождения половины ресурсов, связанных этим решением).

Срок выполнения операции в широком смысле — это задержка между решением и восстановлением доступности ресурса. Оборотный капитал — разница между текущими активами и текущими обязательствами¹⁴³. Оборачиваемость запасов измеряет, сколько раз запасы продаются или используются в течение года. Вместе эти показатели говорят, сколько капитала связано, но в основном игнорируют, на какой срок; вводимые далее понятия нагрузки и периода полураспада устраняют эту слепую зону.

При прочих равных более короткий срок выполнения операции, меньший оборотный капитал и более высокая оборачиваемость запасов увеличивают способность сменить курс. Эти понятия характеризуют общую инерцию компании: её неспособность немедленно изменить курс, поскольку сначала нужно ликвидировать массу активов, сейчас проходящих через поток, сохранив их ценность.

Однако для понимания инерции компании эти понятия имеют ограниченную полезность. Это не означает, что они неверны или даже основаны на ошибочном подходе; скорее, предмет — характеристика инерции компании — допускает альтернативные понятия, превосходящие их на операционном уровне.

8.6.1 Нагрузка решения

Нагрузка (финансирования) решения о потоке количественно выражает лежащее в его основе связывание ресурсов как произведение стоимости ресурса и срока жизни создаваемых им товаров, в единицах деньги \(\times\) время.

Рассмотрим простой пример. Если компания покупает партию стоимостью 10 денежных единиц и перепродаёт её через 5 дней, нагрузка равна \(L = 10 \times 5 = 50\). Если же компания продаст половину партии через 5 дней, а вторую половину через 20 дней, нагрузка составит \(L = \frac{10}{2} \times 5 + \frac{10}{2} \times 20 = 125\).

Во втором случае нагрузка более чем вдвое выше, чем в первом, поскольку компания держит запасы более чем вдвое дольше.

Теперь предположим, что оплата партии отсрочена на 12 дней. Нагрузка в первом случае фактически нулевая, поскольку финансирование не требуется: поставщику платят после продажи товаров. Во втором случае нагрузка равна \(L = \frac{10}{2} \times (20 - 12) = 40\).

Отсрочка платежа может существенно снизить финансовую нагрузку, связанную с поддержанием потока.

Нагрузка измеряет оборотный капитал, связанный на протяжении всей жизни решения, а не только на отчётную дату. Обычные показатели оборотного капитала дают моментальный снимок, тогда как нагрузка связывает длительность с каждой вложенной денежной единицей. Для компании, испытывающей финансовое давление, этот взвешенный по времени показатель, рассматриваемый вместе с ожидаемой доходностью, служит более точным ориентиром для ранжирования вариантов и направления дефицитного капитала на лучшие способы использования.

Многие компании требуют согласования руководителем, когда закупочный заказ превышает порог. Правило проверяет размер и возможное влияние на ликвидность, но упускает жизненный цикл товаров. Небольшой заказ может обездвижить капитал на месяцы, тогда как крупный отложенный заказ может быть закрыт за ночь. Нагрузка непосредственно отражает это скрытое бремя, связанное со временем.

Компании часто строят графики стоимости запасов относительно оборачиваемости, чтобы выявлять ловушки для капитала, но нагрузка уже объединяет обе величины в одном показателе.

8.6.2 Период полураспада решения

Период полураспада решения — время, обычно измеряемое в днях, за которое его нагрузка уменьшается вдвое за счёт продаж, потребления или обслуживания.

Рассмотрим зарубежный заказ, доставка которого занимает 10 недель, а от получения полного контейнера до продажи половины запаса проходит 20 недель. Тогда период полураспада равен \(7\,(10+20)=210\,\text{дней}\).

Заимствованный из физики период полураспада измеряет время уменьшения нагрузки решения вдвое; он вводит временное измерение, которое скрывает один лишь срок выполнения операции. Действительно, срок выполнения занижает длительность последствий решения всякий раз, когда есть объединение в партии. Аналогичная критика применима ко времени цикла и оборачиваемости запасов. Разумеется, порог «половина» произволен; вместо него можно использовать любой квантиль. Возвращаясь к примеру, период 75%-го распада закупки составил бы \(280\) дней при постоянном спросе.

Период полураспада показывает, насколько быстро можно высвободиться из решения; длинные периоды полураспада запирают компанию на нынешнем курсе и подрывают гибкость.

Кроме того, период полураспада лучше сопротивляется манипуляциям, чем срок выполнения операции: играть с показателем — улучшать число, не улучшая реальность, — становится легче, когда показатель игнорирует, как долго капитал остаётся связанным. Часто это происходит из-за неверно согласованных стимулов, вознаграждающих сам показатель, а не результаты, которые он должен представлять. Компании, стремящиеся к гибкости, действительно часто решают проблему сокращением сроков выполнения операций. Однако распространённая ловушка — сокращение этих сроков за счёт увеличения периодов полураспада.

9 Инженерия

Современная практика цепочек поставок действует как минимум через один уровень опосредования: люди проектируют процессы принятия решений, а эти процессы выдают мириады рутинных решений, направляющих поток. Выдающие их артефакты — числовые рецепты: программы, которые принимают достоверные записи первоисточников, содержат явную экономику и выпускают обязательства, поддающиеся исполнению и аудиту¹⁴⁴. В предыдущих главах — Информация, Интеллект и Решения — мы утверждали, что такие механизмы должны работать без участия человека, если компания хочет превратить способность суждения в производительный актив, а не в бесконечное канцелярское бремя. Эта глава посвящена инженерным принципам, позволяющим таким механизмам существовать и накапливать улучшения.

Охват намеренно узок. Мы не будем повторять общие темы разработки ПО — фреймворки пользовательского интерфейса¹⁴⁵, аутентификацию, инфраструктуру CI/CD¹⁴⁶, контуры управления, шины сообщений или подключение к системам учёта и обратно. По этим вспомогательным наукам есть обширная литература. Нас интересует стык экономического рассуждения и кода: как задавать рамку допустимых вариантов, сохранять неопределённость, не сплющивая её, оценивать компромиссы в деньгах и обеспечивать проверяемость, чтобы происхождение решения оставалось понятным спустя месяцы. Тон намеренно остаётся нетехническим — без алгебры и листингов кода, — чтобы ясно изложить основополагающий выбор, позволяющий системе принятия решений безопасно, многократно и прибыльно выдавать решения без участия человека.

Два уточнения задают основу дальнейшего изложения. Во-первых, «числовой рецепт» обозначает весь аппарат, значимый на практике: не только прогнозирующие модели и оптимизаторы, но и инструменты, раскрывающие разумность рекомендации, условия остановки, прекращающие выдачу при падении уверенности, и досье, позволяющие практикам понять в денежных терминах, из каких представлений исходил механизм в тот момент. Во-вторых, хотя ландшафт приложений каждой компании своеобразен, отстаиваемый здесь инженерный подход универсален: предпочитать явные рамки негласным соглашениям, вероятностные представления точечным суррогатам, денежные штрафы жёстким указам, соблюдение которых нельзя обеспечить, а воспроизводимость — героизму.

LLM заслуживают краткого комментария. Их роль растёт и станет критически важной по мере снижения стоимости написания, рефакторинга, тестирования и документирования числовых рецептов. Однако они не заменяют технического мастерства. LLM не задают экономическую рамку, не проясняют семантику данных и не обеспечивают детерминизм и проверяемость; они лишь ускоряют руки, выполняющие работу. Если обращаться с ними как с умелыми писцами, оснащёнными средствами контроля, проверяемыми и ограниченными, они сокращают цикл итераций, необходимый экспериментальной работе. Если обращаться с ними как с оракулами, они ведут к незаметным дорогостоящим ошибкам.

Наконец, призыв к действию: конкурентное преимущество больше не опирается на более толстую стопку дашбордов — если вообще когда-либо на неё опиралось, — а на собственную способность небольшими силами и с инженерным подходом записать экономику компании в ПО и позволить ему работать без участия человека. Следующий раздел объясняет, почему эту способность нельзя купить в виде готового слоя «планирования» и почему для систем принятия решений программируемость — не вопрос вкуса, а условие безопасности и прибыли.

9.1 Зачем программировать

Прежде чем продолжить, уточним область рассмотрения. В главе Информация мы различали системы учёта, системы отчётности и системы принятия решений. Дальнейшее относится к последнему классу. Учётные регистры и механизмы рабочих процессов — ERP, WMS, CRM — успешно поставляются как готовые продукты, поскольку фиксируют отдельные события и обеспечивают маршруты на основе правил; сущности по конструкции в значительной степени независимы. Настройка способна выразить умеренные взаимосвязи, вносимые рабочими процессами, и COTS (готового коммерческого ПО) достаточно. В готовый продукт не укладывается механизм, превращающий эти записи в решения с экономической оценкой, выдаваемые без участия человека.

Появление корпоративного ПО в конце 1970-х продолжило послевоенную надежду, взращённую исследованием операций, что количественные задачи цепочек поставок допускают замкнутую, постоянную формулировку. Поставщики и учёные стремились кристаллизовать эти способы решения в повторно используемые фреймворки, чтобы нетехнические пользователи могли раз и навсегда «настроить» принятие решений. Эта разумная для учётных регистров амбиция была целиком перенесена на системы принятия решений.

Спустя полвека это обещание для систем принятия решений не осуществилось. Установка готовых стеков «планирования» занимает месяцы или годы, мобилизует армии специалистов, но при столкновении с деталями живого потока они всё равно вырождаются в обходные решения на электронных таблицах. Неудача структурна: универсальные шаблоны не соответствуют взаимосвязям, специфичным для бизнеса.

Замкнутые аналитические способы решения хрупки, поскольку предполагают, что всё подлежащее решению можно полностью перечислить заранее. Реальность отказывается подчиняться. Единственное устойчивое преимущество электронных таблиц, несмотря на их многочисленные недостатки, — именно программируемость. Они позволяют практикам кодировать особенности в тот момент, когда те приобретают экономическое значение. Программируемость — не удобство, а необходимое свойство системы принятия решений.

Безобидные на вид количества обнажают хрупкость. Рассмотрим кабель, продаваемый на метраж. Запись «физически имеется 10 000 метров» скрывает то, что на деле определяет допустимость и ценность: состав и раскрой. Десять бухт по километру и тысяча бухт по десять метров в сумме дают те же 10 000, но после денежной оценки нужных клиентам длин, отходов раскроя и остатков это противоположные экономические активы. Единица измерения — метр — скрывает состояние, о котором нужно рассуждать при принятии решений.

В кабеле нет ничего экзотического. Подобные, совершенно обычные особенности пронизывают каждую отрасль. В авиации оборотные и ремонтируемые компоненты обладают асимметричной совместимостью: с учётом модификаций конкретных серийных экземпляров и компонентов с ограниченным ресурсом детали заменяют друг друга в одном направлении, но не в обратном. В моде явные и неявные замещения меняются вместе с календарём мерчандайзинга и размерно-цветовыми рядами. В товарах для обустройства дома позиции связаны зависимостями на уровне проекта: смеситель без подходящего комплекта сифона или соединителей — мёртвый запас. В продовольственной торговле короткие сроки годности сочетаются с агрессивными правилами уценки, вторичными каналами и скидками поставщиков, меняющими оценку запасов за считаные дни. Электронная коммерция связывает SKU при отправке через упаковку, правила перевозчиков и предельные сроки доставки. «Кабели» каждой области обыденны внутри отрасли и смертельны для универсальных шаблонов.

Поскольку цепочки поставок — системы, такие особенности не остаются на периферии. Они связаны с остальным потоком общими мощностями, корзинами и ожиданиями клиентов. Выделение их в отдельный контур ручной обработки лишь перемещает затраты и риск. Если бы их можно было изолировать, хватило бы небольшого полуавтономного процесса; но это невозможно. Обнаруженное в одном углу ограничение — длины бухт, совместимость серийных экземпляров, размерно-цветовые ряды — меняет допустимый ассортимент, переоценивает варианты, сдвигает ритм входящего потока и меняет сборку заказов и обещанный сервис.

Пытаясь вместить эти взаимосвязи в готовый продукт, поставщики ПО сталкиваются с суровым инженерным законом: взаимодействия растут быстрее возможностей. Каждая новая «базовая» возможность, действительно взаимодействующая с остальными, умножает объём проверяемых сочетаний и пограничных случаев; скромное расширение таких возможностей на 25 % легко может удвоить инженерную нагрузку. Кривая затрат сверхлинейна, поскольку продукт должен одновременно охватывать особенности многих компаний, тогда как каждой компании нужны лишь собственные.

Напротив, имеющиеся грубые программируемые инструменты, прежде всего электронные таблицы, позволяют практикам сосредоточиться на немногочисленных осложнениях, действительно существующих в их контексте. Ограничивая охват собственной экономикой, они обходят рост удельных затрат, губящий универсальные способы решения. Именно это, больше чем привычка, объясняет возвращение команд к электронным таблицам после дорогих внедрений «планирования».

Всё это не обвинение в адрес систем учёта. CRUD-приложения, хранящие достоверные события и обеспечивающие рабочие процессы на основе правил, можно поставлять как готовые продукты; их сущности по конструкции в значительной степени независимы, а связи между ними явны, локальны и проверяемы. Проблема начинается лишь тогда, когда тот же подход к упаковке распространяют на систему принятия решений, само назначение которой — ориентироваться в специфичных для компании взаимосвязях в условиях неопределённости.

Готовые механизмы принятия решений были бы утешительной перспективой для нетехнических руководителей: они низвели бы программирование до навыка второго сорта. К сожалению, природа систем принятия решений исключает это. Без общего искусственного интеллекта никакой конечный каталог шаблонов не может предвидеть взаимосвязи, важные для данной компании в данный момент. Поиск настраиваемости вместо программируемости — принятие желаемого за действительное.

Таким образом, нам остаётся перспектива использовать программные способы решения ad hoc для цепочек поставок. Задача не так пугает, как может показаться: электронные таблицы программируемы, и это не помешало им пользоваться значительным успехом в среде специалистов по цепочкам поставок. Однако возникает вопрос о пригодности имеющихся инструментов для этой работы, начиная с выбора парадигм программирования. С 1950-х годов придуманы тысячи языков программирования. Неразумно предполагать, что все они одинаково пригодны для задач цепочек поставок. В частности, популярность языка или инструмента за пределами этой области мало связана с его пригодностью для решения её задач.

9.2 Экспериментальная оптимизация

Задачи цепочек поставок как минимум непрозрачны, а иногда ещё и коварны. Непрозрачная задача характеризуется высокой эпистемической неопределённостью: мы сталкиваемся с известными неизвестными, а часто и с неизвестными неизвестными. Коварная задача хуже: она меняется при попытке её решить, даже когда действует третья сторона, обычно конкурент. Коварные задачи не подчиняются никакому статичному формальному способу решения.

Непрозрачность — неотъемлемое свойство систем учёта, лежащих в основе исполнения потока. Как обсуждалось в главе Информация, одно лишь установление правильной семантики всех значимых данных — огромная работа, чреватая ошибками. На практике даже скромный числовой рецепт выборочно использует сотни полей из десятков тысяч, распределённых по сотням таблиц.

Коварство возникает всякий раз, когда адекватность ответа зависит от того, что конкуренты делают или не делают. Например, подход с премиальными ценами и высокой доступностью может процветать, когда большинство соперников гонится за низкими ценами и малыми запасами; он может дать сбой, как только они перейдут к тому же премиальному подходу с высоким сервисом.

Экспериментальная оптимизация¹⁴⁷ — краеугольный камень численной инженерии цепочек поставок. Она напрямую работает и с непрозрачностью задач цепочек поставок, и с их порой коварным характером. Экспериментальная оптимизация использует обратную связь из «реального мира» для итеративного улучшения числового рецепта. Во-первых, она отсеивает обыденные ошибки программирования, имеющие экономическое значение. Эти ошибки разнообразны и часты, и одного пристального изучения кода недостаточно, чтобы их избежать. Во-вторых, она открывает путь к обнаружению подходящих критериев оптимизации. Без экспериментальной оптимизации попытки внедрить более совершенные программные технологии для цепочек поставок неизменно проваливаются, и практики в итоге возвращаются к электронным таблицам.

9.2.1 Картезианство

Авторы работ о цепочках поставок, а вслед за ними и большинство поставщиков корпоративного ПО, рассматривают числовые рецепты как чисто интеллектуальную работу сверху вниз. Они начинают с постулирования ситуации: числа SKU, топологии сети, ограничений, оптимизируемых показателей и подобных подробностей. Из этого багажа эксперт выводит решение. Оно обычно принимает форму фреймворка для составления окончательных числовых рецептов. Фреймворк вводится, чтобы учитывать вариации и повторно использоваться во множестве ситуаций.

Этот подход известен как картезианский, по имени французского философа XVII века Рене Декарта. Картезианство делает сильный акцент на чистом разуме и силе мышления. Оно утверждает, что достижение истины в своей основе — строго интеллектуальное занятие. Из небольшого набора самоочевидных истин тщательное методичное рассуждение должно приводить к более глубоким и сложным выводам.

Хотя разум, безусловно, предпочтительнее¹⁴⁸ авторитетов, мистицизма, порочных стимулов или видений под действием наркотиков, картезианство не лишено недостатков, особенно в цепочках поставок. В исходном багаже, якобы характеризующем данную ситуацию цепочки поставок, нет ничего самоочевидного. На практике этот багаж — случайный, чрезмерно обширный набор элементов сомнительной обоснованности.

Авторы обычно понимают, что чисто интеллектуальный фреймворк — неудовлетворительное предложение. Поэтому они реализуют его и проводят многочисленные эксперименты in silico. Те принимают форму сравнительных тестов, проверок на исторических данных и других симуляций. Эти «эксперименты» призваны продемонстрировать обоснованность и результативность фреймворка в правдоподобных условиях.

К сожалению, подвергнуть фреймворк «правдоподобной» серии тестов — значит доказать очень мало, и уж точно не его пригодность для работы реальной цепочки поставок. В лучшем случае такие тесты выявляют грубые проблемы, например трудности масштабирования, которые иначе мешали бы операциям. Но эти проверки in silico даже близко не дают искомого доказательства. Нам нужны твёрдые гарантии, что внедрение полученного числового рецепта даст компании положительный чистый результат.

Такие гарантии возникают не из дополнительного формализма, а из опровержимости в попперовском смысле (см. главу Эпистемология). Каждый числовой рецепт — предположение о том, как компании следует связывать обязательствами дефицитные ресурсы; его предпосылки должны быть поставлены под угрозу провала в мире, которым он намерен управлять. Сравнительные тесты и проверки на исторических данных полезны как предполётные проверки: они исследуют внутреннюю согласованность и масштабируемость, но не сталкиваются с состязательными стимулами, смысловым дрейфом и событиями из тяжёлых хвостов, определяющими живой поток. Поэтому подходящее средство против картезианской позиции методологическое, не алгебраическое: спроектировать среду так, чтобы рецепт рано и часто встречался с реальностью, и сделать опровержение главным источником прогресса.

9.2.2 Обыденные проблемы

Когда специалист по цепочкам поставок реализует числовой рецепт, первая партия сгенерированных решений почти наверняка окажется неудовлетворительной. Многие выдаваемые рецептом числа будут «безумными» — вскоре мы вернёмся к этому термину. Коренные причины этих безумных решений обычно просты. Числовые рецепты часто подрывают пять классов проблем: обыденные ошибки, семантика данных, ограничения, экономические факторы и стратегия.

Во-первых, обыденные ошибки. Числовой рецепт, достойный реальной цепочки поставок, занимает тысячи строк кода, не говоря уже о миллионах в универсальных зависимостях. Семь десятилетий разработки ПО преподали один урок: единственный код без ошибок — ненаписанный код. Подходящие парадигмы могут улучшить положение, но полного устранения не видно даже на горизонте, особенно при объединении ПО, написанного многими руками, когда проблемы возникают на границах.

Во-вторых, проблемы семантики данных. Этот класс уже обсуждался в главе Информация. По существу, семантика любого столбца базы данных, скажем «Дата заказа», определяется оператором. Если оператор понимает под «Датой заказа» дату, когда поставщик подтвердил готовность исполнить заказ, то именно такова семантика, что бы ни говорила документация системы учёта. Учитывая, что современная система учёта содержит десятки тысяч столбцов, многие из которых допускают разные толкования, недоразумения неизбежны. Такие неверные интерпретации могут сильно искажать сгенерированные решения.

В-третьих, ограничения часто либо не высказаны, либо выдуманы. Невысказанное ограничение — то, которое не задокументировано должным образом. Например, Боб, занимающийся пополнением склада, знает, что при входящем потоке свыше 5 000 единиц в день команда не справляется и вынуждена прибегать к дорогим сверхурочным. Боб узнал это год назад, проведя несколько месяцев в складской команде. Однако этот предел пропускной способности так и не задокументировали, поэтому числовой рецепт полностью его игнорирует. Напротив, выдуманные ограничения возникают, когда реальное ограничение считают слишком запутанным для полуручного решения. Например, ценовые ступени поставщика часто заменяют MOQ (минимальным объёмом заказа), отражающим ту цену за единицу, которую отдел закупок считает приемлемой. Но это ограничение выдумано: можно заказать меньше так называемого MOQ, если компания согласится на более высокую цену за единицу. Рецепт, упускающий этот нюанс, часто создаёт избыточные запасы, принудительно дотягивая заказ до MOQ.

В-четвёртых, экономические факторы могут быть оценены неверно. Как мы видели в главе Экономика, денежная оценка трудна. Экономический анализ потока требует множества эвристик для отнесения расходов и выручки к решениям. Более того, многие долгосрочные эффекты можно оценить лишь грубо. Например, скидки, вероятно, подрывают готовность клиента платить, всё сильнее склоняя его выжидать следующую выгодную акцию. Количественно оценить этот эффект трудно, поскольку соответствующие периоды измеряются годами. Рецепт, направляемый неверной экономикой, порождает решения с видимостью осмотрительности, которые со временем не дают ожидаемой доходности.

В-пятых, стратегия компании может хорошо выглядеть на бумаге, но не при исполнении. Например, руководство может поставить во главу угла «предельную удовлетворённость клиентов», а затем узнать, что недобросовестные участники злоупотребляют послаблениями — свободным возвратом товаров или доставкой за ночь. В более общем случае стратегия обычно во многом отражает интуитивное понимание лежащей в основе компании экономики. Поэтому общее направление понимания может быть верным, но упускать мелкий шрифт, требующий избирательного применения альтернативных стратегий. В более широком смысле природа рынков и их непрерывные изменения гарантируют, что со временем конкуренты подорвут любую данную стратегию.

Шансы получить подходящие решения от только что написанного числового рецепта исчезающе малы. Погоня за принципом «с первого раза правильно», распространённым в производстве, в цепочках поставок — принятие желаемого за действительное. Окружающие сложность и непрозрачность для этого слишком велики. Однако улучшить исходный черновик вполне возможно. Это сводится к выявлению, а затем устранению «безумных» решений.

9.2.3 Безумные решения

Решение в цепочке поставок «безумно», когда оно, скорее всего, принесёт компании непреднамеренные убытки. Только что написанный числовой рецепт неизменно генерирует множество безумных решений. Помимо непосредственного финансового ущерба, безумные решения обоснованно подрывают доверие практиков к самой автоматизации. Если их не устранить, само их присутствие в результатах гарантирует, что практики отбросят рецепт и вернутся к электронным таблицам.

Прежде всего заметим: хотя выявление безумных решений — задача общего интеллекта (см. главу Интеллект), это не задача выдающегося интеллекта. Тщательной ручной проверки практиком, число за числом, достаточно, чтобы поймать большинство нарушителей. Главное препятствие — не способности практика, а само время, необходимое для такой проверки в большом масштабе.

Трудность сродни выявлению неправдоподобных сюжетных поворотов в романе. Рекомендации могут ускорить работу, но полностью решить эту задачу в рамках узкой формализации невозможно. При этом большинство читателей легко замечает, когда история выходит за пределы того, что можно считать «правдоподобным».

Вопреки интуиции, безумные решения часто оказываются единственным способом обнаружить изъяны числового рецепта. Столкнувшись с безумным решением, нужно восстановить приведшую к нему последовательность вычислений. В ПО дефект почти неизменно отражает ошибочное представление. Нечто считается истинным, хотя на деле это не так. Самим своим существованием безумное решение помогает практику точно определить, какое представление неверно.

9.2.4 Итеративное опровержение

Экспериментальная оптимизация — методология, стремящаяся опровергнуть числовой рецепт в его нынешнем виде. Она признаёт, что решения цепочки поставок нужно подвергать повторным испытаниям реальностью и что эти испытания играют основополагающую роль в выявлении скрытых ошибок даже в самом тщательно продуманном решении. Вместо притворства, будто задача заранее полностью определена, экспериментальная оптимизация стремится выявлять и исправлять проблемы в итеративном практическом цикле.

Процесс разворачивается следующим образом:

1. Предложить числовой рецепт — программную процедуру или скрипт, — преобразующий доступные данные (прогнозы, затраты, ограничения) в явные решения цепочки поставок (закупочные заказы, производственные запуски, распределения).

2. Запустить рецепт в среде, достаточно стабильной для генерации реальных или близких к реальным решений, заставив его столкнуться с необработанной сложностью действующего набора данных, без притворства, будто «трудные» товары или площадки можно удобно исключить.

3. Выявить «безумные» решения; эта задача обычно требует внимательной проверки человеком: руководители или аналитики изучают выбросы, подозрительные распределения или поражающие размером заказы, пока не найдут коренную причину. Она может заключаться в неверной семантике данных, упущенном факторе затрат или недавно возникшем ограничении.

4. Усовершенствовать инструменты проверки и пересмотреть рецепт: недостающие данные или признаки (например, дисперсия срока выполнения операции, новые категории ограничений поставщиков) направляют следующую редакцию. Явную структуру затрат тоже можно скорректировать, если итерация выявляет, что штраф за дефицит нереалистично низок или вызывает расточительное накопление избыточных запасов.

5. Повторять, пока каждый цикл не перестанет порождать новые «безумные» результаты; со временем явных дефектов становится меньше, а решения становятся устойчивее и лучше соответствуют экономической реальности цепочки поставок.

Особая сила этого итеративного подхода в том, что он приглашает прямое опровержение. Если предлагаемые рецептом решения выглядят проблематичными хотя бы для нескольких SKU или площадок, какое-то предположение нужно поставить под сомнение и исправить. Это отличается от взгляда чисто математической оптимизации, где доказательства оптимальности мало помогают, когда реальный мир не соответствует исходной модели. Экспериментальная оптимизация приветствует такие несоответствия: каждый дефект или «безумная» рекомендация — возможность вскрыть более глубокие ошибки.

9.2.5 Инструменты проверки

Экспериментальная оптимизация сильно зависит от инструментов проверки. Конвейер данных должен позволять быстро готовить и выполнять каждую новую итерацию. Если внедрение каждой редакции занимает недели, процесс не успевает за средой. Отсюда необходимость тщательно версионируемых данных, воспроизводимых рабочих процессов и возможности «путешествовать во времени», изучая прошлые состояния и результаты.

Можно ожидать, что показатели — оборачиваемость запасов, доля удовлетворённого спроса, точность прогнозов — станут окончательными судьями успеха или неудачи. Эти меры важны, но отстают от событий и могут искажаться изменением условий. Кроме того, показателями можно манипулировать. Например, компании, на которые давят ради повышения уровня сервиса, могут просто создать избыточные запасы повсюду. Спустя несколько месяцев раздутые запасы вызывают перерасход средств. В ответ поверх исходной системы наслаивают новые ограничения. Эти колебания между показателями и поведением могут выродиться в клубок меняющихся правил, скрывающих результативность.

В экспериментальной оптимизации самый ясный сигнал прогресса — отсутствие очевидных промахов. Каждый день предложенные ПО решения выглядят разумными без ручных исправлений или корректировок в последнюю минуту. Если командам цепочки поставок больше не нужно «тушить пожары» половину рабочего времени, бизнес уже получает более высокую результативность: меньше срывов, меньше лихорадочных повторных отправок, меньше странных обходных приёмов на складе. Со временем эти операционные выигрыши отражают более глубокое согласование решений с правильными структурами затрат и более надёжной семантикой данных — улучшения, которые впоследствии проявятся и в стандартных показателях. Даже если верхнеуровневым числам нужно время, чтобы измениться, исчезновение «безумных» решений — безошибочный признак успеха.

9.2.6 Непрерывное улучшение

В отличие от подхода с замкнутым аналитическим решением, претендующего на то, чтобы раз и навсегда «решить» цепочку поставок, экспериментальная оптимизация не заявляет о сходимости к устойчивому оптимуму. Цепочки поставок развиваются, ограничения меняются, товарный состав сдвигается, открываются новые заводы, запускаются акции или вспыхивают ценовые войны. Поэтому цикл никогда не завершается. Хорошо настроенный рецепт, работающий сегодня с минимумом безумия, завтра может потребовать существенных обновлений при глобальной пандемии, появлении нового конкурента или смене стратегической позиции компании. Даже без внешних потрясений новые открытия, например обнаруженные факторы затрат, требуют дальнейших корректировок.

Эта постоянная изменчивость — не дефект. Напротив, она подчёркивает, что мастерство в цепочках поставок состоит в координации изменений до того, как их каскад выйдет из-под контроля. Оформляя каждое изменение как небольшой проверяемый эксперимент, организация приобретает и устойчивость, и ясность цели. Вместо провозглашения окончательной формулы специалисты по цепочкам поставок становятся хранителями живого процесса, воспринимающего неизбежные сбои как новые порции входных данных.

Экспериментальная оптимизация соединяет две идеи, которые часто держат порознь. Во-первых, она принимает количественную амбицию: цепочку поставок лучше всего направляют числа, систематически обрабатываемые и рекомбинируемые алгоритмами. Во-вторых, она признаёт опровержимость: самый верный способ подтвердить или опровергнуть метод — подвергнуть его результаты реальным условиям. Имеет ли данный план «смысл», становится известно лишь после его столкновения с сырыми данными в цехе, на складе или у магазинной полки.

Требуя, чтобы каждое предложение подвергалось испытанию реальностью, экспериментальная оптимизация превращает ошибки в катализаторы обучения. Циклический процесс — оснастить инструментами проверки, принять решения, заметить безумие, исправить и запустить заново — не гарантирует, что все скрытые ограничения и факторы затрат обнаружатся сразу. Он обеспечивает другое: весь подход, сколь бы неполным или предварительным он ни был, остаётся привязан к миссии цепочки поставок — наилучшим возможным решениям внутри неустранимо сложных потоков. Благодаря повторным испытаниям богатство и непокорность предметной области становятся двигателем постепенного прогресса, а не непреодолимой преградой.

9.3 Раскрытие логики

Непрозрачный числовой рецепт выдаёт результаты — цены, количества повторного заказа, планы пополнения, — но остаётся непроницаемым для самих практиков, которые от них зависят. В современных цепочках поставок любой нетривиальный конвейер данных склонен проявлять такое поведение «чёрного ящика», когда числовой рецепт содержит слои автоматизации или непрозрачные математические модели. Даже решения на простых формулах, например страховые запасы, выведенные из предположений о «нормальном спросе», на практике становятся чёрными ящиками, как только обрабатывают тысячи товаров, каждый со своими нюансами и ограничениями.

Раскрытие логики — превращение в «белый ящик» — противодействует этой непрозрачности. Оно признаёт, что ни один продвинутый конвейер данных не прозрачен сам по себе. Без намеренных усилий логика числового рецепта остаётся погребённой в коде, вынуждая практиков выбирать между двумя неудовлетворительными вариантами: слепо доверять системе или возвращаться к полностью подконтрольным им электронным таблицам, которым недостаёт мощности или масштабируемости для реальной сложности потока. Раскрытие логики предлагает третий путь: сохранять мощную автоматизацию и одновременно показывать «почему» за каждой рекомендацией.

Основной принцип раскрытия логики: ясность должна служить людям на переднем крае решений цепочки поставок. Затемнение может принимать множество форм — огромные таблицы данных, непроверенные ограничения или передовые алгоритмы машинного обучения, которые способны интерпретировать лишь немногие специалисты по анализу данных. Ответ — не упрощать все вычисления до игрушечных формул: это растратило бы вычислительные возможности, необходимые для сложных потоков. Вместо этого раскрытие логики выбирает более трудный путь — показывать главные экономические факторы каждого решения. Помимо самих чисел распределения, рецепт должен выводить короткий список максимально значимых экономических показателей. Для рекомендации заказа они могут включать текущий запас, срок выполнения операции, прогнозируемый риск дефицита в денежных терминах и стоимость излишка, если предлагаемое количество окажется чрезмерным. Эти несколько столбцов дают две важнейшие выгоды: во-первых, служат практику быстрой проверкой здравого смысла; во-вторых, указывают, где решение может пойти не так, если какое-либо предположение или элемент данных окажется неверным.

