Проблемы цифровой трансформации: как разорвать круг избыточных запасов и дефицита
Aland Group — китайская контрактная организация по разработке и производству нутрицевтиков (CDMO) с предприятиями в Китае, США, Европе и Канаде. Её американская дочерняя компания IVC — один из крупнейших производителей витаминов по контракту в Северной Америке, работающий с ведущими розничными сетями и клубными магазинами. Под руководством Джейсона Шэна, директора по цифровым инновациям и ИИ, группа приступила к цифровизации цепочек поставок в обоих регионах.
В контрактном производстве у каждого заказчика свои требования, поэтому планировать запасы особенно сложно. По мере роста бизнеса Aland Group столкнулась с затратным парадоксом: одновременно возникали и излишки, и дефицит.
Избыточные и устаревающие запасы связывали капитал: основную часть излишков составляли 128 SKU класса A_Z, а 21 SKU долго оставался в жёлтой зоне. При этом для 23 ключевых SKU существовал высокий риск дефицита: по одной дорогостоящей позиции запасов хватало менее чем на два месяца, по другой — менее чем на месяц.
Совокупный объём запасов выглядел достаточным, но капитал был вложен в товары, не нужные рынку, тогда как востребованным товарам грозила нехватка. Этот «двойной ад» показал, насколько ограничен анализ общих запасов без понимания спроса на уровне SKU.
От математических иллюзий к надёжному планированию цепочки поставок
Первые попытки Aland Group оптимизировать параметры цепочки поставок выявили важную проблему: алгоритмы дают вводящие в заблуждение рекомендации, если исходные данные неполны или предположения не соответствуют реальности бизнеса. Это показали три примера.
Аномалия с покрытием запасов рыбьего жира в 265,6 месяца. Алгоритм V1 признал ключевой продукт с омега-3 неликвидом и оценил запас более чем в 22 года. Операционный директор в США спросил: «Мы отгружаем этот продукт каждый день. Как у нас может быть запас на 22 года?» Алгоритм учитывал расход по производственным заказам, но пропускал прямые оптовые продажи: расчётное потребление составляло всего 37,9 кг в месяц вместо фактических 15 658 кг. После добавления недостающих данных покрытие запасов стало нормальным — 0,7 месяца.
Неверная классификация товаров класса Z. Механизм классификации XYZ считал месяцы без зарегистрированной активности периодами нулевого спроса, искусственно завышая коэффициент вариации (CV) для новых товаров. В результате относительно стабильные товары попадали в нестабильный класс Z, а система не формировала страховой запас, повышая риск дефицита. Если начинать историю спроса с месяца первой отгрузки, число SKU класса Y выросло с 10 до 18, а классификация стала лучше соответствовать опыту планировщиков.
Чрезмерно высокие минимальные объёмы заказа (MOQ). Изначально отдел разработки и исследований определил MOQ как одну производственную партию, предполагая четыре–шесть запусков в год и недостаточно учитывая реальный коммерческий спрос. В крайних случаях покрытие превышало 20 месяцев. Для нутрицевтиков со сроком годности два–три года это создавало серьёзный риск излишков и устаревания.
Надёжная оптимизация требует большего, чем математические расчёты. Алгоритмы должны учитывать фактическое потребление, жизненный цикл продуктов и производственные ограничения, чтобы бизнес мог доверять рекомендациям.
Интеллектуальный центр цепочки поставок на платформе FanRuan
Вместо создания новой системы планирования потребности в материалах (MRP) или замены Oracle ERP Aland Group разработала интеллектуальный центр цепочки поставок — работающий рядом с ERP «мозг параметров» на базе ИИ.
Решение объединяет три ключевые возможности:
- Классификация спроса: матрица ABC × XYZ из девяти ячеек сегментирует 647 SKU по стоимости запасов и волатильности спроса.
