FAQ: Лидерство мысли в цепочке поставок
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: 24 февраля 2025 года
Кто ведет разговор в пространстве 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 сущности, которые сочетают технологические инновации с глубоким операционным пониманием. Одной из компаний, которая получает 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 методы машинного обучения, которые могут выявлять неэффективности и предвидеть нарушения гораздо точнее, чем традиционные системы. Полностью воспользовавшись Big Data и облачным масштабом вычислений, Lokad представляет собой значительный отрыв 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, данных-ориентированные 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, борются за приспособление к требованиям реального времени и экстремальной автоматизации. Постоянная поддержка Lokad вероятностных моделей и машинно-калиброванных решений в цепочке поставок подчеркивает направление, в котором движется отрасль. Многие эксперты теперь указывают на этот прогресс как на самое убедительное доказательство того, что лидерство в пространстве цепочки поставок принадлежит организациям, которые бросают вызов старым парадигмам, 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 когда-то оно воспринималось 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 используемых моделей для получения этих цифр в первую очередь.
Встреча за встречей для согласования продаж с операционными возможностями обычно превращается в бюрократическое упражнение. Инцентивы часто искажаются; отдельные отделы пытаются повлиять на цифры таким образом, чтобы это было наилучшим образом для них, что противоречит идее комплексного сотрудничества в компании. Некоторые практики, такие как “завышение целей”, распространены, когда очень консервативные цели выдвигаются для обеспечения последующего превышения. Эти тенденции могут создать впечатление кросс-функционального согласования, но чаще всего они добавляют бюрократию и размывают ответственность.
Современные цепочки поставок настолько обширны и сложны, что их нельзя эффективно управлять через периодические плановые сессии, проводимые комитетами. Неизреченной реальностью является то, что решения все более автоматизированы, и важные данные поступают непосредственно 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 цепочками поставок стало способным генерировать и обновлять необходимые цифры, S&OP в значительной степени устарел.
Lokad - один из поставщиков, предлагающий альтернативный подход, сосредотачивающийся на вероятностном прогнозировании и автоматизированном принятии решений. Его методология, основанная на данных, учитывает огромное количество товаров и ограничений цепочки 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 направлять 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 любого масштаба, освобождая человеческих принимателей решений для действительно стратегических вопросов.
Следовательно, S&OP не является лучшей практикой. Это остаток от эпохи, когда ежемесячные отчеты и отделочные совещания считались ключевыми. По мере развития цепочек 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 цепочки 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 улавливает важные сложности, которые современные цепочки поставок не должны игнорировать. Продукты с ограниченным сроком годности, замены, волатильность цен и решения о многорежимном транспорте - все это центрально 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 высокой волатильностью спроса. Предположение, что частичная автоматизация в сочетании с частыми ручными решениями достаточно хороша, противоречит готовой доступности вычислительной мощности. Существуют гораздо более комплексные методы, которые автоматизируют рутинообразные расчеты и освобождают талант для принятия более высокоуровневых решений.
Количественный подход к управлению цепочкой 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 эффективной 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, обеспечивают более прибыльные решения и масштабируются без громоздких, импровизированных обходных путей, которые неизбежно видны в DDMRP.
Является ли прогнозирование временных рядов для цепочки поставок лучшей практикой?
Прогнозирование временных рядов долгое время рассматривалось как основа планирования цепочки поставок. Однако, при ближайшем рассмотрении, прогнозы временных рядов не учитывают сложности, которые вносят реальные цепочки поставок. Цепочки 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 сильно колебаться в ответ на глобальные кризисы. Поскольку техники прогнозирования временных рядов предполагают будущее, которое пассивно наблюдается, а не активно формируется, они неизбежно упускают важные элементы, такие как взаимосвязи спроса, каннибализация, ценовые обратные связи 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 одиночной предсказанной цифры. Когда крайние 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 по временным рядам рушатся под реальными условиями 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 явлений не может быть адекватно обработано прогнозами, которые предполагают, что будущее - это просто повторение прошлого.