Такая прозрачность опирается на приближение конвейера данных к пользователю. Практики должны иметь возможность добавлять, удалять или корректировать объясняющие показатели без запуска многомесячного ИТ-проекта. Как экспериментальная оптимизация требует быстрых итераций для выявления и устранения «безумных» решений, так раскрытие логики требует быстрых итераций в самих дашбордах. Если решение выглядит неверным, команда уточняет или добавляет объясняющий показатель, перезапускает конвейер с воспроизводимостью с возвратом во времени и изучает, объясняет ли вновь выявленный фактор решение или обнаруживает ошибку. Такой подход означает, что каждый новый показатель, будь то штраф за упущенные продажи или стоимость заполнения контейнера, можно быстро проверить и скорректировать. Со временем эти показатели складываются в компактный набор мер затрат и риска, освещающий каждую рекомендацию без затопления пользователей несущественными метриками.

Принципиально, что раскрытие логики не гарантирует ни всеобщего согласия, ни идеального моделирования всех ограничений. Оно стремится к тому, чтобы решения не вызывали резкого недоверия или «панических ручных корректировок» у практиков, не видящих их логики. Прозрачность снижает порог доверия, необходимый для принятия автоматизации. Когда команды цепочки поставок могут связать предлагаемый производственный запуск или количество повторного заказа с видимым компромиссом, например стоимостью возможной остановки линии против затрат на хранение дополнительных деталей, они охотнее принимают численный результат, даже если он противоречит прежним практическим правилам. И наоборот, когда результат не выдерживает интуитивных проверок, раскрытие логики направляет внимание на фактор, который может быть пропущен или неверно обозначен, и тем самым направляет следующее улучшение.

Ещё одно важнейшее измерение раскрытия логики — способность уменьшать организационные трения. Во многих компаниях прогнозы или планы пополнения переходят от команд анализа данных к руководителям цепочек поставок, затем к финансистам или складским операциям, причём каждая группа имеет собственные показатели, определения данных и ограничения. Такая сложная передача часто умножает путаницу: руководитель, видящий «купить 1 200 единиц» в одной системе, может не знать, что где-то ещё учли скидку за количество. Показывая главные затраты и ограничения непосредственно в окончательных решениях, раскрытие логики связывает эти передачи. Заинтересованные стороны видят в денежных терминах, как был взвешен каждый фактор. Они могут исправлять или уточнять эти значения, не разбирая весь конвейер.

Раскрытие логики — отнюдь не разовая задача, а постоянный принцип проектирования. Как только цепочка поставок меняется — из-за новых поставщиков, изменившихся сроков выполнения операций или скорректированных стратегических целей, — должны меняться и механизмы прозрачности. Иначе скрытые или устаревшие предположения вновь выходят на поверхность, создавая новые зоны чёрного ящика. Поддержание раскрытой логики требует регулярного сотрудничества между экспертами предметной области и командами, отвечающими за разработку числовых рецептов, чтобы при изменении любого аспекта потока менялись и объясняющие показатели.

Таким образом, раскрытие логики находится на пересечении надёжности и доверия. Оно отвечает практическим реалиям современных цепочек поставок, где передовые численные методы незаменимы, но так же незаменимо доверие людей, применяющих эти методы. Без раскрытия логики даже прекрасно спроектированная система остаётся непригодной к использованию; с ним даже сложные процессы становятся достаточно понятными, чтобы практики могли их принимать, совершенствовать и эксплуатировать день за днём.

9.4 Оценивание неуловимого по Ферми

Как бы ни подходили к числовому рецепту, команды цепочки поставок неизбежно сталкиваются с неуловимыми параметрами. Это величины или силы, которые не проявляются явно ни в одной системе учёта и потому ускользают от прямого измерения. Они могут быть стратегическими: например, ожидаемая дата выпуска многообещающей, ещё разрабатываемой технологии, от которой неявно зависит план развития продукта. Или операционными: например, вероятность того, что крупный, но испытывающий финансовые трудности поставщик подаст заявление о банкротстве в ближайшие несколько кварталов. При столкновении с такими факторами традиционный подход обходит проблему. Практики могут вообще исключить эти параметры из автоматизации и вернуться к полуручному процессу, направляемому смесью мнений, догадок и осторожных подстраховок. Такой обходной путь обрекает числовой рецепт на зависимость от непрерывного человеческого вмешательства, подрывая любую перспективу настоящей автоматизации.

Более удачный подход рассматривает эти «неизмеримые величины» как первоочередные объекты анализа в стиле Ферми, подобного описанному Philip E. Tetlock и Dan Gardner в «Superforecasting: The Art and Science of Prediction» (2015). Ключевая мысль, популяризированная физиком Энрико Ферми, состоит в том, что кажущуюся невозможной для оценки величину можно разложить на ряд более поддающихся оценке частей, которые при умножении или сложении дают заслуживающую доверия оценку исходной неизвестной. Известен вопрос самого Ферми студентам: сколько настройщиков фортепиано работает в Чикаго — число, которое большинство сочло бы непознаваемым без официального списка. Однако разделение задачи на небольшие отдельные части, такие как примерное население города, доля домохозяйств с фортепиано и частота настройки, позволяет получить итоговую оценку, удивительно близкую к истине.

В практике цепочек поставок более показательный пример — вероятность удвоения импортных пошлин на товары из Руритании в ближайшие пять лет. Эта величина не появляется ни в одном регистре, но непосредственно определяет ритм закупок, сочетание источников снабжения и цены. Разложение по Ферми делает оценку посильной. Начните со взгляда извне: подсчитайте, как часто за последний век отношений Вестонии и Руритании пошлины сопоставимой величины повышались или снижались и на каких горизонтах. Эта историческая базовая частота прочно закрепляет априорную оценку. Затем включите взгляд изнутри: прочтите нынешние политические дискуссии в Вестонии; оцените, выступает ли правящая партия за повышение или снижение пошлин и центральна ли эта тема для её программы или периферийна, и соответственно скорректируйте априорную оценку. Далее взвесьте правдоподобные результаты выборов на соответствующем горизонте, скажем через два года, используя опросы или рыночные вероятности. Для каждого исхода оцените условную вероятность того, что победившая партия станет добиваться удвоения. Наконец, рассмотрите пути ответных мер: пошлина, введённая Руританией, может вызвать взаимные меры Вестонии. Повторите те же рассуждения с руританской стороны — её внутренняя политика, историческая склонность использовать пошлины и значимость торговой напряжённости, — чтобы оценить вероятность того, что шаг Вестонии будет ответным, а не инициативным. Итоговый продукт — не точечная оценка, а откалиброванная вероятность, которую можно пересматривать по мере поступления информации.

Когда эта вероятность есть, её можно перевести в решения с денежной оценкой: ожидаемое увеличение пошлины на затронутые SKU; опционную ценность ускорения или откладывания импорта перед предельными сроками; оправданную премию за альтернативные страны происхождения с меньшей подверженностью риску; пользу отсрочки (поздней фиксации), позволяющей удерживать чувствительные к пошлинам преобразования за рубежом. Оценка может быть грубой; важно, чтобы она была явной, проверяемой и рассматривалась наравне с затратами на закупку и хранение, позволяя ПО без участия человека взвешивать её вместе с другими факторами.

Принципиально важно не прекращать разложение неуловимого параметра после того, как первоначальная догадка записана в код. При экспериментальной оптимизации эти новые параметры подчиняются тем же циклам опровержения, что и всё остальное. Отсутствие «вероятности удвоения пошлины» в системе учёта не освобождает её от проверки; напротив, её новизна требует бдительного наблюдения. Если возникает безумное решение, например систематически ускоряющее чрезмерно большие входящие заказы и истощающее оборотный капитал ради упреждения потрясения, которое так и не наступает, это сигнал о завышении вероятности или её экономического перевода. И наоборот, если пошлины действительно резко растут, а числовой рецепт не проявляет признаков предварительного хеджирования — ни перенесённых на более ранний срок отправок, ни диверсификации происхождения, ни отсрочки, — вероятность была занижена. Уточнение итеративно: каждый проход, направляемый реальными исходами или едва предотвращёнными неудачами, оттачивает логику, пока явно безумные решения не перестанут возникать.

На практике подход Ферми становится и мощным ограждением от когнитивных искажений, сопровождающих любую догадку. Эти догадки возникают не из смутного впечатления, а опираются на цепочку более мелких и осязаемых оценок. Процесс развивает «активную открытость мышления» — черту, зафиксированную у суперпрогнозистов Тетлока, которые методично разбивают задачу, а затем взвешивают внешние точки зрения для калибровки каждой части. Вся команда цепочки поставок может видеть прямо в коде или на дашборде с раскрытой логикой, как рассчитана вероятность удвоения пошлины; это способствует согласованности и совместной тонкой настройке вместо односторонних ручных корректировок. Если руководитель импорта считает неверными веса результатов выборов или значимость торговой политики в предвыборной программе, команда может пересмотреть одну эту частную оценку, не разрушая весь метод.

Хотя оценивание по Ферми трудоёмко, это прямое продолжение методов, уже необходимых для полной автоматизации числового рецепта. Как только практики цепочек поставок признают, что ни один параметр не бывает настолько неосязаемым, чтобы его нельзя было разложить, пусть и с помощью грубых эвристик, путь включения этих неуловимых элементов в систему становится ясен. Как и «обычные» параметры, догадку лучше вводить при строгом оснащении инструментами проверки, чтобы каждый рабочий запуск мог подтвердить или оспорить исходную логику. Мастерство в цепочках поставок развивается через итерации, а не разовые установления. При столкновении с неосязаемым главная ошибка — не первоначально неверная оценка, а отказ вообще дать какую-либо оценку, обрекающий рецепт на частично ручную работу.

Полностью приняв принцип Ферми, практики цепочек поставок могут заняться именно теми областями, которые прежде считались «не поддающимися измерению»¹⁴⁹. Вместо того чтобы склоняться перед неосязаемыми элементами, парализующими автоматизацию, они превращают их в набор более мелких, посильных частей, поддающихся проверке и уточнению. Как и все части живого числового рецепта, каждое приближение связывается с реальными результатами, которые оно порождает, позволяя цепочке поставок со временем включать усвоенное. Альтернатива — молча отбрасывать такие неуловимые параметры как безнадёжные — гарантирует, что автоматизация останется немногим больше стремления. Оценивание по Ферми предлагает решительно практичный путь к явному представлению даже самых неуловимых параметров, обеспечивая включение всех критических факторов потока, осязаемых или нет, в целостную автоматизированную систему.

9.5 О программируемости

В предыдущих главах мы утверждали, что современные цепочки поставок должно направлять ПО, работающее без участия человека и выдающее проверяемые обязательства с экономической оценкой. Как только мы принимаем программный способ решения задач цепочек поставок, возникает обыденный на вид, но основополагающий по сути вопрос: на каком языке следует выражать эти решения? Это не прихоть в выборе инструмента. Язык определяет, какие идеи можно сделать явными, какие варианты перечислить без ухищрений, как оценивать неопределённость в деньгах и как проверять полученные обязательства спустя годы.

Со времён завершения эпизода 4GL область в основном уклонялась от этого вопроса.¹⁵⁰ Пустоту заполнили электронные таблицы, механизмы правил, приклеенные к ERP, и скрипты на языках общего назначения. У каждого из этих инструментов есть своё место, но ни один не годится в качестве родной среды принятия решений без участия человека в масштабе цепочек поставок.

Системы учёта говорят на SQL, поскольку должны сохранять факты, а не изобретать их. SQL отлично выражает, что есть внутри регистра, — строки и их отношения, — а не что следует делать дальше перед лицом изменчивости и компромиссов. Механизмы правил поверх транзакционных систем пытаются перекрыть разрыв капельным добавлением условий «если — то»; со временем они превращаются в хрупкие наслоения, которых никто полностью не понимает, особенно при изменении стимулов. Скриптовые языки — сегодня чаще всего Python, вчера VBA¹⁵¹, ещё раньше проприетарные макросы — мощные протезы аналитиков, но сама их свобода подрывает свойства, наиболее нужные в рабочей среде: детерминизм, воспроизводимость и строгий контроль побочных эффектов. Они производят ремесленные инструменты; механизмы принятия решений без участия человека должны быть промышленными.

Подходящий язык автоматизации решений цепочки поставок должен соответствовать экономике потока и физике компьютеров. Его объекты должны быть теми, с которыми практики действительно работают: типизированными таблицами с ключами SKU, местоположений и дат; массивами над этими таблицами; и, что принципиально, случайными величинами, несущими распределения спроса, сроков выполнения операций и возвратов. Неопределённость должна быть полноправной вместе с алгеброй, преобразующей распределения в денежные результаты, чтобы ожидаемую доходность любого действия с учётом риска можно было записать короткой формулой, а не симуляцией постфактум. Цены должны быть явными: конвертация валют и округление — встроенными функциями. Время тоже должно быть полноправным: календари и календарная алгебра. При наличии этих примитивов механизм выражает решение напрямую; при их отсутствии практики протаскивают их по частям, и кодовая база вырождается в обходные решения.

Поскольку жизнеспособность механизмов без участия человека зависит от проверяемости, исполнение должно быть детерминированным. Одинаковые входные данные должны давать одинаковые результаты до последнего цента, даже при распараллеленных вычислениях. Случайность, когда она нужна для стохастической симуляции, должна быть явной и воспроизводимой. Побочные эффекты нужно изолировать на границе: прочитать достоверные записи первоисточников, вычислить решения в чистом ядре, затем записать полученные обязательства обратно в регистр. Такое разделение ответственности — не академическая аккуратность, а единственный способ сделать осмысленными аудиты ex post и сравнения при параллельном запуске.

Логику решений для миллионов SKU, площадок и дат нельзя записать процессией построчных циклов, не обрушив её под собственным весом. Поэтому языку нужна семантика массивов или таблиц — векторизованные операции над крупными типизированными коллекциями, — чтобы большинство программ читалось как алгебра над множествами, а не хореография итераторов. Такие конструкции поощряют чувство техники: они хорошо ложатся на кэши и параллельные блоки и делают крупные задачи достаточно дешёвыми для частого решения.

Вопрос декларативный или императивный? в отрыве от контекста поставлен неверно. Нам нужна императивная оболочка, организующая этапы потока — принять данные, вычислить, выдать, — и преимущественно декларативное ядро, выражающее оценки и ограничения формулами над таблицами и распределениями. На практике это означает, что проверки допустимости, штрафы и цены записываются выражениями, которые механизм может анализировать, переупорядочивать и частично пересчитывать. Полученная прозрачность позволяет применять эвристики остановки: при падении уверенности механизм останавливается по собственным условиям, а не донимает людей исключениями, которые не способен разрешить.

Ничто из перечисленного не касается синтаксических вкусов. Фигурные скобки или отступы — мелочь. Важна семантика: полноправная неопределённость; деньги и время как полноправные сущности, а не поздние добавления; изоляция побочных эффектов; детерминизм; векторизованные вычисления; среда исполнения, создающая пригодные для аудита досье. Языки общего назначения можно приспособить к этим целям соглашениями и дисциплиной; опыт показывает, что в большом масштабе и со временем соглашения разрушаются. Язык цепочек поставок, достойный этого имени, встраивает эти свойства в саму свою грамматику.

Оставшаяся часть раздела переводит критерии выбора в практическую плоскость. Мы рассмотрим, как семантика языка влияет на исполнение без участия человека (детерминизм и воспроизводимость), экономику (встроенные деньги, цены и штрафы), неопределённость (вероятностные примитивы и стохастическую симуляцию) и сопровождаемость (малые ядра, понятные программы, артефакты, удобные для сравнения изменений). Цель проста: выбрать язык, позволяющий компании один раз записать свою экономику, исполнять её с машинной скоростью и обосновывать каждое обязательство ex post в деньгах.

9.5.1 Парадигмы программирования

Парадигма программирования — основа, определяющая, как ПО осмысливается, структурируется и исполняется. Она задаёт принципы организации данных, определения операций и управления ходом выполнения, направляя и проектирование, и исполнение.

Разработка подходящих парадигм программирования для цепочек поставок, пожалуй, представляет собой самый важный технический вклад в эту область. Подходящая парадигма программирования действительно облегчает решение большинства, если не всех, задач цепочек поставок независимо от их конкретных осложнений. В этом отношении парадигмы программирования совершенно не похожи на «модели» или любые другие замкнутые аналитические решения, которые по конструкции хрупки перед лицом непредусмотренных осложнений. Хотя многие методы представляют широкий интерес — стохастический градиентный спуск был бы прекрасным примером, — парадигмы программирования в этом отношении не имеют себе равных. Короткий список ниже представляет некоторые из наиболее значимых для цепочек поставок парадигм программирования.

Вертикальная интеграция обозначает среду, предоставляющую весь стек — от хранения данных через обработку и логику до представления — внутри единого согласованного пространства. Канонический пример — электронная таблица: монолитное приложение, в котором сетка одновременно служит хранилищем данных, механизмом формул и пользовательским интерфейсом, а живой пересчёт связывает все три части. В такой среде нет несоответствия между тем, «где живут факты», «как они преобразуются» и «как их проверяют»; всё это несёт один артефакт.

Вертикальная интеграция важна, потому что устраняет передачи работы между участниками. Она позволяет небольшому числу практиков, не являющихся специалистами по ПО, от начала до конца писать, запускать и проверять числовые рецепты. Один и тот же человек может принимать записи, выражать логику решений и визуализировать полученные обязательства, не ожидая, пока другая команда предоставит API или подключит дашборд. Без вертикальной интеграции составление рецепта становится техническим проектом, который нельзя поручить никому, кроме экспертов по ПО. Работа разрастается метастазами в привычную процессию — эксперты по цепочкам поставок, консультанты, руководители проектов, администраторы баз данных, разработчики ПО, аналитики данных, — координация которой создаёт задачу проектирования интерфейсов крупнее исходной экономической задачи. Электронные таблицы показывают и привлекательность, и пределы этой схемы: они сразу делают вертикальную интеграцию осязаемой, но также выявляют, почему за пределами тривиального масштаба нужна другая основа (см. ниже раздел «Электронные таблицы»).

Воспроизводимость с возвратом во времени означает, что среда сохраняет точные код и данные в том виде, в каком они существовали в любой момент истории. Пользователи могут вернуться назад во времени и заново выполнить вычисления такими, какими они были. Такое сквозное версионирование (код + данные) обеспечивает не только принципиальную воспроизводимость результатов, но и возможность автоматической проверки в любой исторический момент.

В принятии решений цепочки поставок даже небольшие сбои могут оказаться крайне дорогими, если порождают плохие решения¹⁵². Слишком часто проблемное поведение невозможно воспроизвести, потому что к моменту обнаружения проблемы входные данные уже изменились. В результате сбои остаются неисправленными гораздо дольше желательного. Воспроизводимость с возвратом во времени критически важна для устранения таких дефектов до того, как команды цепочки поставок потеряют веру в жизнеспособность числового рецепта и вернутся к электронным таблицам.

Реляционная алгебра работает с табличными данными, обычно хранящимися во множестве таблиц, через компактный набор сочетаемых операций, таких как выборка, проекция, соединение и агрегация. Эти операции, формализованные в 1970-х,¹⁵³ породили семейство технологий SQL (Structured Query Language, язык структурированных запросов), по-прежнему повсеместных в современных корпоративных системах. Главное достоинство реляционной алгебры — её декларативная природа: вместо пошагового описания выполнения операций разработчики и аналитики задают, какие результаты им нужны, оставляя механику механизму исполнения.

Реляционная алгебра первостепенна для цепочек поставок, поскольку подавляющее большинство операционных данных — транзакции продаж, закупочные заказы, уровни запасов, транспортные события — находится в реляционных базах данных. Реляционная модель предлагает систематический способ связать эти части, обеспечивая согласованное целое при соединении по общим ключам. Без реляционной алгебры, элегантно объединяющей эти разрозненные источники, практики возвращаются к клубку обходных решений ad hoc, обычно громоздким макросам в электронных таблицах, которые не только чреваты ошибками, но и медленны в вычислительном отношении. На практике реляционная алгебра незаменима для любого числового рецепта, поддерживающего современную цепочку поставок, из-за присущей ей сложности.

Программирование массивов — парадигма, в которой операции единообразно применяются к целым коллекциям данных, называемым массивами, вместо требования писать циклы по отдельным элементам¹⁵⁴. Обрабатывая данные в совокупности, языки и библиотеки массивов¹⁵⁵ позволяют использовать краткие выражения, отражающие математическую формулировку задачи. Вместо написания чреватых ошибками циклов практик задаёт преобразования более высокого уровня — арифметические, логические или статистические операции, — автоматически распространяющиеся на каждый элемент массива. Устраняя необходимость явной индексации, программирование массивов существенно сокращает ошибки смещения на единицу и другие тонкие дефекты. Кроме того, поскольку лежащие в основе механизмы исполнения могут оптимизировать массовые операции, код с массивами часто превосходит эквивалентные процедуры на циклах, особенно на крупных наборах данных.

С точки зрения цепочек поставок программирование массивов критически важно, поскольку почти все значимые решения нужно вычислять сразу для тысяч, если не миллионов, SKU, магазинов или временных шагов. Итеративные подходы или подходы на циклах замедляют написание этого процесса, затрудняют отладку и повышают риск незаметных ошибок, особенно при работе с пограничными случаями или сложными ограничениями. Напротив, векторизованный стиль программирования массивов даёт компактный выразительный код, который не только легче проверять, но и проще расширять при появлении новых товарных линеек, местоположений или сложностей цепочки поставок. Повышенная ясность снижает риск пропустить тонкие логические ошибки, а выигрыш в производительности векторизованных операций ускоряет итерации. На практике эти два свойства — корректность и гибкость — значительно улучшают способность компании создавать прототипы, совершенствовать и уверенно внедрять свои процессы принятия решений.

Распределённый поток данных — парадигма программирования, автоматически распределяющая вычисления по нескольким машинам, разделяя и распараллеливая рабочие нагрузки для обработки огромных объёмов данных. Вместо требования к разработчикам пошагово координировать конкурентное исполнение системы распределённого потока данных обычно представляют преобразования данных как направленные ациклические графы (DAG), которые затем может параллельно исполнять кластер машин¹⁵⁶. Этот подход повышает устойчивость к частичным отказам — неисправные узлы можно обходить или заменять без остановки всего задания — и естественно использует современные облачные инфраструктуры. Абстрагируясь от большинства низкоуровневых деталей сетевого взаимодействия и синхронизации процессов, распределённый поток данных позволяет практикам сосредоточиться на логическом ходе вычислений вместо борьбы с примитивами конкурентного исполнения.

Для цепочек поставок значение распределённого потока данных двояко. Во-первых, сам масштаб многих операций, охватывающих SKU, склады и транспортные маршруты, требует приёма и преобразования огромных наборов данных. Централизованная или последовательная система была бы неприемлемо медленной, оставляя принимающих решения с устаревшими результатами или вынуждая ограничивать охват анализа. Во-вторых, он облегчает объединение вычислительных ресурсов, нужных лишь время от времени. Например, если прогноз требуется обновлять только раз в день, соответствующие ресурсы можно получать и освобождать по требованию, резко снижая инфраструктурные затраты. В более общем случае распределённые потоки данных критически важны для поддержания стабильной производительности при сильно меняющихся нагрузках.

Дифференциальное исполнение — парадигма программирования, в которой система автоматически отслеживает зависимости между вычислениями и повторно исполняет лишь те части рабочего процесса, которых касается данное изменение. Вместо перезапуска всего конвейера с нуля механизм исследует граф вычислений, представляющий преобразования данных узлами и рёбрами, и оценивает «diff» — различие между текущим и ранее исполненным графами. Сохраняющие силу промежуточные результаты остаются, а пересчитываются только новые или изменённые узлы. Кроме того, система может разумно кэшировать результаты дорогих или длительных промежуточных вычислений, если эти результаты относительно невелики. Это ускоряет последующие запуски с теми же частичными вычислениями. Такая парадигма отличается и от стандартной пакетной обработки, и от чисто инкрементальных подходов, поскольку сочетает охват полноценного механизма потока данных с избирательностью мелких обновлений.

С точки зрения цепочек поставок дифференциальное исполнение критически важно, поскольку числовые рецепты по своей природе итеративны. Практики обычно редактируют несколько строк, затем перезапускают рецепт, проверяя здравый смысл уже вычисленных результатов. Поскольку окончательный рецепт часто занимает тысячи строк, его разработка включает сотни небольших итераций. Без дифференциального исполнения каждая мелкая правка скрипта требовала бы полной повторной обработки всех наборов данных. Это непомерно дорого и препятствует быстрым итерациям, особенно при работе с гигабайтными наборами данных из корпоративных систем. Сосредоточиваясь на минимальном наборе нуждающихся в обновлении вычислений, дифференциальное исполнение сохраняет ресурсы, сокращает время до результата и обеспечивает быстрые циклы обратной связи.

Алгебра случайных величин — парадигма программирования, в которой неопределённые количества моделируются и обрабатываются как случайные величины, а не просто численные скаляры или точечные оценки. В такой среде сложение, умножение и другие арифметические или логические операции можно применять непосредственно к случайным величинам, получая новые случайные величины. Вместо сведения всей неопределённости к чреватым ошибками симуляциям ad hoc или неструктурированным таблицам данных практики могут задать каждому неопределённому фактору — спросу, сроку выполнения операции, закупочным ценам, выходу годной продукции или возвратам — собственное распределение. При взаимодействии этих факторов язык бесшовно объединяет их распределения через согласованный набор вероятностных операций. Полученный код близко отражает лежащие в основе стохастические явления, обходясь без сложных циклов или отдельных этапов Монте-Карло. Рассматривая случайные величины как полноправные сущности, эта парадигма позволяет точно и прозрачно преобразовывать неопределённость по всему конвейеру принятия решений.

Такое алгебраическое обращение с неопределённостью оказывается жизненно важным для цепочек поставок, учитывая повсеместную роль вероятностных прогнозов в анализе риска. В реальных операциях отслеживать единственную лучшую догадку никогда не бывает достаточно: спрос часто резко растёт без предупреждения, детали опаздывают по причинам, которых никто полностью не понимает, а валютные курсы колеблются, высмеивая простые предсказания. Без явной «алгебры» объединения этих распределений почти неизменно применяется упрощённая аналитика точечных оценок, молча отбрасывающая информацию, как только берутся средние или предположения о худшем случае. Напротив, алгебра случайных величин сохраняет полное распределение вероятностей от верхних звеньев потока, например срока поставки поставщика, до нижних, например размещения запасов, обеспечивая видимость, согласованность и математическую обоснованность неопределённостей. Этот подход не только снижает вероятность дорогих просчётов, когда небольшое занижение ведёт к дефициту, а небольшое завышение раздувает затраты на хранение, но и ускоряет экспериментирование.

Дифференцируемое программирование — парадигма, соединяющая гибкость программирования общего назначения с вычислительными методами автоматического дифференцирования и градиентной оптимизации. В своей основе этот подход рассматривает каждый шаг конвейера преобразования данных как функцию, допускающую дифференцирование, и позволяет настраивать параметры стохастическим градиентным спуском или родственными оптимизаторами прямо внутри кода, реализующего логику. Вместо вынесения обучения в изолированную среду, например экспорта данных в специализированный инструментарий машинного обучения, дифференцируемое программирование делает «обучаемый код» полноправной сущностью. Каждое преобразование, от разбора входных данных до окончательного прогноза, можно спроектировать, снабдить параметрами и автоматически обновлять для минимизации выбранной функции потерь. Эта парадигма выходит за пределы чисто численных процедур: она вплетает понимание предметной области прямо в параметрическую структуру моделей, обеспечивая её интерпретируемость и согласованность с лежащими в основе бизнес-процессами.

В цепочках поставок дифференцируемое программирование особенно мощно, поскольку одновременно перекрывает несколько критических разрывов. Во-первых, данные цепочек поставок известны своей разреженностью и неоднородностью; многие SKU, местоположения или временные отрезки дают лишь ограниченные наблюдения, но разделяют закономерности более высокого уровня, например недельные циклы или приросты от акций. Дифференцируемая программа может явно моделировать эти закономерности через общие параметры, повышая статистическую эффективность по сравнению с готовыми подходами чёрного ящика. Во-вторых, саму форму задачи цепочки поставок — сочетание реляционных запросов, преобразований массивов и случайных величин — можно закодировать непосредственно в параметрическом обучаемом скрипте, не заставляя практиков сшивать конструкцию «язык внутри языка». Такое соответствие не только упрощает итерации, но и даёт более прозрачные модели, именованные параметры которых, например «сезонная амплитуда», «сдвиг из-за перегруженности порта», «прирост от Чёрной пятницы», понятны экспертам предметной области. Прежде всего, встраивая циклы обучения в обычный поток данных и решений, дифференцируемое программирование предлагает единую среду, где прогнозирование и оптимизация могут совместно развиваться с реальными ограничениями бизнеса, а не стоять в стороне как разовое или чисто академическое упражнение.

Детерминированная распределённая генерация случайных чисел — парадигма программирования, предназначенная для согласования двух, казалось бы, конфликтующих целей: использовать крупномасштабные симуляции Монте-Карло на нескольких машинах и при этом гарантировать, что каждый запуск, даже в распределённом кластере, даёт побитно идентичные результаты при одинаковых входных данных. Иными словами, подход гарантирует, что после задания начальных значений генераторов случайные выборки разворачиваются по предсказуемой схеме во всём графе потока данных независимо от меняющихся нагрузок или динамического назначения машин. Методы Монте-Карло часто превосходят прямую алгебру случайных величин, когда рассматриваемое явление не поддаётся аналитическому разложению; однако наивное распараллеливание легко делает процесс недетерминированным, лишая возможности точно воспроизвести результаты от запуска к запуску. Детерминированная распределённая генерация случайных чисел избегает этой ловушки благодаря тщательно скоординированному механизму управления начальными значениями псевдослучайных генераторов и разбиения, соединяя гибкость подходов на основе симуляции с воспроизводимостью, жизненно важной для строгой инженерии.

Эта парадигма незаменима в цепочках поставок по двум главным причинам. Во-первых, область и без того изобилует подлинной неопределённостью: скачками спроса, задержками поставщиков, колебаниями валют и прочим. Если сам программный слой вносит собственную случайность, выдавая разные результаты при каждом повторном запуске с неизменными входными данными, руководители не могут надёжно диагностировать проблемы или доверять конвейеру принятия решений. Во-вторых, жизнеспособность инициатив в цепочках поставок зависит от непрерывных итераций: практики часто уточняют числовые рецепты, воспроизводят исторические сценарии и сравнивают новые результаты со старыми базовыми вариантами. Строгий детерминизм избавляет их от погони за «гейзенбагами», исчезающими при повторной проверке, и гарантирует, что любую аномалию, обнаруженную через неделю или год, можно проследить до точного сочетания данных и кода, которое её вызвало. Сохраняя точную воспроизводимость симуляций и прогнозов, команды цепочки поставок получают проверяемость и уверенность, необходимые для безопасной автоматизации решений.

9.5.2 Электронные таблицы

Устойчивый успех электронных таблиц в цепочках поставок не случаен. В пределах одной сетки они предлагают форму функционального реактивного программирования, тесно связанную с вертикальной интеграцией: хранение данных, логика на формулах и визуальный пользовательский интерфейс сосуществуют в единой среде. Результат — почти идеальный цикл обратной связи, похожий на быстрый REPL¹⁵⁷, позволяющий осваивать инструмент постепенно и без резких трудностей. Практики цепочек поставок могут начать с нескольких ячеек, подправить формулу и мгновенно увидеть результат изменений. Эта непосредственность резко контрастирует с классическими процессами разработки ПО, где код нужно написать, упаковать, а затем развернуть, прежде чем можно будет наблюдать какие-либо результаты.

Программную универсальность электронных таблиц не следует недооценивать. За считаные минуты пользователь может собрать логику ad hoc для прогнозирования, консолидации запасов или анализа «что, если». Порог входа низок: руководителям цепочек поставок не нужно становиться администраторами баз данных или разработчиками ПО, чтобы выполнять многие повседневные расчёты. Несмотря на неоднократные попытки поставщиков заключить прогнозирование или оптимизацию в «готовые к использованию» аналитические модули, электронные таблицы неизменно сохраняют популярность. Это объясняется тем, что функциональная реактивная сетка таблицы способна гибче учитывать пограничные случаи и осложнения «кабельного типа»¹⁵⁸, чем жёсткие готовые решения.

