Разделение вопросов о том, какой объем запасов необходимо держать и где именно их размещать, позволяет сформировать более четкие цели и входные данные для моделей ИИ, ускорить реагирование на сбои и более осознанно распределить экспертизу между командами планирования.
Авторы: Джастин Кендиг (Justin Kendig), главный менеджер по продуктам в области цепочек поставок, C3 AI, и Цзяньчэнь Ян (Jianchen Yang), ведущий специалист по работе с данными в области цепочек поставок, C3 AI.
Два наиболее важных решения в управлении запасами — это сколько запасов хранить и где их хранить. Они связаны между собой, но представляют собой разные типы проблем, и отношение к ним как к единому целому часто приводит к ненужной сложности, жесткости и замедлению времени реакции. Выбор объема запасов — это фундаментально проблема данных: прогнозирование спроса, моделирование неопределенности и расчет правильных параметров для повторного заказа. Выбор места хранения — то есть того, как запасы должны быть распределены по существующей сети заводов, распределительных центров и складов — это физическая проблема, ограниченная складскими площадями, трудовыми ресурсами и логистикой перемещения товаров.
На практике организации, занимающиеся планированием, обычно идут по одному из двух путей. Некоторые объединяют оба решения в единую модель многоэшелонной оптимизации запасов (MEIO), которая одновременно определяет количество и размещение по всей сети. Это обеспечивает определенную реальную координацию, но сопряжено с компромиссами: упрощенными допущениями по спросу и времени выполнения заказа, более медленным временем работы при масштабировании сети, общим циклом планирования для двух решений, которые меняются с разной скоростью, и отсутствием возможности обновить один ответ без перезапуска другого. Другие подходы оптимизируют каждый склад изолированно, что обеспечивает быстрые сроки, но приводит к дублированию страховых запасов на разных площадках и сводит на нет преимущества объединения спроса с точки зрения сетевого обзора. Ставки в любом из этих подходов высоки: избыточный оборотный капитал, замедленная реакция на сбои и рекомендации, которые планировщикам трудно объяснить или взять на себя.
Поскольку эти два решения часто меняются с разной скоростью, относятся к разным командам и лучше подстраиваются под разные инструменты, их лучше решать как раздельные, но скоординированные задачи. Такое разделение позволяет моделям количества обновлять страховые запасы, точки перезаказа и другие целевые показатели запасов так часто, как этого требуют условия спроса и предложения, в то время как модели размещения работают в более долгосрочных циклах, подходящих для сетевых решений, мощностей и уровня обслуживания.
Это разделение формирует четко определенные цели, входные данные, зоны ответственности и циклы обновления для каждой модели (что упрощает обучение, управление и повышение доверия к рекомендациям ИИ), а также обеспечивает более быстрое реагирование на сбои и более осознанное распределение экспертизы между командами планирования. В этой статье анализируется ценность разделения количества и размещения запасов при планировании цепочек поставок, а также объясняется, как C3 AI Inventory Optimization, наше приложение для цепочек поставок на базе ИИ, было спроектировано на основе этих принципов разделения.
Рисунок 1: Разделив вопросы о том, какой объем запасов необходимо держать и где их размещать, организации могут реализовать принципиально более интеллектуальную стратегию планирования. Это разделение упрощает повседневные операции, создает более чистые входные данные для ИИ и расширенной аналитики, повышает оперативность и масштабируемость при изменении условий, формирует более гибкую и устойчивую цепочку поставок, а также позволяет различным ролям вносить вклад в виде экспертизы, наиболее актуальной для их сферы.
Операционная простота: обновление систем против перепланировки пространства
Одна из весомых причин для разделения вопросов «сколько» и «где» сводится к простому принципу: эти два решения далеко не одинаково легко реализовать. Корректировка объема хранимых запасов — это в основном цифровая задача. Большинство компаний используют системы планирования потребности в материалах (MRP) или планирования ресурсов предприятия (ERP), которые позволяют быстро обновлять точки перезаказа, уровни страховых запасов и сроки выполнения заказов. Эти изменения могут быть внедрены за считанные минуты и протестированы с течением времени с минимальными сбоями.
