[Из песочницы] Прогнозирование в цепочке поставок: в поисках философского камня
Автор: Святослав Олейник, консультант по управлению запасами компании ABM Cloud
Между молотом и наковальней
Пожалуй, самая распространенная проблема как в производстве, так и по всей цепи поставок — дефициты и излишки сырья/готовой продукции. В самом начале жизненного цикла компании излишки существенно не волнуют собственников. Кривая роста маржи и объема продаж изначально стремится вверх, что дает основания полагать, что все непроданные в этом месяце товары можно будет реализовать в следующем. Если излишки могут какое-то время скрываться за оптимистичными прогнозами, то дефициты увидеть проще: отгрузить клиенту нечего, а все, что можно было заработать при отгрузке является упущенной прибылью. Ситуация выглядит сложнее для ритейла, где существуют штрафные санкции, которые усугубляют проблему с упущенными продажами.
Решение проблемы кажется столь очевидным — ведь можно просто увеличить страховой запас. Но как только мы начинаем это делать, стоимость запаса начинает расти, и при этом качественно проблему дефицитов не решает. Со временем мы удивляемся: почему с ростом компании и объемов производства прибыль перестает увеличиваться? А иногда даже, бывает, не хватает оборотных средств на погашение дебиторской задолженности или на закупку необходимых комплектующих для реальных заказов. Как раз в этот момент фокус внимания переключается на деньги, замороженные в запасах. Что делать в таком случае? Поставить задачу сотрудникам уменьшить количество запасов? В ответ слышим, что это возможно, но в ущерб доступности… Такое чувство, что мы оказались между молотом и наковальней. Интуитивно мы понимаем, что решение есть и оно находится где-то посредине, единственная проблема: необходимо его найти.
Изысканные замки на песке
Еще в 1913 году американский инженер Уилсон опубликовал статью, в которой описал как рассчитать оптимальный объем партии. Для этого необходимо знать стоимость размещения заказа, хранения продукции и ежегодный спрос. Определив точку оптимума, возможно минимизировать общие переменные издержки, связанные с заказом и хранением запасов. Иными словами, при заказах чаще, но меньше вырастут затраты, связанные с процессом заказа товаров, а заказывая реже, но больше –затраты на хранение. Так ли это на самом деле?
В данной формуле есть несколько допущений, и одно из ключевых — то, что спрос известен. Поэтому, чтобы как-то приблизить эту формулу к реальной жизни, необходимо использовать «страховой» запас, который в реальной структуре товарного запаса часто превышает объемы «обычного» (потребность между поставками). Используя в уравнении страховой запас, мы получим совсем другое значение «оптимального» запаса.
Современные практики дополняют и совершенствуют первоначальную идею, добавляя к модели условия работы с многономенклатурным заказом, учитывая потери от дефицита и т.д. Но на самом деле, не важно насколько сложная и многофакторная модель расчета «оптимального» объема. Если она строится на слишком упрощенных или не реалистичных базовых допущениях — хорошего результата не будет. Нельзя построить дом на песке.
Ах… если бы только наш прогноз был более точен…
Я верю, ибо это абсурдно
Есть некая религия, в которой руководители от производства до ритейла искренне верят, что качественный прогноз решит если не все, то абсолютное большинство их проблем. А главное — целесообразность этой веры очень легко доказать, посчитав в деньгах только «страховой» запас, не говоря уж об излишках и дефицитах. Дело за малым — рассчитать качественный прогноз продаж.
У каждой компании, отдела, даже отдельно взятого сотрудника есть «свой» подход к прогнозированию. На практике встречались такие три уровня:
1. Менеджер использует среднее значение и свой опыт/ видение / чувства.
2. Базовая фильтрация статистики и некое скользящее среднее.
3. Система многофакторной фильтрации статистики и динамический выбор оптимальной модели прогнозирования, которые, как и система фильтрации, постоянно совершенствуются.