- Восемь правил планирования: правила поддерживают производство на склад (MTS), производство под заказ с управлением рисками (MTO), контроль жизненного цикла и вывод новых продуктов (NPI).
- Интеграция спроса и ограничений производства: параметры учитывают рыночный спрос и реальные условия производства.
Ключевым достижением стал метод «рекомбинации двух сигналов», который согласовал предпочтение планировщиков использовать продажи готовой продукции с опорой производственной команды на данные производственных заказов.
Фактические отгрузки готовой продукции через спецификацию изделия (BOM) преобразуются в ежемесячное потребление сырья и задают базовый уровень спроса, отражающий активность рынка. Затем параметры уточняются с учётом производственных ограничений: MOQ упаковки, вариативности сроков поставки и ограничений капитала на основе ABC-классификации.
Такой подход связывает рыночный спрос с физическими возможностями производства и помогает алгоритму выдавать коммерчески значимые и выполнимые рекомендации.
Для объединения разрозненных данных из Oracle, систем управления жизненным циклом продукции (PLM), производственных заказов и таблиц Aland Group также создаёт единый уровень управления данными на базе FanRuan Data Foundation. Интеграция данных, управление ими и бизнес-аналитика (BI) создают более целостную основу для принятия решений по цепочке поставок. Инструменты BI FanRuan также выводят результаты алгоритмов — например, предупреждения о MOQ и показатели покрытия запасов — прямо на панели планировщиков и руководителей.
Ценность для бизнеса: сделать скрытые риски видимыми
Переход от V1 к V2 преобразил анализ цепочки поставок Aland Group и помог выявлять дисбаланс запасов и ранее незамеченные риски.
Примерно на 23% меньше капитала в избыточных и неликвидных запасах. Это помогло сократить средства, связанные в медленно оборачиваемых и устаревших товарах.
Больше SKU в анализе. Число анализируемых SKU выросло с 637 до 647: в анализ включили 10 новых продуктов, которые ранее не отслеживались.
Лучше видны риски дефицита. Число SKU с высоким риском нехватки выросло с 7 до 23. Джейсон Шэн поясняет: «Мы не создали новый риск. Все эти 23 позиции всегда были под угрозой. Версия 1 видела только 7 из них, потому что данных не хватало. Обновление ценно тем, что делает невидимое видимым».
Помимо численных улучшений, проект восстановил доверие между алгоритмом и командой планирования. Джейсон Шэн вспоминает: «Самый ценный результат был не только статистическим. Классификация наконец совпала с интуитивным пониманием планировщика. Когда алгоритм подтвердил опыт команды, отношение изменилось с “мы не решаемся этим пользоваться” на “мы можем это использовать”».
Вывод прост: алгоритмы приносят пользу, когда их рекомендации отражают реальные условия работы и доходят до тех, кто должен действовать.
Дальнейший путь: от «мозга параметров» к отраслевому агенту
Цифровая трансформация цепочки поставок Aland Group проходит три этапа.
«Мозг параметров» — текущий этап. Существующая система рассчитывает оптимальные параметры по запросу человека, а окончательное решение остаётся за бизнес-командами.
Сквозной агент — следующий этап. Компания планирует распространить оптимизацию на управление запасами сырья, разделить буферы запасов, учитывать экономичный размер заказа и применять обработку естественного языка (NLP), чтобы находить и группировать взаимозаменяемые материалы.
Отраслевое решение — долгосрочное видение. Aland Group стремится создать интеллектуальный центр цепочки поставок в формате SaaS, учитывающий особенности CDMO-производства, где одновременно существуют крупные и небольшие заказы клиентов.
Подводя итоги, Джейсон Шэн сформулировал принцип для руководителей цифровой трансформации в производстве: «Высшая форма ИИ-инструмента — не принять решение за вас, а показать затраты, которых вы раньше не замечали. Математика помогает нам понять цепочку поставок. Физика описывает, как она работает на самом деле. Но нельзя забывать, что её границы задаёт бизнес».
