Поставщики SCP-решений (решения для планирования цепочки поставок, от англ. Supply Chain Planning) говорят, что клиенты интересуются тем, как машинное обучение будет применяться в SCP решениях в перспективе. Но машинное обучение – лишь одна из форм интеллектуальной обработки данных, которую можно внедрить в приложения для планирования цепочки поставок. Все более высокое качество интеллектуальной обработки данных в рамках таких решений открывает большие возможности – от создания более совершенных платформ интеграции до полностью автоматизированного планирования.
Стив Бэнкер, эксперт в сфере логистики и управлении цепочками поставок, Forbes.
Совершенствование платформ интеграции
Платформы интеграции позволяют намного легче подтягивать данные из множества ресурсов и сетей и применять их при принятии решений при планировании. Карин Бурса, исполнительный вице-президент компании Logility, отмечает, что во многих компаниях используется несколько систем планирования ресурсов предприятия. По ее мнению, ключевым отличительным признаком платформы Logility является более быстрая интеграция при более высоком уровне достоверности данных и более совершенном управлении мастер-данными. Алгоритм обработки мастер-данных «понимает», какой диапазон данных релевантен для определенной области применения, и может отслеживать и указывать, когда вводятся некорректные данные. Решение, предлагаемое Logility также использует логику чистых изменений. Иными словами, система обращает внимание только на элементы данных, затрагиваемые текущими изменениями, благодаря чему повышается эффективность оперативно вносимых изменений.
Викаш Гоял, вице-президент стратегии развития программных продуктов компании Oracle, приводит в этой связи другой пример. Еще одним ресурсом полезных данных являются сетевые платформы для сотрудничества в сфере цепочек поставок. Например, решения, предлагаемые компаниями E2open, GT Nexus, Ariba Network и другими провайдерами. Если компания хочет сотрудничать в аспекте прогнозирования заказов или заявок на закупку с компанией-партнером с определенной сетевой платформы, например, GT Nexus, она может выбрать этого провайдера сетевой платформы из выпадающего списка, указав компанию-партнера и прочие параметры сотрудничества – все это автоматизировано.
Функциональные ролевые режимы отображения данных
Это направление развивается уже несколько лет. Многие поставщики инвестировали в более простые удобные интерфейсы, и особенно в интерфейсы типа excel. Они отображают рабочие процессы, что позволяет ответственным за планирование сотрудникам обращаться к наиболее важным задачам по планированию в порядке приоритетности. При этом потребности у всех разные. Например, специалистам, отвечающим за планирование спроса, может быть нужно просматривать прогнозы по количеству единиц за неделю в местоположении грузополучателя, а специалистам по финансовому планированию было бы удобно, чтобы отображалась ежемесячная прибыль по бизнес-подразделениям.
Многие поставщики предлагают интегрированные модули бизнес-планирования (IBP), которые иногда называют «командно-диспетчерским пунктом» или «кабиной управления» цепочками поставок. Они предусматривают множество режимов отображения данных для различных участников в рамках компании, заинтересованных в том, чтобы обеспечить оптимальное соотношение спроса и предложения при максимальной реализации стратегических задач. Эти задачи могут различаться в зависимости от продукта или клиента, а также могут включать в себя такие аспекты, как получение максимальных прибылей, достижение целевых показателей по выручке, увеличение доли рынка и прочее.
Вивек Сонежа, глава глобального направления по управлению цепочками поставок компании Anaplan, отмечает, что полноценные возможности в данной сфере предполагают нечто большее, чем просто инвестирование в современный интерфейс пользователя. Компания Anaplan предлагает модели планирования финансов, логистики, цепочки поставок, трудовых ресурсов и прочие модели смежного планирования. Эти модели теперь могут использовать прогнозные данные, полученные алгоритмами машинного обучения, и преобразовывать их в поэтапные планы действий и обеспечивать поддержку при принятии решений. Изменения, вносимые в рамках одной модели, фиксируются и отображаются в остальных. Специалисты по планированию из различных функциональных подразделений могут видеть, как изменения в одной сфере влияют на маржу, выручку, затраты на перевозку, капитальные вложения и многие другие аспекты внутри компании.
Больший охват, большая эффективность
Всегда есть новые задачи, которые нужно решать. Omnichannel – лучший актуальный пример этому. Скотт Фенвик, директор по стратегии развития программных продуктов компании Manhattan Associate, отмечает: «Если речь идет о поддержке нового потока данных, например, когда товар заказывается онлайн, а самовывоз предусмотрен из магазина, необходимо вносить изменения в методы распределения товарных запасов». Но уловить этот сдвиг в сигнале о потребности может быть непросто. Для решения проблемы обеспечения реального спроса используется машинное обучение.
