Управление цепями поставок: пользуемся принципом разумной достаточности

Придерживаясь принципа разумной достаточности при работе с массивами данных, можно без необходимости внедрения дорогостоящих технологий находить логику в цепочках поставок, запускать процессы по их оптимизации и, подчинив систему разуму, управлять эффективностью.

В 2016 году эксперты Seagate и IDC прогнозировали: через десятилетие будет зафиксирован 10-кратный рост объемов хранимой в мире информации. Согласно отчету исследователей, к 2025 году объем мировой информации должен достичь 163 зеттабайт. Учитывая мощный количественный рост и тот факт, что 52% хранимой информации приходятся на корпоративные системы, а оставшиеся 48% содержатся в памяти персональных компьютеров и развлекательных систем, назрела необходимость качественных изменений в организации среды для их сбора, хранения, систематизации и бизнес-анализа.

При этом меняется стратегия ведения конкурентной борьбы. В стремлении первыми завладеть доступом к информационному пространству крупные игроки рынка сегодня инвестируют огромные средства в исследования. Данные электронных карт лояльности, информация с веб-сайтов, машинное обучение при обработке медиа-файлов - весь неструктурированный поток собирается и кладется в основу алгоритмов прогнозирования и систем помощи принятия решений.

Однако не следует думать, что повсеместная работа в этом направлении свидетельствует о безоговорочной эффективности подхода. Причем в компаниях, не связанных напрямую с IT и телекоммуникациями, возникла некоторая подмена понятий, а на фоне набирающих популярность Big Data развился такой феномен, как карго-культ. В соответствии с рассуждениями автора статьи You Are Not Google ("Вы не Google"), по-настоящему большими данными располагают лишь компании-мировые лидеры, центрами обработки информации у которых являются громадные комплексы зданий. Microsoft, Facebook, Amazon и Google внедрили у себя технологии обработки Big Data как вынужденную меру, поскольку без этого бизнесу невозможно развиваться и предоставлять заявленный уровень сервиса. Остальные игроки просто слепо следуют за лидерами, массово внедряя аналогичные технологии, которые им по сути не нужны, поскольку фактически эти компании работают с относительно небольшими объемами информации.

В каждой отрасли понятие Big Data трактуется по-своему, поскольку критерии размерности данных везде свои. Тенденция прослеживается и в России, где многие представители бизнеса принимают активное участие в обсуждениях на тему больших данных. Так, со значительными пластами информации традиционно имеет дело банковский сектор, причем, его ключевые игроки уже не преследуют цель только усовершенствовать свои математические модели, - для усиления конкурентоспособности банки работают с большими объемами данных, решая одновременно целый ряд непрофильных задач. Производители и ритейл-компании, чья деятельность тесно связана с человеком (анализ поведенческих реакций покупателя, товарная выкладка) тоже стараются следовать тренду, так как их требования к методам сбора и обработки данных весьма высоки. Российский сектор информационно-коммуникационных технологий также ставит перед собой задачу повысить качество и производительность данных, которые поступают по нескольким каналам в различных форматах.

В Supply Chain (цепочки поставок) также обсуждается проблематика больших данных, так как в этой сфере признаки карго-культа прослеживаются особенно четко. Тот массив информации, что относится к цепочкам поставок, намного скромнее объемов банковского сектора или ритейла, но при этом степень его упорядочения довольно высока - почти вся предназначенная для обработки информация сосредоточена внутри корпоративной среды, а сотрудники работают с данными, ориентируясь на пошаговые инструкции.

В процессе обработки данных острым вопросом технического характера, и это касается не только для предприятий Supply Chain, является проблема децентрализации. Целые участки цепи поставок сейчас передаются на аутсорсинг, где данные каждого подрядчика имеют уникальные качества и представлены в индивидуальном формате. На базе одного предприятия склад, отдел транспортировки и производство могут функционировать в разных системах (Warehouse Management System, Transport Management System, Enterprise Resource Planning), но для формирования общей картины в части эффективности цепочки поставок нужно свести результаты их деятельности воедино. Механика обмена данными при этом настроена по большей части на документооборот, обмен транзакциями и аналогичные процессы, но не на объединение данных для их последующего анализа. В итоге системы кажутся консолидированными, но по факту - нет, поскольку информация в каждой достаточно обособлена.