И правда, средняя точность прогноза с переходом от одного уровня на следующий действительно повышается. Перейти с первого на второй уровень развития достаточно просто, и при этом можно даже получить неплохой результат. Подъем со в второго на третий обычно занимает годы, а выгода будет уже не такая существенная, как в первый раз. На третьем уровне необходим уже отдельный штат сотрудников, мощные сервера для расчетов, дорогое программное обеспечение и т.д. И все это лишь для того, чтобы выжать каждый последующий процент увеличения точности прогноза.
Чем на самом деле является прогнозирование?
Прогнозирование — это вера в то, что будущее будет выглядеть также, как и прошлое. Те закономерности и тренды, которые работали вчера, будут работать и завтра. И, как вы уже догадались, это не так. Поэтому сложность достижения каждого последующего процента точности прогноза нарастает экспоненциально. Другими словами — достичь «точного» прогноза просто невозможно, не только математически, но и со стороны затрат или даже обычного здравого смысла.
Но только не говорите об этом начальнику отдела планирования :)
О боях с ветряными мельницами
Тем не менее, руководители не бросают попыток улучшить точность прогноза хоть на несколько процентов. Как пример, несколько «классических» подходов к решению проблемы прогноза:
• купить корпоративное обучение, чтобы поднять уровень знаний сотрудников,
• нанять известного эксперта/математика или закупить новое оборудование/программный продукт,
• провести другие мероприятия, с помощью которых уже в этом году появится возможность победить «злых великанов».
Труд сотрудников, которые занимаются прогнозированием, обычно высоко ценится, поскольку они выполняют одну из самых сложных задач. Они постоянно работают на рубеже известного, совершенствуя свои расчеты и математические модели. От результатов их работы зависит направление деятельности всей компании, количество упущенных продаж и замороженные в запасах деньги. Также они косвенно влияют на объем продаж. Они находятся в постоянном поиске этого мифического баланса, который помогает извлечь максимум прибыли при минимальных инвестициях.
Сложность — лишь дым, в котором удобно прятаться от других, но легко задохнуться самому.
В классической системе от прогноза зависит сколько и когда мы будем производить, а от точности прогноза и наличия ресурсов — сколько излишних запасов нам придется держать и какой процент упущенных продаж нам придется терпеть.
Поэтому, когда вы спросите своих сотрудников, почему столько денег заморожено в запасах, они всегда смогут изысканно и очень сложно объяснить, что в данных условиях они делают лучшее из возможного. Они не пустословят, на их стороне математические расчеты: «Не верите нам — вот вам данные — рассчитайте лучше сами». Скорее всего, ни у кого в компании не получится составить лучший прогноз. Но дальнейшее совершенствование или поиск ошибок внутри системы с одновременным нарастанием сложности расчетов будет даваться все трудней даже самим разработчикам.
На практике был случай, когда система работала несколько лет с ошибкой в системных расчетах, но поскольку алгоритмы были сложными, практически никто из сотрудников не мог в них разобраться. Те сотрудники, которые стояли у истоков разработки алгоритмов уже либо не работали в компании, либо не помнили в точности, как это все функционирует, поскольку занимались другими разработками. Что интересно, все были искренне уверены, что на самом деле, система работает как-то по-другому. Как именно, у каждого было свое представление. Только после детального аудита системы, ошибка была обнаружена… Все это время компания теряла деньги из-за излишней сложности и непрозрачности математических расчетов.
Альберт Эйнштейн говорил: «Каждый образованный дурак может сделать вещь побольше и посложнее. Необходимо прикосновение гения и много отваги, чтобы двигаться в обратном направлении».
Тучи сгущаются
На самом деле, не только вы занимаетесь прогнозированием. Это любимое занятие всех звеньев цепи поставок от конечной точки продаж в ритейле и до поставщика сырья. И поскольку между звеньями цепи обычно нет свободного обмена информацией, то дистрибьютор считает, что то, что заказывает ритейл и есть реальный спрос. Но на самом деле это не так: если проанализировать структуру заказанного количества, мы увидим, что там есть много «страхового запаса», выкладка и еще какие-то дополнительные параметры.