Компания JDA развивает перспективные продукты, отталкиваясь от того, что в решениях для управления спросом обычно применяется подход к прогнозированию исходя из планового распределения, где за основу берется центральная точка, то есть усредненный показатель. Но ведь распределение товарных запасов является плановым далеко не всегда. Разработчики пытаются использовать вероятностный подход, при котором упущенный сбыт из-за отсутствия товара можно было бы сопоставлять с затратами на пополнение запасов и нереализуемые остатки. Для такого анализа используются технологии машинного обучения на уровне спроса по товарным позициям или по магазинам. В числе учитываемых факторов влияния ― погодные условия, промо-акции конкурентов, проходимость в магазине в зависимости от дня недели, и, в перспективе, многие другие вещи.
Чем больше ограничений способно смоделировать решение по оптимизации, тем более совершенна оптимизация. С течением времени модели, предлагаемые большинством поставщиков, стали более обширными, а технологии оперативной памяти, используемые для решения задач, стали гораздо быстрее. Например, компания River Logic включила в свой «арсенал» инструментов для решения задач по планированию численности персонала такие параметры, как доступность рабочей силы/сменности и обычные/сверхурочные рабочие часы. Кроме того, то, что раньше существовало в виде отдельных моделей для планирования спроса, для оптимизации и пополнения запасов, теперь объединено многими поставщиками в единую модель.
Саморегулирующаяся цепочка поставок
Эффективность функционирования систем планирования цепочек поставок зависит от их ключевых параметров. Один из важнейших таких параметров – срок поставки. И чем срок поставки больше, тем больше изменчивость в связи с этим параметром, и тем больше компания должна потратить на создание резервного запаса. Реализуя концепцию саморегулирующейся цепочки поставок, компания Kinaxis инвестирует в машинное обучение, чтобы поддерживать актуальность этих параметров. Во многих случаях данные о сроке поставки берутся из системы управления предприятием, и их никогда не проверяют. Но даже будь они достоверными для начала, они никогда не обновляются. Kinaxis инвестирует в сравнение ранее зафиксированных сроков поставки с более свежими данными из системы управления предприятием. При этом внутренние данные компании о сроках поставки сопоставляются со сторонними данными. Например, данными о погоде. Это дает возможность проанализировать, как различные погодные условия повлияли на время поставки.
Управление исключениями
Существуют также технологии, нацеленные на управление исключениями. Эффективная обработка исключений подразумевает встраиваемую аналитику и возможность проникнуть в самую суть ситуации. Например, компания Oracle применяет для управления исключениями интегрированную бизнес-матрицу, включающую в себя множество метрик. В частности, потенциально необеспеченные потребности, уровень пополнения запасов и издержки. Когда специалист по планированию обращается к программе, самые важные проблемы видны ему визуально. Например, специалист отдела планирования на предприятии видит, что в определенном регионе потребность потенциально не обеспечена по причине того, что на заводе в Мексике зафиксированы потери производительности. Применительно к исключениям, имеющим место с определенной периодичностью, система предлагает сотруднику варианты решений, специфичные именно для конкретной проблемы. Сотрудник может принять предлагаемое решение через пользовательский интерфейс. В перспективе некоторые поставщики программного обеспечения предрекают использование технологий голосового помощника, которые позволят сотруднику принять предлагаемое системой решение голосом.
Возможен и вариант, когда предлагаемое решение неоднозначно. Тогда специалист по планированию может войти в приложение и запустить больше сценариев, чтобы сгенерировать другие варианты решений. Часто SCP-решения предусматривают интегрированную платформу наподобие соцсети, через которую можно поделиться конкретной проблемой в режиме реального времени с членами команды, обладающими знаниями для разрешения именно этой ситуации.
Степень, насколько можно автоматизировать управление исключениями, является предметом дискуссий. Исключений может быть так много, и они могут быть такими разными, что масштабная автоматизация в данном аспекте может быть затруднена. Некоторые поставщики решений для планирования цепочек поставок пытаются решить проблему за счет использования алгоритмов распознавания шаблонов. Система «видит», как специалисты по планированию решали аналогичные ситуации ранее, и на основании этого рекомендует такое же решение при следующем возникновении проблемы. Чем больше «подходов» накапливается в системе, тем быстрее система учится. Но конкретное исключение может проявиться всего лишь несколько раз в год, и решение, к которому прибегли в июне, может радикально отличаться от решения, принятого в декабре. Могут потребоваться сотни, а скорее всего, тысячи эпизодов, прежде чем машина начнет понимать, почему сотрудник поступил определенным образом в одной ситуации, и иначе – в другой.