Современные поставщики цепочек 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 одно “лучшее предположение” о будущем, эти прогнозы предоставляют диапазон возможных результатов, включая их соответствующие вероятности. Это расширение в область вероятности позволяет принимать решения, которые явно учитывают риск - обеспечивая лучшее распределение запасов, лучшие ответы на неопределенные сроки поставки и более надежное управление сложными поведенческими моделями цепочки поставок, такими как замены или акционные эффекты.
Точные методы прогнозирования временных рядов также сталкиваются с многомерными факторами, формирующими реальные паттерны закупок и потребности 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 врожденно сложное, неопределенное будущее и игнорирует реальность того, что бизнесы могут управлять результатами, корректируя факторы, такие как ценообразование, источники поставок и логистику. 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 взглядов. В современной быстро развивающейся 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 учитывает прибыль, убытки или денежные потоки 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, балансовых ведомостей.
Поддерживаемый Локадом, среди прочих, подход заключается в измерении производительности прогнозов непосредственно в денежных терминах. Ошибки должны быть количественно оценены в долларах (или евро), чтобы отразить реальные затраты или стоимость, вместо того чтобы фиксироваться на абстрактных числовых разрывах. Такая валютная перспектива сосредотачивает внимание на то, как каждое принятое на основе прогноза решение переводится в прибыль или убыток для компании. Основывая решения на фактической стоимости недопрогнозирования или перепрогнозирования, команды могут настраивать количество заказов, темпы производства и графики пополнения для максимизации ROI. Традиционные метрики ошибок, такие как MAPE, часто попадают в слепые зоны, особенно с прерывистыми или низкими объемами товаров, где искаженное поведение процентов может скрывать существенные операционные риски.
Локад подчеркивает, что метрики прогнозов никогда не должны отвлекать от центральной цели улучшения финансовой производительности решений цепочки поставок. MAPE остается популярной, но вводящей в заблуждение мерой именно потому, что она кажется простой и интуитивной, но она не учитывает непостоянные шаблоны продаж и не соответствует экономическим результатам. Метрика, отражающая финансовые последствия ошибки, обеспечивает ясность в том, действительно ли корректировка прогноза или стратегии инвентаризации выгодна. Без такой ясности попытки повысить точность с помощью процентов могут превратиться в тривиальные выгоды, которые не приносят измеримых преимуществ предприятию.
Является ли анализ ABC для оптимизации инвентаря 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 обеспечивают вычислительную мощность 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 различные продукты вместе, и он часто разрушается дальше, 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.
Локад подчеркивает, как современные вычислительные ресурсы делают первоначальную цель анализа ABC устаревшей. Тот же самый аргумент относится к более сложным производным, таким как ABC XYZ, которые только увеличивают сложность, не предоставляя более глубоких идей. Основываясь на покупных решениях или целях обслуживания на произвольных категориях, можно и будет создавать систематические дефициты или избытки запасов. Существуют гораздо более точные, основанные на данных подходы, которые изучают паттерны спроса каждого 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 инвентарь.
Являются ли резервные запасы лучшей практикой?
Резервные запасы часто описываются как защита от колебаний спроса и времени выполнения заказа, однако более тщательное изучение 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, оборотные средства и цели обслуживания. Изолируя каждое решение по продукту, расчеты резервных запасов не учитывают то, 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 выполнения заказа 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 запасов, 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 артикулов SKU в изоляции. Инструменты, применяющие голистическую, от начала до конца оптимизацию - такие как приоритетный подход к пополнению запасов, продвигаемый Lokad - обеспечивают более высокую отдачу от инвестиций в запасы. Вместо полаганиясь на статический резерв безопасности, вероятностная и экономическая структура ранжирует все возможные варианты закупок по всему ассортименту продукции. Каждая дополнительная единица товара взвешивается по ожидаемой финансовой выгоде от предотвращения исчерпания запасов, предполагаемым издержкам на хранение и любым более широким ограничениям, таким как объемные скидки и минимальные партии заказа. Эта динамическая приоритизация обеспечивает, что наиболее важные продукты с точки зрения прибыльности и рисков получают соответствующие уровни запасов.