Дистрибьютор, планируя свои запасы, прогнозирует продажи (отгрузки) и добавляет к ним некий страховой запас. Рассчитанное количество заказывается у производителя. Производитель планирует продажи (отгрузки), которые на самом деле состоят из некой искаженной формы прогнозируемого спроса ритейлом + страховой запас ритейла + страховой запас дистрибутора и, как вишенка на торт, — собственный страховой запас производителя… Как снежный ком, с каждым заказом далее по цепи поставок, понятие «спрос» обрастает искажениями в информации. И поскольку ми производим то, что спрогнозировали, то:
«Несущественные колебания в начале цепи поставок приводят к существенным колебаниям в ее конце». Этот феномен более известный как эффект кнута, отлично описан в книге Питера Сенге «Пятая дисциплина» на примере поставок пива.
Смотря проблеме в лицо
Поскольку бороться с последствиями тяжело, а с первопричинами на порядок проще, давайте попробуем понять, что же на самом деле нам мешает повысить эффективность. Действительно ли корень зла кроется в проблемах с прогнозом и эффекте кнута?
Проблемы с прогнозом?
Очень часто мы фокусируемся на «боях с ветряными мельницами», выпуская из фокуса базовые свойства прогноза:
1. Всегда неточен. Можно вести споры о проценте точности, но факт остается фактом.
2. Чем дальше в будущее, тем меньше точности. Прогнозируя на неделю вперед, используя средние продажи предыдущей недели, скорее всего прогноз будет более точен, чем прогноз на неделю, которая наступит через месяц, даже если в этом прогнозе использовать более утонченные модели прогнозирования.
3. Чем больше деталей, тем меньше точности. Спрогнозировать продажи сети магазинов проще, чем продажи на отдельной торговой точке. Спрогнозировать продажи по отдельному SKU за неделю проще, чем по тому же SKU, но в какой-то отдельный день недели.
Но если прогноз так уж плох, зачем мы его вообще используем?
Если клиент разместил заказ и готов ожидать месяц, а наш производственный цикл, с учетом закупки сырья равен трем неделям, то у нас нет необходимости прогнозировать. Получив заказ от клиента, мы можем просто закупить сырье и сделать то, что хочет клиент. И все это без лишних запасов и без упущенных продаж. Но поскольку время ожидания клиента короче производственного цикла, мы обязаны угадывать будущее. Поэтому прогноз — это попытка выиграть время, которого нам не хватает.
И еще один каверзный вопрос:
Действительно ли прогноз определяет уровень денег, которые заморожены в запасах?
Возможно, не стоит добиваться повышения точности прогноза, постоянно усложняя математические модели, игнорируя базовые свойства прогноза, а использовать их. К примеру, если бы мы сократили плечо поставки/производства, мы бы сократили и необходимость в «обычном»(между поставками) запасе продукции. И, поскольку, мы уменьшили плечо прогноза, увеличилась его точность (чем дальше в будущее, тем менее точен). Чем точнее прогноз, тем меньше страхового запаса необходимо.
Или другой пример: мы имеем «оптимальную» партию производства 1000 шт, при этом производственный цикл 1 день, среднедневные отгрузки — 10шт. Вопрос: поможет ли прогноз существенно снизить средний запас? Ответ будет: нет, поскольку, основной уровень запаса определяет «оптимальная» партия. Если мы хотим снизить запас — необходимо сократить размер «оптимальной» партии, что уже как-то конфликтует с самой концепцией «оптимальности». Возможно, есть другие критерии, определяющие оптимум партии…
Выстраивая всю систему от прогноза и излишне фокусируясь на нем, мы упускаем те возможности совершенствования и рычаги, которые действительно определяют уровень запасов, а именно — скорость реакции, кратность, релевантную информацию и только в последнюю очередь — прогноз продаж.
