Отделение вопроса о том, сколько запасов держать, от вопроса о том, где их хранить, позволяет сформировать более четкие цели и входные данные для моделей ИИ, ускорить реагирование на сбои и более осознанно распределить компетенции между командами планирования.
Авторы: Джастин Кендиг (Justin Kendig), главный директор 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 это задачи разного рода, и рассмотрение их как единой проблемы часто приводит к излишней сложности, жесткости и замедлению времени реакции. Выбор объема запасов — это по своей сути задача анализа 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 — является физической задачей, ограниченной складскими площадями, трудовыми ресурсами и логистикой перемещения товаров.
На практике компании обычно выбирают один из двух путей. Некоторые объединяют оба решения в единую многоэшелонную модель оптимизации запасов (MEIO), которая одновременно определяет количество и размещение по всей сети. Это обеспечивает определенную степень координации, но сопряжено с компромиссами: упрощенными допущениями по спросу и времени выполнения заказа, более медленным выполнением расчетов в масштабах сети, единым графиком планирования для двух решений, которые меняются с разной скоростью, и отсутствием возможности обновить один показатель без перезапуска другого. Другие подходы оптимизируют каждый склад изолированно, что обеспечивает быстрый цикл планирования, но приводит к дублированию страхового запаса на разных объектах и сводит на нет преимущества сетевого объединения спроса. Ставки в обоих случаях высоки: избыточный оборотный капитал, замедленная реакция на сбои и рекомендации, которые планировщикам трудно объяснить или за которые трудно нести ответственность.
Поскольку эти два решения часто реализуются с разной скоростью, относятся к сфере ответственности разных команд и требуют разных инструментов, лучше всего решать их как отдельные, но координируемые задачи. Такое разделение позволяет моделям количества обновлять страховой запас, точки заказа и другие целевые показатели запасов так часто, как этого требуют условия спроса и предложения, в то время как модели размещения работают в более длительном цикле, подходящем для принятия решений по сети, мощностям и уровню обслуживания.
Это разделение создает четко определенные цели, входные данные, зоны ответственности и циклы обновления для каждой модели (что упрощает обучение, управление и обеспечение доверия к рекомендациям ИИ), а также обеспечивает более быструю реакцию на сбои и более осознанное распределение компетенций между командами планирования. В этой статье анализируется ценность разделения количества и местоположения запасов при планировании цепочек поставок, а также объясняется, как приложение C3 AI Inventory Optimization, работающее на базе искусственного интеллекта, было спроектировано на основе этих принципов.
Рисунок 1: Разделив вопросы о том, сколько запасов необходимо удерживать и где их размещать, организации могут применять принципиально более разумную стратегию планирования. Такое 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 специалистам с разными ролями вносить вклад, наиболее актуальный для их сферы.
Операционная простота: обновление систем против перепланировки пространства
Одна из главных причин разделить вопросы «сколько» и «где» сводится к простому принципу: эти два решения далеко не одинаково легко реализовать. Корректировка объема 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 заказа, уровни страхового запаса и сроки выполнения заказов. Эти изменения могут быть внедрены за считанные минуты и протестированы с течением времени с минимальными сбоями.
Напротив, определение мест хранения запасов — это сложная физическая задача, включающая такие реальные ограничения, как складские площади, конфигурация стеллажей, доступность рабочей силы и правила техники безопасности. Перераспределение мест хранения часто требует координации между отделами, физического перемещения товаров, а иногда и изменения инфраструктуры. Это делает решения о размещении гораздо более жесткими и дорогостоящими в реализации. Разделение этих задач позволяет компаниям сохранять гибкость в отношении уровней запасов и одновременно принимать более взвешенные, долгосрочные решения в отношении физического хранения.
Решения об объемах могут приниматься быстрее, чем решения о размещении
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 вызывает череду корректировок в другой, замедрая реакцию. Разделение этих параметров позволяет компаниям масштабировать уровни запасов независимо от физической компоновки. Внезапный скачок спроса может быть покрыт за счет корректировки точек заказа без необходимости реконфигурации склада. Такая гибкость имеет решающее значение в отраслях с волатильным спросом или частым внедрением новых продуктов, таких как потребительская электроника, быстрая мода (fast fashion) и автомобильные запчасти.
Кроме того, эти два решения функционируют по разным временным циклам. Объем запасов — это быстро меняющийся показатель, который лучше пересматривать еженедельно или даже ежедневно по мере изменения спроса, предложения и проведения промоакций. Место хранения — 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. Если объединить их, быстрое решение станет зависимым от цикла пересмотра медленного решения — или же медленное решение будет постоянно меняться при каждом колебании спроса. Если же их разделить, каждое из них сможет развиваться в своем естественном темпе. Такая независимость также открывает возможности для современных моделей распределенного выполнения заказов, таких как микро-распределительные центры или прямая доставка (drop-shipping), когда запасы хранятся во множестве небольших пунктов ближе к клиенту.