Несмотря на эти достоинства, электронные таблицы принципиально противоречат настоящей автоматизации принятия решений цепочки поставок. Практики часто называют «недостаток масштабируемости» причиной того, что таблицы перестают справляться после определённого объёма данных, особенно когда совместный доступ к книге организован через локальное размещение на одной машине. Хотя удалённое размещение таблиц может облегчить некоторые проблемы производительности, оно не устраняет более глубоких структурных ограничений. В частности, два таких ограничения преграждают путь к надёжной автоматизации цепочек поставок.

Во-первых, со временем электронные таблицы оказываются пронизаны многократно продублированной логикой, разбросанной по десяткам, иногда сотням листов и книг. Каждый раз, когда пользователь копирует формулу или воссоздаёт похожий лист для немного иной SKU или местоположения, структура расходится ещё немного. В итоге никто уже не может уверенно проследить, какие ячейки определяют окончательный результат. Даже небольшие изменения становятся опасными, потенциально разрывая зависимости, скрытые в ссылках на ячейки. При совместной работе нескольких людей эти проблемы умножаются. Хуже того, таблицам обычно недостаёт надёжного версионирования, модульности и средств аудита, необходимых для отслеживания быстро меняющейся кодовой базы.

Во-вторых, сложности цепочек поставок — несколько источников снабжения, ограничения заполнения контейнеров, изменчивость сроков выполнения операций, частичные спецификации материалов, многоуровневые иерархии — редко укладываются в аккуратные двумерные сетки. Электронные таблицы насильно «нарезают» каждое измерение на строки и столбцы, осложняя даже умеренные соединения или перекрёстные ссылки. Например, одна SKU, зависящая от двух поставщиков с разными структурами затрат и сроками поставки, может потребовать искусственного разрастания ячеек и многочисленных «вспомогательных» листов, пытающихся имитировать реляционную модель. Чем больше цепочке поставок нужны ветвящаяся логика или многотабличные запросы, тем громоздче становится таблица.

Помимо этих непосредственных барьеров, электронные таблицы плохо совместимы и с парадигмами программирования, наиболее благоприятными для современной инженерии цепочек поставок:

• Воспроизводимость с возвратом во времени становится почти невозможной в больших электронных таблицах: хотя версии файлов можно сохранять, каждое действие пользователя меняет общий документ, часто без точного контроля того, какие ячейки изменились и почему. Отладка «гейзенбагов» постфактум почти безнадёжна.

• Алгебру случайных величин, дифференцируемое программирование или детерминированную распределённую генерацию случайных чисел практически невозможно встроить в типичные формулы сетки. В лучшем случае практики прикрепляют внешние макросы или сторонние надстройки, но такие ухищрения редко дают надёжные рабочие процессы промышленного уровня.

• Инструменты работы с LLM, позволяющие большим языковым моделям автоматически генерировать код или выполнять его рефакторинг, дают сбой из-за присущей таблицам двумерной разбросанности логики. Большинство подходов на основе LLM предполагает более структурированную текстовую среду с явными логическими связями, а не связями, погребёнными в ссылках на ячейки и недолговечных макросах.

В принципе, электронные таблицы могли бы попытаться устранить часть этих недостатков, например разместив под сеткой более мощные вычислительные механизмы. Однако сама парадигма таблиц остаётся неизменной: она предназначена для интерактивной работы человека и исследования ad hoc, а не для систематической обработки постоянно меняющихся сложностей крупномасштабных потоков. Как только компания переходит к непрерывному принятию решений без участия человека для тысяч или миллионов SKU в сотнях местоположений, проявляются трещины. Чем больше их латают краткосрочными исправлениями, тем запутаннее становится книга, пока никто не может доверять этому хрупкому сооружению.

В результате электронные таблицы, десятилетиями бесспорно занимавшие центральное место в практике цепочек поставок, представляют собой технологический тупик. Их несостоятельность — не просто вопрос «большего количества ПО» или «более быстрого оборудования». Вся их конструкция — формулы в сетке, ручное дублирование логики, минимальная поддержка аудита и неявная ориентация на локальные правки пользователя — противоречит парадигмам, необходимым для крупномасштабной автоматизации. Именно потому, что таблицы превосходны в разовых или узких задачах, они не прокладывают путь к надёжным, полностью автоматизированным процессам цепочки поставок.

9.5.3 Языки общего назначения

При всех своих ограничениях электронные таблицы указывают на более общую истину: цепочкам поставок нужно программирование ad hoc, потребность в котором не может удовлетворить никакая статичная «готовая» система. В принципе, любой язык общего назначения мог бы справиться с этой потребностью, особенно теперь, когда современные языки в основном многопарадигменны. Наслаивая библиотеки, команда могла бы воспроизвести необходимое для цепочек поставок: воспроизводимость с возвратом во времени, программирование массивов, дифференциальное исполнение и прочее. Однако на практике этот путь поглощает больше усилий, чем отдаёт.

Во-первых, языки общего назначения порождают привнесённую сложность. Объектно-ориентированные шаблоны, например, становятся излишне замысловатыми при моделировании преимущественно табличных данных цепочек поставок. Неограниченные сетевые или системные вызовы создают почву для проблем безопасности и так называемых «атак на цепочку поставок» — проникновений не в код компании, а в сторонний пакет, от которого он зависит. Даже чисто математические операции распадаются на заросли крошечных модулей. Чем глубже команда погружается в эту экосистему, тем больше времени тратит на сложности, мало связанные с распределением дефицитных ресурсов цепочки поставок.

Во-вторых, опора на универсальную среду фактически обязывает компанию вести полномасштабный программный проект. Слой хранения нужно выбрать или создать и интегрировать; вычислительный слой должен масштабироваться для больших объёмов или множества SKU; слой представления нужно написать или адаптировать для специалистов по цепочкам поставок. Эта последовательность выборов, каждый из которых привязан к другой технологии, затрудняет сопровождение решения. Любой небольшой сдвиг — новая версия базы данных, неподдерживаемая библиотека — может вызвать каскад несовместимостей. За несколько лет начинается «программная гниль», оттягивающая ресурсы от действительных улучшений цепочки поставок.

В-третьих, накладные расходы такого проекта почти всегда дробят компетенции. Реализацией и сопровождением кода в итоге занимается небольшая группа специалистов по ПО, обычно с малым опытом в цепочках поставок. Тем временем сами практики, понимающие запутанные особенности и бесчисленные другие осложнения предметной области, оттесняются в сторону. Им приходится предлагать изменения косвенно, создавая «тикеты» и проводя запросы через слои посредничества. Гибкость испаряется по мере роста задержки от открытия до внедрения. В крайнем случае решение становится настолько специализированным, что исправлять или расширять его могут лишь первоначальные авторы, — хрупкое устройство при смене персонала или реорганизациях.

В-четвёртых, хотя языки общего назначения теоретически могут поддерживать передовые парадигмы, такие как дифференцируемое программирование или детерминированный Монте-Карло, они редко делают это согласованно. Соответствующие библиотеки фактически становятся «языками внутри языка». Одна библиотека управляет распределёнными потоками данных; другая работает со случайными величинами; третья пытается версионировать данные с возвратом во времени. Каждая подсистема требует собственных настроек, структур данных и схем использования, умножая когнитивные накладные расходы. То, что задумывалось как единый конвейер принятия решений, раскалывается на отдельные наборы инструментов, любой из которых может разойтись по швам.

Ни одна из этих трудностей не является непреодолимой: при достаточных таланте, деньгах и времени подходящая команда может создать работоспособное решение на языке общего назначения. Некоторые крупнейшие ритейлеры и производители именно так и поступают. Однако этот путь настолько ресурсоёмок, что поддерживать его могут лишь компании огромного масштаба, и даже у них он остаётся хрупким. Улучшения больших языковых моделей могут автоматизировать фрагменты этих процессов, например генерировать заготовки или рефакторить старые библиотеки, но не устраняют несоответствия между языком свободной формы и специализированными потребностями цепочек поставок. Парадоксально, но лучшие LLM усиливают доводы в пользу предметно-ориентированных сред: чем искуснее они пишут и проверяют код, тем больше выигрывает от их помощи стройный язык, ориентированный на цепочки поставок.

Итак, никакого абсолютного технического барьера для работы крупномасштабного, полностью автоматизированного процесса цепочки поставок на языке общего назначения нет. Однако построение инициативы таким способом создаёт накладные расходы и сложность, плохо подходящие большинству организаций. Поскольку цепочка поставок существует, чтобы использовать опциональность, а не тонуть в ней, наслоение множества парадигм и библиотек, ни одна из которых изначально не отвечает насущным потребностям области, обычно оказывается обходным путём, а не пунктом назначения.

10 Развёртывание

Развёртывание в цепочке поставок — это момент, когда предыдущие главы — экономика, информация, интеллект, инженерия и решения — превращаются в машину, ежедневно делающую разумный выбор. Эта машина — система принятия решений, которая преобразует достоверные записи первоисточников в проверяемые обязательства, определяющие поток и формируемые без участия человека. Цель — не «лучшая видимость» и не более красивый прогноз: она состоит в том, чтобы выпускать заказы на закупку, перемещения, расписания и изменения цен, экономическая обоснованность которых заложена в саму конструкцию, и улучшать их в ходе работы.

Результат имеет операционный характер: работающее развёртывание принимает сырые выгрузки из систем учёта, использует выраженную в деньгах целевую функцию в условиях вероятностной неопределённости и записывает решения обратно в регистры. Его присутствие проявляется в выдаваемых результатах — строках, созданных в таблицах заказов на закупку, зарегистрированных перемещениях запасов, опубликованных ценах, — без планировщика, проводящего каждую строку через электронную таблицу. Всё, что не доходит до выдачи результатов без участия человека, представляет собой проектный театр.

Три свойства делают такую систему безопасной и продуктивной на практике. Во-первых, ответственность: одна небольшая команда — в идеале конкретный человек — несёт сквозную ответственность за числовой рецепт, код, который задаёт варианты действий, оценивает компромиссы в деньгах и формирует ежедневные обязательства. Во-вторых, прозрачность: каждый выдаваемый результат сопровождается досье, раскрывающим основные экономические факторы, чтобы практики видели, почему решение разумно, а финансовая служба могла проверить его в денежных единицах. В-третьих, обратимость: движок не сохраняет состояния и защищён эвристиками остановки; его можно запустить параллельно с действующим процессом, ввести в эксплуатацию или откатить в течение нескольких часов, и он останавливается при снижении уверенности.

Путь к этому состоянию не таинственен, но не прощает ошибок. Он начинается с сырых ежедневных выгрузок — нефильтрованных, точно сохраняющих схему и стабильных; продолжается первым рецептом, который ежедневно работает рядом с ручной процедурой, пока не исчезнут все безумные строки; и завершается поэтапным развёртыванием, которое выводит из употребления электронные таблицы, а не оборачивает ими движок. Границы задаются так, чтобы охватить потоки, конкурирующие за одни и те же дефицитные ресурсы; роли сокращаются до необходимых для работы; руководство опирается на экономику, а не на ритуал.

Большинство причин срыва развёртываний уже знакомы: пилотные проекты, оставленные в режиме только для чтения и никогда не записывающие в регистры ни одного обязательства, определяющего поток; частичные наборы данных, скрывающие эффекты масштаба; параметры, скопированные из старых инструментов в духе карго-культа; комитеты, обсуждающие прогнозы вместо решений; закупочные ритуалы, дающие преимущество поставщику, лучше всех оформляющему бумаги, а не лучше всех принимающему решения. Чтобы избежать этих ловушек, нужна та же позиция, которую отстаивает вся книга: формулировать задачу в деньгах, явно выявлять варианты действий, добросовестно учитывать неопределённость и отдавать канцелярскую работу ПО, действующему без участия человека.

Эта глава — руководство по применению такой позиции в эксплуатации: она показывает, как выбрать партнёра, если он нужен; как определить границы, чтобы движок быстро столкнулся с реальными ограничениями; как устроить конвейер данных; как написать рецепт, оснастить его средствами проверки и сделать надёжным; как провести параллельный запуск и перейти к работе без участия человека; как поддерживать здоровье уже работающей системы по мере изменения ролей и стимулов. Цель — не добавить ещё один слой отчётности, а заменить ручные процедуры капитальным активом, который выдаёт, проверяет и улучшает решения в машинном темпе.

Поскольку многие компании не будут создавать всё своими силами, мы начнём с практических вопросов выбора поставщика. Рекомендуемый здесь метод — состязательное исследование рынка — лучше соответствует непрозрачности и стимулам программного обеспечения, чем театр RFP, и согласуется с приоритетом экономики, отстаиваемым в предыдущих главах. Выбрав партнёра, мы перейдём к подготовке и границам, числовому рецепту, системным эффектам, ролям, срокам, а также механизмам развёртывания и сопровождения.

Для краткости далее последовательно используется следующая терминология. Система принятия решений обозначает развёртываемый актив, который преобразует достоверные записи первоисточников, а также несколько проверенных внешних потоков данных, в формируемые без участия человека, проверяемые обязательства, определяющие поток и записываемые обратно в регистры. Её логическое ядро — программа, которая задаёт варианты действий, оценивает компромиссы в деньгах, учитывает неопределённость и выдаёт строки, — это числовой рецепт.

10.1 Выбор поставщика

Сложность современных цепочек поставок далеко превосходит то, с чем можно справиться без программного обеспечения. У большинства нет средств или желания разрабатывать такие инструменты самостоятельно, даже если мир открытого ПО значительно снижает финансовое бремя такого начинания. Поэтому поставщиков ПО для цепочек поставок множество, и большинство компаний, достигнув определённого размера, регулярно сталкиваются с необходимостью выбрать одного из них.

Однако индустрия ПО отличается чрезвычайным разнообразием, оставаясь относительно непрозрачной. Эта непрозрачность многомерна: возможности, производительность, лицензионные платежи, эксплуатационные расходы, надёжность, удобство сопровождения, способность к развитию, безопасность и многое другое.

Мир открытого ПО в принципе должен быть прозрачнее, поскольку исходный код можно свободно изучать, но на практике есть две существенные оговорки. Во-первых, технические знания, позволяющие надёжно оценить конкретную открытую технологию, встречаются редко. Считать открытую технологию качественной лишь потому, что она происходит из известного источника — например, от крупного поставщика ПО, — проверенный временем рецепт катастрофы. Поставщики постоянно бросают проекты с открытым исходным кодом, поскольку мало чем рискуют. Во-вторых, мир открытого ПО предлагает главным образом компоненты, а не решения, особенно в корпоративном сегменте. Поэтому компании, желающей использовать эти компоненты, приходится разворачивать то, что по существу является внутренним проектом разработки ПО.

Таким образом, хорошо это или плохо, компании в итоге выбирают поставщиков ПО в условиях высокой неопределённости. Между тем ПО, как и большинство интеллектуальных начинаний, демонстрирует поразительно неравномерный спектр результатов — от бездонной глупости до вершин человеческой изобретательности. Соедините присущую ПО непрозрачность со спектром поставщиков, в котором значительную долю занимает сегмент «опасно, хотя и обаятельно, некомпетентных», и пристальное внимание к выбираемым поставщикам станет для компаний настоятельной необходимостью.

К чести большинства крупных компаний, сегодня они признают проблему и тратят значительные усилия на исследование рынка поставщиков ПО. Ни одна другая область не привлекает столько расходов на рыночные исследования, сколько программное обеспечение. В качестве частного наблюдения достаточно взглянуть на исследовательские компании: направления, связанные с ПО, буквально затмевают все остальные вместе взятые.

Да, большинство исследований рынка ПО заимствуют методы из других отраслей; для ПО эти методы неработоспособны. Главные виновники — клиентские истории и запросы предложений. Программное обеспечение требует иного подхода: состязательного исследования рынка.

Ловушки клиентских историй, которые часто предъявляют как доказательства при выборе поставщика, были рассмотрены в главе Эпистемология. Этот раздел посвящён RFP и более надёжной альтернативе: состязательному исследованию рынка.

10.1.1 Запросы предложений

Запросы предложений¹⁵⁹ (RFP) — это бюрократическая борьба за власть внутри крупных организаций. Применительно к ПО RFP не рациональны, не правдивы и не информативны. Они воплощают бюрократический образ мышления: зацикленность на процессе в ущерб результату. Для систем принятия решений эти недостатки фатальны: контрольные списки не могут удостоверить качество решений, выдаваемых без участия человека, поведение при остановке или возможность переписывать код под давлением обстоятельств. RFP направляет компанию к некомпетентности. Слишком часто RFP считают неизбежной чумой любой организации, превысившей определённый размер. Но в этой добровольно навлечённой чуме нет ничего неизбежного. Чтобы отказаться от RFP, высшему руководству нужна лишь умеренная твёрдость.

Рассмотрим компанию, руководство которой столкнулось с программной задачей — или возможностью, — выходящей за пределы внутренних ресурсов. После нескольких неформальных бесед с одним-двумя поставщиками руководство решает поручить эту задачу третьей стороне.

Мифология RFP якобы разворачивается в пять шагов. (1) Сначала задача излагается письменно. (2) Затем сотрудники составляют предположительно качественный список вопросов, призванный получить адекватные ответы на эту задачу. (3) Определяются подходящие поставщики, которым рассылают составленный документ RFP. (4) Каждый поставщик добросовестно даёт правдивые, исчерпывающие ответы, которые собирают и сопоставляют. (5) Наконец, руководство проводит объективную, подотчётную оценку ответов, чтобы выбрать лучшего поставщика.

К сожалению, каждый шаг этой мифологии ошибочен — или оторван от реальности.

(1) Ясно изложить точную задачу, которую должно решать ПО, труднее, чем написать само ПО. Непосвящённым это может показаться странным. Однако большинство успешных программных начинаний рождается не из превосходных решений известных задач, а из выявления совершенно новой задачи. Постановка задачи не имеет заранее заданных границ. Формальные процессы делают мышление негибким и снижают качество находок. Из почти бесконечного множества способов взглянуть на ситуацию нужно выбрать ракурс, допускающий реализацию. Затем предстоит технически объединить сотни, а возможно, тысячи факторов.

Корпоративные стимулы дополнительно подрывают эту работу. Растущее самодовольство стареющего руководителя вполне может быть сутью проблемы компании, но никто не напишет этого в полупубличной записке, предназначенной для передачи третьим сторонам. Такая записка будет тщательно обходить всё, что можно истолковать как оскорбление чьих-либо профессиональных способностей внутри компании. Она неизбежно ходит вокруг да около, оберегая самолюбие, а не компанию. Это далеко не просто этикет: такой подход гарантирует, что выбранный поставщик будет искать решение, мало связанное с настоящей проблемой.

(2) Поручение сотрудникам перечислить вопросы для RFP неизменно порождает материал, достойный комедийных скетчей. Консультанты добавляют ещё больше веселья. Хотя целью должны быть вопросы, ответы на которые позволяют различать поставщиков, начинание превращается в нечто совершенно иное. Вопросы сочиняют, чтобы впечатлить коллег. Те, кому не хватает умных вопросов, компенсируют это количеством. Вопросы из прошлых RFP перерабатываются до бесконечности.

Бессмысленные вопросы плохи сами по себе; сотни таких вопросов способны сорвать зарождающуюся инициативу. Хуже того, они искажают предложения поставщиков. Большинство этих вопросов — замаскированные требования. Вместо открытого исследования они задают рамки и жёстко ограничивают то, что считается «решением». Обычно они звучат так: «Может ли поставщик гарантировать, что конечные пользователи смогут делать X, взаимодействуя с Y?» Ответ «нет» гарантирует немедленную дисквалификацию, даже если доказуемо, что «делать X, взаимодействуя с Y» — ужасная идея.

В более общем смысле установка глупых вопросов не бывает уместна в начальной школе. Каждый вопрос направляет инициативу. Бессмысленные вопросы порождают бессмысленные ответы. Кроме того, каждый вопрос отнимает часть умственных ресурсов, которые руководство может посвятить инициативе. Поскольку внимание руководителей рассеивается, достаточно нескольких плохих вопросов, чтобы они выбрали поставщика по несущественным мелочам.

(3) Составление короткого списка поставщиков позволяет кому-то — часто даже не сотруднику, например консультанту, — принять самое судьбоносное решение RFP, не неся никакой ответственности. На практике тот, кто составляет короткий список, неявно выбирает победителя. Всё остальное — лишь церемониал, продиктованный корпоративным этикетом.

Хотя поставщиков может быть много, необходимость короткого списка ощущается лишь потому, что перечень вопросов неразумно длинен. Действительно, обработать столько ответов более чем от нескольких поставщиков — устрашающая задача. Это бремя — вышедшее из-под контроля следствие неработоспособного подхода.

(4) У поставщиков, отвечающих на RFP, нет стимула быть правдивыми. Подавляющее большинство вопросов подталкивает к определённому ответу: Может ли ваше решение делать X? Любой поставщик, знающий своё дело, прекрасно понимает, каких ответов от него ждут, и отвечает соответственно. Ожидать, что поставщик будет держаться «правды», — заблуждение. ПО сложно; корпоративное ПО — тем более. Почти все вопросы допускают практически бесконечное число толкований. Поставщику необязательно лгать: немного воображения достаточно, чтобы придумать толкование, делающее любой ответ «правдивым».

Даже юридическая обязательность ответов не повысит их правдивость. Корпоративное ПО достаточно непрозрачно, чтобы почти любое утверждение можно было истолковать как правдивое, особенно при участии способных юристов.

Такие соглашения — и другие неприятности, навязываемые поставщикам ПО, — ухудшают положение компании. Хорошие поставщики в некоторой степени сами выбирают клиентов. Они уходят, когда потенциальный клиент выдвигает неразумные требования. Плохие поставщики, отчаявшиеся из-за несостоятельности своей технологии, охотно принимают любое навязываемое им бюрократическое безумие: это их единственное конкурентное преимущество. Поэтому компании, относящиеся к RFP «серьёзно», практикуют неблагоприятный отбор. Хорошие поставщики выходят из игры; плохие упорствуют.

(5) Наконец, нужно выбрать поставщика ПО. К этому моменту собрана огромная кипа: предвзятые ответы на несущественные вопросы. Всё это предполагает, что исходная постановка задачи была верной, — предпосылка сомнительной ценности. Подход RFP предполагает, что высшее руководство способно выбрать лучшего поставщика одной лишь силой интеллекта. Чепуха. На практике обычно бывает ещё хуже.

Зачастую положительного отбора вообще не происходит. На поставщиков поочерёдно накладывают вето, пока не остаётся единственный жизнеспособный кандидат. Для вето нужно лишь, чтобы достаточно влиятельный руководитель объявил себя «обеспокоенным». Обоснована эта обеспокоенность или представляет собой лишь предпочтение, почти не имеет значения. Пока он не отвергает нескольких поставщиков сразу, что воспринимается как злоупотребление вмешательством, его возражение даёт ему право вето де-факто. Крупные компании избегают риска. Поддержать инициативу, которую коллега объявил рискованной, — значит поставить карьеру под угрозу в случае провала.

Такой окончательный отбор не гарантирует хорошего поставщика. Напротив, он благоприятствует посредственности. Хороший поставщик, вероятно, несёт преобразования. В конце концов, существенная отдача от инвестиций требует отхода от статус-кво. Такой отход неизменно вызывает враждебность баронов, чьи вотчины оказываются под угрозой. Эти бароны будут яростно противостоять подобным поставщикам. Посредственный поставщик далёк от преобразований: он принимает статус-кво и никого не тревожит. К сожалению, это гарантирует, что в лучшем случае такой поставщик принесёт ничтожную отдачу или не принесёт её вовсе.

Таким образом, RFP глубоко неработоспособны. Они также порождают значительную пустую работу: нужно написать сотни вопросов и изучить тысячи ответов. Поэтому для проведения RFP нанимают консультантов¹⁶⁰. Консультанты неизменно ухудшают положение: избыточная пустая работа компании — их источник дохода. Раздувание этой работы продаётся как «совершенство процессов». Очевидно неуместные вопросы сохраняют ради «сквозного охвата». Короткие пути, способные ускорить процесс, отвергают как «небезопасные» или «непроверенные». В конце консультанты почти неизменно склоняются к поставщику, сулящему самые богатые перспективы консалтинга.

10.1.2 Состязательное исследование рынка

Состязательное исследование рынка напрямую решает две фундаментальные проблемы программных проектов: пагубные стимулы во взаимоотношениях поставщика и клиента и огромную информационную асимметрию в пользу поставщиков. Оно менее бюрократично, а значит, экономнее, и более рационально, а значит, с большей вероятностью подбирает нужного поставщика к нужной задаче.

Метод работает следующим образом¹⁶¹. Осознав программную возможность, выходящую за пределы ресурсов компании, руководитель просит одного поставщика — обычно того, кто и подтолкнул к этому осознанию, — подготовить от его имени краткую постановку задачи. Она должна сосредоточиться исключительно на формулировке проблемы и особенностях компании, а не на решении поставщика.

Если поставщик не может удержаться от намёков на своё предложение, руководителю следует просто удалить эти части: документ и так короток. Если подробности, например цифры, характеризующие цепочку поставок, слишком конфиденциальны, их нужно сделать менее точными, например округлив числа. Цель — сохранить суть задачи, а не мелкий шрифт. Получившаяся записка не называет исходного поставщика и не содержит чрезмерно чувствительной информации.

С этим коротким документом руководитель обращается к нескольким конкурентам поставщика. При выборе этих компаний допустимо полагаться на догадки, если они представляют собой правдоподобные альтернативы. Каждому конкуренту руководитель отправляет записку, поясняя, что это черновик, что он, возможно, неверно поставил задачу и ищет экспертной помощи для её переформулировки. Он также просит у поставщиков, включая исходного, ещё две вещи. Во-первых, неформальное предварительное предложение, соответствующее пересмотренной поставщиком постановке задачи. Во-вторых, список как минимум трёх подходящих конкурентов, ранжированных по собственной оценке поставщика. Для каждого из них нужно приложить несколько абзацев с объяснением предполагаемых сильных и слабых сторон.

По мере того как списки конкурентов выявляют новые компании, их добавляют в исследование. Любой поставщик, не предоставивший эти скромные материалы за две недели, исключается. Исследование заканчивается, когда руководитель возвращается к тем же поставщикам и кажется, что ни один камень не остался неперевёрнутым.

По завершении исследования руководитель сводит результаты и создаёт короткое досье на каждого поставщика. В него входят высказывания конкурентов, постановка задачи самим поставщиком и связанное с ней предварительное предложение.

Наконец, вместе не более чем с двумя коллегами руководитель рассматривает результаты и выбирает поставщика. Выбор требует суждения и не поддаётся жёсткой формализации. Естественно, мнения конкурентов должны играть большую роль в оценке каждого поставщика. Кроме того, качество его постановки задачи и описаний соперников следует считать показательными признаками компетентности — или некомпетентности, если они плохи. Предварительные предложения служат для выбора между равными кандидатами. Для возможности проверки результаты исследования архивируют вместе с короткой запиской, объясняющей логику окончательного выбора. После этого компания возвращается к обычному закупочному процессу, который, вероятно, потребует подробного предложения и полноценного договора от этого единственного поставщика.

Как отмечалось ранее, состязательное исследование рынка устраняет недостатки традиционных методов, таких как RFP — запросы предложений. Рассмотрим это утверждение, начав с информационной асимметрии.

Позволить компании самой составить постановку задачи, как при RFP, — верный способ заставить поставщиков беззастенчиво лгать, изображая соответствие своих решений этой постановке. Поскольку поставщики корпоративного ПО знают о своих реальных возможностях гораздо больше клиентов, отличить правду от притворства почти невозможно. Неразумно ожидать, что какой-либо поставщик коренным образом изменит свою технологию ради клиента. На создание хорошей программной технологии уходят годы¹⁶². С каждым клиентом поставщик может добиться чуть большего, чем в прошлых инициативах, но этот процесс утомительно медленен и постепенен.

Вот почему крайне важно позволить поставщику составить постановку задачи. Когда перо в его руках, у него нет стимула формулировать задачу, не соответствующую его технологии. Напротив, он максимально приблизит постановку к имеющемуся у него решению. Кроме того, поставщики, за исключением, возможно, самых некомпетентных, гораздо лучше клиента разбираются в постановке задачи. Действительно, то, что клиент видит как одну проблему, может быть набором подзадач, которые лучше решать отдельно, разными технологиями. И наоборот, эта «одна проблема» может быть лишь верхушкой айсберга, требующей более широкого взгляда и совершенно иного технологического подхода. Компетентный поставщик продемонстрирует мастерство, убедительно обосновав правильный ракурс рассмотрения задачи.

Предоставляя поставщикам возможность раскрывать сведения о конкурентах, мы устраняем смещение отбора, от которого страдают RFP. Первоначальный отбор поставщиков — одно из важнейших решений всей инициативы. Исключение нескольких поставщиков на ранней стадии практически гарантирует выбор привилегированного кандидата. Если исследование включает полдюжины поставщиков или больше, мало кто усомнится в адекватности отбора. Эта уязвимость — секрет Полишинеля, которым широко пользуются в реальных RFP.

Напротив, манипулировать сводным списком, составленным поставщиками, гораздо труднее. У каждого поставщика свои предубеждения, и он может намеренно не упомянуть конкурента, которого считает слишком опасным. Но отсутствие координации мешает выделить одного конкретного поставщика. Кроме того, каждый знает, что на кону впечатление о его экспертизе. Его будут оценивать по качеству предложенных конкурентов. Вернуться к клиенту со списком псевдосоперников — некомпетентных или неуместных — значит выставить некомпетентным самого себя.

Некоторые поставщики придумают всевозможные оправдания, почему они не могут назвать конкурентов, не говоря уже об их оценке. Однако на свободном рынке компания не может правдоподобно считаться «передовой», полностью игнорируя действия соперников. Для ПО это верно вдвойне, поскольку прогресс здесь чрезвычайно постепенен. Поставщики, ничего не знающие о конкурентах, встречаются часто; это показательный признак полной некомпетентности, и относиться к нему следует соответственно.

Отказ от всей этой игры в вопросы и ответы — достоинство, а не недостаток. Такие анкеты неизменно превращаются в бюрократического монстра. Неуместные вопросы и замаскированные требования в итоге начинают господствовать над процессом. Они раздражают хороших поставщиков и усиливают плохих. Участие в этой игре просто не имеет ценности. Стимулы неверны, и доверять нельзя ни входным данным — вопросам клиента, — ни выходным — ответам поставщика.

Точно так же требование приблизительных оценок намеренно. Корпоративное ПО — не точная наука. Компетентному поставщику не нужен долгий аудит, чтобы составить разумную оценку совокупной стоимости владения собственным решением. Неспособность дать такую оценку следует считать показательным признаком некомпетентности. Как минимум она должна охватывать вознаграждение поставщика, платежи вспомогательным участникам и стоимость внутренних ресурсов, выделенных на решение. Одна из самых частых уловок при искажении оценки затрат — закрывать глаза на сопутствующие расходы помимо платы поставщику. Хотя этот процесс не может помешать поставщику пропустить несколько строк, отсутствие сотрудничества между поставщиками обеспечивает достаточно широкий охват ожидаемых расходов.

Традиционные RFP, напротив, принуждают поставщиков работать с головокружительными списками бессмысленных требований. Хорошие поставщики знают, что расчистка этой чепухи потребует значительных усилий и что чаще всего им всё равно придётся реализовать множество возможностей сомнительной ценности. Поэтому, сталкиваясь с традиционным RFP, поставщики неизменно завышают вознаграждение. Они также охотно закроют глаза на любые затраты, не относимые непосредственно к ним, если те не упомянуты в RFP явно.

Наконец, оценка конкурентов — та часть информации, которая действительно отделяет зёрна от плевел. У любого ПО есть сильные и слабые стороны, но ни один поставщик, за исключением, возможно, самых некомпетентных, добровольно не раскроет худшие изъяны собственного решения. Под давлением он выдвинет мелкие недостатки, изображая ложную скромность. Отвлекать внимание легко, когда речь идёт о чём-то столь сложном и непрозрачном, как корпоративное ПО. Конкуренты же не постесняются указать на плохое и уродливое. Учитывая природу корпоративного ПО, обвинения и уничижительные высказывания не нужны. Вместо этого поставщик может просто направить клиента к изучению нескольких удачно выбранных сторон предложения соперника. Более того, само по себе привлечение внимания клиента к существенным вопросам демонстрирует компетентность.

Состязательное исследование рынка усиливает хороших поставщиков. Они могут обучить клиента искусству оценки поставщиков. Они могут поставить задачу так, чтобы максимизировать отдачу при развёртывании решения. Они могут предложить более низкие цены, поскольку им не приходится пробираться через удушающее бюрократическое безумие. Единственный недостаток в том, что это часто требует большей твёрдости, чем есть у самодовольных руководителей, не желающих тревожить собственный бюрократический аппарат.

