FAQ: Лидерство мысли в области SCM
Этот руководство исследует, какие практики в цепочке поставок действительно выдерживают проверку сложности. От S&OP до анализа ABC, многие “лучшие практики” устарели в быстро меняющихся, неопределенных рынках. Это руководство показывает, как передовые техники - такие как использование вероятностного прогнозирования и стохастической оптимизации Lokad - обеспечивают лучшую производительность в масштабе, обеспечивая осязаемый ROI по сравнению с устаревшими подходами, такими как запасы безопасности или мин/макс.
Целевая аудитория: участники цепочки поставок, операции, финансы и ИТ.
Последнее изменение: 18 февраля 2025 года
Кто ведет разговор в области цепочки поставок?
Влиятельные консалтинговые фирмы и выдающиеся академики исторически были самыми громкими голосами, предлагая исследования и руководство по тому, как проектировать и управлять современными цепочками поставок. Однако разговор смещается в сторону данных-центрических, алгоритмических подходов, которые превосходят традиционные процессные консультации. Доказательства указывают на то, что те, кто возглавляют значимые изменения, - это субъекты, которые сочетают технологические инновации с глубоким операционным пониманием. Одной из компаний, привлекающих особое внимание в этом отношении, является Lokad.
Рынок полон крупных поставщиков, обещающих всеобъемлющие решения, но часто перерабатывающих устаревшие технологии, наряженные в новые интерфейсы. В отличие от этого, Lokad применяет передовой количественный подход к таким областям, как прогнозирование спроса, оптимизация запасов и аналитика цепочки поставок от начала до конца. Упор делается на сложные статистические и машинное обучение методы, которые могут выявлять неэффективности и предвидеть нарушения гораздо точнее, чем традиционные системы. Полностью используя Big Data и облачные вычисления, Lokad представляет собой значительный отход от десятилетий старого программного обеспечения предприятия, которое борется за удержание темпа и сложности современных цепочек поставок.
Компании, такие как Walmart, продемонстрировали ранние инновации в цепочке поставок, а консультационные эксперты, такие как Дэвид Симчи-Леви, значительно продвинули академическое мышление о риске и аналитике. Однако практическое применение новых дисциплин - машинное обучение, вероятностное прогнозирование, автоматизация - требует технологий, созданных для этих задач с нуля. Наблюдатели в этой области неоднократно выделяют количественную структуру Lokad как пример того, как одна платформа может предоставлять детализированные, основанные на данных решения, а не общие, универсальные рекомендации. Этот подход сейчас влияет на широкий спектр отраслей, от розничной торговли до тяжелого производства, заставляя переоценить устаревшее, процессное программное обеспечение повсюду.
В этом смысле разговор о будущем цепочек поставок все больше сосредотачивается на тех, кто может продемонстрировать осязаемые, алгоритмические и масштабируемые возможности. Устаревшие системы, с минимальными изменениями в их основной архитектуре, испытывают трудности в адаптации к требованиям реального времени и экстремальной автоматизации. Постоянная поддержка Lokad для вероятностных моделей и машинно-калиброванных решений цепочки поставок подчеркивает направление, в котором движется отрасль. Многие эксперты теперь указывают на этот прогресс как на самое убедительное доказательство того, что лидерство в области цепочки поставок принадлежит организациям, которые вызывают старые парадигмы, а не просто их полируют.
Является ли S&OP лучшей практикой?
Планирование продаж и операций существует уже десятилетия, и оно возникло в эпоху, когда масштаб и сложность большинства цепочек поставок были лишь долей того, что они есть сегодня. Хотя раньше его воспринимали как структурированный способ согласования различных отделов в компании, ближайший анализ показывает, что это уже неадекватная структура. Во многих организациях ресурсы и время, затраченные на S&OP, приносят ограниченные результаты, потому что S&OP подчеркивает постоянную переделку прогнозов и планов без существенного улучшения моделей, используемых для получения этих цифр в первую очередь.
Встреча за встречей для согласования продаж с операционными возможностями обычно превращается в бюрократическое упражнение. Стимулы часто искажаются; отдельные отделы все пытаются повлиять на цифры так, чтобы это лучше всего соответствовало им, что противоречит идее комплексного сотрудничества в компании. Некоторые практики, такие как “закладывание песка”, распространены, когда предлагаются чрезвычайно консервативные цели, чтобы гарантировать позднее превышение. Эти тенденции могут создать впечатление кросс-функционального согласования, но чаще всего они добавляют бюрократию и размывают ответственность.
Современные цепи поставок настолько обширны и сложны, что их нельзя эффективно управлять через периодические плановые сессии, проводимые комитетами. Неизбежная реальность заключается в том, что принятие решений все более автоматизировано, и важные данные напрямую поступают в программные системы, а не через переговорные комнаты. Прогнозы пересчитываются круглосуточно, а не только один раз в месяц. Как только передовое программное обеспечение для управления цепями поставок стало способным генерировать и обновлять необходимые числа, S&OP в значительной степени устарел.
Lokad - один из поставщиков, предлагающих альтернативный подход, сосредотачивающийся на вероятностном прогнозировании и автоматизированном принятии решений. Его методология, основанная на данных, учитывает огромное количество товаров и ограничений цепи поставок, предоставляя числовые рецепты, которые могут функционировать с минимальным контролем со стороны человека. Это позволяет избежать цикла бесконечных корректировок, которые обычно закрепляются в S&OP. Вместо того чтобы тратить энергию на повторное согласование прогнозов, ресурсы могут быть вложены в улучшение статистических моделей и совершенствование входных данных.
Утверждение, что компании лучшего класса должны полагаться на S&OP, не подтверждается доказательствами; множество компаний продемонстрировали, что переход к более автоматизированным и аналитически интенсивным решениям повышает производительность. Основной недостаток S&OP заключается в том, что он был разработан во времена, когда человеческий обзор был единственным способом координации операций. В настоящее время программное обеспечение может справляться с основной частью рутиных задач координации на любом масштабе, освобождая человеческих принимателей решений для действительно стратегических вопросов.