Количество и местоположение находятся в ведении разных команд
Вопрос соотношения количества и местоположения можно разделить исходя из сферы ответственности различных ролей, участвующих в планировании запасов. Менеджеры по планированию спроса или запасов определяют, какой объем запасов необходимо поддерживать. Их фокус сосредоточен на прогнозировании, стратегиях пополнении запасов и поддержании уровней обслуживания. Менеджеры по логистике или команды складских операций решают, где запасы хранятся физически. 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 уровень ответственности. Когда оба решения переплетены, зона ответственности размывается. Планировщики запасов оказываются вовлечены в решение проблем со складскими ограничениями, которые они не контролируют, в то время как команды логистов перепроверяют расчеты по запасам, которые не входят в их компетенцию. Четкие границы устраняют это пересечение: каждая команда отвечает за то решение, на которое она может повлиять, благодаря чему передача задач остается прозрачной, а разногласия имеют четкого владельца, а не превращаются в межотраслевые противостояния.
Специализированные модели превосходят единую модель, решающую обе задачи
Традиционные модели многоэшелонной оптимизации запасов (MEIO), которые определяют уровни запасов на нескольких этапах (эшелонах) сети поставок одновременно, пытаются ответить на вопросы «сколько» и «где» одновременно. Эти модели часто опираются на упрощающие допущения о вариативности спроса, распределении сроков выполнения заказов и уровнях обслуживания, что может ограничивать точность их рекомендаций.
Рисунок 2: Реальные данные цепочки поставок редко следуют стандартным шаблонам распределения. Неопределенность времени поставок часто смещается в сторону задержек, дисперсия объема заказов может группироваться вокруг двух (или более) выраженных пиков вместо одного, а колебания спроса могут возникать спорадически без какой-либо предсказуемой центральной тенденции — все это создает трудности для моделей планирования, предполагающих нормальное распределение.
Разделение решений «сколько» и «где» позволяет использовать более специализированное и точное моделирование. C3 AI Inventory Optimization, наше приложение на базе ИИ, созданное для оптимизации размера запасов и повышения уровня обслуживания, помогает командам планирования запасов ответить на оба вопроса. Чтобы ответить на вопрос «сколько», приложение использует модели стохастической оптимизации на основе ИИ, которые учитывают реальные неопределенности сети, такие как спрос, время выполнения заказа, количество, другие перемещения запасов (финансовые, качества, специфические для проекта) и сезонность. Основной подход к моделированию для решения задачи «сколько» — это одноэшелонная стохастическая оптимизация: процесс на основе имитационного моделирования, который воспроизводит изменение уровней запасов во времени, а затем применяет оптимизацию для определения параметров повторного заказа (страховой запас, точка перезаказа, уровни мин-макс) для каждого продукта или локации, балансируя затраты и уровень обслуживания в условиях неопределенности.
Для ответа на вопрос «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 объектов. К ним относятся:
- Модель гарантированного обслуживания (GSM) находит оптимальное размещение страхового запаса в многоэшелонной системе запасов при ограниченном спросе и гарантированном времени обслуживания, минимизируя при этом затраты. Время обслуживания может быть настроено пользователем или оценено на основе сигналов спроса, таких как заказы на продажу и заказы на перемещение. GSM широко изучена в академической среде и признана в промышленности, образуя основу многих передовых инструментов для цепочек поставок благодаря балансировке уровня обслуживания и затрат в многоэшелонных и крупномасштабных сетях.
- Стохастическая многоэшелонная оптимизация запасов с использованием глубоких нейронных сетей (SMEIO DNN) совместно моделирует запасы по нескольким SKU и обучает глубокие нейронные сети отображению распределений спроса и сроков выполнения заказов на оптимальные политики пополнения. Данный подход становится все более популярным как в коммерческих платформах, так и в исследованиях с открытым исходным кодом, поскольку он лучше подходит для работы с временными рядами и моделирует больше источников неопределенности, чем только стохастический спрос.
- Совместное моделирование запасов с оптимизацией роем частиц (MEIO PSO) моделирует запасы по спецификации материалов (BOM) или сети цепочки поставок: распределяя спрос от нижних уровней к верхним, затем выполняя MRP-планирование, закупки, производство, отгрузку и используя безградиентные оптимизаторы для оценки и уточнения кандидатов на решения по буферам количества. Поскольку этот подход принимает изменяющиеся во времени входные данные и точно имитирует реальную сеть, он обеспечивает высокую прозрачность и объяснимость. Логика моделирования и вычислительные затраты могут значительно возрастать, но тщательная валидация и распределенные вычисления сглаживают обе эти проблемы.