Компания Oracle пытается решить эту проблему и разрабатывает помощник по планированию, который будет находиться «на заднем плане» и наблюдать, как специалист по планированию делает свою работу. Сообщение от системы может выглядеть так: «В прошлый раз, когда возникла такая проблема, вы остановились на решении, что компания должна выплатить сотрудникам сверхурочные, чтобы исполнить обязательства по заказу. Вы уверены, что приемлемо допустить недопоставку?» Если сотрудник хочет выбрать новое альтернативное решение, система просит его предоставить свои аргументы. Данный контекст может позволить и людям, и системам, быстрее выстраивать иерархию правил работы с исключениями.
В то же время некоторые поставщики программного обеспечения считают, что решением может стать встроенная роботизированная автоматизация процессов, за счет чего будут создаваться правила для исключительных ситуаций. «В отсутствие необходимости программирования привелигированные пользователи вынуждены делать то, что очень похоже на программирование, − говорит Джоанна Смарос, соучредитель и директор по маркетингу компании RELEX Solutions. — Может возникнуть ситуация, когда потребитель ожидал получить сегодня 100 единиц хранения, а получил только 50. Соответственно, необходимо изменить правила распределения имеющихся в наличии единиц. Алгоритм может сгенерировать решение исходя из того, какой клиент наиболее остро нуждается в товарных запасах, исходя из приоретизации одних форматов магазинов над другими, или же на основании других критериев при принятии решений».
Полуавтоматическое планирование
Многие движки планирования спроса, конечно, пока еще не полностью автоматизированы, но, без сомнения, стали гораздо более автоматизированными. Пополнение запасов и прогнозирование спроса тесно связаны между собой. Полуавтоматическое планирование также становится все более привычным применительно к пополнению запасов. Например, в компании Logility мне рассказали об одном своем клиенте, который автоматизировал 80% стандартного пополнения запасов в магазинах одежды на уровне цвета и размера. Это высвобождает время ответственных за планирование сотрудников, которые могут теперь больше фокусироваться на продвижении и других формах планирования мероприятий. Теперь специалисты по планированию могут переключиться со своих рутинных операций и сфокусировать внимание на стратегических инициативах. В результате достигается большая точность при формировании заказов на пополнение запасов и приоритетные товарные позиции, при этом повышается уровень удовлетворенности сотрудников.
Полностью автоматизированное планирование
Полностью автоматизированное планирование – самая дискуссионная из форм интеллектуальной обработки данных. Система планирования спроса от компании E2open является, пожалуй, лучшим на сегодняшний день примером полностью автоматического планирования. Конкуренты E2open спешат заметить, что это решение по принципу «черного ящика». Но Джон Лэш, вице-президент E2open, утверждает, что навешивать на него ярлык «черного ящика» несправедливо:
«Если сотрудник не понимает, почему прогноз спроса, сгенерированный программой Demand Sensing по определенной товарной позиции в определенном месте хранения на определенный период – например, недельный прогноз по 350-граммовой банке куриного супа-лапши в распределительном центре в Бостоне – оказался выше или ниже прогноза, сделанного сотрудником с использованием APO DP (решение для планирования спроса от компании SAP), он может использовать наши аналитические данные, чтобы увидеть, какие различные факторы влияния и «удельный вес» каждого из них привели к разнице в прогнозе. Многие крупные компании со сложной организационной структурой верят в полностью автоматизированное планирование. Например, компания Procter & Gamble, публично объявила об использовании ею решения E2open».
На данный момент полностью автоматизированное планирование по ряду причин все же кажется неосуществимым применительно к планированию закупок.
В заключение отметим, что системы планирования цепочки поставок стали сегодня гораздо «умнее» во многих отношениях, в некоторых из них используется машинное обучение, в других — нет. Машинное обучение несет в себе огромный потенциал, но клиенты хотят получить продуктизированное решение, а не научный проект. В некоторых аспектах планирования цепочек поставок машинное обучение оправдывает себя, тогда как в других аспектах мы по-прежнему находимся в стадии научного эксперимента.
Перевод: Кристина Мелюк, B2B-Center