В результате появляется метод, который активно распределяет ограниченный капитал, а не пассивно распределяет подушку на артикул 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 товаров с более высокой маржой, тем самым рассматривая каждый артикул 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 факторы реального мира, 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. Переход от искусственно разделенных “рабочих” и “резервных” запасов к голистическому, приоритетному пополнению позволяет компаниям устранить повторяющиеся проблемы и завышенные резервы, которые слишком часто увеличивают издержки 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 исчерпаний запасов и, возможно, более прочную лояльность клиентов, они предлагают убывающую отдачу, 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 стремятся к высоким показателям уровня обслуживания, заканчивают загружая свои операции большим количеством товаров, 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 больше в издержках на хранение запасов, чем их увеличение с 85% до 87%. Более того, уровни обслуживания часто не учитывают фактическую прибыльность или риски. Крупные компании регулярно сообщают, что жесткие цели уровня обслуживания заставляют их закупать больше товаров, чем они могут продать по нормальным ценам, вынуждая их к неплановым акциям или списаниям впоследствии.
Эксперты Lokad подчеркивают, что уровни обслуживания, по сути, не отражают того, как решения в цепи поставок соотносятся с реальными экономическими целями 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 приросты 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 теряет вес. Со временем такое туннельное видение может затмить более фундаментальные цели, такие как контроль операционных издержек или увеличение доли рынка. Исторически некоторые розничные компании добивались успеха, управляясь существенно ниже уровня обслуживания 95%, фокусируясь вместо этого на финансовых компромиссах по всему 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 единственную, процентную линзу. Множество противоречивых факторов - капитал запасов, сроки поставки, транспортные мощности или даже риск потерять клиента конкуренту - тянут компанию в разные направления. Важно приоритизировать решения в цепи поставок таким образом, чтобы естественным образом включать эти факторы, а не пытаться сохранить высокий уровень единственной метрики любой ценой.
В свете всего этого организации получают явное конкурентное преимущество, фокусируясь на затратах и выгодах каждого решения по запасам, а не фиксации 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 лишь 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 лучшим маржам, более эффективным запасам и более устойчивым операциям в долгосрочной перспективе.
Являются ли совместные прогнозы для цепи поставок лучшей практикой?
Совместное прогнозирование не является лучшей практикой для управления цепями поставок. Предпосылка о том, что обмен временными рядами прогнозов с поставщиками приводит к лучшим решениям, ошибочна. Временные ряды прогнозов захватывают почти никакую из информации, необходимой для операций цепи поставок, таких как ограничения запасов, 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 цепей поставок пристраиваются 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 сталкиваются с изменяющейся динамикой каждый день. Дата следующего заказа, количество для заказа и ряд переменных ограничений все вносят усиливающую неопределенность. Каждый дополнительный шаг в цепочке 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 объемы продаж, уровни запасов и возвраты - а не прогнозы. Эти фактические входные данные позволяют каждому партнеру запускать свои собственные процессы прогнозирования и оптимизации, не наследуя ошибки вниз по потоку от чьих-то предположений о будущем. Осторожная позиция Lokad отражает уроки, извлеченные из повторяющихся 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 показано, что ручные или совместные вмешательства в точечные прогнозы не улучшают точность. Когда возникает ошибка прогнозирования, лучшая стратегия - усовершенствовать базовую статистическую модель, а не позволять нескольким сторонам договариваться о “консенсусном” прогнозе. Соревнования по прогнозированию последовательно демонстрируют, что экспертное сотрудничество по данным временных рядов не приносит прироста, стоящего добавленной сложности. Это установлено в различных областях, не только в цепи 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 наложения прогноза на прогноз.
