Оптимизация управления цепочками поставок с ML-технологиями: как мы создаём инновационное решение для бизнеса
Привет! На связи команда стартапа AI S&OP, мы студенты крупнейшей (а так же лучшей) магистратуры по Искусственному Интеллекту от AI Talent Hub ИТМО. В нашей магистратуре есть очень крутая активность — проектный семинар, где необходимо весь семестр провести над разработкой какого-либо прикладного индустриального решения, а так же обосновать его коммерческую значимость. Для начала я хотел бы представить нашу команду, которая сформировалась в этом семестре для решения одной нетривиальной задачи, о которой речь пойдет дальше. Итак, AI S&OP это Сесоров Александр «YADRO» AI Benchmarking Engineer, Казанцев Арсений «Вита» Machine Learning Engineer, Карпова Дарья System Analyst BI подразделения и Гроза Артем «SimpleWine» Data Scientist.
Последние годы стали настоящим испытанием для бизнеса во всем мире. Пандемия, геополитические конфликты, климатические катаклизмы — эти «черные лебеди» перевернули с ног на голову привычные схемы работы. Особенно досталось сфере управления поставками. Старые добрые Excel-таблицы и интуиция менеджеров вдруг оказались бессильны перед лицом новых вызовов. Результат? Пустые полки, горы невостребованного товара и головная боль для владельцев бизнеса.
Если изучить текущий рынок решений прогнозирования для бизнеса, то можно обнаружить, что далеко не все используют машинное обучение в своих продуктах, а те, кто использует ставят высокую цену за внедрение и поддержку своих black-box решений.
С учетом всех новых вводных можно сразу понять, что при таких условиях малый и средний бизнес остается обделенным возможностью использовать наиболее актуальные технологии для оптимизации своей операционной деятельности. Тут и пришла идея реализовать AI S&OP — инновационное B2B SaaS-решение для оптимизации управления цепочками поставок, использующее передовые технологии машинного обучения и искусственного интеллекта, которое позволило бы не крупному бизнесу использовать data-driven подход, интеллектуально анализировать данные, но при этом платить адекватные деньги за работу, которую обычно выполняет целый отдел аналитики и машинного обучения. Кроме того, одной из ключевых концепций продукта является простота в использовании, чтобы любой не технический специалист мог интуитивно разобраться в сервисе и выбрать оптимальные инструменты под свои задачи.
Для кого мы стараемся?
Российский рынок программного обеспечения для управления цепочками поставок претерпел значительные изменения после ухода международных игроков. Образовавшуюся нишу быстро заполнили отечественные разработки (Goodsforecast, Novo BI, Астро SCM), но, проанализировав возможности, что они предоставляют, мы поняли, что большинство из них ориентированы на крупный бизнес и требуют значительных ресурсов для внедрения и обслуживания. На текущем этапе мы не хотим конкурировать с крупными игроками рынка, поэтому решили сосредоточить свое внимание на следующих сегментах:
— Владельцы и менеджеры малых и средних предприятий розничной торговли
— Руководители отделов логистики и управления запасами в компаниях среднего размера
— Инновационные стартапы, стремящиеся к оптимизации бизнес-процессов
Основные заинтересованные стороны включают в себя высшее руководство компаний (CEO, CFO, CIO), специалистов отделов управления цепочками поставок, логистики, продаж и маркетинга, а также IT-специалистов и менеджеров по закупкам и планированию запасов.
Из основных преимуществ нашего решения мы выделяем следующее:
1. Повышение доступности товаров в точках продаж
2. Оптимизация уровня товарных запасов
3. Автоматизация процессов пополнения запасов
4. Увеличение оборачиваемости товаров
Эти преимущества и легли в основу гипотез, которые мы хотим проверить на моменте бета-тестирования нашего сервиса.
В чем инновационность?
В проекте AI S&OP мы хотим предложить гибкий подход к внедрению:
1. On-premise решение: для компаний, предпочитающих локальное хранение данных. Как выяснили на моменте исследования аудитории, этот вариант все еще является достаточно востребованным среди компаний, беспокоящихся за конфиденциальность данных.
2. Облачное решение: подходит для торговых сетей различного масштаба, не требует приобретения дополнительного оборудования и ПО, возможно быстрое развертывание. С него мы и начали нашу разработку.