Когда поставщик проходит такое состязательное исследование и выбран, работа возвращается к собственно развёртыванию: настройке сырых выгрузок, написанию первого числового рецепта и параллельным запускам до исчезновения всех безумных строк.

10.2 Определение границ развёртывания

На практике «одни и те же дефицитные ресурсы» означают общий пул запасов; общие мощности и ограничения выше по потоку — формы, MOQ, ступени скидок, кредитные линии; общее транспортное узкое место — маршрут, пару портов, класс транспорта; и регулярно забываемый общий запас управленческого внимания. При запуске новой инициативы в цепочке поставок первая задача — прояснить её конечную цель и границы работы. Например, компания может стремиться улучшить производственное расписание или объёмы повторных заказов — либо объединить несколько процессов принятия решений, исторически работавших в разрозненных электронных таблицах. Но во всех случаях преобразование необходимо явно определить с самого начала: какие решения изменятся, кто будет за них отвечать и как эти решения войдут в ежедневные операции?

Одно критически важное соображение: инициатива, направленная лишь на улучшение «видимости» или получение второстепенных показателей, сама по себе не способна обеспечить устойчивую отдачу. Все эти усилия по повышению видимости, даже самые изощрённые дашборды, остаются пустыми, если люди в организации продолжают принимать те же пошаговые ручные решения, что и до инициативы. И наоборот, стоит сформулировать цель как систему принятия решений, регулярно выдающую и реализующую конкретные действия — заказы на закупку или распределение мощностей, — и каждое требование становится легче выразить. Такая сосредоточенность на получении ежедневного или еженедельного решения в действующей среде — и доверии к нему — заставляет компанию выстраивать роли и ресурсы вокруг результата, с самого начала укоренённого в экономических реалиях бизнеса.

Отсюда следует практическое правило. Если несколько магазинов снабжаются из одного распределительного центра, включайте все эти магазины сразу; иначе движок будет искать арбитраж между электронными таблицами, а не между вариантами действий. Если два завода или два РЦ — распределительных центра — действительно независимы, без общего пула запасов выше по потоку, общих магистральных маршрутов ниже по потоку и общей закупочной команды, вводите их отдельными волнами. Если форма поставщика, MOQ или шкала скидок связывает товары, сразу включайте всё семейство. Если узкое место — магистральный маршрут или пара портов, охватите каждый проходящий через него поток. Если одним и тем же планировщикам приходится распределять один бюджет или кредитную линию, сохраняйте их область целиком: управленческое внимание столь же конечно, как палеты и часы.

Не менее важно решить, насколько широкими или узкими должны быть границы. Инициатива может успешно автоматизировать пополнение одного завода, но ненамеренно перенести проблемы в другое место — например, создать узкие места ниже по потоку или несогласованность цен выше по потоку. Если цель — разумные ежедневные решения, рассмотрение одной товарной линии или нескольких складов часто вводит в заблуждение. Хотя начинать с малого может казаться «безопаснее», глубокие структурные взаимозависимости нередко делают такие локальные пилотные запуски нерепрезентативными. Узко определённый проект может оказаться настолько ограниченным, что компания так и не увидит, как инициатива справляется с настоящей сложностью её операций. С другой стороны, чрезмерно широкий охват может утопить проект в многолетних задержках интеграции данных. На практике правильный баланс охватывает все значимые потоки, конкурирующие за одни ресурсы — запасы, транспорт или производственные мощности, — и избегает необязательных ответвлений в функции, мало влияющие на решения цепочки поставок.

Столь же важно установить минимальный набор чётко определённых ролей. Несмотря на множество должностей в крупной цепочке поставок, за поддержку автоматизированного процесса принятия решений должны отвечать лишь несколько ролей. Ответственный за данные поддерживает стабильное извлечение сырых транзакционных данных, в идеале нефильтрованной выгрузки, чтобы последующая подготовка оставалась гибкой и прозрачной. Затем специалист по цепочке поставок берёт на себя ответственность за технический и аналитический стек от сырых данных до окончательного рекомендуемого решения. Менеджер потока, занимающийся повседневной работой, — бывший планировщик в процедурах до автоматизации, — добавляет контекстные знания, оспаривает подозрительные результаты и проясняет ограничения на местах. Наконец, руководитель цепочки поставок готов разрешать разногласия при возникновении препятствий: если вводится новый распределительный центр или программный инструмент, он обеспечивает соответствующий пересмотр моделей, стоящих за решениями, вместо того чтобы позволить им отдаляться от реальности.

Все эти элементы — явная ориентация на решения, удачно выбранные границы, правильно определённые роли и ограниченный, но твёрдый график ввода в эксплуатацию — создают условия для гладкого хода инициативы. Они также показывают, что предмет интереса — не формула и не теоретический оптимум, а живой рецепт, обновляемый и запускаемый заново в меняющейся среде поставщиков, клиентов и операционных изменений. Когда эта основа заложена, следующий шаг — рассмотреть ядро: числовой рецепт в центре системы принятия решений, который преобразует каждую значимую часть данных в конкретные повседневные решения, направляющие поток товаров.

Этот раздел возвращается к тому, как задать рамки инициативы в цепочке поставок, чтобы она выдавала ежедневные или еженедельные решения, необходимые для работы цепочки, и одновременно закрепляла «мягкие» элементы — роли и руководство, — обеспечивающие согласованность с целями компании.

10.2.1 Числовой рецепт

При развёртывании — и только для определения границ — числовой рецепт лучше рассматривать как контракт на границе инициативы. Он закрепляет в коде три вопроса, которые нужно решить заранее: решения, которые движок вправе выдавать, и регистры, в которые они записываются; варианты действий, которые ему разрешено рассматривать, и те, что остаются экзогенными; а также общие ресурсы, которым он присваивает цену внутри, в отличие от тех, чьи внешние теневые цены он считывает. Всё остальное — подход к прогнозированию, теория решений, отладка «безумных» строк — рассмотрено в предыдущих главах и здесь не повторяется.

Во-первых, решения: рецепт с определёнными границами точно называет выдаваемые результаты. Для пополнения это строки, вставляемые в таблицы заказов на закупку или перемещение; для производства — время начала и количества в конечном наборе производственных заданий; для ценообразования — публикуемые изменения цен с согласованной периодичностью. Выдача должна быть идемпотентной и происходить без сохранения состояния: одинаковые входные данные дают одинаковые результаты. Обратную запись можно однозначно сверить по идентификатору решения и временной метке. Это узкое определение привязывает границы к реальности: если решение нельзя записать обратно в систему учёта, оно за пределами охвата.

Во-вторых, варианты действий: границы фиксируют, что движок может менять и что обязан принимать как данность. Если инициатива охватывает отправки из РЦ в магазины, а ценообразование остаётся вне её границ, цена считывается, а не выбирается; её последствия входят в целевую функцию через денежный регистр компании. Если заказы за рубежом входят в охват, а выбор перевозчика — нет, виды транспорта поступают как затраты и распределения сроков поставки, а не как варианты выбора. Явное указание допустимых действий предотвращает возврат к импровизациям в электронных таблицах, неформально расширяющим границы и стирающим ответственность.

В-третьих, общие ресурсы: границы корректны лишь тогда, когда каждый сдерживающий ресурс внутри периметра либо распределяется здесь, либо оценивается здесь в деньгах. Типичные связывающие ограничения — пулы запасов, семейства форм в рамках шкалы MOQ, пропускная способность погрузочных площадок и маршрута между парой портов, кредитные линии закупщиков и даже управленческое внимание. Когда такое ограничение пересекает границу, область должна принимать и соблюдать теневую цену, поставляемую соседней областью. Без этой цены движок ищет арбитраж между электронными таблицами, а не между вариантами действий. И наоборот, когда связывающее ограничение включено внутрь, внешняя теневая цена упраздняется: взаимосвязь становится внутренней.

Рецепт с определёнными границами также предусматривает отнесение последствий к решениям. Его окно ответственности — от момента, когда обязательство связывает ресурс, до возможности перераспределить или ликвидировать его, следующей за ближайшей, — задано явно, вместе с конечными оценками и храповиками. Внутри этого окна движок несёт выраженные в денежных единицах последствия собственных результатов: штрафы за упущенные продажи, затраты на избыток, перегрузку, уценки; за его пределами затраты учитываются через конечные стоимости, а не отслеживаются бесконечно. Эта граница предотвращает двойной счёт между инициативами и привычное перекладывание вины между соседними командами.

Определение границ требует остановки и обратимости на периметре. Движок обязан сам остановиться, если входные данные устарели, отсутствуют экзогенные теневые цены или проверки разумности на уровне досье не пройдены. Переход к работе без участия человека зависит от того, редки ли такие остановки и поддаются ли они диагностике. Обратимость достигается отсутствием состояния и детерминированным воспроизведением: вчерашний запуск можно восстановить по версионируемому коду и версионируемым выгрузкам, не ссылаясь на «дрейф данных» или «пользовательские корректировки».

Рацион данных следует из границ. Таблицы зеркалируются целиком, с точным сохранением схемы, ежедневно — или чаще, если этого требует ритм решений. Никакая «полезная» предварительная обработка не допускается: фильтры, заполнение пропусков и соединения, влияющие на решение, находятся внутри рецепта, где их можно проверять вместе с экономикой. Минимальное раскрытие логики — столбцы, показывающие основные факторы каждого результата в деньгах и ограничениях, — тоже входит в контракт. Это досье позволяет финансовой и операционной службам сразу увидеть, почему строка разумна.

Два коротких примера делают границу конкретной. Рецепт пополнения магазинов из РЦ, ограниченный одним РЦ, выдаёт заказы на перемещение для всех снабжаемых им магазинов, варьирует количества и время отпуска, считывает цены и планограммы как экзогенные данные и включает трудовые ресурсы и пропускную способность погрузочных площадок РЦ во внутреннюю модель. Если другой РЦ использует тот же пул выше по потоку, рецепт должен либо принять теневую цену этого пула, либо расширить периметр, включив соседний РЦ; любой промежуточный вариант провоцирует арбитраж между РЦ через электронные таблицы. Рецепт зарубежных закупок, ограниченный семейством поставщика, выдаёт заказы с формированием партий, внутренне учитывает шкалы MOQ и скидок, а также общую форму, считывает выбор перевозчика как входные данные с заданной ценой и относит последующие затраты через конечную стоимость при передаче в импортный РЦ. Ценообразование или распределение по магазинам остаётся за границами до следующей волны.

Наконец, предполагается, что границы будут меняться. Контракт задаёт стык: по мере включения соседних областей экзогенные теневые цены заменяются эндогенными решениями без переписывания ядра. На практике развёртывания именно так области «состыковываются»: граница — не риторический слайд, а исполняемый код, называющий выдаваемые результаты, допустимые действия, связывающие ограничения, цены и остановки. Следующий подраздел рассматривает взаимодействие этих границ с остальной системой.

10.2.2 Конвейер данных

Границы становятся реальными лишь там, где встречаются с ландшафтом приложений. Современные компании работают в изолированных системах: ERP для транзакций, WMS для мест хранения, TMS для перевозок, CRM для заказов; у каждой свои схема, ритм и фольклор. Поэтому определение границ инициативы — не абстрактное очерчивание контура, а решение провести через эти системы чистый, долговечный стык и поддерживать его тонким, честным и воспроизводимым конвейером данных.

Числовой рецепт, определённый в предыдущем подразделе, задаёт логический периметр: выдаваемые результаты, допустимые варианты и общие связывающие ограничения. Конвейер — его информационный двойник. Он должен зеркалировать необходимые этому периметру таблицы с периодичностью, вытекающей из решений. На практике ежедневный сигнал закрытия — явный момент отсечения по UTC, после которого снимаются выгрузки, — лучше расплывчатых амбиций «почти реального времени», размывающих происхождение данных. Свежесть — экономический выбор: ускоряйтесь лишь тогда, когда ожидаемая прибавка в деньгах оправдывает дополнительное трение; иначе предпочитайте чистый ежедневный снимок, который все могут воспроизвести одинаково. Частичные выгрузки и «пилотные срезы» контрпродуктивны: они маскируют эффекты масштаба, скрывают семантические особенности и создают ложное ощущение правильности на игрушечных подмножествах. Периметр, который вы намерены оптимизировать, — это периметр, который вы зеркалируете.

Каждая выгрузка должна быть неизменяемой и самоописываемой. Упаковывайте таблицы с небольшим манифестом, фиксирующим отметку актуальности, число строк в каждой таблице, минимальные и максимальные временные метки бизнес-событий и отпечаток схемы. Хранилища допускают только добавление: вчерашние файлы никогда не редактируются; исправления задним числом появляются как новые факты в сегодняшней выгрузке. Эта дисциплина вместе с возвратом во времени гарантирует побитовую воспроизводимость: запуск можно повторить спустя месяцы, не оправдываясь тем, что «данные изменились».

Удаления и запоздалые исправления требуют явной обработки. Предпочитайте полные снимки хитроумным дельтам; если это невозможно, приводите любое отслеживание изменений в исходных данных к регистру только с добавлением записей внутри периметра: метки удаления для физически удалённых записей, версионируемые строки для обновлений. Цель — единообразие: рецепт рассуждает на основе единой растущей истории событий, а не движущейся мишени из правок на месте.

Доступ подчиняется принципу минимальных привилегий: сервисная учётная запись с правом только на чтение получает выгрузки; инициатива никогда не записывает данные обратно в системы учёта через конвейер. Минимизируйте персональные данные: для большинства решений цепочки поставок в них нет обоснованной потребности. Сохраняйте стык тонким: выгрузки — факты, а не мнения; преобразования, меняющие решения, должны находиться внутри рецепта, где они версионируются вместе с экономикой.

Глубина истории должна охватывать как минимум один полный цикл пополнения и, когда важна сезонность, два сезонных пика. Больше — лучше, но достаточно того, что «позволяет научиться»: добросовестных данных за три–шесть кварталов хватает, чтобы рецепт сошёлся; историю можно дополнить позже, не срывая развёртывание. Внешние потоки — государственные праздники, индексы цен, погода для скоропортящихся товаров с коротким плечом перевозки — входят как полноценные таблицы со своим ритмом и происхождением. Сначала используйте внутренние записи; внешние данные окупаются лишь тогда, когда их сигнал доказуемо сильнее вносимого ими шума.

«Полезная» предварительная обработка — специальные фильтры, незаметное заполнение пропусков, заранее соединённые представления — превращает стык в туман. Преобразования, важные для решений, должны находиться внутри рецепта, где они версионируются вместе с экономикой и проверяются вместе с выданными результатами. Записи остаются гипотезами о реальности; сохранение их в сыром виде удерживает происхождение и позволяет проследить дефект до исходной системы, а не до недокументированного скрипта очистки.

Поскольку изолированные приложения не будут переводить на новые платформы ради инициативы, её границы должны учитывать их взаимосвязи, не пытаясь заранее их устранить. Когда сдерживающий ресурс находится внутри периметра, его ограничения включаются во внутреннюю модель; когда он пересекает границу, его влияние поступает как теневая цена из соседней области. Попытка «упростить» всё удалением неудобных данных — или выделением крошечного фрагмента, который больше не конкурирует за общие запасы, мощности, маршруты или внимание, — возвращает тот самый арбитраж между электронными таблицами, от которого инициатива должна избавить.

Технологически конвейер должен быть скучным: снимки только с добавлением, неизменяемые файлы, выгрузки под контролем манифестов и возврат во времени для побитового воспроизведения любого прошлого запуска. Эта скромная дисциплина делает остановку и обратимость, требуемые контрактом рецепта, действенными на практике. Хранение дёшево; преждевременное обобщение — нет. Единственная оправданная сложность находится там, где деньги переходят из рук в руки: внутри рецепта, а не в подводящих к нему трубах.

Когда этот стык проведён — точное зеркалирование с одной стороны, проверяемые преобразования внутри рецепта с другой, — границы можно расширять без потрясений. Новые области включаются заменой внешних теневых цен эндогенными решениями; ничего другого в конвейере не нужно изобретать заново. Следующий подраздел распределяет немногочисленные роли, необходимые для поддержания этого стыка день за днём.

10.2.3 Роли в инициативе

После того как границы прояснены и ориентированы на ежедневную выработку решений, следующий критический шаг — определить ответственность за каждую часть процесса. Хотя компании часто поддерживают множество специализированных ролей в цепочке поставок, для автоматизированного процесса принятия решений нужны лишь немногие. Слишком большое число ролей просто размывает ответственность за конечный результат. Напротив, небольшой, чётко определённый набор ролей обеспечивает подотчётность и делает путь от сырых данных к окончательным решениям ясным и прослеживаемым.

Ответственный за данные настраивает и поддерживает конвейер данных. Эта роль находится на пересечении ИТ и цепочки поставок, но прочно опирается на дисциплину ИТ. Её главная цель — поставлять сырые, нефильтрованные выгрузки из систем учёта: ERP, WMS, CRM или других унаследованных приложений. Надёжно доставлять эти наборы ежедневно или еженедельно труднее, чем кажется: мелкие изменения схемы, частичные обновления или особенности использования регулярно ломают задания извлечения. После стабилизации конвейер требует минимальных текущих усилий. Критически важно, чтобы эта роль воздерживалась от попыток «исправить» или «истолковать» данные. При любой серьёзной аномалии — например, отрицательном количестве физически имеющихся запасов или отсутствующих транзакциях — ответственный должен уведомить соответствующие команды, но не перезаписывать и не обрабатывать исходные записи. Так инициатива сталкивается с реальными данными, а не с неизвестным преобразованием.

Специалист по цепочке поставок отвечает за весь рецепт — от сырых данных до ежедневных решений. Эта роль — логическое ядро инициативы. Пока ответственный за данные сосредоточен на извлечении, специалист переводит каждый фактор затрат, операционное ограничение или стратегическое предпочтение в сам рецепт. В отличие от обычного аналитика данных или «data scientist», специалист по цепочке поставок лично отвечает за доведение процесса до пригодности к эксплуатации. Если рекомендация вопиюще неверна, именно он обязан найти источник ошибки: ошибочное допущение модели, упущенное ограничение срока выполнения операции или несоответствие текущим финансовым целям компании. Со временем специалист кодирует новые знания непосредственно в рецепте, сохраняя его соответствие меняющимся операционным реалиям. Хотя он использует статистические инструменты, механизмы оптимизации или методы моделирования, его руководящий принцип — выдавать работоспособные ежедневные решения. Разница в образе мышления критична: дашборды или показатели эффективности могут потерять актуальность; ежедневные автоматизированные решения — не могут.

Далее следует куратор из высшего руководства, обеспечивающий руководство и разрешение разногласий на высшем уровне. Решения цепочки поставок неизбежно отражают более широкий экономический расчёт компании, и специалисту иногда понадобятся модельные допущения — о затратах, марже, компромиссах или условиях поставщиков, — подтвердить которые может лишь высшее руководство. Например, отдельный склад может запросить дорогую срочную перевозку для ускорения пополнения, но это может противоречить цели сократить авиаперевозки в масштабах компании. При разногласиях куратор проясняет приоритеты компромиссов. Он также обеспечивает проекту необходимую политическую и финансовую поддержку. Если специалист выявляет новый фактор — например, сохраняющиеся гарантии на товары или правовые ограничения трансграничных перевозок, — требующий более глубокого изменения процесса, прямое участие куратора помогает быстро устранить организационные препятствия.

Наконец, необходимым остаётся менеджер потока — в прежних процессах планировщик или менеджер запасов. Хотя ежедневные решения со временем автоматизируются, сложности реального мира никогда не исчезают. Менеджер потока даёт повседневные операционные знания, которые не отражаются в таблицах данных: например, какой поставщик склонен отгружать неполные партии или на каких упаковочных линиях в пиковые месяцы возникают малозаметные проблемы качества. В первые месяцы параллельной работы старой электронной таблицы и нового рецепта менеджер потока замечает решения, выглядящие «безумными», и передаёт эти наблюдения. Со временем, по мере подтверждения стабильности автоматизации, его работа меняется. Вместо мелочной проверки каждого уровня запасов он сосредоточивается на более широких отношениях с клиентами и поставщиками, разбирается с неожиданными сбоями — затопленным складом или внезапным изменением регулирования — и передаёт эти знания специалисту. Освободившись от бесконечных обновлений таблиц, он становится хранителем потока в масштабе всей сети, повышая устойчивость и быстроту реакции цепочки поставок.

Кратко распределение ответственности сводится к четырём действиям: ответственный за данные поставляет факты; специалист по цепочке поставок выдаёт ежедневные обязательства и останавливает движок при снижении уверенности; куратор разрешает споры о компромиссах и границах; менеджер потока наблюдает за фактическим потоком и передаёт аномалии на соответствующий уровень.

Эти четыре роли укладываются в удивительно компактную структуру даже в крупных корпорациях. Один человек может отвечать за данные сразу в нескольких проектах, а один специалист — работать с сотнями тысяч SKU. Если с самого начала прояснить, что каждой ответственности соответствует одна легко определимая область, это уменьшит трение между подразделениями и позволит избежать бесконечных передач работы и частичной ответственности, часто парализующих более амбициозные и менее сосредоточенные проекты.

После распределения этих ролей открывается путь к конкретному циклу ввода в эксплуатацию продолжительностью примерно шесть месяцев — от извлечения данных до стабильного процесса, пригодного для промышленной работы.

10.3 Ввод в эксплуатацию

Ввод в эксплуатацию — переход от намерения с определёнными границами к выдаче результатов без участия человека. Когда периметр, роли и стык ежедневных выгрузок готовы, остаётся исполнение с явными условиями перехода: ежедневно сводить числовой рецепт с реальностью; двигаться дальше лишь при выполнении критериев готовности; выводить ручные процедуры из употребления, не прерывая поток.

Этот раздел не возвращается к границам, ролям или экономике: они определены выше. Здесь речь о ритме и контроле: какие условия и в каком порядке должны выполняться, чтобы система принятия решений безопасно приняла управление на себя. Даты следуют из критериев: календарь — следствие, а не план.

Далее мы пройдём такой путь: краткая последовательность этапов с условиями перехода; ежедневная практика, позволяющая их достичь; механизмы поэтапного развёртывания и обратимости; подход к долгосрочному сопровождению. С этими элементами переход от электронных таблиц к решениям без участия человека становится рутинным, а не героическим.

10.3.1 Обзор этапов и сроков

После определения границ и ролей ввод в эксплуатацию проходит три этапа, которые в большинстве компаний укладываются примерно в шесть месяцев. Этот горизонт — эмпирическое ожидание, а не обещание: календарь отражает скорее организационный ритм, чем вычисления, и задержка на несколько недель обычно указывает на проблемы руководства или границ, а не на «жёсткие» технические пределы.

Первый этап заканчивается лишь тогда, когда ежедневное извлечение данных полно и надёжно. Нужный числовому рецепту набор таблиц зеркалируется с точным сохранением схемы на чётко заданный ежедневный момент отсечения; выгрузки неизменяемы и самоописываемы; прошлые запуски воспроизводятся побитово; особенности исходных систем обрабатываются без «полезной» обработки, размывающей происхождение. Эвристики остановки подключены так, чтобы движок сам останавливался при устаревших или отсутствующих входных данных. На практике этап завершён, когда стык достаточно долго работает чисто и воспроизводимо, а дефекты отслеживаются и устраняются на стыке, а не маскируются ниже по потоку.

Второй этап заканчивается, когда рецепт перестаёт выдавать безумные решения. При стабильном конвейере числовой рецепт ежедневно работает рядом с действующей процедурой. Каждый результат сопровождается досье, раскрывающим его основные экономические факторы в денежных единицах. День за днём неожиданности возвращаются в семантику, ограничения или цены, пока вопиющие промахи не исчезнут. Критерий здесь — не совершенство, а отсутствие безумия: параллельная работа должна устойчиво давать ноль безумных строк, а оставшиеся отличия от ручной процедуры должны относиться к предельной экономике, а не к логическим ошибкам.

Третий этап заканчивается, когда доверия достаточно для эксплуатации. Тот же самый рецепт теперь выполняет обратную запись внутри ограниченного периметра, защищён эвристиками остановки и обратим по конструкции: выдача не сохраняет состояния и идемпотентна; откат и воспроизведение рутинны; документация позволяет другому специалисту поставить диагноз и вернуть прежнюю версию за несколько часов. Средства проверки достаточно убедительны, чтобы финансовая и операционная службы проверяли решения без совещаний: досье понятны, отнесение последствий ясно, окно ответственности явно задано. После короткого, чистого развёртывания без участия человека на части периметра переход в эксплуатацию перестаёт быть прыжком веры и становится формальностью.

Эти условия перехода нужны, чтобы не застрять в пилотном чистилище. Если этап затягивается, поднимайте на соответствующий уровень его причину — незавершённые выгрузки, расползание границ или цены, за которые никто не отвечает, — вместо того чтобы растягивать календарь. И наоборот, поспешный переход без выполнения условий лишь переносит риск в эксплуатацию. Далее разбирается повседневная работа внутри каждого этапа без повторения уже определённых границ и ролей.

10.3.2 Итеративное развёртывание

Развёртывание воплощает на практике метод экспериментальной оптимизации, представленный в главе Инженерия: ежедневно сталкивать числовой рецепт с реальным стыком; позволять опровержениям направлять правки; двигаться дальше лишь тогда, когда получаемые решения разумны. Цель здесь практическая: как проводить такую работу в эксплуатации, а не заново излагать её теорию (см. главу Инженерия, разделы Экспериментальная оптимизация и Раскрытие логики).

10.3.2.1 Ежедневный параллельный запуск

Каждый день по сигналу закрытия запускайте рецепт от начала до конца на всём периметре, с тем же моментом отсечения и теми же допустимыми действиями, которые будут у него в эксплуатации. Выдавайте решения, но не записывайте их; архивируйте и результаты, и досье; сравнивайте их с действующей процедурой. Запуск не сохраняет состояния и воспроизводим: при заданных выгрузке и версии кода результаты идентичны. Эвристики остановки остаются активными; любая остановка рассматривается как дефект стыка — отсутствующие таблицы, устаревшие теневые цены, смысловой дрейф, — который нужно устранить до следующего запуска. Параллельный запуск — не демонстрация; это ежедневная лаборатория, где рецепт встречается с реальностью, пока не перестанет преподносить сюрпризы.

10.3.2.2 Ноль безумных решений

«Безумным» называется любой результат, нарушающий жёсткое физическое или правовое ограничение, противоречащий элементарному факту бизнеса либо имеющий явно отрицательную ожидаемую доходность при заданных ценах. Устойчивое отсутствие безумия на всём периметре — условие выхода из параллельного режима, соответствующее второму этапу описанной выше последовательности. Разногласия с ручной процедурой по вопросам предельной экономики не блокируют переход; они разрешаются на основе регистра и урегулируются при развёртывании, описанном в следующем разделе.

10.3.2.3 Развитие средств проверки

Чтобы ускорить опровержение, каждый результат сопровождается коротким досье, раскрывающим его основные экономические факторы в деньгах вместе с немногими сдерживающими его ограничениями. Схема досье принадлежит рецепту и развивается вместе с ним; она версионируется, воспроизводится и записывается тем же кодом, который создаёт строки. При параллельной работе досье позволяют практикам за минуты установить причину неожиданности; в эксплуатации те же досье позволяют финансовой и операционной службам проверять решения без совещаний. Механизмы раскрытия логики были разработаны ранее; здесь мы оставляем лишь то, что ускоряет развёртывание.

Когда параллельная работа некоторое время обходится без безумных строк, а остановки редки и объяснены, тот же рецепт может начать обратную запись внутри ограниченного периметра. Механизмы этого переключения — выбор охвата, предохранители и обратимость — далее рассматриваются в разделе Поэтапное развёртывание.

10.3.3 Поэтапное развёртывание

Переход от ежедневных параллельных проверок к реальной опоре на систему принятия решений — упражнение в управлении риском. Преобразование должно быть достаточно решительным, чтобы компания в целом больше не возвращалась к старым ручным методам при первых признаках неприятностей, и достаточно осторожным, чтобы избежать масштабных сбоев. Многие организации колеблются на этом рубеже, сохраняя новую систему в роли вечного пилота, но упорядоченный, твёрдый переход не даёт инициативе застрять в подвешенном состоянии.

10.3.3.1 Первый охват

Распространённый способ начать — выбрать тесно связанный сегмент цепочки поставок и разрешить автоматизированным решениям действовать только на этом подмножестве. Например, один распределительный центр может следовать ежедневным рекомендациям по определённой категории, или завод — работать по автоматизированному расписанию одной товарной линии. В идеале у этих товаров или площадок уже есть стабильные данные и хорошо понятные ограничения. Применяя результаты рецепта в реальных операциях — например, отправляя предлагаемые заказы на закупку непосредственно поставщикам, — организация может убедиться, что в настоящих условиях работы «безумные строки» не возникают. Этот первоначальный переход обычно длится неделю или две — достаточно, чтобы подтвердить точность перевода базовых допущений о затратах, запасах и сроках выполнения операций в ежедневные действия.

После стабилизации результатов можно подключить более широкую часть сети. Например, если первая волна охватывала один распределительный центр, следующая может охватить все РЦ того же региона. При каждом расширении специалист и ответственный за данные должны убедиться, что та же архитектура конвейера масштабируется на добавленные площадки или товарные линии без новых сложностей. Параллельно менеджер потока подтверждает, что не упущено ни одно особое местное правило, например жёсткое требование поставщика отгружать только полные палеты. Этот порядок — выбрать, подтвердить стабильность, затем расширить — повторяется, пока не охвачены все значимые уголки первоначальной области.

10.3.3.2 Отказ от ручного запасного процесса

Более трудная задача — решить, как и когда вывести из употребления старые ручные шаги. Многие компании пробовали «полуавтоматизацию», при которой планировщики проверяют каждую рекомендацию системы и вручную меняют параметры при первом намёке на нехватку. Выглядящие осмотрительными бессрочные перепроверки незаметно размывают выгоду. Номинальная автоматизация вырождается в разрекламированный механизм подсказок, игнорируемый, как только цифры противоречат интуиции. Каждый час, потраченный на сомнения в рекомендованных заказах или их повторный ввод, — час, не вложенный в задачи, с которыми машина не справится: например, развитие отношений с поставщиками или анализ новых рыночных сигналов.

Чтобы по-настоящему воспользоваться автоматизацией, необходимо прекратить активное использование старого процесса. Может показаться, что это требует прыжка веры. Но к тому моменту ежедневные сравнения должны показать, что новый метод редко, если вообще когда-либо, выдаёт вопиющие ошибки. При аномалиях — внезапном скачке сроков поставки поставщиков, необъявленном изменении стандарта упаковки — исправление рецепта оказывается систематичнее и быстрее, чем лоскутная работа в таблицах. Поскольку логика сосредоточена в коде, одно исправление устраняет потенциальные ошибки по множеству SKU и площадок. Эта ясность в итоге убеждает планировщиков и руководителей среднего звена, что переход экономит время без утраты контроля.

10.3.3.3 Работа с исключениями

Динамичная цепочка поставок неизбежно сталкивается со случаями, которые рецепт не полностью предусмотрел. Стихийное бедствие может затопить склад, поставщик — не выполнить обязательства. Та же автоматизация, которая работает в нормальных условиях, теперь требует быстрой корректировки: временного изменения решения или смоделированного ограничения. Сразу после отключения старого ручного процесса любая поломка кажется срочной. Со скачками рекомендуемых заказов на закупку или невозможностью соблюдать большие размеры партий приходится разбираться без утешения старых электронных таблиц.

Главная ответственность здесь лежит на специалисте. Поскольку рецепт не сохраняет состояния и ежедневно заново рассчитывает решения по всему набору данных, изменения можно вводить сразу после прояснения допущений. Если повреждённая водой площадка должна работать на половине мощности, специалист может закодировать это ограничение следующим утром. Главное — включать такие исключения в единый код, а не позволять им возвращаться в виде локальных корректировок в разбросанных таблицах. Даже после кризиса рецепт сохраняет это ограничение на случай повторения ситуации.

10.3.3.4 Измерение результатов

По мере распространения механических решений по сети расширяется и охват средств проверки. Раньше они помогали выявлять нестабильные или неверные строки; теперь они также оценивают, реализуются ли предсказанные улучшения сервиса, затрат или быстроты реакции. Специалист, обычно вместе с руководителями финансовой и операционной служб, сравнивает фактический спрос с прогнозами, а реализованную маржу и сроки выполнения операций — с их модельными аналогами. Этот обзор на 360 градусов показывает, насколько ежедневные решения выдерживают изменчивость реального мира. Критически важно, что такие результаты измерений — например, показатели точности или сравнения затрат — предназначены прежде всего для итеративных улучшений специалистом, а не для создания новых уровней надзора. Новый разрыв между прогнозом и спросом может указывать на тонкий сдвиг сезонности или изменение цен конкурента — знание, которое лучше вернуть в код рецепта. Если широко распространять эти материалы между подразделениями, организация рискует вернуться к комитетскому подкручиванию прогнозов, размывая ответственность.