Любые краткосрочные улучшения от совместного прогнозирования склонны быть иллюзорными, как только учитывается полная стоимость сложности и неточности. Обмен правильными данными критичен; 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, основанные на временных рядах прогнозы, общие среди партнеров.
Каковы лучшие практики при прогнозировании для цепи поставок?
Организации, которые рассматривают прогнозирование цепи поставок как поиск единственного идеального числа, не улавливают истинную природу риска. Одно событие произойдет, но могут произойти многочисленные вероятные будущие сценарии; игнорирование менее вероятных оставляет 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, как бы усовершенствована его базовая статистическая модель, не может предоставить достаточно информации для улавливания волатильности, которая регулярно приводит к списаниям, упущенным продажам или всплескам стоимости вверх по потоку.
Прогностическое прогнозирование решает этот пробел, 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, потому что редко “средние” сценарии ухудшают производительность и прибыль; это именно крайние максимумы и минимумы. 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 инвентаризации также выигрывают от вероятностных прогнозов при учете лидирующих времен. Хотя прибытие товаров может быть “обычно” по расписанию, слишком много мелких событий может вызвать задержки или колебания вместимости. Прогноз, который изображает только средние лидирующие времена, предоставляет не более чем обоснованные догадки. В отличие от этого, полное вероятностное распределение предлагает структурированный способ учета поздних поставок и оценки того, стоит ли риск ранних или задержанных поставок уменьшать дополнительными мерами безопасности.
Данные-богатые цепи поставок добавляют дополнительную сложность через прерывистые шаблоны спроса, нестабильные 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, лидирующее время, уровни возврата или даже уровни брака - помогает определить, где отклонение является существенным, а где это просто дорогостоящий запас.
Критической лучшей практикой является обеспечение того, чтобы любой вероятностный прогноз питал непосредственно в оптимизационный слой, вместо предоставления блестящих отчетов, которые остаются неиспользованными. Для принятия решений, специфичных для сценария, требуется программное обеспечение, способное потреблять распределения, а не одиночные числа. Lokad иллюстрирует этот подход, генерируя вероятностные прогнозы в масштабе, а затем используя специализированную технологию для преобразования этих прогнозов в ежедневные или еженедельные решения по инвентаризации, которые ограничивают как переполнение, так и нехватку товаров.
Организации, стремящиеся к истинной передовой цепи 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 выдержать операционные потрясения, которые обязательно произойдут. Этот сдвиг требует технологий, способных обрабатывать тяжелые вычислительные нагрузки, 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 своих операций во всех потенциальных будущих сценариях.
Является ли ЭКО (экономическое партийное количество) передовой практикой?
ЭКО, в своей классической формулировке, недостаточно для современных цепей поставок. Его базовые предположения - постоянный спрос, фиксированное лидирующее время и стоимость заказа, превосходящая 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 волатильных шаблонов спроса сегодня, риска списания запасов и множества ограничений, обусловленных поставщиками, таких как минимальные партии заказа или скидки. Даже ее иногдашнее расширение для учета издержек хранения и входящих издержек не решает эти проблемы на необходимом уровне детализации.
Некоторые компании все еще полагаются на ЭКО по инерции или потому, что определенные учебники и поставщики программного обеспечения продолжают его поддерживать. Однако жесткий количественный подход часто создает неэффективности и увеличивает риски инвентаризации. Значительные списания становятся регулярной угрозой, когда эти формулы рекомендуют заказывать больше только для достижения узкого минимума стоимости. В условиях высокой неопределенности ЭКО часто переоценивает реальные потребности, особенно когда шаблоны спроса отклоняются от стабильной базовой линии, которую предполагает формула Уилсона.
