Практика применения ИИ в управлении цепочками поставок в российском бизнесе

Управление цепями поставок в этой связи претерпевает существенную трансформацию, переходя из роли второстепенной поддерживающей функции бизнеса, в основном ограничивающейся исполнительскими задачами физической логистики и зачастую являющуюся придатком производственного блока или блока продаж, в функцию, исполняющую критичную роль в организации, координирующую исполнение большого спектра стратегических и операционных задач бизнеса, обеспечивающую исполнение целей роста и эффективности.

На этом этапе развития компаний управление цепями поставок (УЦП) включает в себя такие блоки, как интегрированное бизнес-управление (IBP / S&OP-процесс), прогнозирование спроса, сырьевой баланс (для отраслей с производственной системой переделов), планирование производства, управление товарными запасами сырья, упаковки и готовой продукции, материально-техническое обеспечение, распределение продуктов, транспортировку, логистику складирования, стратегическую логистику, управление портфелем инновационных проектов и проектов по эффективности, взаимодействие с поставщиками и клиентами на периметре УЦП, клиентский сервис, управление мастер-данными, частично или полностью закупочный блок и др. Таким образом, УЦП имеет прямое влияние на оборот компании, скорость вывода инноваций на рынок, эффективность и маржинальность бизнеса, рабочий капитал и ликвидность, клиентскую удовлетворенность и лояльность.

Ситуация последних 2–3 лет в РФ лишь увеличила востребованность эффективных решений в УЦП: появились новые вызовы, связанные со снижением стабильности цепей поставок (согласно закрытому исследованию ВШБ «Реконфигурация цепей поставок в новых условиях развития российского бизнеса»), с дефицитом кадров на рынке, существенным ростом операционных затрат. Компании, которым удается успешно перестроить управление своими цепями поставок в новых реалиях получают дополнительное конкурентное преимущество ввиду предпочтительного выбора в свою пользу от клиентов. При этом те базовые принципы и модели, которые были актуальны для формирования глобальных цепей поставок в последние несколько десятков лет (размещение производств в регионах с минимальной стоимостью ресурсов, ориентация на «идеального» поставщика, использование «вытягивающей логистики» и минимизации запасов, стремление к поддержанию широкого ассортимента, максимальная специализация участников цепи поставок, опора на эффект масштаба глобальной контейнерной перевозки), утратили свою актуальность.

Разумеется, в таком контексте возникает необходимость поиска новых идей и работающих решений для управления цепями поставок. Одним из таким направлений становится искусственный интеллект (ИИ). Тема эффективности применения искусственного интеллекта активно обсуждается в деловой среде. Одни считают, что это слишком сложно, дорого и не окупает себя. Другие называют искусственным интеллектом любую цифровизацию процесса и используют это скорее как PR-инструмент. Но есть и отличные примеры реального и вполне успешного применения ИИ для практических задач управления цепями поставок.

Можно выделить несколько областей управления цепями поставок, в которых ИИ действительно работает эффективнее человека. В данной статье рассмотрим конкретные успешные примеры применения искусственного интеллекта к задачам планирования, как к важнейшему блоку управления цепями поставок.

Прогнозирование спроса

На ранних этапах своего развития прогнозирование спроса являлось частью блока продаж и скорее представляло из себя консолидацию ожиданий со стороны менеджеров по продажам по заключенным договорам или спотовым отгрузкам, а также дополнение полученной цифры до комфортного для топ-менеджмента значения. Как правило, такой экспертный консенсус-подход прогнозирования спроса приводил к перепрогнозам, так как в этом случае блок прогнозирования скорее выполнял роль консолидации данных и целеполагания для блока продаж, нежели чем генератора непредвзятого аналитического прогноза спроса и выявления реальных рисков и возможностей. В свою очередь, это приводило к таким неприятным последствиям, как неэффективные и избыточные товарные запасы, а также потребность в заемных деньгах (что, к слову сказать, при текущей ключевой ставке может влиять не только на ликвидность, но и оказывать существенное влияние на прибыльность компании), дополнительным затратам на хранение неликвида, неэффективность в транспортных плечах и т.д.