В поисках решения: Неужели прогноз не нужен совсем?
• Не нужен на операционном уровне. Использование прогноза приводит к тем негативным последствиям, которые описаны выше. Необходимо уйти от выталкивания (производства согласно с прогнозом с надеждой, что когда-то этот товар все-таки будет продан) к вытягиванию. Необходимо настроить систему так, чтобы если необходимо, мы могли произвести то, что реально хочет клиент. Ни больше, ни меньше. При этом, необходимо фокусироваться, в первую очередь, на надежности и скорости реакции производственной системы, и только тогда на повышении точности прогноза, поскольку он:
• Нужен, но на стратегическом уровне. Это необходимый инструмент стратегического планирования, учета макрофакторов и возникающих трендов. Он неплох для анализа и корректировки направления движения компании, планирования производственных мощностей, площадей, оборудования, транспорта, персонала и т.д.
Прогноз — это всего лишь инструмент со своими сильными и слабыми сторонами. Главное — не попасть под действие известной пословицы: «Если молоток — твой единственный инструмент, то для тебя все проблемы выглядят как гвозди».
Возможно не стоит тратить жизнь на поиски философского камня, пытаясь превратить свинец в золото — мы знаем, чем это закончилось. Секрет успеха — в более разумном использовании как свинца, так и того малого золота, которое имеется в наличии.
Исходя из описанных проблем, есть потребность в решении, которое:
1. Минимизирует искажения в информации и не передает их дальше по цепи, при этом планирует работу производства, исходя из реальных продаж, а не прогноза. Это позволит создать поток правильной информации, а как следствие и правильных материалов.
2. Позволит сократить плечо производственного планирования. А с помощью простой, но эффективной системы сигналов защитит поток правильной информации и материалов.
3. Увеличит ROI. Обеспечив бесперебойность потока, мы сможем уйти от «боев с ветряными мельницами» и сфокусироваться на вещах, которые действительно определяют уровень запасов и наличие необходимого сырья и комплектующих.
Как управлять запасами на основании спроса?
Если проанализировать все ключевые управленческие методологии со стороны влияния на поток, можем прийти к выводу, что они не противоречат, а дополняют друг друга. Соответственно, чтобы преуспеть в современных условиях, компании необходимо расширить свой набор управленческих инструментов.
Американские консультанты Керол Птак и Чед Смит в книге «Планирование материальных потребностей по Орлики», третье издание которой вышло в 2011 году, представили миру новую разработку — методологию управления запасами на основании спроса DDMRP. Эта концепция управления запасами во всей цепи поставок включает в себя лучшие компоненты из классической MRP, бережливого производства (Lean), Шести Сигм (6 Sigma), Теории Ограничений (ToC). Одна из ключевых заложенных идей — искать первопричину возникающих проблем и использовать только те инструменты, которые все еще актуальны и действительно работают. Методология призвана оптимально настроить прозрачный поток материалов и информации во всей цепочке поставок, позволяя держать только нужное количество запасов в стратегически важных точках.
Сама же методология состоит из 5-ти шагов:
1. Стратегическое позиционирование. Определяем где и надо ли вообще хранить запас.
2. Профили и уровни буферов. Отвечаем на вопрос: сколько запасов нужно хранить?
3. Динамическая настройка. По каким правилам должно изменятся количество запаса?
4. Заказы на основании реального спроса. Мы не производим, если не продадим в будущем.
5. Прозрачное и совместное исполнение. Простая, но эффективная система сигналов, которая позволит защитить производственный поток и работать на достижение общей цели — максимизации ROI.
Методология обрела популярность в западных компаниях, таких как Unilever, LG International, Oregon Freeze Dry и др. В этом кейсе описано, как одной западной компании удалось уменьшить запасы на 2 млн долларов, внедрив методологию DDMRP.
Комментарии (1)
2 мая 2017 в 19:28
0↑
↓
Хм. А детальное описание алгоритма и модулей интеграции есть? В таком виде — это просто красивые слова.
