Предиктивная аналитика в цепочках поставок: что показал кризис
Как пандемия проверила инвестиции в прогнозирование спроса и управление запасами - и что из этого вынести.
Последние несколько лет многие компании инвестировали в прогнозирование спроса и оптимизацию запасов с использованием машинного обучения. Аргументы были убедительные: снизить избыточные запасы, точнее планировать закупки, уменьшить случаи дефицита. В нормальных условиях это работало.
Март-апрель 2020 года стал стресс-тестом этих систем. Результаты неоднозначные.
Что не сработало
Большинство прогнозных моделей в цепочках поставок обучены на исторических данных с нормальным уровнем волатильности. Они умеют предсказывать сезонные колебания, реагировать на маркетинговые акции, учитывать праздничные пики.
Они не были обучены на паттернах пандемии - и не могли быть. Когда спрос на часть товаров вырос в несколько раз за неделю, а на другую часть рухнул - модели вышли за пределы своего рабочего диапазона. Прогнозы перестали быть полезными.
Системы, которые были автоматизированы полностью - автоматические заказы на основе прогноза без человеческого контроля - в этот период создали проблемы. Одни генерировали избыточные заказы на товары с выросшим спросом, которые поставщик не мог выполнить. Другие продолжали автоматически урезать заказы на товары, у которых спрос рос нестандартно.
Что сработало
Компании, которые использовали предиктивную аналитику как инструмент поддержки решений, а не как автопилот, прошли через кризис лучше. Модель предлагает - человек решает. В нормальных условиях это кажется неэффективным. В аномальных - оказывается правильной архитектурой.
Компании с хорошей видимостью цепочки поставок - те, кто знал состояние запасов у поставщиков, а не только у себя - лучше управляли рисками. Предиктивная аналитика здесь не всегда нужна: иногда достаточно просто видеть данные в реальном времени.
Быстрая перенастройка приоритетов оказалась важнее точности прогноза. Способность за несколько дней переключить фокус с одних товарных групп на другие зависела от гибкости операционных процессов, а не от качества алгоритмов.
Что это означает для инвестиций в аналитику
Несколько выводов, которые я считаю устойчивыми:
Прогнозные модели - это инструмент, а не замена суждению. В нормальных условиях они снижают когнитивную нагрузку и улучшают решения. В аномальных - они вспомогательны, и это надо принять.
Автоматизация с низким контролем опасна в кризис. Полная автоматизация операционных решений снижает затраты в стабильной среде. Но это цена: потеря способности быстро вмешаться, когда модель ошибается.
Видимость важнее прогноза. Знать текущее состояние - запасы, статус поставщиков, реальный спрос - ценнее, чем иметь красивый прогноз на три месяца вперёд. Инвестиции в data visibility окупаются лучше, чем в изощрённые прогнозные алгоритмы.
Разнообразие поставщиков - это не только риск-менеджмент. Компании с диверсифицированной цепочкой поставок имели больше возможностей для маневра. Это структурный вопрос, который аналитика может подсветить, но не заменить.
Кризис - плохое время для больших выводов. Но наблюдения, сделанные сейчас, стоит зафиксировать.