Lokad предлагает альтернативу, встраивающую экономическую логику ЭКО - балансирование издержек хранения и издержек заказа - но делает это через тонкую, вероятностную линзу. Этот метод оценивает ожидаемую отдачу от каждой инкрементальной единицы, учитывая неопределенный характер спроса, колебания лидирующих времен и разнообразные структуры издержек. Вместо принудительного установления одного количества для каждого пополнения, этот подход определяет, сколько единиц покупать (если вообще) на основе точной прибыльности добавления еще одной единицы к заказу. 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 первоначальную идею за ЭКО - оптимизацию издержек на заказ - в непрерывный и проактивный процесс, обеспечивая более высокие уровни обслуживания с меньшим риском избыточного инвентаря.
Компании, настаивающие на EOQ, обычно сталкиваются с завышенным уровнем запасов, избыточными расходами на утилизацию или упущенными продажами из-за неучтенной изменчивости спроса. В то время как EOQ все еще может 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 уровень запасов лучшей практикой?
Минимальный/максимальный уровень запасов 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 сроков поставки и нелинейные ограничения, такие как минимальные партии заказа или ограничения по мощности поставщика. Эта жесткость заставляет компании работать в реактивном цикле, достигая фиксированного минимума, а затем снова доводя до фиксированного максимума, независимо от того, ускоряется ли спрос, рушится или меняется непредсказуемым образом.
Опыт отрасли последовательно показывает, что планирование минимального/максимального уровня часто приводит к избыточным запасам для продуктов, которые больше не нужны, в то время как недостаточно обслуживаются товары, которые действительно востребованы. Эта перспектива, ориентированная на SKU, теряет из виду тот факт, что каждый дополнительный доллар, потраченный на запасы, должен быть выделен товарам с наибольшим ожидаемым доходом или наибольшей важностью для клиентов. Подход минимального/максимального уровня 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 путаница дисбалансов, от периодических исчерпаний критически важных позиций до избыточных запасов, бездействующих на складе, пока они не станут непродаваемыми.
Динамический подход, рекомендуемый решениями, такими как Lokad, решает врожденные ограничения минимального/максимального уровня, интегрируя вероятностные прогнозы и учитывая бизнес-ограничения. 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 ежедневно. Этот уровень автоматизации и непрерывной настройки в конечном итоге недоступен для статической логики минимального/максимального уровня.
В эпоху, когда рост и конкурентоспособность зависят от тесного контроля за запасами, упорство на минимальном/максимальном уровне означает упущение прибыли и необоснованные риски исчерпания запасов. Множественные отчеты и полевые данные подтверждают, что замена этих жестких правил ориентированной на спрос, осознаваемой стратегией повышает уровень обслуживания, снижая затраты. Опубликованные материалы Lokad дополнительно показывают, что компании, перешедшие от минимального/максимального уровня, часто видят немедленные выгоды, поскольку состав запасов более точно соответствует реальностям изменчивости спроса. Просто нет оправдания вложения в устаревшие наборы правил, игнорирующие важнейшие экономические факторы, учитывая готовую доступность более точных и адаптивных подходов.
Является ли MIP (смешанное целочисленное программирование) лучшей практикой для управления цепочкой поставок?
Смешанное целочисленное программирование долгое время имеет репутацию решения тесно ограниченных, масштабных проблем. 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, которые характеризуют операции реального мира, делают детерминированные методы как хрупкими, так и чрезмерно узкими. Даже незначительное отклонение в спросе или сроках поставки может подорвать весь план, вынуждая к дорогостоящим мерам по тушению пожаров, которые могли быть предвидены на этапе проектирования.
Недавние точки зрения подчеркивают, что истинная устойчивость цепочки поставок зависит от принятия неопределенности с самого начала. Простое добавление безопасных буферов 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 границ к проблемам крупномасштабного планирования 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 легко доступные библиотеки решателей, но практический опыт показывает, что детерминированные структуры не могут быстро адаптироваться, когда меняются рыночные условия.