В зависимости от бизнес-модели такой подход генерирует до 30% неэффективности в товарных запасах и порядка 1–3% неэффективных затрат, а также приводит к управленческим сюрпризам в виде неисполнения стратегических задач роста при слишком позднем осознании избыточного оптимизма, заложенного в прогнозные значения. Справедливости ради надо отметить, что такая модель прогнозирования спроса до сих пор практикуется в некоторых бизнесах и вполне успешна в тех компаниях, которые пока находятся на этапе взрывного роста и могут не особенно заботиться о своей эффективности, либо работают в модели предсказуемого стабильного спроса, например долгосрочные госзаказы.

Следующим этапом развития прогнозирования спроса была его сепарация от продаж и присоединение к блоку управления цепями поставок. Его методы работы, цели и задачи также претерпевали серьезную модернизацию. Основной задачей блока становилась генерация непредвзятого, качественного прогноза спроса с ответственностью за доступность продукта под заказы клиента при минимизации товарных запасов (или списаний в случае портфеля продуктов с коротким сроком годности) в операционном управлении и минимальная достаточность производственно-логистических мощностей для стратегического управления. Модернизировались инструменты, например в зависимости от специфики бизнеса – сезонности, ценовой эластичности, процента инноваций и т.д.; применялись различные статистические модели прогнозирования спроса – регрессионные, авторегрессионные модели, модели экспоненциального сглаживания; внедрялись системы, например SAP IBP, JDA, Anaplan; накапливалась историческая база, которая претерпевала очистку и план-факторный анализ.

Если раньше прогнозеров интересовало получение от команды продаж ответа на вопрос: «Сколько продадите в следующем месяце?», то в этой модели, несмотря на сохранившееся и даже усилившееся взаимодействие между прогнозированием спроса, продажами и маркетингом, поменялся фокус дискуссии: с экспертной оценки объемов на обсуждение событий, влияющих на спрос (рекламные активации, вывод новинок, ценовая политика, промо активации, активность конкурентов и т.д.), и анализ точности реализации прошлых предположений, заложенных в прогноз. Увеличилась гранулярность прогноза – добавился временной разрез по неделям / дням, географический разрез по гравитационным точкам возникновения спроса, разрезы по клиентам, артикульным позициям.

Расширился горизонт прогноза (краткосрочный – на горизонте реагирования плечей поставок; среднесрочный – на горизонте закупочного реагирования; тактический – на горизонте бизнес-планирования; стратегический – на горизонте инвестиционной стратегии. Структурировались мастер-данные и транзакционная дисциплина в компании. Штатное расписание блока прогнозирования увеличилось, как и профайл людей: требовались сотрудники с мощной аналитической и математической базой, при этом с хорошими навыками коммуникации. Такой подход к прогнозированию спроса позволял повысить точность прогноза на 10–15%, снизить товарные запасы на 10–15% или потери на 20–30% для портфелей продукции с короткими сроками годности; увеличить доступность продукта / сервис клиентам на 7–8% и в некоторых случаях получить дополнительную экономию на минимизации штрафов по недопоставкам, если бизнес-договоренности их предполагали.

Однако такой подход ограничен мощностью и скоростью реакции человеческого мозга на определенный объем информации за единицу времени. Кроме того, демократизация данных, их доступность, открытость и повышение качества, с одной стороны, а также значительные и резкие изменения потребительского поведения, вызванные сначала covid-19, а затем СВО – с другой, сформировали необходимые и достаточные условия для перехода на следующий уровень развития прогнозирования спроса с использованием методов искусственного интеллекта. Первые практические успешные попытки в РФ прогнозирования спроса через алгоритмы машинного обучения (ниже в примерах есть описание применения алгоритма квантильной регрессии) позволили совершить следующий прыжок в качестве прогноза, увеличив его точность на 6–8%, при этом значительно сократить штатное расписание (на 30%), требующееся для его достижения. Здесь стоит отметить, что при внедрении инструментов искусственного интеллекта блок прогнозирования проходит через весьма серьезные внутренние трансформации.