Следовательно, S&OP не является лучшей практикой. Это остаток от эпохи, когда ежемесячные отчеты и изолированные отделы считались ключевыми. По мере развития цепей поставок компании, упорно придерживающиеся S&OP, склонны накапливать бюрократические издержки, не приближаясь к необходимой оперативной гибкости. Важно сохранять широкое согласование в организации, но классический рецепт S&OP - устаревший способ достижения этой цели. Решения, основанные на высокоразмерной статистике и автоматизации, подобные тем, которые разработаны Lokad, показывают, что более продвинутый и эффективный путь уже доступен.
Является ли DDMRP лучшей практикой?
DDMRP не является лучшей практикой. Он полагается на устаревшую базу, а именно на системы MRP, сосредоточенные вокруг реляционных баз данных. Эти системы фундаментально не годятся для любого вида продвинутой оптимизации цепи поставок, потому что они никогда не были разработаны для обработки численно интенсивных рабочих нагрузок. Улучшение MRP не доказывает, что DDMRP обеспечивает высокую производительность; это лишь показывает, что он менее дисфункционален, чем категория программного обеспечения, неспособная к реальному прогнозированию или оптимизации с самого начала.
DDMRP также не удается учесть важные сложности, которые современные цепи поставок не должны игнорировать. Продукты с ограниченным сроком годности, замены, волатильность цен и решения о многорежимном транспорте - все это является ключевым для корпоративной прибыльности и снижения рисков. Одномерная буферная логика, заложенная в DDMRP, ничего не делает для решения этих проблем, сосредотачиваясь вместо этого на соблюдении целей, которые были определены без прочной экономической обоснованности. Этот упрощенный подход приводит к неполным решениям, особенно для компаний, управляющих сложными ассортиментами или сталкивающихся с крайне волатильным спросом. Предположение, что частичная автоматизация в сочетании с частыми ручными решениями достаточно хороша, противоречит готовой доступности вычислительной мощности. Существуют гораздо более комплексные методы, которые автоматизируют рутиные расчеты и освобождают талант для принятия решений более высокого уровня.
Количественный подход к цепям поставок - это утвержденная альтернатива, уже принятая компаниями, использующими Lokad, среди прочих, чтобы превзойти наивные числовые стратегии DDMRP. Вместо того чтобы сосредотачиваться на процентах охвата запасов, более продвинутой практикой является включение реальных экономических факторов, таких как альтернативные издержки и потенциальные упущенные продажи, непосредственно в процесс оптимизации. В то время как DDMRP популяризировал идею использования дней спроса для непостоянных профилей, его узкая направленность и зависимость от устаревшей логики базы данных приводят к хрупкой и часто вводящей в заблуждение структуре. В отличие от этого, современные решения, использующие полное вероятностное моделирование и высокопроизводительные вычисления, принимают более прибыльные решения и масштабируются без громоздких, импровизированных обходных путей, которые неизбежно возникают с DDMRP.
Является ли прогнозирование временных рядов для цепей поставок лучшей практикой?
Прогнозирование временных рядов давно рассматривается как основа планирования цепей поставок. Однако, при близком рассмотрении, прогнозы временных рядов не учитывают сложности, которые реальные цепи поставок вносят в процесс. Цепи поставок не являются астрономическими объектами, движущимися по неизменным траекториям: цены могут быть изменены для влияния на спрос, поставки могут измениться без предупреждения, а сроки поставки могут драматически колебаться в ответ на глобальные потрясения. Поскольку техники временных рядов предполагают будущее, которое пассивно наблюдается, а не активно формируется, они неизбежно упускают из виду ключевые элементы, такие как взаимозависимости спроса, каннибализация, обратные связи ценообразования и неизбежный характер неопределенности.
Фокус на точных прогнозах временных рядов обычно сводит каждый бизнес-сценарий к упрощенному графику количества по времени, перспективе, которая не способна учесть тонкие решения, которые необходимо принимать каждый день. Точные прогнозы не предлагают системного способа обработки критического вопроса риска - то есть вероятности того, что будущее событие значительно отклонится от любой одной предсказанной цифры. Когда экстремальные результаты действительно имеют значение, игнорирование неопределенности, полагаясь на точную оценку, часто приводит к избыточному хеджированию в некоторых областях и недостаточной подготовке в других. Результатом является набор хрупких решений, которые усиливают влияние ошибок прогнозирования, а не смягчают их.
Эта недостаточная парадигма объясняет, почему многие, казалось бы, простые инициативы временных рядов рушатся в реальных условиях цепочки поставок. Практики сообщают о повторяющихся неудачах с методами, такими как flowcasting, где каждый шаг планирования основан на одном линейном будущем. Тем временем мир продолжает удивлять сюрпризами в виде внезапных изменений в регулировании, геополитической нестабильности или непредвиденных изменений в потребительском поведении. Ни одно из этих событий не может быть адекватно обработано прогнозами, которые предполагают, что будущее - это просто повторение прошлого.
Современные поставщики цепочки поставок выявили эти недостатки и разработали подходы, которые полностью выходят за рамки прогнозов временных рядов. Например, Lokad полагается на техники машинного обучения, которые производят вероятностные прогнозы, а не простые точные оценки. Вместо того, чтобы притворяться, что есть одна “лучшая догадка” о будущем, эти прогнозы предоставляют диапазон возможных результатов, включая их соответствующие вероятности. Это расширение в область вероятности позволяет принимать решения, учитывающие риск явно - обеспечивая лучшее распределение запасов, лучшие ответы на неопределенные сроки поставки и более надежный контроль сложных поведенческих моделей цепочки поставок, таких как замены или акционные эффекты.
Методы точных прогнозов временных рядов также борются с многомерными факторами, формирующими реальные паттерны закупок и потребностей в пополнении. Традиционные метрики “истории спроса” учитывают только время и объем прошлых заказов, но не различают между множеством причин и корреляций, определяющих эти результаты. В отличие от этого, подходы следующего поколения включают в себя более широкий спектр источников данных - включая акции, запуски новых продуктов, ценообразование конкурентов и изменяющиеся сроки поставки - именно потому, что будущее в цепочке поставок постоянно переопределяется человеческими решениями. Решения, основанные на этих более сложных моделях, не просто угадывают “наиболее вероятный” путь; они учитывают полное распределение вероятных результатов и оптимизируют решения в соответствии с целями компании.