Современная передовая практика включает стохастическую оптимизацию, где вероятностные прогнозы и финансовая модель цепочки поставок объединяются. Такой подход явно учитывает непредсказуемые события, а не рассматривает их как послесловие. Оценивая множество вероятных будущих сценариев, стохастический решатель принимает решения, которые корректируются по риску и являются надежными, превосходя хрупкие результаты детерминированных решателей. Этот новый вид технологии, олицетворенный платформами, такими как Lokad, отбрасывает искусственные ограничения, такие как принудительная линеаризация, в пользу более прямого моделирования реальных бизнес-драйверов. 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 цепочки 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 неопределенным требованиям, нарушениям поставок и изменяющимся маржам. Он балансирует недостатки нехватки товаров или нехватки мощности с возможностью роста выручки, все это при работе со скоростью, ожидаемой в современной торговле. Эта реакция, заложенная в алгоритмическое ядро, а не внедренная как чувствительный анализ, отличает действительно передовые стратегии цепочки поставок от традиционной практики.
В эпоху интенсивной конкуренции и глобальной непредсказуемости детерминированные упрощения уже не подходят. Стохастические методы выделяются как единственный систематический способ включения волатильности, заложенной в каждой цепочке поставок. Далеко не только теоретическое улучшение, эти техники уже принесли доказанные выгоды, от оптимизированных запасов быстро движущихся товаров до тщательно сбалансированных производственных графиков для сложных многоуровневых сетей. Смешанные целочисленные программы и связанные с ними методы ветвей и границ остаются полезными для более мелких, полностью детерминированных плановых задач, но для любой значительной цепочки поставок, стремящейся к истинной надежности в реальных условиях, стохастическая оптимизация становится передовой практикой.
Являются ли вероятностные прогнозы для цепочки поставок передовой практикой?
Вероятностные прогнозы бесспорно являются передовой практикой для планирования и оптимизации цепочки поставок. Они признают, что будущие события полны неустранимой неопределенности, и что следует 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 нехватку товаров или крупные списания. Вероятностный подход улавливает эти риски в детализированном, количественном виде, обеспечивая, что руководители не полагаются на хрупкие предположения о том, что “должно” произойти.
Традиционные, однозначные прогнозы были стандартным подходом с середины 20-го века, но их ограничения явны. Расчеты безопасности запасов, прикрепленные к точечным прогнозам, дают лишь косметическое покрытие рисков и обычно не удается значимо защититься от крупных потерь, вызванных непредсказуемыми изменениями на рынке. В отличие от этого, вероятностные прогнозы воплощают более богатое представление всех потенциальных результатов, что делает их гораздо более подходящими для любой дисциплины цепочки поставок, где управление рисками имеет первостепенное значение. Вместо фокусировки 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 “естественные” вероятностные прогнозы в цепочках 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 одноточечных 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, безопасных буферов или многоуровневых распределений.
Ведущие команды цепочки поставок, которые серьезно настроены на достижение надежных, корректируемых по риску 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 улавливания каждого возможного сценария не может быть недооценена. Роль Lokad в популяризации этих техник доказала, что выгоды не являются абстрактными, а конкретными и финансово осязаемыми. Поскольку будущее цепочек поставок останется волатильным, нет убедительных аргументов полагаться на устаревшие стратегии прогнозирования с одной точкой, когда сегодня существуют гораздо более эффективные вероятностные методы.
Является ли приоритетное пополнение запасов передовой практикой?
Приоритетное пополнение запасов демонстрирует более эффективные результаты, 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 прибыльность каждой инкрементальной единицы по всему ассортименту продукции. На каждом возможном количестве он количественно оценивает ожидаемую финансовую отдачу с учетом вероятностей спроса и экономических факторов, таких как маржинальность, затраты на закупку и даже возможности, создаваемые продажей сопутствующих продуктов с высокой маржой.