Напротив, решение о том, где хранить запасы, представляет собой сложную физическую головоломку, которая включает в себя реальные ограничения, такие как площадь склада, конфигурация стеллажей, доступность рабочей силы и правила техники безопасности. Перераспределение мест хранения запасов часто требует координации между отделами, физического перемещения товаров, а иногда и изменения инфраструктуры. Это делает решения о размещении гораздо более жесткими и дорогостоящими в корректировке. Разделение этих двух аспектов позволяет предприятиям сохранять гибкость в отношении уровней запасов и в то же время принимать более взвешенные, долгосрочные решения относительно физического хранения.
Решения по количеству могут приниматься быстрее, чем решения по размещению
Когда происходит всплеск спроса или возникают сбои в поставках, компаниям необходимо реагировать в течение нескольких часов. Если количество и местоположение запасов жестко связаны, изменение в одной области запускает каскад корректировок в другой, замедрая реакцию. Разделение этих понятий позволяет предприятиям масштабировать уровни запасов независимо от физической планировки. Внезапный скачок спроса можно нивелировать за счет корректировки точек перезаказа без необходимости переконфигурации склада. Такая гибкость имеет значение в отраслях с волатильным спросом или частым появлением новых продуктов, таких как потребительская электроника, быстрая мода и автомобильные запчасти.
Эти два решения также работают по разным часам. Вопрос о том, сколько хранить, — это быстро меняющееся решение, которое лучше пересматривать еженедельно или даже ежедневно по мере изменения спроса, предложения и проведения акций. Вопрос о том, где хранить, — это более медленное и стратегическое решение, которое обычно пересматривается ежеквартально, ежегодно или при возникновении серьезных изменений, таких как запуск нового продукта или открытие нового распределительного центра. Свяжите их вместе, и быстрое решение станет заложником цикла проверки медленного решения — или медленное решение будет пересматриваться каждый раз при изменении спроса. Разделите их, и каждое сможет развиваться в своем естественном темпе. Такая независимость также открывает возможности для современных моделей распределенного выполнения заказов, таких как микрораспределительные центры или прямая доставка (drop-shipping), когда запасы хранятся в множестве небольших локаций ближе к клиенту.
Количество и размещение относятся к ведению разных команд
Вопрос соотношения количества и размещения можно разделить на основе сферы ответственности различных ролей, участвующих в планировании запасов. Планировщики спроса или планировщики запасов определяют, сколько запасов необходимо хранить. Их фокус сосредоточен на прогнозировании, стратегии пополнении и поддержании уровня обслуживания. Менеджеры по логистике или команды складских операций решают, где физически хранятся запасы. Они управляют использованием пространства, эффективностью труда и транспортной логистикой.
Разграничение этих обязанностей позволяет каждой команде сосредоточиться на своей области экспертизы, использовать наиболее подходящие инструменты, разработанные для их рабочих процессов, и принимать более быстрые и взвешенные решения. Это также снижает межфункциональные трения и повышает подотчетность. Когда два решения переплетаются, зона ответственности размывается. Планировщики запасов оказываются втянуты в ограничения склада, которые они не контролируют, в то время как команды логистики занимаются перепроверкой математических расчетов запасов, которые не входят в их компетенцию. Четкие границы устраняют это пересечение: каждая команда отвечает за то решение, на которое она может повлиять, поэтому передача дел остается прозрачной, а разногласия имеют четкого владельца, вместо того чтобы превращаться в межотделомские противостояния.
Специализированные модели превосходят единую модель при решении обеих задач
Традиционные модели многоэшелонной оптимизации запасов (MEIO), которые одновременно определяют уровень запасов на нескольких этапах (эшелонах) сети цепочки поставок, пытаются ответить сразу на два вопроса: сколько и где. Такие модели часто опираются на упрощающие допущения о вариативности спроса, распределении времени выполнения заказа и уровнях обслуживания, что может ограничивать точность их рекомендаций.
Рисунок 2: Данные реальных цепочек поставок редко подчиняются стандартным закономерностям распределения. Неопределенность времени поставки часто смещается в сторону задержек, дисперсия количества заказов может группироваться вокруг двух (или более) отдельных пиков, а не одного, а колебания спроса могут носить спорадический характер без предсказуемой центральной тенденции, и все это создает проблемы для моделей планирования, предполагающих нормальное распределение.