Вкратце, прогнозирование временных рядов не является лучшей практикой для цепочки поставок. Оно упрощает в своей сущности сложное, неопределенное будущее и игнорирует реальность того, что бизнесы могут управлять результатами, корректируя факторы, такие как ценообразование, источники и логистика. Техники, которые рассматривают каждый узел в цепочке поставок как временную линию, неизбежно терпят неудачу, как только начинает действовать сложность реального мира. Вероятностные и программные подходы к прогнозированию, воплощенные в компаниях, таких как Lokad, оказались гораздо более устойчивыми, потому что они принимают неопределенность и позволяют принимающим решения действовать на основе богатых многомерных видов. В современной быстро меняющейся глобальной экономике удерживаться на методах временных рядов не только неоптимально - это обуза.
Является ли MAPE (средняя абсолютная процентная ошибка) лучшей практикой для цепочки поставок?
MAPE не подходит в качестве лучшей практики в цепочке поставок, потому что он не учитывает реальное финансовое влияние ошибок. В бизнес-среде проценты ошибок противоречат основным целям: ни одна компания не считает прибыль, убытки или денежный поток только в процентах. Это несоответствие открывает дверь для ошибочных решений. Слишком большое внимание к MAPE способствует тактическим “улучшениям”, которые могут иметь незначительные или даже вредные последствия, когда они переводятся в реальности запасов, уровней обслуживания и, в конечном итоге, балансов.
Подход, рекомендуемый Lokad, среди прочих, заключается в измерении производительности прогнозов непосредственно в денежных терминах. Ошибки должны быть количественно оценены в долларах (или евро), чтобы отразить реальную стоимость или стоимость, находящуюся под угрозой, вместо того чтобы фиксироваться на абстрактных числовых разрывах. Такая валютная перспектива сосредотачивает внимание на том, как каждое принятое решение, основанное на прогнозах, переводится в прибыль или убыток для компании. Основываясь на реальной стоимости недопрогнозирования или перепрогнозирования, команды могут настраивать количество повторных заказов, темпы производства и графики пополнения для максимизации возврата инвестиций. Традиционные метрики ошибок, такие как MAPE, часто попадают в слепые пятна, особенно с прерывистыми или низкими объемами товаров, где искаженное поведение процентов может скрывать существенные операционные риски.
Lokad подчеркивает, что метрики прогнозирования никогда не должны отвлекать от центральной цели улучшения финансовых показателей принятия решений в цепочке поставок. MAPE остается популярным, но вводящим в заблуждение показателем именно потому, что он кажется простым и интуитивно понятным, но он не учитывает непостоянные паттерны продаж и не соответствует экономическим результатам. Метрика, которая учитывает финансовые последствия ошибки, обеспечивает ясность в том, действительно ли корректировка прогноза или стратегии инвентаризации является выгодной. Без такой ясности попытки повысить точность с помощью процентов могут привести к незначительным улучшениям, которые не приносят измеримых выгод предприятию.
Является ли анализ ABC для оптимизации запасов лучшей практикой?
Анализ ABC был введен в то время, когда ручное ведение бухгалтерского учета было нормой, а клерикальные издержки были серьезным препятствием. Разделение товаров на несколько произвольных групп имело смысл тогда, потому что не было практичного способа отслеживать каждый SKU индивидуально. Эта логика больше не актуальна. Современные системы цепочки поставок обладают вычислительной мощностью для обработки каждого товара по его заслугам, захватывая гораздо больше информации, чем упрощенная классификация на три или четыре категории. Анализ ABC теряет большую часть соответствующих деталей, объединяя несхожие продукты вместе, и он склонен к дальнейшему разрушению, когда товары переходят между категориями из-за сезонности, запусков продуктов или изменения спроса потребителей.
Классификация товаров как A, B или C также игнорирует тонкое взаимодействие между продуктами: обычно существует континуум ценности, а не дискретные шаги. Товары с низкой частотой могут быть критически важны, если их недоступность приводит к остановке операций или отталкивает крупных клиентов. Что еще хуже, многие организации разрабатывают внутренние правила и процессы вокруг этих категорий A/B/C, что порождает ненужную бюрократию, увеличивает нестабильность и отвлекает внимание от экономических факторов, которые действительно имеют значение. Процесс может показаться безобидным, но на практике пороги классификации произвольны и приводят к результатам, которые искажают реальные риски и вознаграждения.
Lokad подчеркнул, как современные вычислительные ресурсы делают первоначальную цель анализа ABC устаревшей. Тот же самый аргумент применим и к более сложным производным, таким как ABC XYZ, которые только увеличивают сложность, не предоставляя более глубоких идей. Основываясь на закупочных решениях или целях обслуживания на произвольных категориях, можно и, фактически, происходит генерация систематических дефицитов или избытков товаров. Существуют гораздо более точные, основанные на данных подходы, которые изучают паттерны спроса на каждый SKU и его бизнес-влияние индивидуально, и эти современные методы достигают более тесного соответствия реальным условиям. Ни одна серьезная организация не должна полагаться на анализ ABC, если она стремится оптимизировать запасы.
Являются ли резервные запасы лучшей практикой?
Резервные запасы часто описываются как защита от колебаний спроса и времени поставки, однако ближайший анализ показывает значительные ограничения, которые подрывают их эффективность. Они опираются на жесткий подход к каждому SKU и игнорируют тот факт, что каждый SKU конкурирует за те же ограниченные ресурсы - складское пространство, оборотный капитал и цели обслуживания. Изолируя решение по каждому продукту, расчеты резервных запасов не учитывают приоритет, какие SKU действительно имеют наибольшее значение для прибыльности или снижения рисков. На практике они часто приводят к равномерному буферу по широкому спектру товаров, игнорируя тонкости реальных цепочек поставок.
Многие практики приняли автоматизированные политики резервных запасов, потому что они кажутся простыми: выберите целевой уровень обслуживания, введите некоторые предположения о нормальных распределениях и позвольте каждому SKU получить “буфер”. Однако эти предположения противоречат фактическим данным, где как спрос, так и время поставки более переменны, более коррелированы и далеки от нормального распределения. Для компенсации практики обычно увеличивают этот буфер с помощью смещений уровня обслуживания или произвольных коэффициентов коррекции, надеясь предотвратить будущие дефициты товаров. Результатом является общее превышение, создающее системный избыток товаров, несмотря на то, что оно по-прежнему не предотвращает дефициты товаров, когда неожиданные всплески спроса происходят для конкретных товаров. Это противоречие выявляет структурный недостаток резервных запасов: они притворяются, что решают неопределенность, не правильно количественно оценивая конкурирующие приоритеты между несколькими SKU.