Механическое развёртывание опирается на две одновременные формы измерения. Первая — порог нулевого безумия: остаётся ли рекомендованный заказ или график очевидно правильным для данного дня? Вторая — более долгосрочные проверки факта против ожидаемого: отражает ли подход реальные затраты бизнеса и цели по выручке? Хранение обоих видов средств проверки в кодовой базе, видимой специалисту и доступной для пересмотра, позволяет ему быстро находить ошибочные допущения. Компания сохраняет устойчивый сквозной взгляд без путаницы, вызванной частичными средствами отслеживания или противоречащими друг другу таблицами разных подразделений.

10.3.3.5 Закрепление автономности

За несколько месяцев поэтапного развёртывания и совершенствования средств проверки инициатива складывается в ежедневную процедуру. Сотрудники, прежде лихорадочно работавшие в таблицах, переключают внимание на более тонкие задачи или срочные исключения, неизбежно возникающие на изменчивых рынках. Уверенность в автоматизированной системе неуклонно растёт. Когда вся область работает по новому рецепту, по ручному подходу уже не скучают. Сотрудники видят, что заново оспаривать каждое решение о повторном заказе незачем, а руководители замечают, что изменения спроса, ограничений поставок или даже структуры затрат можно быстро и последовательно учитывать на уровне рецепта.

Успешная автоматизация запускает культурный сдвиг. Осознав, что один участок цепочки поставок действительно стал механическим, сотрудники начинают находить новые области для подобного подхода. Даже если такие расширения выходят за первоначальные границы, они могут опираться на уже доказавшие свою ценность конвейер, средства проверки и итеративный процесс. Этот импульс избавляет организацию от застоя, обычного после традиционных внедрений ПО, когда систему «замораживают» сразу после запуска. Здесь ежедневные результаты системы остаются открытыми для улучшений именно потому, что возможность быстрых итераций с самого начала встроена в структуру инициативы.

Переход к полной автоматизации — не последнее слово. Следующий вопрос — как поддерживать и улучшать эту новую норму, чтобы рецепт поспевал за изменениями стратегии компании или рыночных условий. Хотя после внедрения хорошо проверенного механического подхода никто не хочет возвращаться к таблицам, для предотвращения самодовольства нужна постоянная бдительность. Следующий раздел объясняет, как сохранять актуальность инициативы при непрерывном развитии, превращая каждое событие — от повседневных изменений до потрясений типа «чёрного лебедя» — в возможность укрепить автоматизированный процесс.

10.3.4 Долгосрочное сопровождение

Развёрнутая система принятия решений никогда не бывает статичной: как бы отточенно ни выглядел её числовой рецепт, условия бизнеса и операционные реалии продолжают меняться. Могут появляться новые нормы, меняться структура цен, а сроки выполнения операций или ограничения сервиса — сдвигаться так, как автоматизированный рецепт не предусмотрел. Инициатива, переставшая адаптироваться, вскоре становится столь же устаревшей, как заменённая ею система.

Сопровождение в этом контексте не ограничивается программными исправлениями или починкой извлечения данных. Прежде всего речь о сохранении правильности и актуальности экономической логики, закодированной в рецепте. Если компания открывает новый распределительный центр или заключает новый договор с поставщиком, затраты и ограничения, лежащие в основе ежедневных решений, необходимо пересмотреть с учётом этих изменений. На практике отказ от сопровождения рецепта означает либо возврат к череде ручных корректировок, подрывающих автоматизацию, либо выдачу решений, всё более оторванных от целей компании.

10.3.4.1 Неустанное развитие

Одна из важнейших причин систематического сопровождения — постоянное изменение каждого звена: вводятся новые SKU, старые выводятся, появляются маркетинговые кампании, неожиданные сбои вынуждают выбирать другие маршруты. Если рецепт остаётся заперт в прошлогодних допущениях, он упустит новые возможности и не снизит вновь возникшие риски.

Эта изменчивость — не изъян автоматизации, а свойство реальных рынков. Устойчивая инициатива принимает изменения, предусматривая регулярный пересмотр допущений рецепта и выявление аномалий всякий раз, когда конвейер данных обнаруживает большие отклонения от нормальных условий. Скачок транспортных расходов может потребовать более глубокого моделирования вместимости контейнеров или пересмотра предпочтительного вида транспорта. Аналогично добавление передовых производственных линий может изменить компромиссы: когда-то оптимизированные размеры партий становятся расточительными, если новые линии переналаживаются дешевле и быстрее.

10.3.4.2 Финансы и операции

Согласование обновлений рецепта требует постоянного диалога между специалистом и старшими руководителями финансовой и операционной служб. Повседневное сопровождение может решать мелкие вопросы — новый код поставщика или перенастроенное правило повторного заказа, — тогда как существенные изменения, например новая структура скидок или иной подход к оборотному капиталу, по своей природе стратегические.

Чтобы рецепт соответствовал текущим финансовым реалиям компании, он должен отражать любые изменения распределения затрат или бюджетных ограничений. Поскольку финансовая служба определяет оценку капитала, специалист обращается к ней за ясностью: насколько агрессивно или осторожно менять масштаб запасов, как учитывать нематериальные накладные издержки, например ущерб бренду из-за пропущенной отгрузки, и как сопоставлять задержки отправок с расходами на срочную сверхурочную работу. Совместный пересмотр раз в год или полгода обеспечивает соответствие кода стратегическому направлению компании, не давая ему скатиться к устаревшим шаблонам. Если высшее руководство хочет приоритетно выходить на новые рынки или сократить использование авиаперевозок на заданный процент, специалист не может угадать эти приоритеты: его нужно заранее и точно проинформировать.

10.3.4.3 Реализация без сохранения состояния

Устойчивый принцип проектирования для эффективного сопровождения — не сохранять состояние рецепта. Каждый день или неделю он заново рассчитывает все рекомендации по сырым данным, не перенося скрытого состояния дальше. Такой подход не даёт ошибкам накапливаться со временем. Если сбой выше по потоку завысил сегодняшние запасы, завтрашний запуск после исправления данных естественным образом вернётся к нормальным решениям. Система может «отскочить назад», как только конвейер восстановится, без затянувшихся призраков старых расчётов.

Конструкции без сохранения состояния также облегчают долгосрочное сопровождение. Когда специалист обновляет функцию затрат или вводит новые ограничения, изменение сразу вступает в силу при следующем запуске, затрагивая каждую SKU или площадку, требующую корректировки. Не нужно вычищать старые сохранённые состояния или беспокоиться, что ранее обученная модель усвоила устаревшие сигналы. Пересчёт каждого решения может казаться затратным, но современные инфраструктуры справляются с такими объёмами для цепочек поставок любого размера, особенно когда извлечение данных уже под контролем.

Эта схема без состояния показывает свою ценность при всплесках спроса или резких изменениях политики. Если целый регион переживает необычный скачок заказов, следующий ежедневный запуск может учесть его, не привязываясь к вчерашнему ошибочному суждению. Рецепт гибок: он адаптируется сразу при изменении условий, устраняя соблазн опереться на устаревшие ручные правила буферов, прежде поддерживавшие хрупкий процесс.

10.3.4.4 События типа «чёрного лебедя»

За повседневной изменчивостью лежит риск тяжёлых, крайних потрясений: складских пожаров, наводнений, пандемий или внезапных регуляторных эмбарго. Такие «чёрные лебеди» переворачивают обычные структуры затрат, ограничения мощностей и пути распределения. Хотя ни один ежедневный рецепт не способен предвидеть события, далеко выходящие за типичные параметры, организация может опереться на итеративный подход, использованный при создании инициативы. Когда случается бедствие, специалист кодирует новые или временные ограничения непосредственно в рецепте: площадка может работать на половине мощности или вовсе исключаться из потока; аварийному логистическому маршруту можно назначить стоимость перевозки в десять раз выше обычной. После этих краткосрочных корректировок система запускается снова и сразу показывает, как новые ограничения меняют распределение или строки повторных заказов.

«Чёрный лебедь» может потребовать и более глубоких изменений: построения альтернативных потоков или радикального пересмотра сроков выполнения операций для целого региона. Принцип остаётся прежним: рецепт — единая точка интеграции, поэтому новые обнаруженные ограничения или экстремальные затраты вводятся именно туда. Этот подход устойчивее ситуативного тушения пожаров через ручные корректировки, разбросанные по таблицам и подразделениям. Каждое проверенное исправление становится частью кодовой базы и перестаёт зависеть от мимолётной человеческой бдительности.

Критически важно, что чрезвычайный кризис может стать возможностью углубить понимание рисков компанией. Если дефолт поставщика обнаруживает, что 90% ключевого компонента закупались из единственного источника, рецепт можно навсегда дополнить правилами, предотвращающими чрезмерную зависимость от одного поставщика. Те же средства, что используются для ежедневных проверок, способны выявлять такие уязвимости. Со временем уроки потрясений поднимают исходный уровень, обеспечивая выход системы из кризиса более устойчивой.

Таким образом, долгосрочное сопровождение — не только бдительность к обычному дрейфу, но и структурированная реакция на внезапные удары. И ежедневные обновления, и срочные исправления возвращаются к единому рецепту без состояния, остающемуся ядром автоматизированной цепочки поставок. Привыкнув к этому циклу — небольшим приращениям, периодическим перенастройкам и кризисным перестройкам, — компания обнаруживает, что автоматизированный поток сохраняет актуальность. Инициатива оказывается стабильнее и гибче любого лоскутного набора таблиц, поскольку в неё встроен механизм непрерывного обновления.

К этому моменту у инициативы стабильная архитектура, ежедневные операции идут по автоматизированным решениям, а компания готова и к рутинным изменениям, и к крупным неожиданностям. Остаётся оценить, как это переопределяет роли, организационные структуры и должностные обязанности: хорошо сопровождаемый рецепт не просто заменяет старые процессы, а преобразует труд в цепочке поставок.

10.4 Организационные изменения

Организационные сдвиги неизбежны, когда автоматизированные решения ежедневно проходят через компанию. Хотя механика чётких границ и итеративного развёртывания может казаться чисто технической, люди по всему бизнесу вскоре понимают, что многие задачи, прежде выполнявшиеся планировщиками или руководителями среднего звена, теперь идут с небольшим участием человека. Сотрудники, привыкшие собирать данные, согласовывать противоречащие друг другу показатели и жонглировать корректировками в последний момент, обнаруживают, что новый процесс оставляет меньше дыр для латания. Одни приветствуют облегчение и сосредоточиваются на более трудных задачах цепочки поставок, сопротивляющихся автоматизации. Другие чувствуют потерю значимости и противятся переменам, ссылаясь на якобы существующие «исключения» или настаивая, что система «не может учесть каждую деталь».

Но, будучи явно изложенными, эти детали могут быть закодированы в рецепте. Если, например, планировщик подправлял объёмы повторных заказов для поставщика, постоянно отгружавшего неполные палеты, этот нюанс должен находиться в коде. После его добавления рецепт больше не зависит от исправлений в последний момент. Освободившись от вечного тушения пожаров, сотрудники могут расширять охват инициативы или укреплять отношения с партнёрами. Со временем компания должна признать, что многие повседневные процедуры изменились. Традиционные планировщики, привыкшие каждое утро просматривать таблицы по сотням SKU, обнаруживают избыточность таких ручных проверок. Финансовая служба, прежде воспринимавшая прогнозы как приблизительные «лучшие догадки», требующие осторожности при бюджетировании, теперь сталкивается с системой, ежедневно связывающей капитал, если ей не указано иное. ИТ-подразделение, исторически перегруженное очередью запросов на отчёты и мини-приложения, видит, что один хорошо спроектированный конвейер заменяет множество разрозненных доработок.

Преодоление этих трений требует ясно объяснить, почему инициатива меняет не только ПО, но и распределение работы. Если автоматизированным решениям доверяют, компании больше невыгодно содержать несколько команд для их воспроизведения или ручного изменения. Вместо ведения бесконечных таблиц сотрудники планирования должны улучшать способы закупки и хранения каждого товара, уточнять допущения о затратах и улавливать новые сигналы, иначе невидимые алгоритму. Аналогично руководителям финансовой службы незачем возвращаться к тем же построчным деталям, если экономические факторы рецепта точно отражают предполагаемые ограничения. Вместо этого их роль — менять эти факторы при изменении стратегии или появлении новых ресурсных пределов.

Этот сдвиг также требует новых форм сотрудничества. Механическая система одновременно прозрачна и негибка: она не способна незаметно замазать несогласованность двух подразделений. Если складское правило управления противоречит недавней маркетинговой активности, конфликт быстро проявляется в ежедневных результатах. В конечном счёте для разрешения таких противоречий мало вежливого совещания или ситуативной заплатки. Нужно, чтобы специалист — или тот, кто теперь отвечает за рецепт, — включил обновлённые указания и заново запустил логику. Чтобы это происходило без хаоса, организация должна объединиться вокруг единого автоматизированного процесса, а не позволять каждой команде воскрешать личную таблицу, как только ей не нравится результат. Цепляющиеся за местные обходные пути размывают выгоды автоматизации для всех.

Самые заметные изменения происходят в повседневной работе планировщиков. Прежде они поочерёдно обходили SKU или площадки, меняли уровни запасов, перепроверяли сроки выполнения операций и вручную вмешивались при резком изменении предложения или спроса. Теперь они могут действовать стратегичнее. Вместо проверки сотен строк повторных заказов они могут подтверждать правильность кодирования новых договоров с поставщиками или исследовать неожиданный всплеск, отмеченный рецептом как выброс. Их ежедневная работа меньше связана с механическим вводом данных и больше — с развитием отношений, выявлением новых факторов затрат и предвидением рыночных сдвигов. Поначалу такое развитие может тревожить. Некоторые сотрудники могут считать свою прежнюю роль — ручное выполнение каждого шага — незаменимой. Они могут пытаться сохранять частичные ручные процессы. Но когда система гладко работает на небольшом подмножестве и расширяется, последовательность рецепта вскоре превосходит разрозненную человеческую бдительность.

Хотя организационные изменения могут вызывать дискомфорт, они открывают компании путь к большей гибкости и лучшему соответствию подлинным приоритетам. Если стратегическая инициатива направлена на снижение транспортных расходов или общих сроков выполнения операций, её можно реализовать непосредственно в рецепте, затем проверить и измерить на реальных заказах, а не просто обсуждать на совещании. Планировщики получают возможность влиять на моделирование ограничений, вместо того чтобы каждый раз догонять изменения спроса. Руководители яснее видят причинно-следственную связь между одобренными ими ограничениями и последующими результатами в показателях запасов или исполнения заказов. По мере исчезновения непродуктивных процедур сотрудники, прежде поглощённые повторяющимися задачами, могут укреплять связи с поставщиками, извлекать значимые сигналы из рынка и обеспечивать согласованность запуска новых товаров или переходов с ежедневным механическим подходом.

Эти организационные изменения образуют основу цепочки поставок, процветающей благодаря строгим автоматизированным решениям. В следующих разделах мы обратимся к непосредственному влиянию на самих планировщиков, которые в новых рамках превращаются в «менеджеров потока». Затем рассмотрим, как роль специалиста становится центральной для поддержания и улучшения этих решений спустя долгое время после первоначального развёртывания.

10.4.1 Планировщик и менеджер потока

Когда ежедневные решения полностью автоматизируются, традиционная роль планировщика — изучение таблиц, корректировка повторных заказов и согласование противоречащих друг другу приоритетов — постепенно утрачивает значительную часть повседневного смысла. Во многих отношениях этот сдвиг освобождает. Избавившись от бремени поиска мелких несогласованностей в данных и применения повторяющихся эвристик, тот же человек может перейти к более ценной роли менеджера потока. Вместо микроменеджмента каждой SKU он теперь обозревает всю сеть снабжения, выявляет реальные исключения и укрепляет сотрудничество между поставщиками, перевозчиками и внутренними участниками.

10.4.1.1 Повторяющиеся корректировки

Планировщикам обычно поручали согласовывать подвижные части — прогнозные данные, сроки поставки поставщиков и местные ограничения, — вручную сверяя таблицы и цифры системы. Они были «клеем», удерживающим процессы вместе, когда штатному ПО или официальному прогнозу чего-то не хватало. Но в автоматизированной среде логика, прежде заполнявшая эти таблицы, встроена в рецепт ежедневных решений. Он не просто генерирует теоретические числа: он предлагает или реализует строки повторных заказов, распределения или резервирования мощностей, каждое из которых опирается на финансовые затраты и ограничения компании. Если раньше планировщик мог часами каждую неделю искать подозрительные уровни запасов или ошибки отгрузки в последний момент, теперь процесс автоматически отмечает выбросы, вызывая целевые вмешательства вместо всеобщих ручных проверок.

В результате фокус роли поднимается выше. Вместо просмотра сотен или тысяч SKU в поисках просчётов повторного заказа бывший планировщик может направить силы на более стратегические задачи или развитие отношений. Он может отслеживать тонкие сигналы, ускользающие от численных моделей: недавно полученную поставщиком сертификацию или ранние предупреждения о трудностях перевозчика в некоторых регионах. Он также может оценивать области, где рецепту помогло бы более глубокое знание, например включение текущих данных о мощностях критической производственной линии или новых шкал скидок основного поставщика. Передавая эти открытия специалисту, менеджер потока обеспечивает развитие автоматизированного рецепта без ежедневных догадок.

10.4.1.2 Положение консенсуса

Это преобразование часто устраняет повторяющиеся согласовательные встречи, обычно известные как планирование продаж и операций — Sales and Operations Planning (S&OP), — на которых команды прежде обсуждали корректировку прогнозов или работу с неопределёнными мощностями. Во многих компаниях эти встречи вырождаются в ежемесячные или ежеквартальные раунды подталкивания чисел, порождая единственную согласованную цифру, по-прежнему оторванную от операционных реалий. В лучшем случае такой процесс повторяет известные ограничения и позиции подразделений; в худшем — маскирует конфликты и ведёт к слабым компромиссам.

Когда ежедневное распределение или производственные расписания задаются числовым рецептом, затяжного спора о том, какой прогноз «правильный», нет. Все значимые ограничения — сроки выполнения операций, структуры затрат, штрафы за дефицит — либо присутствуют в системе, либо отсутствуют. Когда подразделение поднимает вопрос, например о маркетинговом плане, который вскоре вызовет всплески спроса, ответ конкретен: рецепт нужно изменить так, чтобы он отражал настоящие экономические ставки. Можно закодировать более высокие штрафы за дефицит отдельных акционных товаров или учесть дорогую срочную перевозку при внезапных скачках. Вместо согласования промежуточного прогноза на еженедельных встречах менеджер потока и специалист обеспечивают автоматическое соответствие операционных решений обновлённым моделям затрат и ограничений. Старые споры о прогнозах в значительной степени теряют смысл: каждая «окончательная цифра», формирующая ежедневные заказы, опирается на экономическую логику компании, а не на компромисс, выкованный в переговорной.

10.4.1.3 Настоящие исключения

Поскольку числовой рецепт сам корректируется в ответ на новые данные, ежедневные ручные изменения решений по отдельным SKU становятся ненужными. Вместо этого бдительность менеджера потока сосредоточивается на действительно аномальных событиях — случаях, настолько выходящих за правила рецепта, что они породили бы решения, противоречащие реальности. Например, если ключевой поставщик закрывает завод на две недели после непредвиденной технической аварии, менеджер выявляет крупный сбой. Вместо изменения сотен строк повторных заказов он поднимает вопрос на нужный уровень: «В этом месяце срок поставки от поставщика A фактически удваивается, причём отгрузки будут только частичными». Специалист кодирует изменение, рецепт запускается снова, и вся система соответственно перестраивается — от пересмотренных объёмов повторных заказов до других перевозчиков, если нужно. При прежнем ручном подходе такое событие вызвало бы дни лихорадочной переписки и разовых правок таблиц в нескольких регионах. Теперь оно обрабатывается как одно изменение логики.

Этот сдвиг фокуса уменьшает трение во всей организации. Менеджеру потока больше не нужно построчно защищать то, как он пришёл к определённым объёмам повторного заказа. Вместо этого он может изучать более широкую картину всплесков спроса или ограничений предложения. Если некоторые товары систематически не достигают ожидаемого сервиса, вопрос звучит не «почему на прошлой неделе ты заказал слишком мало?», а «как переформулировать факторы затрат или допущения о сроках выполнения операций, чтобы рецепт отражал изменчивость этого товара?». Настоящие проблемы быстро решаются; старые привычки «просто повысим прогноз» исчезают.

10.4.1.4 Стратег, связующее звено и аудитор

Со временем обновлённая роль менеджера потока оказывается на пересечении трёх основных миссий. Во-первых, он становится стратегом: освободившись от монотонности ежедневных повторных заказов, уточняет базовую финансовую логику, выделяет будущие расширения — новые склады или товарные линии — и предлагает расширять охват автоматизации. Во-вторых, он служит связующим звеном: общается с продажами, маркетингом и закупками, собирая изменения, ещё не учтённые автоматизированной системой. Наконец, он действует как аудитор: выборочно проверяет результаты системы на выбросы, исследует аномалии и убеждается, что допущения о затратах или сроках выполнения операций по-прежнему соответствуют реальным условиям.

Ни одна из этих миссий не похожа на классическую процедуру корректировки страхового запаса в таблице каждое утро. Старый шаблон сменяется циклами непрерывного улучшения. Каждый цикл расширяет либо охват автоматизации — новые товарные семейства, каналы или ограничения, — либо глубину модели: более точные приближения транспортных затрат, новые правила партионного производства или более тонкие структуры штрафов за задержки поставок. Освобождённый от канцелярской работы бывший планировщик играет ключевую роль в выявлении наиболее значимых расширений.

10.4.1.5 Более широкая команда

Когда менеджер потока направляет силы на стратегическое взаимодействие, прежние роли «старших планировщиков» или «координаторов производства» тоже должны адаптироваться. В организациях, цепляющихся за старые структуры, несколько сотрудников всё ещё могут пытаться воспроизводить ежедневные решения вне системы. Такое дублирование лишь возвращает путаницу: две таблицы никогда не зеркалируют друг друга идеально. Но в организациях, принявших сдвиг, сотрудники, прежде специализировавшиеся на ручном повторном заказе, могут стать предметными экспертами. Они могут сосредоточиться на конкретных сложностях — например, точном соблюдении правил перевозки опасных материалов или заключении более сильных соглашений о сокращении сроков с логистическими партнёрами.

Кроме того, хотя встречи S&OP или совместного прогнозирования могут исчезнуть в традиционном виде, некоторые каналы общения остаются. Разница в том, что они больше не вращаются вокруг «подкручивания» прогнозов. Вместо этого они связывают логику рецепта с передовой бизнеса: обсуждают новые магазины, предстоящий вывод товарных линий, неожиданные надбавки на сырьё или стратегии защиты бренда, которые без кодирования ведут к неоптимальным ежедневным результатам. Каждый разговор опирается на ту же интегрированную логику, что управляет каждым решением, а участники говорят о корректировке реальных факторов вместо торга о том, чей прогноз верен.

Итак, по мере закрепления автоматизации роль планировщика поднимается от ежедневного микроменеджмента к роли наделённого полномочиями менеджера потока. Принимая ответственность за выявление операционных истин — и тонких, и драматических, — бывший планировщик обеспечивает точность, своевременность и постоянное улучшение механического процесса решений. Освобождённые от табличной рутины, его знания служат всей сети — от партнёров-поставщиков до собственного производства, — создавая более глубокие взаимосвязи, чем когда-либо допускали старые процедуры.

10.4.2 Специалист по цепочке поставок

Специалист по цепочке поставок несёт особую ответственность: переводить меняющиеся экономические реалии организации в числовой рецепт, направляющий ежедневный поток товаров. Когда компания решает заменить значительные участки ручного планирования автоматизированными решениями, специалист становится стержнем процесса. Эта роль отличается от традиционных должностей бизнес-аналитики или прогнозирования, поскольку требует и сквозной ответственности за рецепт, и прямой ответственности за прибыльность. Вместо простого повышения видимости или создания числовых материалов специалист стремится выдавать правильные, самокорректирующиеся решения, которым день за днём доверяют в эксплуатации.

10.4.2.1 Связь с ИТ

С технической точки зрения специалист находится на рубеже систем и данных компании. Но было бы ошибкой считать его частью ИТ-функции. Он должен иметь возможность сосредоточиться на моделировании решений цепочки поставок, а не бороться с чередой задач интеграции данных, на которых уже специализируется ИТ. Специалист действительно опирается на стабильный конвейер сырых записей: нефильтрованные выгрузки транзакций, запасов, условий поставщиков и тому подобного. Однако после настройки конвейера его миссия смещается к кодированию новых знаний и ограничений, отражающих условия цепочки поставок. ИТ-команда со своей стороны остаётся хранителем выгрузок данных и инфраструктуры.

Такое разделение ответственности выгодно обеим сторонам. Специалист не увеличивает очередь ИТ-задач бесконечными требованиями специальных преобразований; ответственный за данные в ИТ поставляет нейтральные ежедневные снимки исходных систем, оставляя специалисту все уточнения внутри рецепта. Тем временем ИТ-подразделение может сосредоточиться на более широкой операционной миссии: поддержании стабильности ключевых приложений и исправности каждой исходной базы данных и потока данных. Когда возникает проблема — например, переименование таблицы ERP или сбой ночного экспорта, — стороны быстро сотрудничают: ИТ устраняет неисправность конвейера, а специалист возобновляет нормальную работу с обновлёнными данными. Нет ни трений, ни путаницы в том, кто «отвечает» за логику преобразований и какие изменения внесены по ходу дела.

10.4.2.2 О финансах

Из мандата специалиста следует необходимость глубоко включать финансовые ограничения в ежедневные решения. Факторы затрат — транспортные тарифы, пределы оборотного капитала или целевая маржа — не могут оставаться абстрактными идеями на слайдах. Они требуют явной численной обработки, чтобы каждое распределение привязывало компромиссы к настоящим денежным реалиям. Поэтому специалист сотрудничает с финансами не ради формальности, а по необходимости: если предстоящие акции меняют ожидаемую маржу или новые ограничения капитала не допускают определённых уровней запасов, рецепт нужно соответственно обновить.

Эти взаимодействия с финансовой службой происходят регулярнее, чем можно предположить. При развёртывании инициативы специалист обычно проводит серию коротких встреч, показывая, как текущие допущения о затратах — например, накладных расходах хранения или штрафах за ускоренную перевозку — переводятся в ежедневные решения. Финансовая служба может заметить скрытые неточности: упущенную плату за обработку крупных поставок или неиспользованную возможность точнее учесть ступени скидок. Исправление этих деталей способно перевести решение от наивного локального оптимума к действиям, лучше отражающим реальное влияние на прибыли и убытки компании. Именно так автоматизация сохраняет финансовую «остроту»: ни одна бюджетная строка или центр прибыли не остаётся на откуп догадкам.

Со временем, даже после созревания рецепта, крупные операционные или стратегические сдвиги по-прежнему вызывают новые раунды моделирования. Указание высшего уровня — например, снизить стоимость капитала или уменьшить подверженность классу рисков — через финансовую службу поступает специалисту, который переводит его в пересмотренные функции штрафов, скидки или правила закупок. Эффект вскоре появляется в ежедневных результатах, поддерживая согласованность финансов компании и повседневной цепочки поставок.

10.4.2.3 О руководстве

Хотя специалист — не генеральный директор и не куратор из высшего руководства, он занимает ключевое место за столом всякий раз, когда высшее руководство меняет стратегические приоритеты. Как только новое направление оформилось — выход в новую страну, перенос закупок или производства ближе к рынку, приоритет премиального сервиса для отдельных товарных линий, — числовой рецепт должен закодировать эти приоритеты. Без такого быстрого согласования механические решения остаются в плену устаревшей логики.

Прямого короткого разговора с высшим руководством раз или два в год может быть достаточно. Его цель — не изучать мелкие изменения кода, а подтвердить, что специалист понимает общую картину. Если компания стремится расширяться быстрее, но строже использовать капитал, специалист может отразить это ужесточением бюджетов запасов для медленно оборачиваемых товаров или повышением штрафов за использование экстренных перевозок. Ежедневные результаты рецепта меняются там, где это влияет на итоговую прибыль. Поскольку код не сохраняет состояния, никакие состояния не задерживаются, мешая переходу. Уже в течение недели после нового указания руководства цепочка поставок может выдавать заказы на закупку, согласованные с этими стратегическими требованиями.

Такой образец быстрой адаптации показывает, как стратегическая согласованность возникает из механической основы цепочки поставок: стоит измениться допущениям кода, как меняется каждое соответствующее решение. Там, где ручной процесс прежде требовал месяцев постепенного переобучения десятков планировщиков, одно обновление мгновенно распространяется на весь ассортимент или сеть площадок.

10.4.2.4 Больше двух специалистов

Во многих компаниях среднего размера один специалист по цепочке поставок плюс второй для подстраховки могут охватить целые потоки решений. Однако по мере роста инициативы — добавления товарных линий или углубления в сложные задачи производства и распределения — могут понадобиться дополнительные специалисты. Управление большей командой требует более строгого подхода к структуре рецепта.

Первый принцип — сохранять как можно больше общей логики в единой кодовой базе. Каждый специалист может заниматься отдельными подобластями: один сосредоточен на ограничениях закупок, другой — на производственном расписании, но все работают над единым проектом. Подобно инженерам-программистам, использующим контроль версий и проверку кода, специалисты принимают сходные практики для координации ежедневных изменений и предотвращения случайного нарушения ограничений одной области улучшением в другой.

Критически важно, что специалисты остаются прежде всего экспертами по цепочкам поставок. Их нанимают не ради абстрактных инноваций машинного обучения. Если они организуют проверку кода, цель — не создание специализированного ИТ-конвейера, а согласованность и безошибочность ежедневных решений. Каждый специалист изучает обоснование значимых строк кода — не только «что», но и «почему». Сводное руководство¹⁶³, фиксирующее стратегические мотивы каждого правила, может оказаться бесценным. При уходе одного специалиста или приходе нового передача знаний идёт легче и избавляет группу от повторного открытия тонкостей затратных допущений и ограничений редких случаев.

Организуя расширения таким образом, команда специалистов может плавно расти, сохраняя ежедневный темп итераций. Каким бы крупным ни стал бизнес, любой аспект — от новых структур скидок до уточнённых прогнозов сроков выполнения операций — может быть проработан соответствующим специалистом, а затем упорядоченно включён в главный рецепт.

10.4.2.5 Строгая сосредоточенность

Хотя специалисты много программируют, они не подчинённые разработчики ПО. Их успех измеряется реальным влиянием ежедневных решений: меньшей несогласованностью запасов, более высокой маржой или более быстрой адаптацией к ненормальным условиям. Они не исчезают в очереди ИТ-задач и не являются универсальной командой «data science», гонящейся за эфемерными ориентирами точности. Вместо этого они сохраняют строгую сосредоточенность на применимых изменениях, перестраивающих поток товаров ради лучшего достижения стратегических и финансовых целей.

Эта опора на осязаемое отличает их от подразделений, занятых дашбордами или анализами раз в квартал. При изменении среды специалист должен вновь и вновь делать небольшие целенаправленные шаги в коде, проверяя ежедневные результаты в эксплуатации. Взаимодействие с ИТ необходимо, но ограничено границей извлечения данных. Взаимодействие с финансовой службой продолжается, обеспечивая достоверность факторов затрат даже при движении рынка. А связь с высшим руководством укрепляется, позволяя автоматизированному процессу быстро отражать любое новое направление компании.

Усвоив эти реалии, компании понимают, что роль специалиста не мимолётна и не становится ненужной после завершения «проекта автоматизации». Как менеджер потока заменяет ручного планировщика в повседневных задачах, так специалист заменяет запутанную сеть частичных решений развивающимся, выраженным в коде подходом. Потребность в стратегических обновлениях никогда не прекращается, и специалист готов встроить каждый сдвиг в механическую логику. Благодаря этому непрерывному взаимодействию цепочка поставок постоянно сохраняет актуальность и связь с реальными экономическими факторами.

