Закон больших чисел в цепочке поставок

В математике закон больших чисел – это фундаментальный принцип теории вероятностей, который гласит, что при многократном повторении случайного эксперимента среднее значение полученных результатов приближается к теоретическому среднему значению (математическому ожиданию) этого эксперимента.

Давайте упростим. Если вы бросите кубик один раз, вы получите 1, 2, 3, 4, 5 или 6. Это очень непредсказуемо. Если вы бросите один и тот же кубик 100 раз и вычислите среднее значение, вы получите примерно 3,5. Попробуйте, и вы увидите. Не верите? Бросьте кубик 10 000 раз и убедитесь сами. Вы также можете провести тестирование с помощью функции Random в Excel, что займёт меньше времени.

В цепочке поставок этот закон больших чисел очень важен. Он гласит, что чем больше вы собираете данных, тем меньше будет вариативность и, следовательно, неопределённость. Это играет решающую роль в вариативности цепочки поставок, позволяя компаниям более точно прогнозировать спрос.

У этого есть много преимуществ. Например, если вы составите прогноз на уровне семьи, он будет более надёжным, чем на уровне отдельных членов семьи. Агрегирование спроса уменьшает количество ошибок, что улучшает прогнозирование цепочки поставок. Возьмём пример: ваш прогноз по общим продажам футболок в Европе за июнь гораздо надёжнее, чем прогноз по продажам синей футболки размера S в миланском магазине в следующую среду.

Если вы можете хранить полуфабрикат, из которого можно сделать несколько вариантов готовой продукции, вам будет проще реагировать на случайный спрос на несколько вариантов с отсроченной дифференциацией продукции. Вариативность спроса, с которой вы сталкиваетесь при хранении запасов на центральном распределительном складе, ниже, чем во вторичных распределительных центрах и в магазинах. Сфокусировавшись на прогнозировании совокупного спроса, вы снизите вариативность.

Если вы храните товары на центральном складе, вы можете размещать их в магазинах как можно позже, в зависимости от фактического потребления. Это упростит обеспечение наличия нужного количества товаров на центральном складе для удовлетворения глобального спроса. Затем вы можете определить простую логику с низким уровнем риска для размещения товаров в нужном магазине или даже по принципу Click-and-Collect (купи в интернете и забери в магазине).

Любопытно, что многие программные решения работают в противоположном направлении. Например, традиционная логика DRP (план восстановления в случае аварийной ситуации) побуждает вас разрабатывать подробные наборы прогнозов – по странам, по магазинам, по клиентам, – а затем передавать эти требования вверх по цепочке с помощью логики, аналогичной расчёту требований MRP. Другими словами, мы прогнозируем на самом детальном уровне – то есть делаем максимально ошибочный прогноз, – а затем добавляем все эти ошибки вверх по цепочке, надеясь, что они компенсируют друг друга. Такой подход игнорирует ценность стратегий планирования спроса, ориентированных на агрегированные уровни.

Энтузиасты машинного обучения также продвигаются в этом направлении: чем больше у вас данных, тем точнее вы сможете связать причинно-следственные факторы – локальную рекламу, посещаемость в эти выходные, местную погоду и т. д. – чтобы модель ИИ могла делать выводы. Однако этот метод не учитывает закон больших чисел и снижение вариативности спроса.

Прогнозировать, что в миланском магазине в определённый день будет продаваться конкретный размер или цвет, не имеет смысла. На самом деле в этом квартале в миланском магазине может быть продано примерно 3 синих футболки размера S. Или 2. Или 1. Или ни одной. Или 6.

Хуже того, решения часто предполагают быстрое размещение запасов в наиболее подходящих местах, чтобы они были «как можно ближе к клиенту». Это приводит к тому, что запасов становится слишком много в неподходящих местах. Вместо этого оптимизация управления запасами должна основываться на принципах закона больших чисел и предусматривать централизацию запасов там, где спрос наиболее предсказуем.

Закон больших чисел прост и понятен, и он должен служить вам ориентиром при разработке вашей цепочки поставок и методов планирования:

Если вы сможете разместить точки разделения потоков выше по течению, на компонентах или полуфабрикатах, ваша реакция на случайный спрос будет более гибкой и надёжной, чем на готовой продукции. В этом и заключается суть управления вариативностью цепочки поставок.
Размещайте свои запасы в сети дистрибуции как можно позже, с короткими сроками выполнения заказов и исходя из текущего потребления. Это обеспечивает оптимизацию управления запасами.
Сфокусируйте свои прогнозы на агрегированных уровнях и позвольте детальному уровню реагировать на фактическое потребление. Такой подход повысит точность прогнозов в цепочке поставок. Убедитесь, что ваши местные отделы продаж и специалисты по планированию спроса не тратят время на прогнозирование непредсказуемых вещей.

Внедряя точки разделения, стратегии планирования спроса и уделяя особое внимание прогнозированию агрегированного спроса, вы можете значительно улучшить прогнозирование и эффективность цепочки поставок.

Автор: Бернард Милиан
Источник

Книга в подарок

Опубликована наша книга «Прорыв. Единственный путь развития бизнеса». Это бизнес-роман о производственном предприятии, столкнувшимся с «потолком» в своем развитии. Для прорыва в развитии руководству и персоналу приходится преодолеть собственные, выстраданные на опыте, но устаревшие убеждения. Читателю предлагается пройти через этот прорыв вместе с героями. Вы увидите трудности такой трансформации, осознаете природу сопротивления изменениям и реальный путь к таким изменениям.
Подпишитесь на наш Telegram-канал и получите книгу в подарок!

Получить подарок