Так, в одной из лидирующих молочных компаний страны при введении в эксплуатацию первой модели машинного обучения для прогнозирования спроса, которая показывала весьма многообещающие и устойчивые результаты на этапах тестирования, в первые месяцы после внедрения не было достигнуто никакого значимого улучшения. Последующее расследование показало, что 95% (!) результатов работы модели машинного обучения были скорректированы аналитиками прогнозирования спроса, которым казалось, что система выдает некорректные данные. При этом, как показал ретроспективный анализ, эти ручные корректировки ухудшили качество прогноза на 8–9%! После этого компания пересмотрела целеполагание команды прогнозирования в сторону минимизации ручных корректировок при максимизации качества прогноза и перемещения фокуса аналитиков с «массажирования» данных на поиск дополнительных возможностей по росту продаж и работу с исключениями.

В случае если есть доступность к широкому спектру разнообразных данных, хорошие результаты показывают нейросетевые алгоритмы машинного обучения (+3–4% в качестве прогноза относительно других алгоритмов машинного обучения). Хорошим примером применения нейросетевых алгоритмов прогнозирования спроса может служить одна из топовых розничных пищевых сетей, которая научилась учитывать в прогнозе без участия человека такие факторы:

• расположение и окружение конкретного магазина – спальный район, учебное заведение, бизнес-центр;
• виртуальные остатки в точках, оказывающие негативные влияния на реальный потенциал спроса на продукт;
• активность конкурентов ближнего радиуса (до 500 м);
• волатильность спроса внутри недели;
• влияние погодных условий;
• влияние органолептических свойств поставляемой продукции, например зависимость градусов Брикса во фруктах на их продажи.

Эти шаги позволили сети обеспечить лучшую в стране доступность продукта на полке (более 98%) и высокую свежесть ассортимента с короткими сроками годности, что оказало эффект в 1,6% на валовую маржинальность сети, это подтверждено с помощью A/B статистического метода тестирования.

Еще одним бесспорным преимуществом нейросетей является их более быстрая реакция на изменения, в то время как статистические методы и большая часть методов ML все-таки обладают определенной инерцией в реагировании. Нейросети быстрее ловят «точки перегиба» спроса и адаптируют прогноз под новые вводные.

Следует также помнить, что при улучшении качества прогноза необходимо пересматривать уровень страховых запасов. В противном случае не просто не произойдет снижение оборотного капитала и/или списаний, но и будет наблюдаться значимый прирост, что однозначно противоречит бизнес-целям. Интегрированность управления цепями поставок позволяет эффективно настраивать взаимосвязанные процессы экосистемы бизнеса.

Управление товарными запасами и оборачиваемостью

Для определения оптимального товарного запаса по сырью, упаковке и готовой продукции с целью обеспечить их доступность для бесперебойности работы бизнеса (производственный цикл, распределение ТЗ, отгрузка клиенту) при минимизации самого запаса традиционно применяется классический подход на основании теории вероятности и математической статистики, то есть целевой запас вычисляется как сумма:

• циклического запаса, который будет потреблен между циклами поставки;
• страхового запаса, необходимого для покрытия различных факторов волатильности, например прогноза спроса, сроков доставки;
• минимального технологического запаса;
• мертвого запаса, необходимого по техническим причинам уровню запасов, которым, однако, невозможно воспользоваться;
• временного запаса, формирующегося на ограниченное время для управления рисками дефицита или имеющего экономическую обоснованность.

Выше мы уже рассмотрели, как применение инструментов искусственного интеллекта позволяет повышать качество прогноза, а значит, снижать среднеквадратичное отклонение плана / факта спроса и пересмотреть страховой запас в сторону снижения. С учетом скорости изменений, которые характерны для рынка в последние 2–3 года, имеет смысл осуществлять динамический расчет целевых товарных запасов.