Коротко говоря, специалист — новый тип участника корпоративных операций, чья ориентация не чисто техническая и не чисто управленческая, а соединяет обе. Его авторитет исходит не из формальной управленческой иерархии, а из повседневной точности и адаптируемости кода. В следующем разделе мы подробнее рассмотрим распространённые ловушки «data science» в корпоративной среде и причины, по которым настоящим специалистам по цепочке поставок нужно выходить за пределы поверхностного перемалывания чисел ради устойчивого успеха.

10.4.3 Компания в целом

Каждая инициатива, меняющая решения цепочки поставок, как бы точно ни были изначально заданы её границы, неизбежно затрагивает корпоративную ткань целиком. Числовой рецепт не может работать в изоляции: его ежедневные результаты должны отражать ограничения, цели и структуры затрат множества подразделений, многие из которых традиционно поддерживали местные процессы, оторванные от более широких задач. Хотя предыдущие разделы показали, как строить инициативу вокруг специалиста по цепочке поставок, ответственного за данные, менеджера потока и куратора из высшего руководства, остальная компания тоже должна научиться взаимодействовать с новым процессом принятия решений и в итоге доверять ему. Без объединяющей рамки местное краткосрочное давление продаж, маркетинга, закупок или других областей рискует подменить или подорвать механический результат.

Но настоящая сила рецепта именно в том, чтобы собрать все значимые факторы и ежедневно выражать их без скрытой предвзятости или разрозненного надзора. Для этого каждое подразделение должно отказаться от соблазна вести собственные секретные таблицы и теневые процессы. Вместо этого оно должно открыто заявить свои ограничения и структуры затрат, чтобы специалист мог непосредственно их закодировать. Здесь высшее руководство, и особенно главный руководитель или генеральный директор, должно решительно вмешаться. Генеральный директор не является и не может быть окончательным арбитром экономических факторов: такие детали слишком мелки для высшей должности. Его окончательное решение касается того, какое подразделение отвечает за каждый фактор, и обеспечения сотрудничества ответственных со специалистом вместо попыток обойти систему. Если финансовая служба утверждает, что определённые затраты на капитал должны рассчитываться по конкретной ставке, эти затраты становятся признанным стандартом. Если закупки устанавливают, что определённого стратегического поставщика нельзя затрагивать сокращением заказов, этот выбор моделируется явно. Политика должна исходить от соответствующего подразделения, но после подтверждения перестаёт существовать как неписаное правило и закрепляется в логике ежедневных решений.

Такой порядок может шокировать подразделения, прежде менявшие цифры по прихоти. Когда бренд-менеджер обнаруживает, что популярного товара нет в предстоящем плане заказов, он может опасаться потери выручки или доли рынка. При старом подходе он мог поспешно изменить количество повторного заказа в таблице, независимо от реальной пользы для итоговой прибыли компании. В новой системе, если бренд-менеджер считает, что отсутствие товара наносит репутационный ущерб, намного превосходящий любые соображения краткосрочной прибыли, правильный путь — поднять этот фактор на соответствующий уровень, чтобы его финансовая стоимость или штраф были закодированы в рецепте. Цель — не «обвинить» механический процесс в игнорировании интересов бренда, а включить это требование в экономические факторы, выразив его как штраф за дефицит или премию за наличие, укрепляющее бренд. После этого ежедневные решения, прежде вызывавшие трения, естественно согласуются с приоритетом бренд-менеджера, пока этот приоритет действительно важен для общей стратегии компании.

Подобное напряжение возникает с маркетингом, когда акция отсутствует в окончательном плане или выделенный товар оказывается едва прибыльным и получает низкий приоритет повторного заказа. Если у маркетинговой команды есть доказательства, что акция повысит перекрёстные продажи других товаров, она должна показать, как дополнительная выручка или капитал бренда превращается в экономическую отдачу. Когда добавленная отдача сформулирована явно, специалист включает её в код. Эти вопросы маркетинга больше не решаются корректировками в последний момент или «финальными правками прогноза»; они становятся частью ежедневного механического процесса — открытой, документированной переменной, которую можно пересмотреть, если обратная связь рынка показывает, что акция не дала ожидаемых перекрёстных продаж. Такое открытое выражение некогда локальных неформальных или неосязаемых факторов заставляет каждое подразделение решить, является ли местное желание мимолётной догадкой или жизненно важной экономической истиной. По сути, это динамика теории игр: каждое подразделение видит, что частичное сотрудничество — например, тихое сообщение завышенного спроса ради получения запасов — больше не даёт преимущества. Окончательный рецепт ежедневно проверяет все ограничения; незаявленные затраты или выгоды не признаются. Роль высшего руководства — обеспечить честное изложение затрат и выигрышей каждой областью, а не манипулирование спросом ради ресурсов за чужой счёт.

Закупки тоже могут поначалу чувствовать угрозу, когда ежедневный рецепт диктует точные строки и сроки повторных заказов, фактически заменяя ручные переговоры, которые некоторые закупщики считали своей главной ценностью. Но закупочная функция остаётся незаменимой для выявления поставщиков с надёжным качеством, скрытых условий других поставщиков и тех, кем, возможно, стоит пожертвовать ради новых стратегий снабжения. Команде закупок не нужно затмевать систему или возвращаться к обходным сделкам: она получает больше влияния, ясно заявляя ограничения поставщиков. Есть ли минимальные партии, особые тарифы на входящие частичные поставки или скидки за лояльность? Каждый нюанс — часть экономической головоломки. Будучи закодированным, он формирует результаты рецепта, поэтому закупки влияют на ежедневные решения через устойчивые рациональные правила, а не повторяющиеся ручные переделки.

Та же логика применима к инженерным командам и разработчикам продуктов, желающим включать новые компоненты или менять спецификации материалов. Прежде изменение конструкции могло застать планирование врасплох, вызвав нехватку в последний момент, если вновь указанная деталь была упущена. Теперь ежедневный механический процесс немедленно отмечает любую неизвестную деталь, обнаруживая отсутствие у нового товара справочных затрат или сроков выполнения операций. Команда разработки больше не может незаметно проталкивать изменения: она должна сотрудничать со специалистом, определяя, как новый компонент меняет производственные ограничения или накладные расходы. Такое обязательное сотрудничество избавляет компанию от незаметных несоответствий снабжения, прежде казавшихся «неизбежными».

Даже финансовая служба, давно привыкшая видеть в цепочке поставок центр затрат отдельно от приоритетов бренда или маркетинга, вынуждена прояснять, как ограничения ликвидности и цели оборотного капитала входят в ежедневные объёмы повторных заказов. Если она хочет вести определённые линии с минимальным буферным запасом или сообщает об изменении оценки запасов, эти обновления сразу переводятся в изменения кода. Ежедневные результаты больше не просто отражают прогноз и стандартную маржу: они выражают текущую позицию финансовой службы по использованию капитала. Когда высший руководитель задаётся вопросом, почему некоторые SKU сокращены, существует прямая связь от финансовых ограничений к автоматизированным решениям и от кода специалиста обратно к финансовым ограничениям. Не нужны произвольные корректировки и бесконечные совещания о прогнозах; все видят причину и следствие.

В такой среде вопрос о виновных возникает редко. Если на полках неожиданно не хватает акционной SKU, маркетинг оспорит числовой рецепт — не чтобы подорвать его, а чтобы проверить правильность учёта влияния акции. Специалист в свою очередь проверяет, действительно ли маркетинг раскрыл всю значимую информацию, например дополнительный риск для бренда или выгоду перекрёстных продаж. Если нет, средством исправления становится новое или пересмотренное допущение о затратах. Со временем эти взаимодействия подразделений превращаются из полных трений стычек в конструктивные обновления параметров рецепта. Такая модель сотрудничества процветает лишь тогда, когда высшее руководство, начиная с генерального директора, поддерживает процесс и твёрдо противится возврату ручных манипуляций всякий раз, когда подразделение недовольно результатом.

Когда каждое подразделение видит, что согласование достигается изменением общих допущений, а не игнорированием или подменой механических результатов, оно осознаёт: механические решения стали единым источником истины для ежедневных операций. Этот единый источник не отличается ни жёсткостью, ни неповоротливостью; он адаптируется, как только затрата, ограничение или фактор маржи оказывается значимым. Он отказывается включать сырые мимолётные догадки. В первые месяцы такая динамика может тревожить: сотрудники обнаруживают, что больше не могут тихо поправить неудобное число в своих таблицах. Но после полного цикла — часто одного-двух кварталов — люди замечают, что чрезвычайных ситуаций меньше, территориальные войны вспыхивают реже, а цепочка поставок ощущается более связной.

Инициатива становится чем-то большим, чем улучшение цепочки поставок: это механизм непрерывного взаимодействия подразделений. Каждая область компании — маркетинг, закупки, инженерия, финансы и операции — видит, что лучший способ закрепить свои приоритеты в ежедневных потоках — открыто их сформулировать, а затем доверить механическому процессу последовательное исполнение. Роль генерального директора — обеспечить настоящую ответственность каждой области за заявленные затраты или выгоды и одобрить окончательный код специалиста как канал, через который эти заявления меняют решения. Если ограничиться меньшим, возникают дублирование или сопротивление, размывающее выгоды новой системы.

Со временем складывается культура, в которой никто не борется с ежедневными цифрами рецепта, пока они отражают правильно заявленные факторы. Если маркетинг считает затраты бренда заниженными, он официально поднимает вопрос. Если закупки видят повышение надёжности поставщика, они обновляют либо штраф за дефицит, либо ожидаемые сроки поставки. Постепенно все понимают, что игровые манёвры вроде завышения прогнозов больше не дают преимущества, поскольку рецепт всё сверяет с фактическими данными. Общий импульс — уточнять численные допущения, а не саботировать их.

Этот переход к единой ежедневной механической координации может казаться радикальным в компаниях, долго опиравшихся на автономию подразделений. Его выгоды включают резкое сокращение тушения пожаров, более глубокое взаимодействие бренда, маркетинга и операций, а также более устойчивую связь стратегических амбиций с исполнением на местах. Когда каждое подразделение принимает, что должно формировать входные данные, а не подменять результаты, инициатива достигает общекорпоративного сотрудничества, необходимого для долгосрочного успеха.

11 Застой

Цепочка поставок в трактовке этой книги — намерение, исполняемое через решения; узкий тезис этой главы состоит в том, что как дисциплина цепочка поставок в значительной степени пребывает в застое. Не потому, что товары не движутся, — они движутся, — а потому, что решения компаний о том, что перемещать, когда, куда и сколько, не поспевали за четырьмя десятилетиями развития вычислений. Доминирующая позиция остаётся канцелярской: люди разбирают исключения, порождённые ПО, которое записывает факты и повествует о прошлом, но редко делает ставки.

Под застоем мы понимаем операционную неподвижность, замаскированную движением. Регистры цифровые и повсеместные; отчёты обновляются каждую минуту; хранилища данных разрастаются; аббревиатуры и дашборды множатся. Но основная механика распределения почти такая же, как в середине 1980-х: точечные прогнозы принимаются за достоверность, буферы привязаны к произвольным целям сервиса, суррогаты повторного заказа встроены в недельный ритм, а каждый день сопровождается вихрем согласований. Компьютеры служат системами учёта и отчётности, и там, где появляется «автоматизация», это обычно театр оповещений — списки, возвращающие трудные случаи людям, — а не система принятия решений, выдающая проверяемые обязательства без участия человека.

Эта неподвижность имеет цену. Она систематически подавляет то, что движет деньгами: изменчивость с тяжёлыми хвостами, взаимосвязи во времени и пространстве, опционную ценность ожидания. Средние заменяют распределения; местные показатели эффективности — экономику; закон Гудхарта незаметно превращает измерения в цели. Результат — канцелярское равновесие, обеспечивающее непрерывность буферами и сверхурочной работой, позволяющее деньгам утекать в обычное время и дающее сбой под давлением.

Ничего неизбежного в этом нет. В предыдущих главах собраны недостающие инструменты: вероятностные взгляды на будущее вместо точечных суррогатов; денежные оценки в масштабе компании; системы принятия решений, которые пересчитывают действия внутри рамок, оценивают компромиссы в деньгах и записывают решения обратно без участия человека под защитой эвристик остановки, досье с раскрытой логикой и экспериментальной оптимизации при параллельном запуске. С принятием этих инструментов те же активы создают лучшие потоки, поскольку меняются решения.

Дальнейшее — одновременно обобщение и обвинительное заключение. Область не просто не ускорилась вместе с современными вычислениями; она обосновалась в устойчивом посредственном равновесии, поддерживаемом стимулами, вознаграждающими повествования вместо выдаваемых решений: академическими головоломками, переименованием учёта и отчётности в «планирование» у поставщиков, консалтинговыми церемониями и внутренней «data science», останавливающейся на аналитических выводах. Организационная ловушка — второсортный статус цепочки поставок и подчинение центральной ИТ-службе — закрепляет этот порядок.

Этот двойной образ — поток, продолжающий доставлять, и дисциплина, стоящая на месте, — задаёт следующий парадокс.

11.1 Парадокс успеха

Цепочки поставок хвалят за надёжность. Товары ежедневно пересекают границы; магазинные полки редко пустуют долго; компании показывают солидные результаты, расширяя сети. Судя по видимым итогам, область кажется энергичной и устойчивой.

Но внешний успех маскирует более глубокий тупик. За десятилетия необычайного роста вычислительных возможностей большинство организаций обращалось с компьютерами как с регистрами и дашбордами, а не как с механизмами принятия решений. То, что сходит за «автоматизацию», обычно является каскадом исключений для ручного разбора; то, что сходит за «планирование», остаётся хрупкой смесью детерминированных прогнозов, суррогатов повторного заказа и ручных корректировок, лишь переодетой в современные интерфейсы. Непрерывность покупается не столько инженерно созданным интеллектом, сколько буферами, избыточностью и канцелярской бдительностью.

В этом парадокс: надёжная доставка в большом масштабе сосуществует с интеллектуальной неподвижностью. Другие области превратили дешёвые вычисления в принятие решений без участия человека; цепочка поставок в основном переупаковала вчерашние процедуры. Широко расхваливаемые инновации косметические: новые аббревиатуры для старых артефактов, новые экраны для старых привычек, — а ядром остаётся ежедневная сверка чисел при посредничестве человека.

Цена этой неподвижности редко видна на снимке одного дня, потому что поток всё-таки «доставляет». Она становится явной при потрясениях — резких сдвигах спроса, транспортных сбоях, — когда процессы, рассчитанные на соблюдение правил, а не на адаптацию к неопределённости, дают сбой. Ещё вреднее тихая, накапливающаяся утечка в обычное время: разросшиеся страховые запасы, недоиспользованные варианты действий и тысячи часов, потраченных на уход за таблицами вместо улучшения решений. Покупается дорогое ПО, но оно редко повышает качество решений; его «автоматизация» вырождается в театр оповещений, возвращающий трудные части людям. Коварнее любого видимого промаха растущие альтернативные издержки: каждый день, когда изменчивость считается помехой, а не оценивается в деньгах и используется, — день, когда излишек, который могли бы извлечь современные вычисления, просто испаряется.

Предыдущие главы наметили уже существующие средства: вероятностные взгляды на будущее, оценки с экономическим основанием и системы принятия решений, ежедневно выдающие проверяемые решения без участия человека и непрерывно улучшаемые экспериментальной оптимизацией. Цель здесь — не снова доказывать ценность этих инструментов, а объяснить, почему область, способная их принять, в основном этого не сделала. Следующий раздел прослеживает корни этого равновесия — академические моды, экономику поставщиков, консалтинговый театр и корпоративное управление, — удерживающие заведомо центральную функцию стабильной и посредственной.

11.2 Сложность реального мира

Ссылки на «сложность» стали ритуальным оправданием посредственной практики. Проблема не в том, что цепочки поставок сложны, — первая глава уже отделила существенную сложность от привнесённой, — а в том, что большинство организаций сплющивают экономически значимое до горстки суррогатов. Точечные прогнозы заменяют неопределённость; единственный «уровень сервиса» выдаёт себя за прибыль; средние сроки выполнения операций стирают хвосты, причиняющие ущерб. Результат — не модель потока, а его усыплённая карикатура.

Упрощение не порок, если сохраняет асимметрии, движущие деньгами; оно становится ошибкой, когда их стирает. Изменчивость и опциональность — сырьё прибыли. Если представление подавляет тяжёлые хвосты, корреляции, объединение в партии или храповики, связывающие завтрашние варианты действий, оно больше не направляет решения, а скрывает их ставки.

Далее следует не очередная классификация неудач, а конкретная зарисовка. Небольшой операционный эпизод делает мысль острой. Он также связывает её с методом, последовательно разрушающим тупики в реальной среде: экспериментальной оптимизацией (см. главы Решения, Инженерия и Развёртывание).

11.2.1 Операционная зарисовка

Рассмотрим обыденный эпизод. Национальный ритейлер управляет двумя региональными РЦ, каждый с номинальной приёмочной мощностью сорок контейнеров в день. Закупки работают в недельном ритме, привязанном к MOQ и скидкам поставщиков; система планирования рассчитывает точки повторного заказа по точечным прогнозам и средним срокам поставки; складские KPI отслеживают загрузку погрузочных площадок и оборачиваемость; магазины оценивают по «наличию на полке». Никаких злодеев, только разумные местные цели.

Каждый понедельник в РЦ «Запад» прибывают шестьдесят–семьдесят контейнеров. К полудню ворота перегружены; грузовики простаивают; плата за простой растёт; часть груза переходит на вторник, хвост — на среду. Тем временем к середине недели на магазинных полках возникают пробелы по SKU длинного хвоста: в понедельник они массово числились «в пути», но физически принять их можно было лишь в среду. Ни один дашборд не лжёт: в среднем за неделю сервис выглядит хорошо; ступени скидок достигнуты; загрузка погрузочных площадок максимальна; оборачиваемость держится. Но деньги утекают повсюду — простаивающие грузовики, сверхурочные, временный дефицит, — а организация поздравляет себя с «достижением целей».

Чтобы исправить картину, не требуется ничего тонкого; требуется её признать. В параллельном режиме был введён компактный числовой рецепт: сроки поставки как распределения с тяжёлыми правыми хвостами; теневая цена перегрузки погрузочных площадок, нелинейно растущая после сорока контейнеров в день; MOQ поставщиков как штрафы, а не указы; и, что критически важно, ежедневная оценка заказов без обязанности заказывать ежедневно. Движок мог выдавать «пока ничего не делать», когда опционная ценность ожидания превышала ожидаемую доходность с учётом риска.

В первый день остановка сработала на безумии: на понедельник было запланировано сорок восемь входящих контейнеров для площадки на сорок; досье раскрыли факторы в денежных единицах, и дефект устранили: недельные партии заменили разнесёнными во времени отправками, сохраняющими скидки и выравнивающими входящий поток. За четыре недели параллельной работы плата за простой и сверхурочные на приёмке заметно снизились; пробелы на полках по длинному хвосту в середине недели уменьшились без увеличения оборотного капитала; получение скидок сохранилось. Никакого героизма, никакой грандиозной реорганизации: те же активы, поставщики и магазины — изменились только решения.

Урок не в том, что «понедельники плохи». Он в том, что настоящая сложность была экономической и временной, а не алгебраической. Средние скрывали хвосты; один показатель сервиса скрывал неоднородную отдачу; жёсткие «ограничения» становились эластичными после назначения цены. Компьютеры не делали ничего такого, чего люди-планировщики в принципе не могли бы сделать: они просто делали это для тысяч микровариантов каждый день, не уставая и выявляя нужные препятствия в деньгах.

11.2.2 Локальный максимум

Эпизод показывает, почему посредственные равновесия сохраняются. Каждая функция сидела на защищаемом холме: закупки — на скидках и MOQ, склады — на загрузке, магазины — на наличии, финансы — на оборачиваемости. Холмы были реальными; гора находилась в другом месте. Попытки «оптимизировать» один холм в изоляции лишь переносили боль. Это коварность, описанная в первой главе: цели связаны во времени и пространстве, а измерения становятся целями, как только от них начинает зависеть заработок.

Чтобы выйти из локального максимума, не нужен манифест — нужен лишь безопасный механический способ пробовать лучшие решения и сохранять их, если они окупаются. Экспериментальная оптимизация даёт именно это: параллельную работу на выгрузках конца дня; быструю остановку при безумии; раскрытие факторов в деньгах; переход в эксплуатацию только при измеренном улучшении; дешёвый откат. Поскольку метод оценивает компромиссы в масштабе компании, он растворяет многие выдуманные «ограничения» в штрафах и превращает вето подразделений в настраиваемые, проверяемые параметры.

На практике барьер редко связан с физикой: он связан с повествованием. Пока средние и отдельные KPI рассказывают об успехе, равновесие кажется приемлемым. Замените повествование ежедневными проверяемыми обязательствами, оценёнными в деньгах, — и предполагаемые «ограничения» окажутся тем, чем являются: результатом выбора. Следующий раздел рассматривает, почему институты, призванные улучшать этот выбор, — академическая среда, поставщики, консультанты — так часто вместо этого учат средним и KPI.

11.3 Почему равновесие сохраняется

Плохим идеям для выживания не нужны потрясения. Цепочка поставок может оставаться работоспособной при отстающих методах. Равновесие сохраняется, потому что стимулы слабы и несогласованны: каждый участник формирования дисциплины получает тихую ренту за сохранение человеческого посредничества при принятии решений и возможности отрицать ответственность за них, тогда как никому не платят деньгами за качество решений без участия человека.

Такие равновесия долговечны, потому что преодолевают низкую планку. Грузовики по-прежнему ездят, скидки получены, дашборды зелёные, и никому не нужно ставить карьеру на более смелую альтернативу. Без потрясения, угрожающего самому существованию, местные выгоды бездействия часто перевешивают неопределённые выгоды перестройки решений. Пока аппарат работает достаточно хорошо, давление в пользу изменений остаётся слабым.

Механика банальна. Длинные циклы обратной связи размывают ответственность; дашборды подменяют экономику целями; пилоты ставятся там, где провал не может укусить; «исключения» возвращают самые трудные случаи людям, тем самым ограждая хрупкую логику от опровержения. В такой среде посредственность незаметно накапливается. То, что сходит за осмотрительность, — оповещения перед действием, ручная «проверка», консенсус вокруг единственного прогноза, — лишь сохраняет канцелярский цикл, который не оценивает неопределённость в деньгах и не учится на ней.

Вокруг этого цикла располагается сеть интересов, гасящая давление перемен. Академическую среду вознаграждают за головоломки и публикации, а не за решения, выдерживающие столкновение с погрузочными площадками и моментами отсечения; она полирует стилизованные модели, которые легко оценивать и трудно применять. Поставщики ПО получают маржу от пользовательских мест, хранения и обновлений систем учёта и отчётности; настоящая автоматизация сократила бы места и убрала экраны. Консультанты продают хореографию — семинары, матрицы, «согласование», — результаты которой оставляют код и экономику нетронутыми; работа завершается, ритуалы остаются, табличный поток возобновляется. Корпоративные команды data science, оцениваемые по проектам и дашбордам, останавливаются на выводах; ответственность за выраженное в деньгах обязательство находится в другом месте, как и стимул пересматривать допущения при несогласии реальности. Внутри фирмы цепочка поставок остаётся второсортной и подчинённой центральной ИТ-службе: бюджеты предпочитают безотказные регистры движкам, которые должны решать; риск определяется как отклонение от платформы, а не как экономический убыток.

Цены сигнализируют об этих стимулах не менее ясно, чем любой рынок. Поставщики выставляют счета за доступ, а не за улучшение; консультанты — за усилия, а не за выигрыш; учёные получают вознаграждение за новизну, а не за устойчивость; внутренние команды — за артефакты, а не за выдаваемые решения. Остальное делает закон Гудхарта: когда показатель обещает карьерную безопасность, организация оптимизирует показатель. «Точность прогноза» улучшается сокращением горизонтов и наращиванием буферов; «уровень сервиса» растёт вместе с запасами, которым никто не назначает цену; «соблюдение плана» празднуется, пока грузовики стоят у перегруженной погрузочной площадки.

Зарисовка выше типична, а не исключительна. Ничто в физике не препятствовало еженедельному скоплению входящих грузов; оно сохранялось, потому что показатели каждого изолированного участка — скидки, загрузка, наличие — были местными, а перенесённые ими затраты — простой, сверхурочные, пробелы в середине недели — несли в другом месте. Там, где никто явно не отвечает за экономику решения в масштабе компании, канцелярские равновесия застывают в обычай. Молчание прибылей и убытков на уровне микровыбора оставляет пустоту повествованиям: «лучшая практика», «отраслевой стандарт», «единый набор цифр».

Следующие разделы рассматривают главных хранителей этого равновесия. Привязанность академической среды к публикуемым головоломкам, переименование поставщиками учёта и отчётности в «интеллект» с передачей самого интеллекта пользователям через театр оповещений, насыщенные модными словами церемонии консультантов, не доходящие до кода, и ограждение корпоративной data science от ответственности — всё это способствует устойчивой посредственности. Организационная ловушка — второсортный статус цепочки поставок и подчинение центральной ИТ-службе — закрепляет порядок. Ничто из этого не требует злого умысла. Достаточно отрыва стимулов от проверяемых решений в денежных единицах, принимаемых без участия человека. Пока связь не восстановлена, равновесие сохраняется.

11.4 Кто его поддерживает

Тупик сохраняется не из-за злого умысла, а из-за распределённых стимулов. Четыре группы, каждая преследующая разумные в собственных рамках цели, совместно поддерживают устойчивое, но посредственное равновесие: академическая среда, поставщики корпоративного ПО, консультанты и корпоративные программы data science. Каждая группа поставляет то, что нужно остальным, — публикуемые головоломки, продаваемые платформы, церемонии укрепления уверенности и дашборды «выводов», — оставляя ежедневный акт распределения там, где он давно находится: у людей-клерков, разбирающих исключения.

Принятый здесь взгляд состязателен, а не враждебен. В предыдущих главах уже показано, как выглядит работоспособный прогресс: проверяемая выдача решений, оценённых в деньгах, без участия человека. По этой мерке можно изучить, как каждая группа, следуя собственным стимулам, увековечивает практики, никогда не преодолевающие планку.

Начнём с академической среды, чья заявленная миссия — развитие знания — должна была сделать её естественным противоядием от застоя. Вместо этого из-за стойко неверной постановки цепочки поставок она слишком часто предоставляла риторику науки без содержания решений, принимаемых без участия человека.

11.4.1 Академическая среда

Университеты и журналы обещают науку; производственный цех получает электронные таблицы. Разрыв связан не со вкусом, а с постановкой. Как утверждалось в Эпистемологии, цепочка поставок — прикладная экономика: она оценивает варианты действий в условиях изменчивости, чтобы прибыльно распределять дефицитные ресурсы. Превращение её в «прикладную математику» — каталог аккуратных головоломок с удобно фиксированными допущениями — даёт статьи, которые хорошо читаются и плохо переносятся на практику. Операционно важна не теорема об идеализированной точке повторного заказа, а способность ПО без участия человека превращать записи в проверяемые обязательства в денежных единицах, выдерживающие контакт с погрузочными площадками, моментами отсечения, скидками и сроками выполнения операций с тяжёлыми хвостами.

Эта неверная постановка объясняет, почему основные академические результаты так редко проявляются на практике. Канонические артефакты — точечные прогнозы, гауссовские страховые запасы, привязанные к целям сервиса, детерминированные планы — подавляют именно то, что движет деньгами: хвосты, корреляции, объединение в партии и храповики, связывающие завтрашние варианты. При включении этих артефактов в ПО они возвращаются в виде театра оповещений: хрупкая логика передаёт трудные случаи обратно людям, которые становятся фактическим интеллектом. Организация поздравляет себя со «следованием лучшим практикам», пока планировщики продолжают канцелярскую сверку, которую компьютеры должны были прекратить.

Фильтр головоломок усугубляет проблему. Статью, пригодную к публикации, легче всего получить, упростив мир до уровня, на котором можно показать, как аналитическая формула или небольшой решатель «оптимизируют» игрушку. Здесь добавляется ещё одно ограничение, там — ещё один индекс; результаты сообщаются для синтетических примеров или вычищенных выгрузок. Но ничто в этом процессе не вынуждает авторов подвергать свои предпосылки опровержению в реальной среде. В бизнесе знание заслуживает доверия, лишь когда делает ставки — выдаёт решения без участия человека — и повышает прибыль. Без выдачи решений планка не достигнута, как бы элегантно ни выглядела математика в изоляции.

Пренебрежение семантикой данных и программной инженерией столь же показательно. Как подробно изложено в Информации, современные потоки опосредованы пересекающимися системами учёта и отчётности, где значения полей дрейфуют, а «производные данные» — прогнозы, метки ABC, буферы — не содержат новой информации. Поэтому работоспособная система принятия решений, движок, выдающий решения без участия человека, должна (i) читать достоверные, но неопрятные записи первоисточников, (ii) сохранять неопределённость, не сплющивая её, (iii) оценивать компромиссы в деньгах в масштабе компании и (iv) записывать обязательства обратно с досье, пригодными для проверки. Большинство академических изложений ретуширует этот стык. Они предполагают чистые стационарные входные данные и останавливаются там, где работа становится решающей: семантика, экономика и код, ежедневно работающий в масштабе.

Правильный испытательный стенд давно доступен. В Интеллекте, Решениях и Развёртывании изложена минимальная дисциплина: параллельный запуск на полных выгрузках конца дня; эвристики остановки, останавливающие движок при снижении уверенности; досье с раскрытой логикой, показывающие денежные факторы каждой строки; переход в эксплуатацию только при измеренном улучшении; обратимость через отсутствие состояния и возврат во времени. Научный вклад, претендующий на операционную ценность, должен воплотиться внутри этой системы проверки, чтобы неудачи проявлялись как «безумные строки» и устранялись пересмотром затрат, ограничений или семантики, а не списками исключений и совещаниями. Статьи, не пересекающие этот порог, — хроники или предположения, а не знание о цепочке поставок.

Учебные программы отражают литературу. Магистратуры по-прежнему сосредоточены на приспособлениях для временных рядов из 1980-х, гауссовских страховых запасах, привязанных к произвольным целям сервиса, и учебных ABC. Программирование и инженерия данных считаются аксессуарами; семантика предприятия и вероятностная экономика почти не появляются. Выпускников учат надзирать за таблицами и готовыми модулями «планирования», а не писать числовые рецепты, превращающие записи в результаты без участия человека. Лучший студент, почувствовав потолок, уходит в другие области STEM, где статус определяют код, данные и опровержение. Остальные пополняют канцелярский цикл, предполагаемый литературой.

Ничто из этого не осуждает математику. Долговечный математический вклад в нашем деле существует, но проявляется как подпрограммы внутри экономической и инженерной рамки: результаты теории очередей, калибрующие стоимость перегрузки; компоненты линейного программирования, комплектующие грузовик; концентрационные оценки, регуляризующие хвосты спроса. Ошибка — принять подпрограмму за систему. Оптимизатор с неверной целью, неверной семантикой или без пути к работе без участия человека — не продвижение вперёд, а отполированный обходной путь.

Работоспособная академическая программа рядом. Рассматривайте цепочку поставок прежде всего как прикладную экономику; пусть математика, статистика и информатика служат этой цели. Поставляйте работающие артефакты: код, принимающий семантически точные выгрузки; ценовые шкалы в деньгах вместо «целей сервиса»; вероятностные прогнозы, оцениваемые правильными правилами оценки и приростом результата, а не подгонкой к прошлому; числовые рецепты с раскрытой логикой, позволяющей практикам проверить каждое обязательство. Прежде всего примите дисциплину экспериментальной оптимизации: проводите итерации в реальной среде до исчезновения безумия, затем публикуйте то, что выжило. Цитирования могут последовать; если нет, последуют деньги.

11.4.1 Поставщики ПО

Корпоративные поставщики поддерживают равновесие не заговором, а экономикой и соответствием инженерной конструкции. Как утверждалось в Информации, есть три различных семейства ПО: системы учёта — достоверные регистры и рабочие процессы; системы отчётности — повествования о прошлом; системы принятия решений — движки, выдающие проверяемые решения без участия человека. Большинство поставщиков продают учёт или отчётность, затем переупаковывают дополнения в «планирование» или «оптимизацию» в погоне за ростом. Путаница категорий не семантическая, а операционная. Регистр, построенный прежде всего для CRUD, не может размещать тяжёлую аналитику без ущерба времени отклика; стек отчётности, созданный для преобразования агрегатов, не способен сохранять неопределённость или оценивать компромиссы в деньгах. Когда учёт или отчётность выдают себя за интеллект, поток возвращается к канцелярщине.