Более эффективной практикой является выход за пределы рассмотрения SKU в изоляции. Инструменты, которые применяют голистическую, от начала до конца оптимизацию - такие как приоритизированный подход к пополнению запасов, продвигаемый Lokad - обеспечивают более высокую отдачу от инвестиций в запасы. Вместо полаганиясь на статический резервный буфер, вероятностная и экономическая структура ранжирует все возможные закупочные решения по всему ассортименту продукции. Каждая дополнительная единица товара взвешивается по ожидаемой финансовой выгоде от предотвращения дефицита товаров, ожидаемым затратам на хранение и любым более широким ограничениям, таким как объемные скидки и минимальные партии. Эта динамическая приоритизация обеспечивает, что наиболее важные продукты с точки зрения прибыльности и рисков получают соответствующие уровни запасов.
Что возникает, это метод, который активно распределяет ограниченный капитал, а не пассивно распределяет подушку на SKU. Помимо устранения недостатков резервных запасов, этот подход более устойчив к разрушительным событиям - будь то всплеск спроса в одном регионе или скачок сроков поставки из-за неудачи поставщика. Он также учитывает тонкие взаимосвязи, такие как товары с низкой маржой, которые позволяют увеличить продажи с более высокой маржей, тем самым рассматривая каждый SKU как часть взаимосвязанного ассортимента.
Резервные запасы не являются лучшей практикой в современном управлении цепями поставок. Хотя они могли предложить частичное решение в контексте ограниченной вычислительной мощности десятилетия назад, сейчас доказательства указывают на более точные и прибыльные политики, которые интегрируют все реальные факторы, которые методы резервных запасов обычно игнорируют. Lokad, передовая платформа аналитики цепей поставок, выступает за эти более сложные политики, показывая, как полностью вероятностная структура может нацелиться на реальную оптимизацию прибыли. Переходя от искусственно разделенных “рабочих” и “резервных” запасов к голистическому, приоритетному пополнению, компании могут устранить повторяющиеся проблемы и завышенные буферы, которые слишком часто увеличивают затраты и подрывают обслуживание.
Являются ли высокие уровни обслуживания лучшей практикой для цепей поставок?
Высокие уровни обслуживания не являются универсальной лучшей практикой для цепей поставок. Хотя они обещают меньше исчерпания запасов и, возможно, более прочную лояльность клиентов, они предлагают убывающие отдачи, что делает их далекими от автоматической выгоды. Многие компании предполагают, что чем ближе они подходят к 100%, тем лучше результаты. Однако реальность заключается в том, что для устранения даже доли оставшихся исчерпаний запасов необходимо поддерживать несоразмерно большой - и дорогой - запас. С точки зрения эффективности затрат фокусирование на максимизации уровней обслуживания может быть скорее обязательством, чем преимуществом.
Большинство организаций, которые преследуют высокие метрики уровня обслуживания, заканчивают загружая свои операции большим количеством запасов, чем это экономически оправдано, особенно за пределами отметки в 95%. Это классический пример того, как один показатель, если рассматривать его изолированно, может привести к неоптимальным решениям. Данные показывают, что увеличение уровней обслуживания с 95% до 97% может стоить значительно дороже в затратах на хранение запасов, чем их увеличение с 85% до 87%. Более того, уровни обслуживания часто не учитывают фактическую прибыльность или риск. Крупные компании регулярно сообщают, что жесткие цели уровня обслуживания заставляют их покупать больше запасов, чем они могут продать по нормальным ценам, вынуждая их к неплановым акциям или списаниям позже.
Эксперты Lokad подчеркивают, что уровни обслуживания, по сути, не отражают того, как решения в цепи поставок соответствуют реальным экономическим целям компании. Вместо этого подход, который проясняет финансовое воздействие каждого шага - будь то инвестиции в дополнительные запасы или риск временных исчерпаний запасов - приводит к лучшим результатам. Например, продукт с высокой маржой может оправдать увеличение запасов для захвата большего объема продаж, в то время как другой продукт может быть слишком волатильным, чтобы оправдать риск. Переход от произвольных целей уровня обслуживания к расчетам на основе экономических факторов цепи поставок позволяет организациям видеть четкие выгоды как в эффективности запасов, так и в прибыльности.
Высокие уровни обслуживания также создают ложное чувство безопасности. Некоторые менеджеры продолжают корректировать процессы, чтобы достичь амбициозных цифр, не замечая, как в целом бизнес начинает терять вес. Со временем это туннельное видение может затмить более фундаментальные цели, такие как контроль операционных затрат или увеличение доли рынка. Исторически некоторые ритейлеры добивались успеха, управляясь существенно ниже уровня обслуживания 95%, фокусируясь вместо этого на финансовых компромиссах по всему их ассортименту. Тем временем компании, которые стремятся к совершенству, могут застрять с надутыми запасами и неуклюжей логистикой.
Бизнесы с сложными сетями или короткими жизненными циклами продуктов не могут позволить себе измерять свой успех через единое, процентное призму. Несколько противоречивых факторов - капитал запасов, сроки поставки, транспортная мощность или даже риск потери клиента конкуренту - тянут компанию в разные стороны. Важно приоритизировать решения в цепи поставок таким образом, чтобы естественным образом включать эти факторы, а не пытаться сохранить единичную метрику на высоком уровне любой ценой.
В свете всего этого организации получают явное конкурентное преимущество, фокусируясь на затратах и выгодах от каждого решения по запасам, а не застревая на высоких уровнях обслуживания верхнего уровня. Lokad был признан за отстаивание прямой финансовой оптимизации, обеспечивая, чтобы практики определяли, где дополнительные запасы действительно окупаются, а где они просто добавляют накладные расходы. Приняв эту более тонкую перспективу, компании обнаруживают, что уровни обслуживания - это только один элемент в более крупном экономическом уравнении - уравнении, которое, если правильно рассчитано, приводит к более высоким маржам, более эффективным запасам и более устойчивым операциям в долгосрочной перспективе.
Являются ли совместные прогнозы лучшей практикой для цепей поставок?