В экспертной бизнес-среде считается, что дефицит средств на внедрение качественной IT-инфраструктуры и, как следствие, недостаток культуры взаимодействия с данными - это основные проблемы работы с данными. Подразделения, отвечающие за цепочки поставок, относятся к высокозатратному сегменту бизнеса, поэтому решение задач по сокращению издержек при сохранении высокого уровня сервиса являются основными факторами эффективности. Современным логистическим сетям стало сложно обходиться без TMS и WMS, и все же многие компании до сих пор предпочитают морально устаревшие системы. Даже крупные игроки продолжают работать с "1С", SAP и пр.

Эти продукты имеют ограниченный функционал и неплохо справляются со своими прямыми задачами, однако модуль аналитики, появившийся сравнительно недавно, может эффективно работать только внутри родной софверной системы. Порой аналитика настраивается лишь в каком-то одном модуле, что никак не решает проблемы получения взаимной связи между событиями. Как правило, бизнес не готов делать серьезные денежные вливания в обновление систем, в связи с чем сегодня большинство логистов организовывает работу с массивами данных посредством выгрузки отчетности в Excel. Департамент цепочек поставок, со своей стороны, не привлекает к работе инженеров и аналитиков, а в логистике задачи по оптимизации информационной системы под определенные процессы и наоборот решают специалисты по системному анализу и бизнес-аналитике.

Таким образом, в разрезе IT вся работа в сфере логистики ведется с учётом поддержания бесперебойной работы систем управления на фоне постоянно меняющихся физических процессов. Технологи и руководители складов заняты аналитикой, прогнозированием, планированием. Нередко составление отчетности - это доп. нагрузка на операционный персонал, работа ведется вручную, требования по скорости предъявляются высокие, а уровень владения Excel зачастую недостаточен. Все перечисленные признаки низкой культуры использования данных влияют на то, что отчетность формируется хоть и с достаточной быстротой, но вне соблюдения главных принципов: доступности, обогащенности, взаимосвязанности.

Приведём пример. Информация по среднему грузообороту на складе предприятия приводится в отдельной колонке отчета, несмотря на то, что цифра должна ссылаться на массив имеющихся данных по входу/выходу паллет. По факту, показатель высчитывается сотрудником склада вручную, по результатам ознакомления с данными, сосредоточенными внутри системы. Проверить, в какой степени эти расчеты корректны, без временных затрат невозможно, но обработанные таким образом данные принимаются как экспертные. При таком положении вещей возникает ряд проблем: временной лаг получения данных, человеческий фактор, дополнительная нагрузка на сотрудников, недостаточная прозрачность (сделанным вручную отчетам принято верить бездоказательно).

Работа логистики определяется не только системой управления. Существует достаточно внешних факторов, учет которых важен для бизнеса - от показателей производительности труда до погодных условий. Так, оценка внешних факторов может помочь определить зависимость транспортных задержек от погоды и точнее спрогнозировать колебания неравномерности оборота грузов, либо отследить процент поступившего брака, показатели производительности труда сотрудников, удельную стоимость обработки груза в режиме real-time. Своевременная и правильная оценка всех факторов позитивно влияет на эффективность логистической системы, но при этом требуется постоянно собирать, распределять и анализировать данные, обогащая их различного рода внешней информацией, параллельно оценивая результативность.

Современный рынок предлагает подборку доступных систем бизнес-аналитики. Решения, подобные Qliktech, Power BI и др., позволяют подсоединяться к разнообразным источникам информации, отбирать полезную, обрабатывать ее в режиме real-time и выдавать пользователю. Большинство решений с удобным пользовательским интерфейсом, так называемые системы Self service BI, ориентированы не на программистов, а на рядовых потребителей. Такие системы способны составить конкуренцию инновационным продуктам, не продающимся в "коробке" и представляющим собой набор технологий. Это библиотеки речи, инструменты для распознавания текста с изображений, брокеры данных и т. д.