Эти модульные подходы позволяют C3 AI Inventory Optimization применять наиболее подходящий инструмент для каждой задачи вместо того, чтобы заставлять универсальную модель решать обе. Опираясь на многолетний опыт в сфере цепочек поставок, мы заложили этот разделенный подход в архитектуру приложения, чтобы сохранить независимость рабочих процессов «сколько» и «где». Вместо того чтобы заставлять одну модель идти на компромисс при ответе на оба вопроса, приложение связывает каждое решение с наиболее подходящим для него методом: стохастическую оптимизацию на базе ИИ для информационной задачи «сколько» и специализированные модели размещения для физической задачи «где». Именно такое разделение позволяет сохранять точность рекомендаций при изменении условий, поддерживать чистоту исходных данных и позволяет планировщикам принимать одно решение, не дожидаясь другого.
Оптимизация запасов на практике у мирового производителя сварочного оборудования
Мировой лидер в области оборудования для сварки и резки с более чем 9 000 сотрудников, более чем 40 брендами и 20 производственными площадками в более чем 140 странах, удерживающий глобальные запасы на сумму около 470 миллионов долларов США, поставил перед собой цель сократить избыточные запасы без ущерба для их доступности. Существовавший в компании процесс «Plan for Every Part» классифицировал каждую пару «SKU-локация» по одной из девяти категорий пополнения, однако он опирался на ручной сбор данных из электронных таблиц и нескольких систем, поэтому уровни запасов обновлялись в лучшем случае каждые шесть месяцев и расходились между объектами. Компания обратилась к C3 AI Inventory Optimization, чтобы объединить эти данные и автоматически генерировать оптимальные уровни страхового запаса и точек перезаказа.
Это вопрос «сколько», рассматриваемый как отдельная задача работы с данными — именно то разделение, о котором идет речь в этой статье. C3 AI Inventory Optimization объединила двенадцать источников данных ERP в единую федеративную картину и выполнила стохастическую оптимизацию (более 25 миллионов симуляций для примерно 2 000 быстрооборачиваемых пар «SKU-локация»), чтобы оптимизировать размеры страхового запаса и точек перезаказа с учетом реальной вариативности спроса и поставок. В рамках 12-недельного проекта на восьми предприятиях в Северной Америке решение выявило возможность сокращения запасов на 26% при одновременном повышении доступности материалов на 0,5%, при этом рекомендации поступали напрямую обратно в ERP и могли обновляться ежедневно. Поскольку решение по количеству оптимизировалось в собственном быстром ритме без необходимости переконфигурации складов, компания смогла сократить запасы, сохранив уровень обслуживания на стабильном уровне. Благодаря внедрению C3 AI Inventory Optimization на североамериканских предприятиях компания выявила потенциальное снижение стоимости запасов на 10 миллионов долларов.
Что это означает для планировщиков цепочек поставок
Рассмотрение вопроса о том, сколько запасов хранить и где их размещать, как единой задачи кажется интуитивным — в конце концов, это единый запас. Но это заставляет единую модель, единый ритм и единую команду выполнять две принципиально разные задачи. Их разделение делает каждую из них проще. Решение об объеме можно переоптимизировать в цифровом виде и часто, в его собственном быстром ритме, в то время как решение о месте размещения получает более медленное и взвешенное внимание, которого оно заслуживает. Каждое из них закрепляется за соответствующей командой, и каждое обрабатывается моделью, созданной с учетом его природы: стохастическая оптимизация для задачи о том, «сколько», и специализированные модели размещения для физической задачи о том, «где». Именно такой подход заложен в C3 AI Inventory Optimization, и результатом становится цепочка поставок, которая реагирует быстрее, требует меньше запасов и поддерживает стабильный уровень обслуживания — именно это увидел производитель сварочного оборудования, когда разделил эти два понятия. Относитесь к ним как к двум разным задачам, которыми 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 демонстрацию и увидеть, как это применимо к вашей цепочке поставок.
Прочитайте об исследованиях и достижениях C3 AI в области управления запасами на основе искусственного интеллекта.
Об авторах
Джастин Кендиг (Justin Kendig) — главный менеджер по продуктам в области цепочек поставок в C3 AI, отвечающий 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 ритейл-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 развертывании моделей машинного обучения и оптимизации для цепочек поставок и управления 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 разнообразных бизнес-потребностей. Цзяньчэнь получил степень доктора философии (Ph.D.) в области биомедицинской инженерии в Техасском университете в Остине.