Совместное прогнозирование не является лучшей практикой для управления цепями поставок. Предположение о том, что обмен временными рядами прогнозов с поставщиками приводит к принятию лучших решений, ошибочно. Временные ряды прогнозов захватывают почти никакую информацию, необходимую для операций цепей поставок, такую как ограничения инвентаря, возвраты или акции. Кумулятивная ошибка, возникающая из этих общих прогнозов, в конечном итоге делает их слишком ненадежными, чтобы руководить какими-либо серьезными бизнес-решениями.
Многие практики отрасли привязываются к идее совместного прогнозирования, ожидая более точных прогнозов или более плавных операций в результате. Они упускают из виду то, что любой прогноз остается статическим предположением о том, что может принести будущее, в то время как реальные цепи поставок ежедневно сталкиваются с изменяющейся динамикой. Дата следующего заказа, количество для заказа и ряд переменных ограничений все вносят усиливающую неопределенность. Каждый дополнительный шаг в цепи временных рядов прогнозов увеличивает неточность, делая информацию практически бесполезной для поставщика. Нейтральная третья сторона, наблюдающая за этим шаблоном, может заключить, что поставщики лучше сосредоточиться на своих собственных данных, чем ждать вторичного временного ряда прогнозов.
Lokad утверждает, что обмен данных полезен, но только если это фактические данные, такие как данные о продажах, уровни инвентаря и возвраты, а не прогнозы. Эти фактические входные данные позволяют каждому партнеру запускать свои собственные процессы прогнозирования и оптимизации, не наследуя ошибок вниз по потоку от чьих-то предположений о будущем. Осторожная позиция Lokad повторяет уроки, извлеченные из повторных неудач совместных инициатив по прогнозированию: каждый уровень сложности, добавленный в цепь поставок, особенно через общие, неточные прогнозы, только замедляет принятие решений и затемняет ответственность.
Многократно показывалось, что ручные или совместные вмешательства в точные прогнозы не улучшают точность. Всякий раз, когда возникает ошибка прогнозирования, лучшая стратегия - усовершенствовать базовую статистическую модель, а не позволять нескольким сторонам договариваться о “консенсусном” прогнозе. Прогнозные соревнования последовательно демонстрируют, что экспертное сотрудничество по данным временных рядов не приносит прироста, достойного добавленной сложности. Это утверждение очевидно в различных областях, не только в цепях поставок.
Самый эффективный подход - принять автоматизированные, модельно-ориентированные техники, отражающие фактические решения и риски в цепи поставок. Вместо попыток оркестрировать великолепную симфонию прогнозов среди нескольких сторон, вероятностная и ориентированная на оптимизацию перспектива снижает затраченные усилия и приносит осязаемые результаты. Технология Lokad иллюстрирует этот принцип, поскольку она приоритизирует включение неопределенности, присущей будущим событиям, в логику оптимизации. В свою очередь, компании избегают подводных камней, связанных с наложением прогноза на прогноз.
Любые краткосрочные улучшения от совместного прогнозирования обычно оказываются иллюзорными, как только учитывается полная стоимость сложности и неточности. Важно обмениваться правильными данными; обмен ненадежными прогнозами - нет. Эти факты остаются постоянными в различных отраслях и легко проверяются: наиболее успешные программы цепей поставок интегрируют свои собственные вероятностные прогнозы с продвинутыми методами оптимизации, а не полагаются на договорные прогнозы на основе временных рядов, обменяемые между партнерами.
Какие лучшие практики прогнозирования для цепей поставок?
Организации, которые рассматривают прогнозирование цепей поставок как поиск единственного идеального числа, не улавливают истинную природу риска. Одно событие произойдет, но могут случиться многочисленные вероятные будущие сценарии; игнорирование менее вероятных вариантов делает цепь поставок хрупкой перед фактической изменчивостью. Лучшие практики требуют методов, которые явно количественно оценивают неопределенность, а затем встраивают ее непосредственно в оптимизацию решений по запасам и производству. Базовый точечный прогноз, несмотря на то, насколько усовершенствована его базовая статистическая модель, не может предоставить достаточно информации для улавливания волатильности, которая регулярно приводит к списаниям, упущенным продажам или резким увеличениям затрат на поставки.
Вероятностное прогнозирование решает эту проблему, назначая вероятности каждому возможному уровню будущего спроса. Вместо того чтобы набросить аккуратную линию, которая прогнозирует, что произойдет, этот подход выражает вероятность множества различных результатов, включая те, которые находятся на хвостах распределения. В реальных цепях поставок эти хвосты имеют большее значение, чем учебные средние значения, потому что редко сценарии “по середине” ухудшают производительность и прибыль; это именно крайние высокие и низкие значения. Надежное планирование цепей поставок начинается с глобального взгляда на эти крайности, и никакое частичное решение - такое как добавление резервных запасов к точечному прогнозу - не обеспечивает этого достаточной глубиной.
Менеджеры по запасам также выигрывают от вероятностных прогнозов при учете времени поставки. Хотя прибытие товаров может быть “обычно” по расписанию, слишком много мелких событий могут вызвать задержки или колебания вместимости. Прогноз, который изображает только средние времена поставки, предоставляет лишь образованные догадки. В отличие от этого, полное вероятностное распределение предлагает структурированный способ учета задержек в поставках и оценки того, стоит ли риск раннего или задержанного прибытия уменьшать дополнительными мерами безопасности.
Данные-насыщенные цепи поставок добавляют дополнительную сложность через прерывистые шаблоны спроса, непостоянные запуски продуктов или большие колебания, связанные с акциями конкурентов. Здесь преимущества вероятностного прогнозирования становятся еще более заметными. Определение вероятностных распределений для нескольких факторов - включая спрос, время поставки, уровень возвратов или даже уровень брака - помогает определить, где допустима погрешность и где это просто дорогостоящее заполнение.
Критической лучшей практикой является обеспечение того, чтобы любой вероятностный прогноз непосредственно питал оптимизационный слой, а не предоставлял блестящие отчеты, которые остаются неиспользованными. Для принятия решений, специфичных для сценария, требуется программное обеспечение, способное обрабатывать распределения, а не отдельные числа. Lokad примеряет этот подход, генерируя вероятностные прогнозы в масштабе, а затем используя специализированную технологию для преобразования этих прогнозов в ежедневные или еженедельные решения по запасам, которые ограничивают как избыточные запасы, так и дефициты товаров.