Доминирующий образец — театр оповещений. «Автоматизация» принимает форму списка исключений, возвращающего трудные случаи людям. Пользователи, превращённые в человеческие сопроцессоры, вручную согласуют тонкие правила с реальностью тяжёлых хвостов. Ничто в этом подходе не повышает интеллект ПО: он лишь скрывает отсутствие интеллекта за современными интерфейсами. Стимулы согласованы: поставщики взимают плату за места, хранение и модули, а не за улучшение; настоящие решения без участия человека сократили бы места и экраны. В Интеллекте мы отмечали столкновение культур: поставщики систем учёта оптимизируют продуктивность CRUD и бесперебойность; системы принятия решений оптимизируют экономическое качество решений в неопределённости. У первых нет стимула строить вторые.

Циклы шумихи усиливают несоответствие. Каждые несколько лет волна «планирования на основе ИИ», «цифровых двойников» или «контрольных башен» обещает окончательный разрыв с таблицами. Стартапы покупают и включают в пакеты; дополнение наследует ДНК учёта и отчётности родительской системы и возвращается как настраиваемый набор правил с оповещениями. Комбинаторика остаётся нерешённой; изменчивость сплющивается в средние; затраты подменяются произвольными целями сервиса. Результат — продолжение прежнего под новыми аббревиатурами.

Квадранты аналитиков стабилизируют эту историю. Поскольку экономику исследований финансируют оцениваемые ими поставщики, вознаграждаются поверхностные функции и модные ярлыки. Список «лидеров» меняется медленно; критерии предпочитают широту каталога и наличие клиентских рекомендаций качеству решений без участия человека. На стороне клиента театр RFP, раскритикованный в Развёртывании, создаёт неблагоприятный отбор: анкеты канонизируют вчерашние артефакты, демонстрации вознаграждают хореографию, а побеждает поставщик, лучше всех отвечающий на вопросы, которых не следовало задавать. Когда стек запускается, список исключений возвращается.

С операционной точки зрения типы отказов устойчивы. Путаница категорий создаёт конкуренцию за ресурсы (оптимизаторы внутри регистра обделяют рабочие процессы) и потерю информации (производные артефакты принимаются так, словно содержат новые сведения). Смысловой дрейф, терпимый в регистре под человеческим надзором, становится смертельным, попадая в движок решений, которому никто не позволяет решать. Там, где система принятия решений пересчитала бы всё по сырым достоверным записям и записала обратно оценённые, проверяемые обязательства, готовый слой «планирования» потребляет предварительно переваренные числа и выдаёт предложения, которые планировщики должны править ради безопасности.

Ничто из этого не требует недобросовестности: это равновесие, вытекающее из бизнес-модели. Поставщики назначают цену доступу, а не деньгам; покупатели просят экраны, а не выдачу результатов без участия человека. Так сохраняется устойчивая посредственность. Средство — не новый квадрант, а иной контракт и иная архитектура: строго отделить учёт, отчётность и принятие решений; запускать движок решений как воспроизводимый актив без состояния, принимающий сырые записи, сохраняющий вероятностные входные данные, оценивающий компромиссы в деньгах и записывающий обязательства обратно с досье, раскрывающими их факторы. Выбирайте поставщиков через состязательное исследование рынка, а не RFP; платите пропорционально охвату решений без участия человека и измеренному улучшению. При выполнении этих условий театр оповещений отмирает за ненадобностью; при их отвержении таблицы возвращаются — исход, который следует воспринимать как то диагностическое свидетельство, которым он и является.

11.4.2 Консультанты

Консалтинговые компании процветают, обещая перемены, сохраняющие то, что клиенты меньше всего хотят трогать: ландшафт приложений, оргструктуру и ежедневные ритуалы, распределяющие ответственность без принятия ответственности за результаты. В описанном равновесии поставщики продают учёт и отчётность под ярлыком «планирования»; консультанты замыкают цикл риторикой и хореографией, позволяющей хрупким инструментам сойти за прогресс. Результат редко бывает решением; это повествование: модели зрелости, квадранты, дорожные карты и церемонии, переименовывающие вчерашние процедуры.

Литература, обосновывающая эти проекты, одновременно обширна и поверхностна. Она каталогизирует горизонты, возможности и архетипы; делит мир на аккуратные уровни и положения регуляторов; множит матрицы 2×2, чьи углы приглашают к бесконечным страницам. Такие сегментации — не знание, а декорации. Они уклоняются от экономического вопроса — какое распределение дефицитных ресурсов повышает прибыль в условиях изменчивости — и подставляют классификацию, которую можно преподавать и продавать. Как утверждается на протяжении книги, классификации оправдывают себя лишь тогда, когда предсказывают; большинство консалтинговых классификаций этого не делает.

Внутри проекта импульс создают модные слова. «Согласование S&OP», «интегрированное бизнес-планирование», «ориентация на спрос», «цифровой двойник», «контрольная башня», «устойчивость по замыслу» — ни одно понятие не абсурдно само по себе, но все регулярно служат прикрытием неизменных циклов решений. Продукт работы — семинары, диаграммы ритмов и комитеты «единой цифры». Повторяется тот же образец: списки исключений растут, таблицы дают метастазы, а самые трудные случаи — тяжёлые хвосты, связывающие ограничения, храповики, несогласованная семантика — вежливо возвращаются тем самым клеркам, которых ПО не сумело разгрузить.

Этот цикл повторяется, потому что безопасен. Реорганизация совещаний не угрожает ERP; переименование этапов не подвергает предпосылки опровержению; публикация «целевой операционной модели» не вынуждает принять ни одного выраженного в деньгах обязательства без человеческого арбитража. Проект радует все группы: руководители получают историю прогресса; средний менеджмент сохраняет вето через ритуальные контрольные точки; поставщики оставляют модули на месте; консультант уходит с рекомендациями. Изменение товарного потока ничтожно.

Для отделения хореографии от содержания существует работоспособный стандарт. В Информации, Интеллекте, Решениях и Развёртывании мы задали планку: ежедневный параллельный запуск на полном охвате достоверных выгрузок; переход в эксплуатацию только при измеренном улучшении в деньгах. По этой мерке большинство консалтинговых вмешательств — несобытия: они не выдают решений без участия человека, не учитывают вероятностных будущих, не оценивают компромиссы в деньгах и не принимают ответственности за остановку. Они повествуют, а не распределяют.

Экономическая проверка проста. Если предложение нельзя запустить завтра ночью на выгрузках клиента за конец дня, проверить в деньгах и, если оно выдержит проверку, оплатить пропорционально улучшению, оно принадлежит театру, а не практике. Когда консультанты готовы подписаться под выдачей решений без участия человека и принять обратимость и улучшение как основу вознаграждения, они перестают быть консультантами в обычном смысле и становятся соавторами числового рецепта. Это редко не потому, что работа мистическая, а потому, что господствующая бизнес-модель вознаграждает церемонии больше кода.

«Консультантский цикл» — периодические преобразования, переименовывающие те же процедуры, — сохранится, пока покупатели не перевернут стимулы. Средство, уже описанное в Развёртывании, — состязательное исследование рынка: поручите поставщикам и потенциальным советникам составлять и критиковать постановки задач друг друга, требуйте приблизительные оценки совокупной стоимости владения и списки конкурентов, платите только за охват без участия человека и измеренное улучшение. Если работа даёт выдаваемые решения, сохраняйте её; если квадранты и ритмы — дайте ей закончиться. Следующий раздел показывает, как похожее равновесие воспроизводится внутри фирмы под знаменем «data science»: выводы без ответственности заменяют решения.

11.4.3 Корпоративная data science

Внутри компаний «data science» в основном воспроизвела то же равновесие, которое поддерживают академическая среда, поставщики и консультанты: она производит выводы, не принимая ответственности за выдаваемые решения. С начала 2010-х команды множили дашборды, пилоты и прогнозы; но немногие организации могут указать на ежедневные заказы на закупку, распределения или цены, выдаваемые кодом без участия человека и записываемые обратно в регистры. Работа выглядит современной, но не доходит до ставок в реальном мире.

Повторяются три черты. Во-первых, результаты остаются сосредоточенными на прогнозах и KPI. Полно полос ошибок, оценок точности и аккуратных графиков, но отсутствует денежный регистр всей компании — единственная общая мерка. Неопределённость описывают, а не оценивают в деньгах. Во-вторых, инженерный стык пропускается. Модели строятся поверх производных артефактов — ABC, буферов, «очищенных» таблиц, — а не достоверных записей; семантика полей дрейфует; условия остановки не определены. Когда рекомендация хрупка, «исключение» возвращает трудный случай планировщику. В-третьих, стимулы вознаграждают слайды и прототипы, а не обязательства без участия человека. «Поддержка принятия решений» становится удобным эвфемизмом для сохранения человеческого арбитража именно над теми решениями, которые должно принимать ПО.

Результат — театр аналитики, дополняющий театр оповещений поставщиков. Планировщики в итоге вручную согласуют хрупкие правила с реальностью тяжёлых хвостов. Комбинаторика, оправдывающая компьютеры, — миллионы микровариантов каждый день — возвращается людям. Канцелярщина, теперь оживлённая дашбордами, сохраняется.

Альтернатива вполне достижима и намечена на протяжении книги. Замените идею фабрики выводов специалистом по цепочке поставок, отвечающим за числовой рецепт: компактную программу, принимающую достоверные записи, сохраняющую вероятностные взгляды на спрос, сроки выполнения операций и надёжность, оценивающую компромиссы в деньгах в масштабе компании и выдающую решения без участия человека. Специалист отвечает за выдаваемые решения, а не за презентации. Такая позиция выводит неявные допущения наружу и связывает моделирование с экономикой.

Операционная зарисовка выше — выравнивание понедельничного скопления через денежную оценку перегрузки погрузочных площадок и допуск варианта «пока ничего не делать» — типична. Никаких реорганизаций и новых складов: те же активы работают лучше, потому что изменились решения. Вот что даёт повседневная ответственность. Как только пропускная способность погрузочных площадок получает теневую цену, MOQ становятся штрафами, а не указами, ожидание экономически конкурирует с покупкой, и недельный ритм перестаёт диктовать убытки. Система принятия решений превращает такие рассуждения в практику без участия человека; дашборд data science — нет.

Ответственность также диктует соразмерность. Когда затраты, ограничения и храповики закодированы от начала до конца, предельных улучшений подмодели добиваются лишь тогда, когда они двигают деньги на границе выдачи решений. Модные показатели — точность прогноза, уровень сервиса — теряют статус талисманов; важен прирост операционной прибыли с учётом риска после обратной записи. Сотрудничество затем естественно меняется: финансовая служба публикует плату за капитал и оценки; закупки — скидки, MOQ и надёжность; операции — мощности и моменты отсечения. Рецепт каждую ночь связывает эти входные данные при параллельном запуске, так что знание накапливается там, где окупается.

Вот как разрушается внутреннее равновесие. Data science перестаёт повествовать о потоке и начинает им управлять — под защитой средств, делающих доверие к автоматизации безопасным: ежедневных воспроизводимых выгрузок, вычислений без состояния, досье с раскрытой логикой и обратимых выдаваемых решений. Главы Информация, Интеллект, Решения и Развёртывание уже задали систему проверки; здесь тезис институциональный: пока кому-то не платят за качество решений без участия человека, «data science» продолжит питать канцелярские циклы. Следующий раздел вооружает читателей фильтрами отбраковки литературы, питающей эти циклы: материалов, выглядящих деятельными, но не выдерживающих проверок предсказания, денежной оценки и опровержения.

11.5 Организационная ловушка

Внешние группы — академическая среда, поставщики, консультанты — помогают объяснить устойчивость равновесия, но решающий тормоз находится внутри компаний. Цепочка поставок сохраняет второсортный статус, де-факто подчиняясь корпоративной ИТ-службе. Репутация, бюрократия и задержки обработки заявок сцепляются, пока организация не принимает канцелярскую бдительность вместо инженерно созданного интеллекта. Средство — не очередной комитет, а структурное перераспределение ответственности и тонкий стык данных, освобождающий поток от платформенных вето.

11.5.1 Второсортный статус

Цепочку поставок хвалят как «критически важную», но обращаются с ней как с периферией. Поскольку грузовики продолжают ездить, а полки заполнены, руководство заключает, что оправдана лишь постепенная полировка. Видимость непрерывности становится алиби для недостаточных вложений в код и людей, которые его пишут. Возникает самоподдерживающийся цикл: престижные кандидаты стремятся в другие места; подразделение наследует процедуры, а не создаёт решения; теневые таблицы множатся, компенсируя хрупкие дополнения «планирования»; получающаяся канцелярщина подтверждает исходное предубеждение, что ничего лучшего быть не может.

Репутационный разрыв стар — логистика воспринимается как скучная повинность после «настоящей» работы над продуктом и брендом — и по-прежнему формирует кадровые решения и бюджеты. Особую цепкость циклу придаёт интеллектуальный лоск: отдельные неэкономические KPI — «уровень сервиса 98%», «точность прогноза» — выдают себя за объективность. Когда заработок зависит от таких суррогатов, буферы раздуваются, исключения передаются людям, а регистр сияет, даже пока деньги утекают. Подразделение выглядит занятым и безопасным, отвергая вероятностную экономику, которая измеряла бы компромиссы в деньгах и автоматизировала обыденное.

11.5.2 Бюрократия и задержки обработки заявок

Там, где интеллект ручной, процветает бюрократия. Оповещения и исключения проходят через ритуалы — ежемесячные конклавы «единой цифры», советы перед распределением, каскады согласований, — чья настоящая функция состоит в распределении ответственности, а не в улучшении решений. Каждый ритуал добавляет слой процесса, не уменьшая неопределённости; комбинаторика не меняется, только теперь проходит через большее число рук.

Задержки обработки заявок завершают ловушку. Любое существенное изменение — добавленное ограничение, пересмотренная шкала затрат, тонкая семантическая поправка — требует заявки на изменение центральных систем. Недели превращаются в месяцы, поскольку приоритеты определяются риском для платформы, а не ожидаемым экономическим улучшением. К моменту выполнения заявки бизнес ушёл вперёд, и исправление уже устарело. То, что должно быть ежедневной обратимой правкой кода внутри движка решений, превращается в межфункциональный проект; статус-кво побеждает по умолчанию.

Поэтому компромисс смещается к наименьшему шагу, который готовы терпеть все стороны. Модули «машинного обучения» прививаются в виде дашбордов, отправляющих трудные случаи в список исключений; обновления ERP унифицируют поля, но не трогают правила решений. Фасад меняется; канцелярский цикл сохраняется.

11.5.3 Подчинение ИТ

Мандат корпоративной ИТ-службы — бесперебойность, стандартизация и соответствие требованиям. Это правильно для систем учёта и отчётности. Для систем принятия решений это плохо подходит. Когда «планирование» размещено внутри регистра, тяжёлая аналитика конкурирует с рабочими процессами; когда оно поверх отчётных представлений, неопределённость сплющивается, а решения вырождаются в театр оповещений с пользователями в роли человеческих сопроцессоров. Бюджеты следуют мандату: капитал идёт в CRUD-платформы; автоматизацию решений покупают как модуль и получают как конфигурацию с исключениями.

Риск перевёрнут: отклонение от платформы считается опасностью, а экономические потери от худших решений — обычным ходом дел. Контроль допуска изменений и инструментов затем ужесточает граничные условия: производные артефакты принимаются за достоверные первоисточники, изменения схемы предаются анафеме, любой инструмент, который нельзя поглотить пакетом, принципиально отвергается. При таком управлении даже искренние попытки «продвинутой аналитики» заканчиваются дашбордами, питающими канцелярский цикл.

11.5.4 Нарастание заплаток

Полумеры накапливаются. Временная табличная книга для сглаживания шкалы скидок, специальный отчёт, согласующий два главных источника, исключение для отдельного поставщика в инструменте закупщика — у каждого появляются пользователи, зависящие от его результатов. Со временем у лоскутной конструкции возникают защитники, и удалить любую часть кажется рискованнее, чем оставить всё. То, что начиналось как временная мера, застывает в обычай.

Нарастание заплаток рассеивает ответственность. Никто не отвечает за экономическое качество целого; каждая команда отвечает за фрагмент и историю. Это коварность в миниатюре: задача мутирует по мере адаптации каждой заплатки к соседним, а выживание принимается за успех.

Лечение архитектурное, а не увещевательное. Стык, делающий факты переносимыми, и рецепт без состояния, превращающий их в оценённые, проверяемые обязательства, растворяют заплатки в параметрах. При ежедневном параллельном запуске власть вето отступает; заплатки либо правильно кодируются, либо выводятся из употребления.

11.5.5 Стык и ответственность

Ловушку разрушают два структурных шага.

Во-первых, создайте стык: точную ежедневную выгрузку, охватывающую системы учёта. Она намеренно скучна: снимки только с добавлением и с манифестами; достаточно истории для полного цикла; никакой «полезной» предварительной обработки; чтение с минимальными привилегиями. С ней движок решений может не сохранять состояния и быть воспроизводимым. Заявки, прежде требовавшие изменений регистров, становятся правками кода над отдельной копией; семантика проверяется эмпирически, а не согласуется по почте. Задержка сокращается с месяцев до часов, обратимость становится рутинной.

Во-вторых, передайте ответственность за числовой рецепт цепочке поставок. Роли следуют естественно (см. Развёртывание): ответственный за данные ведёт стык; специалист по цепочке поставок пишет рецепт; куратор из высшего руководства разрешает споры о ценах и границах; менеджер потока привносит знание реальных операций и поднимает аномалии на нужный уровень. Поставщиков и консультантов оценивают по выдаваемым решениям и измеренному улучшению, а не по экранам.

Без такого стыка и такой ответственности никто даже не может поставить единственный операционно значимый вопрос, не говоря уже о том, чтобы на него ответить: почему мы не используем современные вычисления для работы с неопределённостью и более прибыльного распределения дефицитных ресурсов?

Эти два шага понижают бюрократию и платформенные вето из правителей до параметров. Когда стык существует, а ответственность ясна, подразделение перестаёт быть второсортным хранителем чужого ПО и становится автором собственной экономики в коде. Остаток главы вооружает читателя фильтрами для отбраковки материалов, не выдерживающих такой системы проверки. Если предложение нельзя каждую ночь запускать на стыке и защищать его результаты в деньгах, оно принадлежит театру, а не практике.

11.6 Фильтры отбраковки

Сегодня узкое место — не недостаток материалов, а избыток. Более миллиона статей и десятки тысяч книг шествуют под знаменем «цепочки поставок»; груда растёт с каждым годом быстрее, а повседневная практика остаётся сосредоточенной на таблицах. Простейшее объяснение: большая часть этой продукции лишена свойств, делающих знание операционным, — свойств, позволяющих ПО без участия человека каждую ночь делать прибыльные проверяемые ставки. Этот раздел предлагает три фильтра, отсеивающих бесполезное: мелочи, авторитеты и головоломки. Это не классификация литературы, а набор инструментов читателя для защиты внимания.

11.6.1 Мелочи

Мелочи каталогизируют мир — списки, матрицы, горизонты, — не показывая, почему классификация существенна, а не случайна. Применяется бритва Оккама: не множьте категории сверх необходимости. Здесь необходимость означает способность предсказывать и экономить в деньгах. Сегментация заслуживает места, лишь если её изучение уменьшает неопределённость будущих исходов и улучшает решения движка о распределении без участия человека.

Периодическая таблица проясняет стандарт: химическая сетка — не украшение, она сжимает причинность. Атомный номер упорядочивает элементы, делая поведение в реакциях предсказуемым; таблица — компактная опровержимая теория вещества. Напротив, значительная часть жаргона планирования — картография без геологии. Деление «планирования» на стратегический, тактический и операционный горизонты мало что говорит, если не предсказывает разные денежно оцениваемые выборы в неопределённости; иначе эта трихотомия — лишь декорация. То же относится к товарным ABC, «быстрой, медленной, нулевой оборачиваемости», «местным, региональным, национальным» площадкам или бессмертным квадрантам 2×2¹⁶⁴, где «автократический против стремящегося к консенсусу» пересекается с «сначала думать, потом действовать против сначала действовать, потом думать»¹⁶⁵. Эти конструкции легко преподавать и бесконечно комбинировать; предсказательное содержание у них обычно нулевое.

Проверка прямолинейна: если принятие классификации не меняет выдаваемых результатов — заказов на закупку, перемещений, цен, — это мелочи. В предыдущей операционной зарисовке ничто в еженедельном скоплении входящих грузов не требовало нового квадранта или горизонта. Исправление пришло из денежной оценки перегрузки погрузочных площадок, замены средних распределениями и допуска «пока ничего не делать», когда преобладала опционная ценность ожидания. Горстка цен и распределений двигала деньги; полка сегментаций не смогла бы.

11.6.2 Авторитеты

Вы не в том положении, чтобы поучать публику хоть чему-нибудь. Вступительный монолог на церемонии «Золотой глобус» (2020), Рики Джервейс.

Известность — не доказательство. Цитаты руководителей, предисловия знаменитостей и истории известных брендов развлекают, но не решают. Считайте ссылку на авторитет тревожным сигналом, если она не проходит три моста: опровержимость, контрфактические сценарии и выдаваемые решения. Опровержимость означает, что закодированное утверждение может оказаться ошибочным; контрфактические сценарии требуют от говорящего указать, что, вероятно, произошло бы иначе; выдаваемые решения требуют достаточной точности утверждения, чтобы изменить обязательства, принимаемые без участия человека завтра ночью.

Крупные фирмы усложняют дело. Успех связан со множеством причин — продуктом, брендом, структурой капитала, — тогда как цепочка поставок намеренно остаётся скрытной. Даже когда она действительно лежит в основе успеха, публичный представитель может не быть его автором; исключительные вклады распределены неравномерно, а многие остаются, делая очень мало¹⁶⁶. И у тех, кто действительно отвечает за успех, есть стимулы держать эффективные методы неявными или превращать их в удобоваримые ритуалы. Подсчёт цитат — не путь к знанию.

Операционный стандарт узок и справедлив. Предложение известного оператора или поставщика заслуживает внимания лишь тогда, когда его можно записать кодом, принимающим достоверные выгрузки в конце дня, выдающим решения и защищающим каждую строку в деньгах. До тех пор храните историю как гипотезу и сопротивляйтесь построению процессов вокруг неё. Авторитет может вдохновлять; подменять опровержение он не вправе.

11.6.3 Головоломки

Академическая литература о цепочках поставок склонна оптимизировать то, что удобно писать, оценивать и публиковать: стилизованные головоломки с фиксированными допущениями. Головоломки могут быть восхитительны и временами полезны как подпрограммы. Они становятся вредными, когда их представляют как знание о цепочке поставок без стыка, где знание должно жить: семантики, экономики и ежедневно работающего кода. Проблема не в математике, а в неверной постановке. Цепочка поставок — прикладная экономика в условиях изменчивости; статья, никогда не делающая ставок и не выдающая решений без участия человека, ещё не вышла на арену.

Два вопроса отделяют подпрограмму от системы. Во-первых, может ли предложение принимать исходные записи, не отмывая смысл через производные артефакты? Во-вторых, сохраняет ли оно неопределённость и оценивает ли компромиссы в деньгах вплоть до границы выдачи решений? Если хотя бы один ответ — «нет», вклад остаётся головоломкой. Правильная система проверки описана на протяжении книги: ежедневный параллельный запуск на выгрузках полного охвата; эвристики остановки; досье, раскрывающие главные денежные факторы каждой строки; переход в эксплуатацию только при измеренном улучшении; обратимость через воспроизводимые вычисления без состояния. Метод, не выдерживающий этой системы проверки, не находится «на ранней стадии» — он не проверен.

Этот фильтр не враждебен теории; он гостеприимен к реальности. Результаты теории очередей, калибрующие затраты перегрузки, блоки программирования, комплектующие грузовик, концентрационные оценки, регуляризующие тяжёлые хвосты, — всё это приветствуется, когда встроено в числовой рецепт, двигающий деньги. Математическая элегантность без выдачи решений без участия человека — лишь рассказывание историй символами. Литература осовременится, когда статьи будут поставлять код, проходящий ту же экономическую проверку, которую мы требуем в эксплуатации: повышает ли он операционную прибыль с учётом риска при тех же ограничениях и следе для аудита?

11.6.4 Применение фильтров

При последовательном применении эти фильтры сжимают список чтения до материалов, меняющих выдаваемые решения. Мелочи падают под бритвой Оккама, если не демонстрируют предсказательной силы, выраженной в деньгах; авторитеты принимаются лишь тогда, когда их утверждения можно опровергнуть при параллельном запуске; головоломки продвигаются только в связи с проверяемыми решениями без участия человека. Вот почему столько деятельности сосуществует с таким малым прогрессом: большинство циркулирующего материала не проходит этих проверок, хотя выглядит деятельным. Средство — не цинизм, а дисциплина: оценивайте неопределённость в деньгах, требуйте выдачи решений и позвольте деньгам, а не регалиям, быть арбитром.

11.7 Взгляд вперёд

Если смотреть вперёд, нужен не очередной манифест, а смена позиции. Мерка, предлагаемая всей книгой, практична и узка: цепочка поставок продвигается, когда каждую ночь по сигналу закрытия ПО выдаёт без участия человека проверяемые обязательства, оценённые в деньгах, — либо само останавливается и объясняет почему. Всё остальное — декорации. По этой мерке прогресс — не ежеквартальная церемония и не новый экран, а последовательная замена канцелярской сверки механическим потоком, явно сохраняющим неопределённость и оценивающим компромиссы в масштабе компании.

Путь не требует откровения — лишь двух устойчивых шагов, помещающих ответственность туда, где она может давать накопительный эффект. Во-первых, сделайте факты переносимыми через стык: неизменяемые выгрузки с точным сохранением схемы, позволяющие движку решений не сохранять состояния и быть воспроизводимым. Во-вторых, сожмите экономику фирмы в числовой рецепт, принимающий эти выгрузки, сохраняющий вероятностные взгляды на будущее, назначающий штрафы и вознаграждения в деньгах и выдающий решения без участия человека. Сопровождающие каждый результат досье с раскрытой логикой показывают немногочисленные факторы, имевшие денежное значение. При такой дисциплине улучшение становится рутинным: когда реальность опровергает допущение, рецепт меняется, воспроизводится и возобновляет работу. Накапливаются не ошибки, а знания.

Люди не исчезают; их работа приобретает рычаг воздействия. Планировщики становятся хранителями рамок и цен, а не построчными редакторами предложений. Финансовая служба публикует плату за капитал и оценки, которые движок обязан соблюдать; закупки публикуют скидки, MOQ и надёжность как цены, а не вето; операции — мощности и моменты отсечения как проверяемые ограничения. Руководство разрешает компромиссы в деньгах, а не лозунгах, и отвечает за редкие случаи, когда движок останавливается. Проверка одинакова для всех: повысили ли выданные решения норму доходности компании с учётом риска?

Альтернативы — театр оповещений, театр планирования, театр аналитики — можно поддерживать бесконечно, поскольку грузовики всё ещё ездят, а средние всё ещё утешают. Их цена почти невидима на снимке дня, но сокрушительна за годы: упущенные варианты действий, неверно оценённые хвосты, внимание, потраченное на причёсывание артефактов без информации. Поэтому зрелые компании выбирают не между стабильностью и риском, а между канцелярским равновесием, незаметно облагающим данью каждый поток, и механической дисциплиной, заставляющей неопределённость окупаться.

Прежде чем перейти к конструктивной программе, нужно прямо назвать то, что мешает. Следующий подраздел перечисляет привычки, гарантирующие канцелярские равновесия независимо от ПО или риторики. Лишь после отказа от них лучший путь, уже намеченный в предыдущих главах и полностью совместимый с существующими регистрами, становится простым для принятия.

11.7.1 Что должно прекратиться

Чтобы прогресс был больше, чем лозунгом, должны прекратиться три укоренившихся представления. У каждого есть родословная; каждое льстит профессионализму; каждое надёжно сохраняет канцелярское равновесие, пока компьютеры простаивают.

Во-первых, должен прекратиться театр оповещений. ПО, называющее себя «автоматизированным», но выдающее списки исключений для ручного разбора, — не автоматизация, а интерфейс откладывания решений. Система, не способная записывать результаты обратно без участия человека и раскрывать их факторы в деньгах, сводит работу планировщиков к ручному разбору исключений — и называет это прогрессом. Критерий прост и не подлежит торгу: либо программа выдаёт в регистры обязательства — заказы, распределения, цены, — либо это инструмент отчётности, который нужно соответственно оценивать и покупать. Всё, что ради «безопасности» требует ежедневной построчной правки, принадлежит прошлому. Места, экраны и оповещения не заменяют выдаваемые решения.

Во-вторых, должен прекратиться театр планирования. Ежемесячные ритуалы консенсуса вокруг «единого набора цифр» сплющивают неопределённость, а невежество выдаёт себя за точность. Точности прогнозов, целевые уровни сервиса и прочие показатели соблюдения плана — не экономика, а этикет, выраженный числами. Они вознаграждают буферы, а не суждение; послушание, а не прибыль. Там, где указы объявлены «жёсткими ограничениями», они обычно маскируют предпочтения без цены; там, где средние заменяют будущие, хвосты игнорируются, пока не укусят. Средство — не церемониал, а цены: рассматривайте большинство пределов как ограничения с денежными штрафами; позвольте «пока ничего не делать» конкурировать с «принять обязательство сейчас» через явную опционную ценность ожидания; замените соблюдение плана единственной значимой проверкой — повысили ли выданные решения норму доходности фирмы с учётом риска при тех же ограничениях и следе для аудита? Без этой дисциплины планы продолжат выглядеть безупречно, пока грузовики простаивают у перегруженных погрузочных площадок.

В-третьих, должен прекратиться театр аналитики. Дашборды, контрольные башни и «цифровые двойники», никогда не делающие ставок, — украшения. Таковы и пилоты, вечно живущие в песочницах, программы «только видимости», не двигающие рычагов, и закупочные обряды RFP, выбирающие поставщиков по хореографии, а не по охвату решений без участия человека. Внутри фирмы зеркальное отражение — функция data science, производящая слайды и прототипы, но отказывающаяся отвечать за обратную запись. Стандарт снова механический: ночной параллельный запуск на точных выгрузках; воспроизводимые вычисления без состояния; остановка при безумии; переход в эксплуатацию только при измеренном улучшении; обратимость по конструкции. Если ограничиться меньшим, получится повествование о потоке, а не вклад в него.

Эти три представления — оповещения вместо решений, планы вместо цен, выводы вместо выдаваемых действий — сохраняются, потому что удобны и позволяют отказываться от ответственности. Они заканчиваются в тот момент, когда руководство требует решений в денежных единицах без участия человека, а не мест и церемоний. Лишь тогда следующая конструктивная программа вообще получает пространство для работы.

11.7.2 К лучшему пути

Лучший путь прозаичен в рутине и радикален в последствиях. Он рассматривает завтрашнюю неопределённость как сырьё с назначенной ценой и превращает ежедневное закрытие в дисциплинированный расчёт. По достоверным записям компактный числовой рецепт пересчитывает допустимые действия фирмы, сохраняет вероятностные взгляды на будущее, присваивает денежные выигрыши и штрафы и либо записывает обязательства обратно без участия человека, либо сам останавливается при снижении уверенности. Ничто иное не считается прогрессом. Всё значимое — варианты, хвосты, взаимосвязи, храповики — выражено в коде, который можно проверять, воспроизводить и пересматривать без церемоний.

Когда эта дисциплина установлена, день приобретает другую фактуру. Сначала исчезает безумие: перегрузка погрузочной площадки больше не неожиданность, растворённая в средних недельных дашбордов; «MOQ как указы» растворяются в оценённых компромиссах; явная опционная ценность позволяет «пока ничего не делать» честно конкурировать с «принять обязательство сейчас». Доверие накапливается не на совещаниях, а через досье с раскрытой логикой, построчно объясняющие в деньгах, почему был размещён заказ, удержано перемещение или слегка изменена цена. Когда реальность опровергает допущение, движок останавливается; предпосылка исправляется; запуск воспроизводится; поток возобновляется. Ошибаться становится дёшево и обратимо; правильность масштабируется.

Две краткие зарисовки показывают это на практике. Сезонный модный бренд начинает с щедрых ставок, но заменяет планы проталкивания правилами принятия решений: ассортимент оценивается как варианты действий; ранние данные о доле распроданного запаса обновляют вероятностный взгляд на уровне покупательской корзины; уценки становятся овеществлённой функцией, а не раскаянием задним числом. Движок сопоставляет ущерб дефицита с устареванием в одном регистре, позволяет поздней фиксации побеждать там, где период полураспада долог, и каждую ночь записывает распределения и изменения цен без участия человека. Видимые эффекты не театральны: меньше перемещений в середине сезона, меньшие по масштабу финальные распродажи за бесценок, устойчивее валовая маржа. Под поверхностью выгоды возникают из признания хвостов, назначения им цены и победы отсрочки там, где ей следует побеждать.