В технологический стек на этапе MVP мы включили следующее:
— Передовые модели машинного обучения для прогнозирования;
— Системы генерации отчетов на основе искусственного интеллекта;
— Интерактивные дашборды для визуализации данных.
Таким образом, подразумеваем, что наше решение позволит компаниям:
— Оптимизировать управление запасами;
— Сократить логистические расходы;
— Увеличить оборот и прибыль;
— Высвободить ресурсы для стратегического планирования и развития.
Как мы исследовали нашу аудиторию
Наша команда еще проводит каст-дев интервью (customer development) с выделенной целевой аудиторией, но уже на текущем этапе мы опросили пять представителей компаний (отдельная благодарность согласившимся менеджерам).
Целью интервью было определение основных проблем (или, как сейчас еще любят выражаться бизнес-аналитики, «болей» заказчиков), выяснение, какое ПО используют или используют ли вообще предприятия малого и среднего бизнеса, почему не хотят или хотят, но не получается, перейти на более современные решения.
Так мы выделили три основные гипотезы к проверке:
Гипотеза 1: Малые и средние компании испытывают значительные трудности в управлении цепочками поставок и нуждаются в доступных и простых в использовании решениях.
Результат: 70% подтверждение
Особенно полезным по этой гипотезе оказалось интервью с коммерческим директором одной петербургской компании (компания пожелала остаться анонимной), которая занимается щитовым оборудованием (ОКВЭД 27.12 Производство электрической распределительной и регулирующей аппаратуры) и является типичным представителем нашей целевой аудитории: количество работников не превышает 50 человек, довольно консервативное управление фирмой, средний возраст работников. По этому интервью мы узнали, что многие фирмы из их цепочек поставок (а это более десяти таких же компаний-партнеров) все еще остаются на уровне планирования поставок «в эксель», и что спрос на новые решения есть на уровне «неужели еще не придумали ничего новее». Всё как обычно: руководство хочет быстро, просто и не сильно затратно.
Гипотеза 2: Малые и средние компании предпочтут облачные решения из-за их гибкости, быстроты развертывания и отсутствия необходимости в значительных капитальных затратах.
Результат: 80% подтверждение
Облачные решения оказались предпочтительными для большинства респондентов компаний, которые не связаны с научной или интеллектуальной деятельностью. Из пяти опрошенных фирм только одна (как раз и занимающаяся разработками новых систем управления и имеющая более трех патентов) не была готова даже просто рассмотреть вариант возможности облачного хранения информации. Другие четыре компании отметили, что отсутствие необходимости в значительных капитальных затратах на IT-инфраструктуру для них является существенным преимуществом и что часть других процессов уже перенесена на облачные сервисы. Если мы хотим в дальнейшем охватить и сегмент «консервативных компаний», то, конечно, придется работать и над локальным решением.
Гипотеза 3: Переход на новое ПО может вызвать трудности, связанные с интеграцией и адаптацией пользователей, поэтому важна поддержка со стороны поставщика.
Результат: 50% подтверждение
Половина респондентов выразила опасения по поводу возможных трудностей, связанных с интеграцией нового программного обеспечения и адаптацией сотрудников — переход на новое ПО для работников, которые более десяти лет планируют поставки в эксель, должен быть постепенным и спокойным настолько, чтобы текущие бизнес-процессы не пострадали.
Также выцепили инсайт: после 2022 года, когда цепочки поставок усложнились, самым сложным оказывается соблюдать сроки поставок и планировать поставки наперёд, — в условиях неопределенности ужесточились штрафы за несоблюдение сроков исполнения контрактов.
Что мы хотим проверить после внедрения
Всё просто: мы хотим убедиться, что станет лучше. Мы предполагаем следующее, судя по уже проведенному альфа-тестированию нашего сервиса:
Использование AI/ML технологий улучшит точность прогнозов спроса на 20% по сравнению с текущими методами;
Автоматизация процесса пополнения запасов может сократить трудоемкость ручных корректировок на 30%;
Облачные решения могут сократить расходы на IT инфраструктуру на 25% по сравнению с on-premise решениями (конечно, только тем компаниям, которым это нужно).
Конкретно о технической части нашего проекта, о моделях, между которыми мы выбирали, архитектуре решения мы расскажем в следующей части.