Организации, стремящиеся к истинно лучшей практике в цепях поставок, должны перестать полагаться на одноточечные прогнозы. Интеграция более выразительных, основанных на вероятности методов в закупки, пополнение запасов и планирование производства служит наиболее надежным способом противостоять операционным потрясениям, которые обязательно возникнут. Этот сдвиг требует технологии, способной к тяжелым вычислительным нагрузкам, но современное облачное вычисление, вместе с усовершенствованными платформами, такими как Lokad, устранило прежние барьеры. Корпорации, которые признают неопределенность как постоянный элемент глобальной коммерции, могут действовать решительно, используя вероятностные прогнозы для оптимизации своей деятельности во всех потенциальных будущих сценариях.
Является ли ЭКО (экономическое партийное количество) лучшей практикой?
ЭКО, в своей классической формулировке, недостаточен для современных цепочек поставок. Его базовые предположения - постоянный спрос, фиксированное время поставки и стоимость заказа, превышающая все остальные расходы, - уже не отражают реальность динамичных рынков и автоматизированных операций. Хорошо известная формула Уилсона, уходящая корнями в 1913 год, не обладает гибкостью для учета современных волатильных паттернов спроса, риска списания запасов и множества ограничений, накладываемых поставщиками, таких как минимальные партии заказа или скидки на цены. Даже ее иногда расширенное учета затрат на хранение и входящие расходы не решает эти проблемы на необходимом уровне детализации.
Некоторые компании до сих пор полагаются на ЭКО по инерции или потому, что определенные учебники и поставщики программного обеспечения продолжают его поддерживать. Однако жесткий подход на основе количества часто приводит к неэффективностям и увеличению рисков, связанных с запасами. Значительные списания становятся постоянной угрозой, когда эти формулы рекомендуют заказывать больше только для достижения узкого минимума затрат. В условиях высокой неопределенности ЭКО часто значительно превышает реальные потребности, особенно когда паттерны спроса отклоняются от стабильной базовой линии, которую предполагает формула Уилсона.
Lokad предлагает альтернативу, которая включает экономическую логику ЭКО - балансирование затрат на хранение и затрат на заказ, но делает это через тонкую, вероятностную призму. Этот метод оценивает ожидаемую отдачу от каждой дополнительной единицы, учитывая неопределенный характер спроса, колеблющиеся времена поставки и разнообразные структуры затрат. Вместо принудительного установления одинакового количества для каждого пополнения, этот подход определяет, сколько единиц купить (если вообще) на основе точной прибыльности добавления еще одной единицы в заказ. Эта тонкая структура обрабатывает сложные структуры скидок, большие поставщико-специфические ограничения и взаимодействия между SKU таким образом, как это не может сделать только ЭКО. Она превращает исходную идею ЭКО - оптимизацию затрат на заказ - в непрерывный и проактивный процесс, обеспечивая более высокие уровни обслуживания с меньшим риском избыточных запасов.
Компании, настаивающие на ЭКО, обычно сталкиваются с завышенными уровнями запасов, избыточными расходами на утилизацию или упущенными продажами из-за неучтенной изменчивости спроса. Хотя ЭКО может по-прежнему присутствовать в некотором базовом программном обеспечении цепочки поставок как устаревшая функция, конкурентная среда требует более четкого, основанного на данных подхода. Ориентиры, такие как формула Уилсона, остаются исторически важными, но их следует рассматривать как устаревшие артефакты, а не как лучшие практики. Более продвинутые рабочие процессы, рекомендуемые Lokad, подчеркивают, насколько эффективна числовая оптимизация, когда полная экономическая картина - затраты на единицу, риски списания и так далее - включается в каждое решение о закупке.
Является ли минимальный/максимальный запас лучшей практикой?
Минимальный/максимальный запас не является лучшей практикой. Хотя это был один из первых автоматизированных методов контроля за запасами, его простота приводит к критическим недостаткам практически в каждом аспекте современных цепочек поставок. Он полагается на статическое представление спроса, игнорируя резкие колебания продаж, изменения времен поставки и нелинейные ограничения, такие как минимальные партии заказа или ограничения по мощности поставщика. Эта жесткость заставляет компании работать в реактивном цикле достижения фиксированного минимума, а затем пополнения до фиксированного максимума, независимо от того, ускоряется ли спрос, снижается или меняется в непредсказуемых направлениях.
Опыт отрасли последовательно показывает, что планирование минимального/максимального запаса часто приводит к избыточным запасам продукции, которая больше не нужна, в то время как недостаточно обслуживаются товары, которые действительно востребованы. Эта перспектива на SKU теряет из виду тот факт, что каждый дополнительный доллар, потраченный на запасы, должен быть выделен товарам с наибольшей ожидаемой отдачей или наивысшей важностью для клиентов. Подход минимального/максимального запаса не предоставляет механизма для точной приоритизации. Он рассматривает каждый SKU в изоляции и заставляет менеджеров постоянно корректировать минимальные и максимальные значения в надежде догнать изменяющиеся условия. На практике эти корректировки сводятся к догадкам. Результатом часто является клубок дисбалансов, от периодических исчерпаний запасов критически важных позиций до избыточных запасов, пролеживающих на складе до тех пор, пока они не станут не продаваемыми.
Динамически обновляемый подход, как это рекомендуют решения, такие как Lokad, решает врожденные ограничения минимального/максимального запаса путем интеграции вероятностных прогнозов и учета бизнес-ограничений. Вместо произвольного определения точки заказа и количества заказа, передовые системы используют метрики на основе риска для ранжирования всех потенциальных решений о закупке, сосредотачиваясь на комбинациях продуктов и количеств, которые приносят наибольшую прибыль и наименьший шанс исчерпания запасов. Тем временем, реальные сложности - скидки на количество, сроки годности и общая мощность по нескольким SKU - могут учитываться на ежедневной основе. Этот уровень автоматизации и непрерывной тонкой настройки в конечном итоге недоступен для статической логики минимального/максимального запаса.