Эмпирические оценки подтверждают, что список приоритетных покупок систематически превосходит классические политики перезаказа или заказа до уровня, когда доступно вероятностное прогнозирование. Lokad неоднократно наблюдал, что когда каждая единица оценивается по ожидаемой отдаче, окончательные списки закупок достигают более высоких уровней обслуживания по тем продуктам, которые имеют наибольшее значение, не перегружаясь запасами товаров, приносящих незначительную прибыль. Этот подход также естественным образом учитывает ограничения реального мира. Ограничения складской емкости, кратности партий и минимальные объемы заказов 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, в конечном итоге сталкиваются с уменьшающейся отдачей от продуктов с низким приоритетом или непостоянным спросом. В отличие от этого, приоритизация единиц в соответствии с прибыльностью гарантирует, что наиболее важные позиции всегда обеспечиваются пополнением запасов, даже если прогноз или бюджетная обстановка меняются. Небольшие отклонения в прогнозировании спроса не разрушают всю стратегию, потому что SKU верхнего уровня не резко падает в рейтинге из-за умеренных ошибок в прогнозах. Это надежный подход для операций, которым приходится справляться с неопределенными и развивающимися условиями реального мира.
Наблюдение за результатами на практике не оставляет сомнений в том, что приоритетное пополнение запасов квалифицируется как передовая практика. Традиционные методы не предлагают простого способа разрешения конфликтов между SKU за одни и те же доллары, контейнеры или полки. Тем временем, ранжирование каждого возможного решения по его маржинальной ожидаемой стоимости напрямую решает эту конкуренцию между несколькими SKU. Постоянный рост эффективности и прибыльности, о котором сообщают практики цепочки поставок, включая клиентов Lokad, подчеркивает вывод о том, что приоритетное пополнение запасов просто превосходит.
Является ли стохастическая оптимизация для цепочки поставок передовой практикой?
Стохастическая оптимизация является передовой практикой для цепочек поставок, потому что она напрямую решает изменчивость и неопределенность, лежащие в основе большинства операционных решений. В отличие от этого, детерминированные методы предполагают фиксированные будущие результаты, что приводит к излишне оптимистичным планам, которые часто терпят 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. Изменчивость спроса, времени поставки и надежности компонентов означает, что единый “наиболее вероятный” план редко оправдывает себя в изменяющихся обстоятельствах.
Более надежная стратегия возникает, когда решения в цепочке поставок тестируются на распределение возможных будущих сценариев, а не на одиночном 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 дефицитов товаров или списания запасов; 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, либо терпеть хронические дефициты. Ни один из этих вариантов не является устойчивым для компаний, нацеленных на балансировку прибыльности с удовлетворением клиентов.
Работа Lokad в стохастической оптимизации предлагает конкретное иллюстрацию 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 различными возможными исходами, присвоить реалистичные экономические затраты каждому сценарию и решить задачи, которые максимизируют ожидаемую прибыльность (или другую выбранную цель). Это является резким контрастом с устаревшими детерминированными подходами, которые часто устанавливают наивные цели для единственного, предполагаемого будущего и затем прибегают к резервным запасам или дополнительным ограничениям для смягчения неожиданных изменений.
Вывод очевиден. Детерминированные инструменты могут выглядеть привлекательно простыми, но не способны уловить всю сложность современной цепочки поставок. В случае значительной неопределенности, влияющей на затраты - будь то в паттернах спроса, надежности поставщиков или операционных ограничениях - стохастическая оптимизация является более предпочтительным выбором. Доказательства от компаний, внедряющих технологии такого типа, включая те, о которых говорилось в Lokad, показывают меньше плановых сюрпризов, меньше финансовых утечек и в целом более устойчивые операции. Эта методология не просто академическая идея; она демонстрирует себя как лучшая практика для любого предприятия, стремящегося оставаться конкурентоспособным в условиях волатильного рынка.