Разделение решений «сколько» и «где» позволяет создать более специализированное и точное моделирование. Приложение C3 AI Inventory Optimization, созданное нами на базе ИИ для оптимизации объема запасов и повышения уровня обслуживания, помогает командам по планированию запасов отвечать на оба этих вопроса. Чтобы ответить на вопрос «сколько», в приложении используются стохастические оптимизационные модели на базе ИИ, которые учитывают реальные неопределенности в сети, такие как спрос, время выполнения заказа, количество, прочие движения запасов (финансовые, качественные, проектные) и сезонность. Базовый подход к моделированию для задачи «сколько» представляет собой одноэшелонную стохастическую оптимизацию: процесс на основе симуляции, который моделирует изменение уровней запасов во времени, а затем применяет оптимизацию для определения параметров повторного заказа (страхового запаса, точки заказа, мин-макс уровней) для каждого продукта или местоположения, балансируя между затратами и уровнем обслуживания в условиях неопределенности.
Для решения вопроса «где» C3 AI Inventory Optimization использует несколько подходов на основе ИИ, которые рекомендуют размещение страхового запаса с учетом транспортных расходов, соглашений об уровне обслуживания и ограничений предприятий:
- Модель с гарантированным уровнем обслуживания (GSM) находит оптимальное размещение страхового запаса в многоэшелонной системе запасов в условиях ограниченного спроса и гарантированного времени обслуживания при минимизации затрат. Время обслуживания может быть настроено пользователем или оценено по сигналам спроса, таким как заказы на продажу и перемещение. Модель GSM широко изучалась в академических кругах и признана в промышленности, став основой для многих передовых инструментов управления цепочками поставок благодаря балансировке уровня обслуживания и затрат в многоэшелонных и крупномасштабных сетях.
- Стохастическая многоэшелонная оптимизация запасов с глубокими нейронными сетями (SMEIO DNN) совместно моделирует запасы по нескольким товарным позициям (SKU) и обучает глубокие нейронные сети распознавать соответствие между распределением спроса и времени выполнения заказа и оптимальными стратегиями пополнения запасов. Этот метод получает все большее распространение как в коммерческих платформах, так и в научных исследованиях с открытым исходным кодом, поскольку он лучше приспособлен для работы с временными рядами и моделирует больше источников неопределенности, чем только стохастический спрос.
- Совместное моделирование запасов с оптимизацией роем частиц (MEIO PSO) симулирует запасы по спецификации материалов или сети цепочки поставок: распределяя спрос сверху вниз по потоку, а затем запуская MRP-планирование, закупку, производство, отгрузку и используя оптимизаторы без использования градиентов для оценки и доработки возможных вариантов буферов количества. Поскольку этот подход использует входы с изменяющимися во времени параметрами и детально моделирует реальную сеть, он обеспечивает высокую прозрачность и объяснимость. Логика симуляции и вычислительные затраты могут возрастать, но тщательная валидация и распределенные вычисления позволяют минимизировать оба этих фактора.
Эти модульные подходы позволяют C3 AI Inventory Optimization применять наиболее подходящий инструмент к каждой конкретной задаче, а не заставлять универсальную модель решать их одновременно. Опираясь на многолетний опыт работы с цепочками поставок, мы заложили этот разделенный подход в архитектуру приложения, чтобы сохранить разделение рабочих процессов для задач «сколько» и «где». Вместо того чтобы заставлять одну модель идти на компромиссы при решении обоих вопросов, приложение сопоставляет каждое решение с наиболее подходящим методом: стохастическую оптимизацию на базе ИИ для работы с данными по вопросу «сколько» и специализированные модели размещения для физической задачи «где». Именно такое разделение позволяет сохранять точность рекомендаций при изменении условий, поддерживать чистоту исходных данных и дает возможность планировщикам принимать решения по одному вопросу, не дожидаясь результатов по другому.