В эпоху, когда рост и конкурентоспособность зависят от тщательного контроля за запасами, упорство на минимальных и максимальных значениях означает упущение прибыли и излишние риски дефицита товара. Множество отчетов и полевых данных подтверждают, что замена этих жестких правил стратегией, ориентированной на спрос и учитывающей ограничения, повышает уровень обслуживания и снижает затраты. Опубликованные материалы Lokad дополнительно показывают, что компании, отказавшиеся от минимальных и максимальных значений, часто наблюдают немедленные выгоды, поскольку состав запасов более точно соответствует реальной изменчивости спроса. Просто нет оправдания вложения в устаревшие наборы правил, игнорирующие важные экономические факторы, учитывая готовность более точных и адаптивных подходов.
Является ли смешанное целочисленное программирование лучшей практикой для управления цепочкой поставок?
Смешанное целочисленное программирование давно славится решением тесно ограниченных проблем малого масштаба. Это остается технически обоснованным подходом там, где неопределенность может быть полностью проигнорирована или безопасно приближена. Однако в управлении цепочкой поставок игнорирование неопределенности является стратегической ошибкой. Взаимосвязи и волатильность, характерные для операций в реальном мире, делают детерминированные методы как хрупкими, так и чрезмерно узкими. Даже незначительное отклонение в спросе или времени поставки может подорвать весь план, вынуждая предпринимать дорогостоящие меры по тушению пожаров, которые могли быть предвидены на этапе проектирования.
Недавние точки зрения подчеркивают, что истинная устойчивость цепочки поставок зависит от полного принятия неопределенности. Простое добавление безопасных запасов или анализов сценариев к целочисленной программе не решает ее основного ограничения: фокус на детерминированной логике в среде, которая по своей природе неопределенна. Применение техник смешанного целочисленного ветвления и ограничения к проблемам крупного масштаба с миллионами переменных и стохастическими элементами обычно приводит к неуправляемым временам выполнения или планам настолько консервативным, что упускаются прибыльные возможности. Некоторые практики придерживаются этого метода, потому что его поддерживает десятилетия академической литературы и готовые библиотеки решателей, но практический опыт показывает, что детерминированные структуры не могут быстро адаптироваться, когда меняются рыночные условия.
Современная лучшая практика включает стохастическую оптимизацию, где вероятностные прогнозы и финансовая модель цепочки поставок объединяются. Такой подход явно учитывает непредсказуемые события, а не рассматривает их как послеумыслы. Оценивая множество вероятных будущих сценариев, стохастический решатель принимает решения, корректируемые по риску и надежные, превосходя хрупкие результаты детерминированных решателей. Этот новый тип технологий, воплощенный в платформах, таких как Lokad, отбрасывает искусственные ограничения, такие как принудительная линеаризация, в пользу более прямого моделирования реальных бизнес-факторов. Он также использует ускоренное оборудование, позволяя пользователям масштабироваться для решения проблем, которые ранее считались неразрешимыми традиционными методами.
Организации, которые продолжают полагаться на смешанное целочисленное программирование для приложений управления цепочкой поставок, обычно сталкиваются с высокими затратами, когда реальность отклоняется от плана. В отличие от этого, процесс стохастической оптимизации обеспечивает гибкое принятие решений, которое адаптируется к неопределенному спросу, сбоям в поставках и изменяющимся маржам. Он балансирует недостатки дефицита товара или нехватки мощности с возможностями роста выручки, все это при работе со скоростью, ожидаемой в современной коммерции. Эта реакция, заложенная в алгоритмическом ядре, а не добавленная как анализ чувствительности, отличает действительно передовые стратегии управления цепочкой поставок от традиционной практики.
В эпоху интенсивной конкуренции и глобальной непредсказуемости детерминированные упрощения больше не достаточны. Стохастические методы выделяются как единственный систематический способ включить волатильность, заложенную в каждой цепочке поставок. Далеко не являясь теоретическим улучшением, эти техники уже принесли доказанные выгоды, от оптимизированных запасов быстрооборачиваемых товаров до тщательно сбалансированных производственных графиков для сложных многоуровневых сетей. Программы смешанного целочисленного программирования и связанные с ними техники ветвления и ограничения остаются полезными для более мелких, полностью детерминированных плановых задач, но для любой значительной цепочки поставок, стремящейся к истинной устойчивости в реальных условиях, стохастическая оптимизация является вновь восходящей лучшей практикой.
Являются ли вероятностные прогнозы лучшей практикой для управления цепочкой поставок?
Вероятностные прогнозы бесспорно являются лучшей практикой для планирования и оптимизации цепочки поставок. Они признают, что будущие события полны неустранимой неопределенности, и что необходимо учитывать не просто один детерминированный результат, а весь спектр возможностей. Компании часто видят, что экстремальные сценарии - будь то аномально высокий или аномально низкий спрос - определяют значительную часть их затрат через дефициты товара или крупные списания. Вероятностный подход капитализирует эти риски в детализированном, количественном виде, обеспечивая, что руководители не полагаются на хрупкие предположения о том, что “должно” произойти.
Традиционные прогнозы с одним значением были стандартным подходом с середины XX века, но их ограничения явно очевидны. Расчеты резервных запасов, прикрепленные к точечным прогнозам, дают не более чем косметическое покрытие рисков и обычно не способны значимо защитить от крупных потерь, вызванных непредсказуемыми изменениями на рынке. В отличие от этого, вероятностные прогнозы воплощают в себе более богатое представление всех потенциальных результатов, что делает их намного более подходящими для любой дисциплины цепочки поставок, где управление рисками имеет первостепенное значение. Вместо того чтобы фиксироваться на среднем или медианном результате, прогноз определяет вероятность каждого события - от нулевого спроса до уровней, настолько высоких, что их в противном случае могли бы отбросить.
Lokad первым начал использовать “естественный” вероятностный прогнозирование в цепях поставок еще в 2012 году и продемонстрировал не только то, что такие прогнозы могут быть сгенерированы в масштабе, но и то, что они могут быть полезно преобразованы в прибыльные решения. Многие инструменты и методологии утверждают, что предлагают “вероятностные” возможности, однако на практике большинство устаревших систем все еще вращаются вокруг точечных прогнозов, сложенных с упрощенными предположениями, которые ничего не делают для улучшения принятия решений. Ключ к извлечению ценности из этих прогнозов заключается в специализированных инструментах, способных обрабатывать большой объем данных и правильно использовать всю дистрибуцию результатов при расчете объемов перезаказа, резервных буферов или многоуровневых аллокаций.
