Что изменилось в цифровизации управления логистикой?
Как предикативная аналитика экономит миллионы на логистике
Что изменилось в цифровизации управления логистикой и как нейросети предсказывают изменение спроса? Традиционные системы планировании поставок проигрывают по скорости и точности прогнозов спроса ПО на основе Big Data.
Бизнес критично зависит от точных сроков поставок. OOS (out of stock, то есть отсутствие товара в запасе) звучит почти как SOS. Ведь сорванные сроки — это:
- недополученная прибыль с упущенных продаж;
- прямые убытки по штрафным санкциям;
- урон репутации компании;
- потеря рыночной доли.
Поставщику скорее простят чуть более высокие цены и даже проблемы с качеством товара, чем малейшие нарушения сроков. А соблюдать их в нынешних условиях стало еще сложнее, чем прежде. Из-за коронавирусных ограничений падение европейского рынка грузоперевозок составило 40%.
Конечно, такие форс-мажоры предсказать и учесть заранее невозможно. Зато многие другие факторы подлежат анализу, причем благодаря современным ИТ-решениям точность прогнозов спроса выросла. Разница в эффективности старых и новых технологий анализа слишком большая, чтобы считать рентабельность по средним валовым значениям. Инноваторы уже получают сверхприбыли там, где другие разоряются.
Давайте рассмотрим разницу между прежними и новыми подходами к планированию поставок.
Классическое планирование в логистике
Возьмем за точку отсчета средний, даже прогрессивный еще недавно уровень автоматизации планирования. В компании внедрена ERP (информационная система для управления ресурсами предприятия), ведется автоматизированный складской учет, все входящие данные от поставщиков, транспортно-логистических компаний также оцифровываются. Другими словами, бизнес располагает полной информацией о своих производственных мощностях, поставщиках, складах, поставках. Еще недавно такой уровень контроля считался эффективным и обеспечивал конкурентные преимущества.
Однако все программное обеспечение предыдущего поколения относится к классу учетных систем. Можно безукоризненно подсчитать фактически произошедшие события, свести бюджеты и балансы, оценить прибыли или убытки. Но даже на выполнение таких действий требуется время, причем в масштабе большого производства или торговой сети — значительное.
Кроме того, цепочка сбора данных и согласований слишком длинная. Для того, чтобы рыночная ситуация была учтена в графике производства, должно произойти слишком много событий:
- Получены и проверены данные о повышении спроса в определенных локациях.
- Сопоставлены складские запасы, товары в пути, сделаны выводы о росте потребностей.
- Произведена оценка реальности наращивания объемов производства с учетом возможностей поставщиков сырья и комплектующих.
- Наконец, пакет документов проходит все необходимые согласования — слишком поздно, потому что ситуация на рынке к тому времени снова изменилась.
Поэтому вместо упреждающих действий, как правило, приходилось реагировать с запаздыванием. Компании несли дополнительные издержки на большие резервные запасы, закладывали подстраховку по срокам поставок и оплачивали лишние возвраты, особенно для товаров с небольшим сроком годности. Мировой объем возвратов в 2021 году оценивается в $500 млрд.
К этому нужно добавить, что общий тренд потребительского рынка заключается в росте кастомизации. Значит, реагировать на изменения спроса нужно еще быстрее. Иначе бизнес теряет деньги дважды — сначала на упущенном ажиотажном спросе, потом на неликвидных товарных остатках после изменения рыночной конъюнктуры.
Предикативная аналитика нового поколения
С появлением систем, обрабатывающих Big Data, ситуация изменилась. Теперь есть возможность учитывать сразу множество разных данных, собираемых из разных источников. Например, компании могут одновременно оценивать спрос по промо-активностям, выпуску новых товаров, листингам, тендерам, разовым заказам, блокировкам, изменениям цен и т.д.
Главное отличие новой автоматизации логистики заключается в том, что она стала предикативной. То есть совершен скачок от учета к точным прогнозам спроса. Какие есть системы предикативной аналитики:
- Система прогностики и удаленного мониторинга «Прана» оценивает износ оборудования по цифровым двойникам, то есть без остановки и демонтажа — благодаря анализу математических моделей. Это позволяет заказывать и доставлять комплектующие заблаговременно, а также экономить на техническом обслуживании сложной техники.