Практическое применение оптимизации запасов на примере глобального производителя сварочного оборудования
Мировой лидер в производстве оборудования для сварки и резки, насчитывающий более 9 000 сотрудников, свыше 40 брендов и 20 производственных предприятий более чем в 140 странах мира, поддерживающий общий объем запасов на уровне примерно 470 млн долларов США, поставил перед собой задачу сократить излишки запасов без ущерба для их доступности. Существующий на предприятии процесс «План для каждой детали» распределял каждую пару товарная позиция–местоположение по одному из девяти сегментов пополнения, но он опирался на ручной сбор данных из электронных таблиц и разрозненных систем, поэтому уровни запасов обновлялись в лучшем случае раз в полгода и расходились между предприятиями. Компания обратилась к C3 AI Inventory Optimization для объединения этих данных и автоматической генерации оптимальных уровней страховых запасов и точек заказа.
Это классический пример решения вопроса «сколько» как отдельной задачи с данными — именно то разделение, за которое выступает этот блог. Система C3 AI Inventory Optimization объединила данные из двенадцати источников ERP в единый федеративный образ и выполнила стохастическую оптимизацию (более 25 миллионов симуляций для примерно 2 000 быстро оборачиваемых пар товарная позиция–местоположение), чтобы определить оптимальный размер страхового запаса и точек заказа с учетом реальной изменчивости спроса и поставок. В ходе 12-недельного проекта на восьми североамериканских предприятиях было выявлено потенциальное сокращение запасов на 26% при одновременном повышении доступности материалов на 0,5%, причем рекомендации поступали прямо обратно в ERP и могли обновляться ежедневно. Поскольку решение по количеству оптимизировалось автономно с высокой частотой и без необходимости переконфигурации складов, компания смогла снизить объемы хранимых запасов, сохранив стабильный уровень обслуживания. Благодаря внедрению C3 AI Inventory Optimization на предприятиях в Северной Америке компания выявила потенциал снижения стоимости запасов на 10 млн долларов США.
Что это означает для специалистов по планированию цепочек поставок
Рассмотрение вопроса о том, сколько запасов держать на складе и где именно их размещать, как единой задачи кажется интуитивным — в конце концов, это один и тот же запас. Но это заставляет одну модель, один ритм и одну команду выполнять две принципиально разные работы. Разделение этих задач делает каждую из них проще. Решение о количестве можно переоптимизировать в цифровом виде и часто, в собственном быстром темпе, в то время как решение о размещении получает более медленное и взвешенное внимание, которое ему требуется. Каждая задача закрепляется за отвечающей за нее командой, и каждая обрабатывается моделью, созданной с учетом ее природы: стохастическая оптимизация для работы с данными о том, «сколько», и специализированные модели размещения для физической задачи «где». Именно такой подход заложен в C3 AI Inventory Optimization, и результатом становится цепочка поставок, которая реагирует быстрее, содержит меньше запасов и поддерживает стабильный уровень обслуживания — именно это увидел производитель сварочного оборудования, когда разделил эти два процесса. Относитесь к ним как к двум разным проблемам, какими они и являются, и вся цепочка поставок станет быстрее, эффективнее и устойчивее.
Узнайте больше о C3 AI Inventory Optimization и свяжитесь с нами, чтобы запланировать демоверсию и посмотреть, как это применимо к вашей цепочке поставок.
Прочитайте об исследованиях и достижениях C3 AI в области управления запасами на основе ИИ.
Об авторах
Джастин Кендиг (Justin Kendig) — главный менеджер по продуктам в области цепочек поставок в компании C3 AI, отвечает за разработку продуктов для цепочек поставок. До прихода в C3 AI его профессиональный опыт включал работу в сфере цепочек поставок и закупок в производственной и розничной отраслях. Джастин получил степень бакалавра наук в области машиностроения в Мичиганском технологическом университете, степень магистра наук в области машиностроения в Университете Брэдли и степень магистра наук в области прогнозной аналитики в Северо-Западном университете.
Цзяньчэнь Ян (Jianchen Yang) — ведущий специалист по работе с данными в C3 AI, специализирующийся на разработке и внедрении моделей машинного обучения и оптимизации для управления цепочками поставок и товарно-материальными запасами. Обладая солидным опытом в области симуляции и прогнозного моделирования, он внес свой вклад в реализацию многочисленных клиентских проектов по внедрению C3 AI Inventory Optimization, обеспечивая индивидуальные решения для различных бизнес-потребностей. Цзяньчэнь получил степень доктора философии (Ph.D.) в области биомедицинской инженерии в Техасском университете в Остине.