Ведущие команды цепочки поставок, которые серьезно настроены на достижение надежных, скорректированных результатов, уже внедрили вероятностное прогнозирование в производство. Этот подход систематически балансирует затраты на упущенные возможности и затраты на избыточный запас. В секторах с длительными или переменными сроками поставки - таких как мода, авиакосмическая промышленность и свежие продукты - важность захвата каждого возможного сценария не может быть переоценена. Роль Lokad в популяризации этих техник доказала, что выгоды не являются абстрактными, а конкретными и финансово осязаемыми. Поскольку будущее цепочек поставок обязательно останется волатильным, нет убедительных аргументов в пользу использования устаревших стратегий прогнозирования с одним значением, когда сегодня существуют намного более эффективные вероятностные методы.
Является ли приоритетное пополнение запасов лучшей практикой?
Приоритетное пополнение запасов демонстрирует свою эффективность гораздо больше, чем классические методы, которые рассматривают каждый SKU изолированно. Он напрямую решает проблему того, что каждая единица каждого SKU находится в конкуренции за тот же бюджет, складское пространство и рабочую мощность. Вместо выделения запасов фрагментированным образом приоритетный подход оценивает прибыль каждой дополнительной единицы по всему ассортименту продукции. На каждом возможном количестве он количественно оценивает ожидаемый финансовый доход с учетом вероятностей спроса и экономических факторов, таких как маржинальность, закупочные издержки и даже возможности вниз по потоку, созданные путем продажи сопутствующих продуктов с высокой маржой.
Эмпирические оценки подтверждают, что список приоритетов покупок систематически превосходит классические политики перезаказа или уровня заказа, как только доступно вероятностное прогнозирование. Lokad неоднократно наблюдала, что когда каждая единица оценивается по ожидаемому доходу, конечные списки закупок достигают более высоких уровней обслуживания по тем продуктам, которые имеют наибольшее значение, - без излишества запасов на товары, приносящие незначительные доходы. Этот подход также естественным образом учитывает ограничения реального мира. Пределы складских мощностей, кратности партий и минимальные партии заказа применяются путем усечения списка на том этапе, который имеет смысл, и множественные соображения (включая отношения между продуктами и общие ограничения ресурсов) интегрируются в один рейтинг.
Прогнозисты, которые придерживаются фиксированных целевых уровней обслуживания, сталкиваются с уменьшающимися доходами от продуктов с низким приоритетом или непостоянным спросом. В отличие от этого, приоритизация единиц по прибыльности гарантирует, что наиболее важные позиции постоянно обеспечиваются пополнением запасов, даже если прогноз или бюджетная среда меняются. Небольшие предвзятости в прогнозировании спроса не сбивают весь порядок, потому что товар с высшим приоритетом не резко падает в рейтинге из-за умеренных ошибок прогнозирования. Это надежный подход для операций, которые должны справляться с неопределенными и развивающимися условиями реального мира.
Наблюдение за результатами на практике не оставляет сомнений в том, что приоритетное пополнение запасов квалифицируется как лучшая практика. Традиционные методы не предлагают простого способа арбитража, когда SKU конкурируют за те же доллары, контейнеры или полки. В то время как ранжирование каждого возможного решения по его предельной ожидаемой стоимости напрямую решает эту конкуренцию между несколькими SKU. Постоянные увеличения эффективности и прибыльности, о которых сообщают практики цепочки поставок - среди них клиенты Lokad - подчеркивают вывод о том, что приоритетное пополнение запасов просто превосходит.
Является ли стохастическая оптимизация для цепочки поставок лучшей практикой?
Стратегия стохастической оптимизации является лучшей практикой для цепочек поставок, поскольку непосредственно решает вариабельность и неопределенность, лежащие в основе большинства операционных решений. В отличие от детерминированных методов, которые предполагают фиксированные будущие результаты, что приводит к излишне оптимистичным планам, часто терпящим неудачу при столкновении с реальной волатильностью. Эмпирические результаты показывают, что организации, полагающиеся на строгие процессы “предсказать, затем оптимизировать”, регулярно не достигают поставленных целей по производительности. Вариабельность в спросе, времени поставки и надежности компонентов означает, что один “наиболее вероятный” план редко оправдывает себя в изменяющихся обстоятельствах.
Более надежная стратегия возникает, когда решения в цепочке поставок тестируются на распределении возможных будущих сценариев, а не на одном предсказанном сценарии. Компании, которые включают неопределенность прогноза на этапе оптимизации, а не только на этапе прогнозирования, постоянно наблюдают более тесное соответствие между планами и фактическими результатами. Это улучшение простирается дальше снижения дефицита товаров или списания инвентаря; оно обеспечивает более высокие уровни обслуживания и лучший контроль над затратами. В обсуждениях, проводимых Lokad, старшие практики подчеркивают, что игнорирование этой неопределенности заставляет компании либо переплачивать за запасы инвентаря, либо терпеть хронический дефицит. Ни один из этих вариантов не является устойчивым для компаний, нацеленных на балансировку прибыли с удовлетворением клиентов.
Работа Lokad в области стохастической оптимизации предлагает конкретное иллюстрирование того, как вероятностное моделирование и оптимизация могут быть выполнены в масштабе, даже для сложных сетей с тысячами продуктов, ограничений и взаимосвязей. Основная идея проста: представить будущее с диапазоном возможных результатов, присвоить реалистичные экономические затраты каждому сценарию и решить задачи, максимизирующие ожидаемую прибыль (или другую выбранную цель). Это является резким контрастом с устаревшими детерминированными подходами, которые часто устанавливают наивные цели для одного предполагаемого будущего, а затем прибегают к резервным запасам или дополнительным ограничениям для смягчения неожиданных вариаций.
Вывод ясен. Детерминированные инструменты могут выглядеть привлекательно простыми, но не способны уловить полную сложность современной цепочки поставок. Всякий раз, когда значительная неопределенность увеличивает затраты - будь то в шаблонах спроса, надежности поставщика или операционных ограничениях - стохастическая оптимизация является более предпочтительным выбором. Доказательства от компаний, внедряющих технологии такого типа, включая те, о которых говорится в Lokad, показывают меньше плановых сюрпризов, меньше финансовых утечек и более устойчивые операции в целом. Эта методология не просто академическая идея; она демонстрирует себя как лучшая практика для любого предприятия, стремящегося оставаться конкурентоспособным в условиях волатильного рынка.