С этой задачей также прекрасно справляются модели машинного обучения. Качественный расчет оптимального уровня товарного запаса решает вопрос сервиса / доступности продукта для осуществления операционной деятельности в случае реализации негативных сценариев по отклонению факторов, влияющих на потребность (недопрогноз, более длинное плечо доставки). Но применение только расчета целевого уровня товарного запаса не решает полностью проблему неоптимальности последнего. Чтобы полноценно оптимизировать товарный запас, нужно еще работать с такими факторами, как стареющий товарный запас, товарный запас без движения, неэффективный квант, или частота поставки, несоблюдение принципов отгрузки (например, FIFO – First In First Out), виртуальный остаток, забаланс, вывод позиции из матрицы при необнуленных стоках и т.д.

При этом дьявол здесь именно в деталях: требуется контроль на уровне конкретных позиций в разрезе конкретной точки хранения – склада, распределительного центра, торговой точки. Понятно, что эту задачу можно решить, посадив «армию» аналитиков по управлению товарными запасами. Но более изящно и эффективно эту задачу может помочь решить другой инструмент искусственного интеллекта – ИИ-подсказчик. Он помогает сократить время на аналитику, сразу идентифицируя проблему в товарных запасах, причину ее возникновения и выдавая необходимые фокусы для проработки кросс-функциональным участникам процесса. Особую элегантность ИИ-подсказчикам придает возможность их обучения: ИИ-подсказчик идентифицирует проблему и предлагает решение аналитику по управлению товарными запасами, а аналитик, в свою очередь, оценивает, была ли проблема и предлагаемое решение идентифицированы правильно. Таким образом, в течение 2–3 мес. обучения система уже вполне качественно идентифицирует ключевые проблемы в товарных запасах, требующих приоритетного внимание. Такой подход позволяет снизить неликвидные остатки в 3–4 раза. Результаты оптимизаций ТЗ приведены на примере применения такого подхода в одной из крупнейших розничных сетей страны.

Опять-таки отметим, что профайл необходимой экспертизы для управления товарными запасами меняется от аналитика в сторону лидера изменений – человека, способного реализовать необходимые действия внутри организации.

Подведем итог

Цепочки поставок становятся все более критичной для успеха всего бизнеса областью, при этом традиционные инструменты управления УЦП утратили свою актуальность, и прямо сейчас идет масштабное обновление портфеля инструментов управления цепями поставок. Для повышения эффективности процессов УЦП появляются новые инструменты, такие как ИИ. В этой статье мы рассмотрели применение ИИ в двух областях УЦП: прогнозировании спроса с применением машинного обучения и нейросетевых алгоритмов; при использовании инструментов «умных» подсказчиков для управления товарными запасами. Мы также продемонстрировали, что успех применения ИИ-инструментов зависит не только от самих инструментов, но и сложных процессов управления изменениями на уровне организационных структур, эволюции знаний и навыков сотрудников, внутренних процессов и целеполагания.

Предлагаю обсудить применение ИИ в логистике в комментариях к посту в тг!

Уважаемые читатели!

Если предложенная тема найдет у вас отклик, то в последующих статьях мы рассмотрим примеры приложения ИИ к задачам физической логистики с применением машинного зрения в процессах фасовки / упаковки, роботизации складирования, транспортной маршрутизации последней мили, а также применения возможностей ИИ к задачам клиентского сервиса – прослеживаемости через блокчейн, контролю качества продукции и надежности оборудования с применением инструментов предиктивной аналитики, роботизации обработки претензий / выставления счетов.

Кроме того, мы можем рассмотреть более широкий спектр решений нового поколения для УЦП, например применение цифровых решений-оптимизаторов в задачах сырьевого баланса для бизнесов со сложной системой переделов или для оптимизации товаропроводящей сети; вертикальные интеграции от поставщика до полки, коллаборативные инструменты повышения эффективности УЦП, Интегрированное Бизнес Планирование.

Поделитесь, пожалуйста, вашей обратной связью на эту статью, а также своими примерами успешных и неуспешных кейсов по применению инструментов ИИ в УЦП!

Ссылка на пост с обсуждением темы: https://t.me/logistics_3_6_0/383

Продолжение следует…