В техническом обслуживании и ремонте гражданской авиации пул ремонтируемых оборотных компонентов управляется как портфель вариантов действий. Внеплановые снятия моделируются как поступления с тяжёлыми хвостами; подверженность AOG получает теневую цену; каннибализация, аренда, ремонт и покупка — допустимые действия, ранжированные по ожидаемой доходности с учётом риска. Во многие ночи самое прибыльное действие — ждать; в другие движок заранее размещает запас в ответ на растущую теневую цену риска, а не на календарь. То, что было цепочкой писем, становится заказами на отправку и закупку без участия человека. Каждый сопровождается досье, раскрывающим в деньгах, почему одна деталь полетела к этому бортовому номеру, другая осталась на полке, а аренда победила ремонт при данном разбросе полного времени до возвращения в строй. Меньше кризисов «решается» героизмом, поскольку меньше кризисов создаётся прежними указами.

Институциональные последствия следуют естественно. Роли смещаются от арбитража к авторству: планировщики становятся хранителями рамок и цен; финансовая служба отвечает за плату за капитал и оценки, которые рецепт обязан соблюдать; закупки публикуют скидки, MOQ и надёжность как шкалы, а не вето; операции заявляют мощности и моменты отсечения как проверяемые ограничения. Поставщикам и советникам платят за охват без участия человека и измеренное улучшение, а не за места, экраны и церемонии. Бюджеты перемещаются к единственному активу, дающему накопительный эффект в этом веке: небольшой кодовой базе, записывающей экономику фирмы и улучшающейся под действием экспериментальной оптимизации.

Ничто из этого не требует откровения. Инструменты для достижения решений без участия человека уже изложены. Требуйте смены позиции: примите, что каждое обязательство — ставка, качество которой можно выразить в деньгах заранее и проверить постфактум, и организуйте работу так, чтобы ПО делало эти ставки в ритме, допускаемом реальностью.

Книга началась с утверждения, что цепочка поставок — намерение, а не вещь, и заканчивается превращением этого намерения в исполняемое. Когда фирма может объяснить каждое ночное обязательство в деньгах и остановиться, если не может, она пересекла черту, отделяющую театр от мастерства. Остальное — медленное накопление знания: каждый вечер видеть немного дальше и предвидеть достаточно, чтобы заслужить завтрашнюю отдачу.

12 Технические примечания

12.1 Апериодическая норма доходности

Это приложение формализует апериодическую норму доходности, упомянутую в главе Экономика. Цель практическая: каждый вариант действий (микрорешение, связывающее дефицитные ресурсы) следует ранжировать по скорости, с которой связанный им капитал возвращается и начинает приносить сложный доход. Поскольку денежные потоки цепочки поставок редко совпадают с календарными периодами, сам вариант определяет наиболее информативный для него горизонт.

Рассмотрим дискретную временную сетку \(t=0,1,\dots,T_{\texttt{max}}\) (дни, недели или месяцы). Пусть

\[ s(t)\in\mathbb{R}^+ \quad\text{и}\quad r(t)\in\mathbb{R}^+ \]

обозначают соответственно связанные с этим вариантом расходы и выручку в момент \(t\), приведённые к текущей стоимости. (Если нужно дисконтирование, сначала приведите будущие суммы к текущей стоимости; см. следующий раздел.)

Определим весь капитал, необходимый для этого варианта, — оценённый на момент \(t=0\) — и накопленную выручку до произвольного момента отсечения \(T\):

\[ S \;\triangleq\; \sum_{t=0}^{T_{\texttt{max}}} s(t), \qquad R(T) \;\triangleq\; \sum_{t=0}^{T} r(t). \]

Тогда апериодическая норма доходности равна

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}} \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Интерпретация. Перемещайте курсор по временной шкале денежных потоков варианта. Для каждой даты \(T\) вычисляйте доходность на единицу времени, которую вы получили бы, закрыв позицию в этот момент: накопленный приток \(R(T)\) делится на весь требуемый вариантом капитал \(S\), из результата вычитается единица, затем он умножается на \(1/T\). Показатель сохраняет пиковое значение; соответствующее \(T^\star\) — неявный горизонт варианта. Два варианта с совершенно разными календарями становятся сопоставимыми, поскольку каждый оценивается в собственной наилучшей точке возврата капитала.

Единицы. Если \(t\) измеряется в днях, \(\mathtt{RoR}_{\texttt{aper}}\) — дневная ставка. Пересчёт в годовую ставку, когда он нужен, выполняется через начисление сложного дохода на выбранной сетке (например, \((1+\rho)^{365}-1\) для дневной ставки \(\rho\)). При малых \(\rho\) умножение на число периодов даёт грубое приближение; при больших ставках надёжнее учитывать сложный доход.

Пример расчёта. Сегодняшняя покупка на 100 денежных единиц (\(S=100\)) даёт две продажи: 60 денежных единиц на день 15 и 60 на день 30. Дневные скорости равны

\[ \rho(15)=\frac{1}{15}\Bigl(\frac{60}{100}-1\Bigr)=-0.026\bar{6},\quad \rho(30)=\frac{1}{30}\Bigl(\frac{120}{100}-1\Bigr)=0.006\bar{6}. \]

Максимум достигается при \(T^\star=30\) дней с \(\rho^\star\approx 0.006\bar{6}\) в день; с учётом сложного дохода за год это примерно \((1+0.006\bar{6})^{365}-1\approx 10.3\) (то есть около \(1{,}030\%\) годовых). Такие величины обычны на уровне товара, поскольку отражают быстрый оборот запасов, а не доходность портфеля в целом.

Две оговорки. Во-первых, смещение вверх: показатель предполагает, что капитал, высвобожденный в \(T^\star\), можно немедленно вложить в столь же привлекательную возможность. На практике сопоставимые возможности могут появиться с задержкой. Во-вторых, смещение вниз: ради измерения скорости выручка после \(T^\star\) игнорируется. В действительности, если товары не списаны, последующие поступления всё равно возникнут и увеличат итоговую прибыль. Оба эффекта приемлемы — и даже полезны, — поскольку цель здесь не в том, чтобы подвести окончательный финансовый итог варианта, а в том, чтобы направить дефицитный капитал прежде всего туда, где он быстрее всего приносит сложный доход.

12.2 Дисконтированные денежные потоки

Дисконтируя денежные потоки, мы лишь повторяем предыдущее обсуждение временного предпочтения в денежных единицах и на дискретной временной сетке. Денежная единица, полученная позже, сегодня стоит меньше, поскольку до её получения её нельзя использовать, держать в резерве или реинвестировать. Дисконтированный денежный поток (DCF) переводит каждую будущую сумму в «сегодняшние денежные единицы»; после этого преобразования апериодическую норму доходности из предыдущего раздела можно применять без дальнейших изменений.

Зафиксируем временную сетку \(t=0,1,\dots,T_{\texttt{max}}\) (дни, недели или месяцы). Пусть \(k\) обозначает стоимость капитала фирмы за один шаг сетки; если стоимость средств меняется со временем (ступени кредитной линии, временный дефицит ликвидности), используем \(k_t\). Коэффициент дисконтирования, приводящий сумму на дату \(t\) к моменту \(t=0\), равен

\[ D(t)\;=\;\prod_{\tau=1}^{t}\frac{1}{1+k_\tau} \qquad\text{(при постоянном $k$, $D(t)=(1+k)^{-t}$).} \]

Пусть \(r^{*}(t)\) и \(s^{*}(t)\) — недисконтированные выручка и расходы в момент \(t\) (непосредственные поступления и выплаты записываются при \(t=0\)). Их приведённые к текущей стоимости аналоги равны

\[ r(t)\;=\;D(t)\,r^{*}(t), \qquad s(t)\;=\;D(t)\,s^{*}(t). \]

Тогда дисконтированный денежный поток всего варианта (порождаемой им последовательности) равен

\[ \mathtt{DCF} \;=\; \sum_{t=0}^{T_{\texttt{max}}} \bigl(r(t)-s(t)\bigr) \;=\; \sum_{t=0}^{T_{\texttt{max}}} D(t)\,\bigl(r^{*}(t)-s^{*}(t)\bigr). \]

Эта сумма — абсолютная оценка в сегодняшних денежных единицах (положительная создаёт богатство; отрицательная разрушает стоимость).

Связь с апериодической нормой доходности. В предыдущем разделе \(r(t)\) и \(s(t)\) были явно определены как потоки, приведённые к текущей стоимости. Поэтому для ранжирования вариантов по скорости сначала выполните дисконтирование, как показано выше, затем подставьте приведённые ряды в неизменённую формулу апериодической нормы. В символах: сохраняем \(S=\sum_{t=0}^{T_{\texttt{max}}} s(t)\) и \(R(T)=\sum_{t=0}^{T} r(t)\) и вычисляем

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}}\; \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Дисконтирование учитывает временное предпочтение; апериодическая норма затем показывает, как быстро приведённые затраты возмещаются и начинают приносить сложный доход.

Выбор \(k\). Используйте предельную стоимость ликвидности фирмы на той сетке, на которой ведётся расчёт. Если вы работаете с годовой ставкой \(K\) на дневной сетке, переведите её в дневной шаг по формуле \(k=(1+K)^{1/365}-1\) (с соответствующими изменениями для недель или месяцев). Если стоимость ликвидности задаётся по участкам или меняется со временем, закодируйте её траекторией \(\{k_t\}\); определение \(D(t)\) уже это допускает. В финансах принято «завышать» \(k\) для отражения неопределённости; в цепочке поставок мы избегаем такого двойного учёта: неопределённость учитывается явно через вероятностное рассмотрение доходности далее в приложении.

Краткий пример расчёта (дневная сетка). Потратьте 100 денежных единиц при \(t=0\); получите 60 на день 15 и 60 на день 30. При годовой стоимости капитала 10% дневной шаг равен \(k\approx(1.10)^{1/365}-1\). Коэффициенты дисконтирования равны \(D(15)\approx (1.10)^{-15/365}\) и \(D(30)\approx (1.10)^{-30/365}\). DCF составляет

\[ -100 \;+\; 60\,D(15) \;+\; 60\,D(30) \;\approx\; 12.6\ \text{денежных единиц.} \]

Подстановка приведённых рядов в апериодический показатель даёт \(S=100\) и \(R(30)\approx 60\,D(15)+60\,D(30)\approx 112.6\), откуда

\[ \mathtt{RoR}_{\texttt{aper}}\;\approx\;\frac{1}{30}\Bigl(\frac{112.6}{100}-1\Bigr)\;\approx\;0.0042\ \text{в день}, \]

что с учётом сложного дохода составляет примерно \((1+0.0042)^{365}-1\approx 2.6\) (около \(260\%\) годовых). Дело не в точном числе, а в методе. Сначала выполните дисконтирование, выразив всё в сегодняшних денежных единицах; затем сравните варианты по тому, как быстро приведённые поступления возмещают приведённые затраты.

Практические замечания. Единицы должны совпадать: \(t\) измеряется с тем же шагом, что и \(k\). Если платежи поэтапные (например, аванс при \(t=0\) и остаток при отгрузке), рассматривайте каждый как отдельное \(s^{*}(t)\). Хотя процентные ставки важны, в цепочке поставок обычно преобладает влияние оборота запасов; роль дисконтирования здесь — восстановить сопоставимость вариантов с разными календарями, чтобы апериодическая норма корректно выполняла задачу ранжирования.

12.3 Информационная энтропия

Это приложение сводит немногочисленные положения теории Шеннона, использованные в главе Информация, к форме, непосредственно пригодной для примеров с запасами. Мы ограничимся дискретными величинами и логарифмами по основанию 2, чтобы единицами были биты (смена основания логарифма лишь меняет масштаб единицы).

Рассмотрим дискретную случайную величину \(X\), принимающую состояния \(x\) с вероятностями \(p(x)\). Информация, получаемая, когда мы узнаём, что состояние равно \(x\), — собственная информация — составляет

\[ \operatorname{I}(x)\;=\;-\log_{2} p(x)\quad\text{бит}. \]

Достоверный исход (\(p=1\)) несёт \(0\) бит; более редкие исходы несут больше бит.

Энтропия \(X\) — средняя собственная информация:

\[ \mathrm{H}(X)\;=\;\mathbb{E}[\operatorname{I}(X)]\;=\;-\sum_{x} p(x)\,\log_{2} p(x)\quad\text{бит}. \]

Энтропия зависит только от вероятностей, а не от того, как мы называем или храним состояния. Её можно понимать как среднее число вопросов с равновероятными ответами «да» и «нет», необходимое для определения состояния. Для наших целей достаточно двух непосредственных следствий:

• Если у \(X\) есть \(n\) равновероятных состояний, то \(\mathrm{H}(X)=\log_{2} n\).

• Если \(X_1,\dots,X_k\) независимы, совместная неопределённость складывается:

  \[ \mathrm{H}(X_1,\dots,X_k)\;=\;\sum_{j=1}^{k}\mathrm{H}(X_j). \]

(Когда величины коррелируют, совместная энтропия ниже этой суммы; здесь мы предположим независимость, чтобы пример оставался простым.)

Мы будем моделировать уровень запаса каждого товара как дискретную величину и в первом приближении считать разные товары независимыми. Это позволяет вычислить энтропию магазина, умножив значение для одного товара «на 100». Следующий подраздел применяет эти формулы к двум контрастным магазинам — магазину роскошных часов и пригородному складу — и количественно выражает различие. Краткое и доступное введение в более широкую теорию см. у James V. Stone, Information Theory: A Tutorial Introduction (2019).

Энтропия двух магазинов

Теперь уточним противопоставление, использованное в основной главе. Будем моделировать физически имеющийся запас каждой SKU как дискретную случайную величину и в первом приближении считать SKU независимыми.¹⁶⁷ Тогда энтропия магазина равна сумме энтропий отдельных SKU.

Магазин роскошных часов. По каждой SKU физически имеется не более одной единицы; вероятность наличия составляет 95%, вероятность отсутствия — 5%. Таким образом, отдельная SKU задаётся бинарной величиной с

\[ p(1)=0.95,\qquad p(0)=0.05. \]

Используя бинарную энтропию, получаем

\[ \mathrm{H}_{\text{watch}}^{(1)} \;=\; -\,0.95\,\log_{2}(0.95)\;-\;0.05\,\log_{2}(0.05)\;\approx\;0.2864\ \text{бит}. \]

Для 100 независимых SKU

\[ \mathrm{H}_{\text{watch}} \;=\; 100\,\mathrm{H}_{\text{watch}}^{(1)} \;\approx\; 28.64\ \text{бит}. \]

Пригородный склад. Предположим, что физически имеющийся запас каждой SKU с равной вероятностью может быть любым целым числом от 0 до 9 999. Равномерное распределение на \(n\) состояниях имеет энтропию \(\log_{2} n\), поэтому для одной SKU

\[ \mathrm{H}_{\text{depot}}^{(1)} \;=\; \log_{2}(10{,}000)\;\approx\; 13.2877\ \text{бит}, \]

а для 100 SKU

\[ \mathrm{H}_{\text{depot}} \;=\; 100\,\mathrm{H}_{\text{depot}}^{(1)} \;\approx\; 1328.77\ \text{бит}. \]

Численно склад содержит примерно в \(\mathrm{H}_{\text{depot}}/\mathrm{H}_{\text{watch}} \approx 46.4\) раза больше информации о запасах, чем часовой магазин.

В терминах игры в «двадцать вопросов» полное описание состояния всех запасов часового магазина с его 100 SKU требует в среднем около 29 ответов «да» или «нет»; склада — около 1 329. Допущение о равномерности несколько завышает энтропию по сравнению с реалистичными распределениями запасов с выраженным пиком, но разрыв остаётся того же порядка. Этот расчёт подкрепляет тезис главы: два ассортимента одинакового размера (100 SKU) могут иметь радикально различный информационный вес — один измеряется несколькими десятками бит, другой килобитами; отсюда необходимость ПО для любых потоков, кроме самых простых.

12.4 Топологическая сортировка

Топологическая сортировка упорядочивает набор элементов так, чтобы каждая предпосылка стояла перед зависящим от неё элементом. На входе — ориентированный граф, узлы которого представляют элементы (задачи, таблицы, компоненты), а стрелки кодируют отношение «должно предшествовать». Если в графе нет ориентированного цикла, такой порядок существует; если цикл есть, никакой порядок не может соблюсти все зависимости.

Практика цепочки поставок полна подобных структур предшествования. Спецификация состава изделия требует подузлов до сборки; ежедневный числовой рецепт должен загружать записи до вывода признаков, прогнозировать до оценки вариантов и оценивать варианты до выдачи заказов на закупку или перемещений. В системе принятия решений эта структура явно задаётся ориентированным ациклическим графом (DAG) и исполняется в этом порядке при каждом запуске.

Интуитивное объяснение. Начните со всех элементов без предпосылок; поместите их в рабочий список \(S\). Повторяйте: выберите один элемент \(n\) из \(S\), выдайте его и ослабьте исходящие из него стрелки — у каждого последователя \(m\) станет на одну предпосылку меньше; когда их число достигнет нуля, \(m\) добавляется в \(S\). Если в конце некоторые элементы так и не были выданы, они взаимно зависят друг от друга — это цикл.

Пример из цепочки поставок. Рассмотрим крошечную спецификацию состава изделия: у Винта и Панели нет предпосылок; Рама требует Панели; Сборка требует Винта и Рамы. Один допустимый порядок:

\[ \text{Винт},\ \text{Панель},\ \text{Рама},\ \text{Сборка}. \]

При выполнении алгоритма \(S\) сначала содержит Винт и Панель; после выдачи Панели число входящих рёбер Рамы падает до нуля, и она добавляется в \(S\); после выдачи Винта и Рамы можно получить Сборку. Точный порядок среди одновременно допустимых элементов не влияет на корректность, но важен для воспроизводимости.

Корректность и сложность. Каждое ребро \((u\!\to\!v)\) соблюдается, поскольку \(v\) можно выдать лишь после удаления последней его предпосылки, что происходит только после выдачи \(u\). И наоборот, если элемент выдан, в тот момент у него не было невыполненных предпосылок. Метод работает за линейное время \(O(|V|+|E|)\) со списками смежности и одним проходом по рёбрам и использует линейный объём памяти. В системах, используемых в эксплуатации, обеспечивайте детерминированность результатов, выбирая элементы из \(S\) в фиксированном порядке ключей (например, \((\texttt{site},\texttt{sku},\texttt{step})\)); тогда одинаковые входные данные воспроизводят бит в бит один и тот же порядок, что поддерживает аудит и повторные запуски с возвратом во времени.

Операционное применение в системе принятия решений. Ежедневный числовой рецепт — это DAG: загрузить сырые выгрузки, нормализовать, вывести признаки, обучить или обновить вероятностные модели, вычислить денежные оценки, затем выдать идемпотентные обратные записи (заказы на закупку, перемещения, цены). Среда исполнения выполняет топологическую сортировку этого вычислительного графа и исполняет узлы соответственно. Обнаруженный цикл — не крайний случай, который следует «проигнорировать»; это нарушение семантики, которое должно остановить движок (как утверждалось в главе Интеллект) и показать небольшой цикл-свидетель для исправления логики или контракта данных. Получить такое свидетельство просто: после остановки алгоритма при \(|L|<|V|\) следуйте связям с предшественниками внутри остаточного подграфа до повторного появления узла; обнаруженная петля — минимальное объяснение, необходимое оператору.

12.5 Четырёхслойный перцептрон

Четырёхслойный многослойный перцептрон (MLP) — наименьший полезный образец того, что раздел «Глубокое обучение» описывал словами: фиксированная схема из линейных отображений, разделённых простыми нелинейными элементами. На нём удобно развеять тайну механизма, поскольку каждый шаг сводится к обычной линейной алгебре.

Вернёмся к использованной ранее игрушечной задаче распознавания рукописных цифр (MNIST); см. рисунок \ref{fig:perceptron} в главе Интеллект. Каждое изображение в градациях серого — массив \(28\times 28\), масштабированный до чисел в \([0,1]\) и развёрнутый в вектор \(\mathbf{x}\in\mathbb{R}^{784}\). Сеть вычисляет оценки для десяти цифр \(0,\dots,9\), затем превращает их в вероятности. Предсказанная цифра — та, у которой вероятность наибольшая.

Прямой проход (инференс)

Сеть последовательно соединяет три аффинных преобразования, разделённых выпрямляющими функциями. При использовании векторов-столбцов и поэлементном применении нелинейностей вычисление имеет вид:

\[ \begin{aligned} \mathbf{z}_1 &= \mathbf{W}_1\,\mathbf{x} + \mathbf{b}_1, & \quad \mathbf{a}_1 &= R(\mathbf{z}_1),\\ \mathbf{z}_2 &= \mathbf{W}_2\,\mathbf{a}_1 + \mathbf{b}_2, & \quad \mathbf{a}_2 &= R(\mathbf{z}_2),\\ \mathbf{y} &= \mathbf{W}_3\,\mathbf{a}_2 + \mathbf{b}_3. && \end{aligned} \]

Здесь \(\mathbf{W}_1\!\in\!\mathbb{R}^{256\times 784}\), \(\mathbf{W}_2\!\in\!\mathbb{R}^{128\times 256}\), \(\mathbf{W}_3\!\in\!\mathbb{R}^{10\times 128}\) — матрицы весов; \(\mathbf{b}_1\!\in\!\mathbb{R}^{256}\), \(\mathbf{b}_2\!\in\!\mathbb{R}^{128}\), \(\mathbf{b}_3\!\in\!\mathbb{R}^{10}\) — векторы смещений. Нелинейность задаёт выпрямляющая функция

\[ R(u)\;=\;\max(0,u), \]

применяемая покоординатно. Выпрямляющих функций не только достаточно для выразительности; их также дёшево вычислять на кремнии, поэтому они вытеснили прежние сигмоидальные элементы.

Выход \(\mathbf{y}\in\mathbb{R}^{10}\) содержит по одной оценке для каждой цифры. Для получения вероятностей классов применим отображение soft-max:

\[ p_k \;=\; \frac{e^{y_k}}{\sum_{j=0}^{9} e^{y_j}} \quad\text{для}\quad k=0,\dots,9. \]

Классификатор сообщает \(\arg\max_k p_k\); полный вектор вероятностей \(\mathbf{p}\) полезен при обучении, поскольку количественно выражает неопределённость и позволяет использовать гладкую функцию потерь.

Обучение стохастическим градиентным спуском

Обучение подбирает все веса и смещения так, чтобы сеть назначала высокую вероятность правильной цифре на изображениях, которых она не видела. Пусть \((\mathbf{x}^{(i)},\,t^{(i)})\) обозначает \(i\)-й размеченный пример, где \(t^{(i)}\in\{0,\dots,9\}\) — истинный класс. Стандартная функция потерь для мини-пакета \(B\) — средняя перекрёстная энтропия

\[ \mathcal{L}_B \;=\; -\,\frac{1}{|B|}\sum_{i\in B}\log p_{\,t^{(i)}}(\mathbf{x}^{(i)}), \]

при необходимости дополненная небольшим квадратичным штрафом на веса (затуханием весов) для сдерживания переобучения. Современные фреймворки вычисляют градиент \(\mathcal{L}_B\) по каждому параметру посредством автоматического дифференцирования. Затем один шаг стохастического градиентного спуска (SGD) слегка сдвигает параметры в направлении уменьшения потерь:

\[ \theta \leftarrow \theta \;-\; \eta\,\nabla_{\theta}\,\mathcal{L}_B, \]

где \(\theta\) обозначает совокупность всех \(\mathbf{W}_\ell,\mathbf{b}_\ell\), а \(\eta>0\) — скорость обучения. Повторение этого простого цикла — выбрать мини-пакет, выполнить прямой проход, оценить потери, применить градиентное обновление — постепенно снижает потери на отложенных изображениях до прекращения улучшений. Варианты (инерция, адаптивные скорости обучения) уточняют ту же идею; ни один не меняет основной картины.

Для устойчивости и скорости важны два практических решения, не усложняющие изложение. Во-первых, задавайте начальные веса так, чтобы активации при распространении не взрывались и не затухали: с выпрямляющими функциями хорошо работает гауссовское распределение с нулевым средним, масштабированное как \(\,\mathcal{N}(0,\;2/n_{\text{in}})\), где \(n_{\text{in}}\) — число входов слоя. Во-вторых, обрабатывайте примеры небольшими смежными группами («мини-пакетами»), чтобы использовать аппаратный параллелизм; тогда инференс и обучение сводятся к нескольким произведениям плотных матриц (GEMM) и дешёвым выпрямляющим функциям.

Размеры, затраты и что действительно вычисляется

Если считать только веса, MLP \(784\!\to\!256\!\to\!128\!\to\!10\) содержит

\[ 784\times256 \;+\; 256\times128 \;+\; 128\times10 \;=\; 234\,752 \]

обучаемых чисел; три вектора смещений добавляют к ним незначительные \(256+128+10\). Один прямой проход — это «три матричных произведения и две выпрямляющие функции». Такой механический взгляд — линейная алгебра, перемежаемая простым элементом, — и есть правильная мысленная модель. Скрытой магии нет; сеть — программируемая схема, параметры которой настраиваются градиентным спуском.

12.6 Математическая оптимизация

Это приложение дополняет обсуждение в разделе Парадигма оптимизации главы Решения. Цель практическая: заново изложить понятия того раздела — предельные обязательства, проверки допустимости, денежные штрафы, вероятностные прогнозы и экономические цели — в минимальной математической форме, допускающей повторное решение без участия человека.

От решений к модели

Решение — конечный набор предельных обязательств. Пусть \(\mathcal{A}=\{a_1,\dots,a_n\}\) обозначает допустимые микродействия текущего цикла (купить ещё одну единицу, распределить ещё одну единицу в магазин \(s\), запланировать ещё одну остановку и так далее). Выбор действия записывается как \(x_i\in\{0,1\}\); вектор \(x\in\{0,1\}^n\) кодирует всё обязательство. Рамка делает \(\mathcal{A}\) явным и связывает с каждым \(a_i\) данные, необходимые для проверки допустимости и оценки последствий.

Допустимость выражается проверками, которые кандидат \(x\) должен пройти. Некоторые пределы абсолютны — юридические запреты, физическая невозможность — и задаются жёсткими проверками, сразу отвергающими \(x\). Большинство операционных пределов допускает ослабление за определённую цену; вместо запрета таких нарушений мы назначаем им цену. Пусть \(g_k(x,\omega)\) — измеримая величина, которую фирма хочет сдерживать (нагрузка на погрузочную площадку за день, минуты опоздания относительно окна, часы сверхурочных), вычисленная при реализации \(\omega\) неопределённого будущего. Денежный штраф \(C_k(g_k)\) превращает это предпочтение в часть целевой функции. Сохранение в качестве проверок только действительно жёстких пределов делает движок гибким и честным; денежные штрафы делают разнородные неудобства сопоставимыми в одном регистре.

Целевая функция выражена в деньгах. В пределах окна ответственности, относящегося к текущему классу решений, каждое микродействие \(a_i\) создаёт денежные поступления (маржа, скидки, остаточная стоимость) и выплаты (закупка, обработка, содержание запасов, устаревание, перегрузка, штрафы за опоздание). При вероятностном представлении будущих \(\Omega\) движок оценивает ожидаемую стоимость \(x\),

\[ J(x)\;=\;\mathbb{E}_\Omega\Bigg[\;\sum_{i=1}^{n} x_i\,v_i(\Omega)\;-\;\sum_{k} C_k\bigl(g_k(x,\Omega)\bigr)\;\Bigg], \]

где \(v_i(\Omega)\) — чистый денежный вклад \(a_i\) за это окно после учёта всех обычных затрат. Поправки на риск — например, более высокая цена потерь в хвостах — находятся в членах \(C_k\), а не в абстрактных процентах. При ранжировании небольших альтернатив, связывающих капитал на разные сроки, глава Экономика рекомендует сравнивать их по апериодической норме доходности; на практике это означает вычисление и ожидаемого денежного изменения, и связанного капитала с последующим представлением скорости через показатель, определённый ранее в приложении. Решатель может максимизировать \(J\) и для выдаваемых предельных обязательств сообщать соответствующие апериодические скорости.

Неопределённость содержится во входных данных, а не скрывается в целевой функции. Случайный элемент \(\Omega\) объединяет поддерживаемые фирмой распределения спроса, сроков выполнения операций, надёжности, возвратов и любых экзогенных факторов, которым назначена цена. Целевая функция \(J\) детерминирована при заданных распределениях. Такое разделение позволяет ясно видеть причинность и ответственность, когда результаты разочаровывают: либо рамка упустила варианты, либо цены были неверны, либо прогнозы были плохо откалиброваны.

Штрафы и вероятностные пределы

Два формализма кодируют требование «держать это под контролем». Вероятностное ограничение требует \(\mathbb{P}\bigl(g_k(x,\Omega)\leqslant \tau_k\bigr)\geqslant 1-\alpha_k\) для некоторого порога \(\tau_k\) и допуска \(\alpha_k\). Ограничение с денежной оценкой назначает денежную стоимость \(C_k(g_k)\) всем значениям \(g_k\). Первое прячет экономику внутри безразмерного \(\alpha_k\), который приходится настраивать в другом месте; второе выражает компромиссы непосредственно в деньгах и естественно складывается с другими членами. В операциях цепочки поставок, где большинство пределов можно превысить за определённую цену, денежная форма — основной рабочий инструмент; чисто вероятностные пределы лучше сохранять как защитные барьеры для редких участков, критичных для безопасности.

Удобный выбор — выпуклый возрастающий штраф, часто кусочно-линейный, приближающий кривую неудобств фирмы. Для нагрузки на погрузочную площадку \(q\) сверх мягкого предела мощности \(K\) с резким усилением боли после \(K+\Delta\) записывают \(C(q)=c_1\,(q-K)_+ + c_2\,(q-K-\Delta)_+\) при \(c_2\gg c_1\). Точные числа — дело экономики; после их задания решатель находит наименее плохие компромиссы между разнородными трениями.

Пример микромодели: заполнение контейнера

Импортёр должен оформить заказ на полный контейнер. Каждая кандидатная единица \(a_i\) имеет объём \(w_i\) и ожидаемый чистый денежный результат \(m_i(\Omega)\) в пределах окна, уже включающий последствия закупки, обработки, хранения, устаревания, остаточной стоимости и дефицита. Вместимость контейнера \(W\) выражена в тех же единицах, что и \(w_i\). Переполнение возможно, но болезненно по ставке \(\lambda\) за каждую избыточную единицу.

Точная целевая функция имеет вид

\[ \max_{x\in\{0,1\}^n}\;\mathbb{E}_\Omega\biggl[\sum_i x_i\,m_i(\Omega)\;-\;\lambda\Bigl(\sum_i x_i\,w_i - W\Bigr)_+\biggr], \]

при жёстких проверках, таких как юридическая несовместимость или запрет совместной загрузки. Это задача о рюкзаке со штрафами в условиях неопределённости. Простое и эффективное решение соответствует предельному подходу главы: на каждом шаге вычислять теневую цену вместимости, выбирать допустимую единицу с наибольшим ожидаемым предельным \(\frac{m_i}{w_i}\) выше этой теневой цены, пересчитывать теневые цены и останавливаться, когда следующая единица не проходит порог экономики ожидания (ожидаемая апериодическая доходность с учётом риска ниже капитала плюс опционная ценность отсрочки). Поскольку оценка зависит от набора в контейнере, а не от церемонии его выбора, такое жадное накопление направлено на экономически значимое; окно и конечные оценки обеспечивают точное отнесение результата.

Пример микромодели: сглаживание входящего потока

Склад сталкивается со случайными сдвигами сроков со стороны поставщиков и конечным числом ворот приёмки. Пусть \(d_t(x,\Omega)\) — число прибытий в день \(t\), подразумеваемое \(x\) при \(\Omega\). Сверхурочные, задержки водителей, демередж и сбои учитываются выпуклым штрафом \(C_{\text{dock}}(d_t)\). Ежедневная целевая функция в денежных единицах на горизонте \(T\) имеет вид

\[ \max_{x}\;\mathbb{E}_\Omega\Bigg[\sum_i x_i\,m_i(\Omega)\;-\;\sum_{t=1}^{T} C_{\text{dock}}\bigl(d_t(x,\Omega)\bigr)\Bigg], \]

и вновь только действительно жёсткие пределы обеспечиваются проверками. Оптимизатор ускоряет или откладывает заказы, пока ожидаемая доходность следующей допустимой партии не превысит теневую стоимость капитала плюс опционную ценность ожидания, а выпуклый \(C_{\text{dock}}\) распределяет нагрузку без хрупких указов.