Google, Microsoft, Facebook и "Яндекс" как раз работают с такими стеками технологий, настраивая их под задачи в индивидуальном режиме и выводя массовому потребителю такие востребованные продукты, как Google Analytics и Power BI. Но следует понимать, что у доминирующих игроков есть доступ к колоссальным объемам информации, в каких вовсе не нуждается организация цепочек поставок. Последние успешно решают свои задачи за счет менее дорогостоящих коробочных решений. Следует признать, что скорость внедрения здесь намного ниже, зато пользоваться такой системой может рядовой сотрудник без специальных знаний, а с обслуживанием базы данных справится штатный среднеквалифицированный "айтишник".

Понятно, что в таком аспекте не предполагаются прогнозирование или автоматизация принятия решений, но гарантируется совершенная наглядность процессов. Легкость внедрения, гибкость и простота использования делают его наиболее оптимальным и приемлемым вариантом для цепи поставок. При этом стоит отметить, что формат самообслуживания пользователя в BI системах - это только один из многих компонентов по увеличению эффективности использования данных.

Доступность

При "инновационном" подходе осуществлять работу с массивом под силу только программисту. Поэтому важна возможность быстрого доступа и использования нужных данных даже рядовым сотрудником. При соблюдении принципа доступности любой пользователь системы может оперативно получить ключ к актуальной информации и тестировать свои предположения. В этом разрезе внедрение Self service BI имеет громадное преимущество, так как пользователь получает наглядный доступ ко всей автоматически обновляемой базе и взаимодействовать с данными в динамике.

Обогащённость

Возможность включения разнообразных источников внешних данных обеспечивает взгляд на любое событие под разными углами зрения. При этом всякий показатель измерения эффективности нельзя воспринимать "как есть" - следует понимать причины, на фоне которых данный параметр приобретает то или иное значение, а это чаще всего зависит от целого ряда сложно поддающихся оценке факторов. Обогащая модель данных информацией, прямо либо косвенно способной влиять по показатели, можно точнее оценивать степень влияния различных факторов и разрабатывать комплексные меры повышения эффективности.

Взаимосвязанность

Нахождение всех пользователей системы в едином информационном поле гарантируется принципом неразрывности (взаимосвязанности) модели данных. Построение взаимосвязанной модели на нижнем уровне структуры является прочной основой для создания так называемой пирамидальной модели, где каждый из участников принимает персональные мерки эффективности, зная о влиянии критериев низших уровней.

Рассмотрим пример, демонстрирующий, как повышается скорость выявления и устранения проблем по всей цепи поставок. Эффективность цепочки поставок в регионе зависит от эффективности складской и транспортной логистик.

Эффективность складской логистики зависит от показателей эффективности каждого склада в регионе. Эффективность склада зависит от операционных показателей. Руководитель отдела по цепочкам поставок не может вникать в проблемы каждого склада в отдельности. Но в рамках единой информационной среды начальники складов могут отслеживать свои показатели, а региональный директор цепи поставок может вовремя получать информацию, на каком из складов имеет место проблема.

Работая с небольшим массивом информации, можно не внедрять дорогостоящих решений, но при этом находить закономерности и выдвигать гипотезы, запускать оптимизационные процессы и контролировать эффективность. Для этого нужно всего лишь следовать основным принципам работы с данными. Так, доступность данных позволит опытным специалистам использовать свою экспертизу по максимуму, предлагая гипотезы и решения с высокой скоростью. Взаимосвязанность и обогащенность данных позволит не только смотреть, как данные влияют на отдельно взятый процесс, но также оценивать в этом разрезе всю цепочку поставок. Такой подход, основанный на соблюдении принципа разумной достаточности, доступен сегодня любой по размеру компании, даже с ограниченными финансовыми возможностями и базовым уровнем IT-инфраструктуры.