- Предикативная аналитика для логистики Novo BI экономит производителю строительных смесей «Волма», производителю круп «Увелка», группе агропредприятий «Ресурс» и другим брендам сотни миллионов рублей за счет оптимизации цепочек поставок с прогнозированием спроса.
- Amazon и вовсе запатентовал доставку ДО заказа. Идея в том, что система анализирует поведение покупателей, и способна предсказать их поведение очень точно. Настолько, что риск лишних доставок ниже риска ошибки.
Суть автоматического планирования поставок нацелена как раз на производство. Появилась возможность ставить кастомизированные и оперативные производственные планы с учетом реального спроса. Причем под спросом понимается не только потребительский, но и потребности распределительных центров, конкретных торговых точек и магазинов с учетом их остатков, сезонных и календарных аномалий, зарезервированных товаров, лимитов для витрин, возвратов и других факторов.
Несмотря на очевидные преимущества предикативной аналитики в торговле, это только часть уравнения. Основные потери (и возможности для повышения рентабельности, соответственно) лежат в оптимизации полной цепочки поставок, начиная с производства.
Крупный поставщик брендов Procter & Gamble, Nestle, Nestle Purina, MARS и Wrigley — компания «Алиди». Она обслуживает больше 100 тыс. торговых точек в России, Беларуси, Казахстане, и входит в топ-5 крупнейших логистических операторов России.
По словам представителя компании, полная автоматизация цикла прогнозирования повысила точность на 45%, а скорость расчетов — в десятки раз. В результате случаи Out-of-Stock сократились на 10%, объем неликвидов снизился на 50%. Совокупный экономический эффект составляет сотни миллионов рублей в год.
Сам факт форс-мажора предсказать нельзя, потому что он по определению внесистемный. Однако оптимизация поставок в аналитике нового поколения реагирует очень быстро, как только факт нарушения планов стал известен. Например, в каком-то городе ухудшилась эпидемиологическая ситуация, и на месяц закрыли ТРЦ. Обработка Big Data работает в любом направлении. В таком случае:
- поступает сигнал о закрытии торговых точек;
- система тут же пересчитывает прогноз продаж по всему товарному ассортименту сети;
- оценивается доступность и рентабельность перераспределения товарных остатков по другим локациям;
- идут оповещения на производство о необходимости сократить выпуск определенных видов продукции;
- сразу же инициируются корректировки в запросах поставщикам, они также учитываются в планировании загрузки транспорта.
Для таких расчетов автоматически подбирается математическая модель, от которой можно ожидать большей эффективности с учетом новой ситуации на рынке. Поскольку обработкой данных занимаются самообучающиеся нейросети, корректировки прогнозирования даже с учетом новых и уникальных переменных быстро включаются в общее уравнение.
Динамическая перенастройка всей логистической системы, начиная с производства, особенно актуальна для компаний, занимающихся скоропортящейся продукцией. Например, Группа Агропредприятий «Ресурс» — крупная компания, лидер по производству мяса птицы, осуществляет поставки почти по всей территории России.
По оценке компании, внедренная система прогнозирования спроса позволила снизить объем продаж по сниженным ценам с истекающим сроком годности в два раза. Это значит, что увеличился реальный рост оборачиваемости товара, а компания не теряет на дисконтах.
Выгода для производителя складывается из прямой экономии на производственных, складских и транспортных издержках, а также из косвенных факторов. Например:
- сокращение трудоемкости при обработке отчетности;
- уменьшение ошибок в расчетах, за счет устранения человеческого фактора;
- повышение наглядности и точности отчетов для принятия более быстрых и верных решений. Компания экономит там, где раньше теряла.
В сложных рыночных условиях стабильных партнеров особенно ценят. Они получают кредит доверия, недосягаемый для новых игроков. Кроме того, оптимизация загрузки производства позволяет высвободить ресурсы для более агрессивного маркетинга. Таким образом, закалившиеся во время пандемии предприятия, которые модернизировали управление логистикой, могут надолго захватить лидерство.
Подробнее на РБК:
https://trends.rbc.ru/trends/industry/615f09c79a794765df29f645