Конечно, было бы идеально, если бы у нас всегда была возможность заказывать и доставлять от одной штуки (либо любой другой единицы использования), но в жизни этот идеал, к сожалению, не всегда достижим. Поэтому при расчете заказа мы должны учитывать влияние минимальной партии заказа для конкретного SKU и минимальной транспортной партии, установленной поставщиком или правилами компании.
В статье, посвященной расчету Целевого уровня буфера, я уже говорил о том, что нецелесообразно устанавливать ЦУБ на уровне менее чем полторы минимальной партии, установленной для конкретного SKU, и постарался дать этому объяснение.
Таким образом, работа при расчете заказа строится так:
Мы ежедневно получаем информацию о потреблении конкретного SKU в звене ниже по цепи поставок.
На основе этой информации мы рассчитываем потребность в пополнении. Если эта потребность меньше, чем установленная для SKU минимальная партия поставки, то мы не включаем ее в поставку, если эта потребность больше минимальной партии поставки, то мы округляем ее в соответствии с установленной кратностью поставки и включаем в поставку.
По всем SKU, включенным в поставку, проверяется, достаточна ли сформированная поставка по сравнению с установленной минимальной транспортной партией. Если суммарная поставка меньше минимальной транспортной партии, то мы не выполняем заказ/поставку, если она больше или равна ей, то мы округляем ее до установленной кратности поставки и формируем заказ/поставку.
При длинных сроках пополнения иногда оказывается целесообразным формировать заказ поставщику, не дожидаясь, пока потребность превысит минимальную партию поставки или минимальную транспортную партию, можно установить некоторый понижающий коэффициент, при превышении которого заказ формируется и округляется вверх до минимальной партии поставки или минимальной транспортной партии. В практике наших проектов при контейнерных поставках этот коэффициент вполне работоспособен на уровне 80–85% от минимальной партии.
Желательно, чтобы контроль за выполнением этих условий выполняла автоматизированная система, так как количество SKU может быть значительным, а транспортная партия может меняться от поставщика к поставщику. Разработанный и реализованный нами программно-методический комплекс NET Stock[1] поддерживает все методические нюансы, о которых я здесь рассказывал.
Эли Шрагенхайм опубликовал статью, которую они написали вместе с сыном Амиром Шрагенхаймом, посвященную возможностям сочетания Искусственного интеллекта и Теории ограничений.
Местами они повторяют то, что писали раньше, местами дают новые вводные. Есть даже место, где мне сильно хотелось поспорить. Но… Не здесь. Здесь место для оригинального текста авторов.
P.S.: “Очепятки” возможны, так как вычитывать времени не было. И это… очень “многа букафф”…
Эли и Амир Шрагенхайм
Любая мощная новая технология обладает потенциалом получения огромных выгод, но точно также она может причинить огромный ущерб. Поэтому обязательно нужно тщательно анализировать ее возможности. Мы считаем что обязанностью экспертов ТОС является провести такой тщательный анализ искусственного интеллекта (ИИ) и понять, как максимально извлечь из него выгоды, при этом исключив или значительно уменьшив возможные негативные последствия.
Современные системы ИИ способны делать предсказания, основываясь на больших объемах данных и моделируемых результатах, а также предпринимать какие-либо действия (как это делают роботы) или поддерживать человека в процессе принятия решений. Важным примером может выступать способность понимать язык, его реальные смыслы и генерировать разнообразные сервисы. «Опыт» создается с помощью предоставляемого набора данных, который должен быть очень большим. Этот способ обучения пытается сымитировать обучение человека на собственном опыте, но с тем преимуществом, что появляется возможность обучения на ОГРОМНОМ объеме опыта с, надеюсь, меньшими предубеждениями.
Сегодня ИИ главным образом создает ценность, заменяя людей в относительно простых видах деятельности, выполняя их быстрее, точнее и с меньшим уровнем «шума».
У ИИ есть несколько критически важных ошибок. Одна из них – это невозможность объяснить, как пришли к конкретному решению Его зависимость как от больших наборов данных, так и от обучения, делает невозможность объяснить решение потенциальной угрозой совершения ошибок, которые бы не сделали большинство людей. Даже огромные наборы данных содержат искажения, поскольку они были собраны в определенное время, в определенном месте и при определенных условиях, вследствие чего они могут неправильно интерпретировать конкретную ситуацию.
Данная статья посвящена потенциальной ценности для управления организациями, которую можно получить, комбинируя Теорию ограничений и ИИ. В ней не рассматриваются другие полезные способы применения ИИ.
ТОС фокусируется на достижении как можно лучшего достижения цели, поэтому с точки зрения менеджмента она в первую очередь будет стараться найти то, что мешает управленческой компании лучше/больше достигать цели.
Она концентрируется на поиске вариантов прорывов, пытаясь найти, где находятся существующие пределы[i] в достижении цели. Поэтому мы бы хотели изучить может ли быть использована мощь ИИ для преодоления этих лимитов.
Без глубокого понимания потребностей менеджмента, ценность ИИ или любой другой новой технологии будет ограничена потребностями, которые очевидны для всех. На такие потребности ИИ способен ответить с помощью автоматизации, не добавляя новых элементов к работающим решениям. В более сложном случае использования роботов для перемещения товаров на огромном складе, мы имеем дело с очевидной комбинацией двух технологий: ИИ и робототехники, использованной для удовлетворения потребности в замене низкоквалифицированных рабочих и, возможно, еще и улучшению скорости и уменьшению ошибок (или повышения качеству).
Когда дело доходит до поддержки принятия решений на уровне топ-менеджеров, то ценность от ИИ менее очевидна. Один аспект принципиально отличает существующее использование ИИ: человек, принимающий решение, полностью отвечает за последствия этого решения. Это значит, что ИИ может рекомендовать или просто предоставлять информацию и варианты, но не может принимать решения. Это предъявляет несколько жестких требований к технологии ИИ, но, если эти требования удовлетворяются, появляются новые возможности по извлечению ценности.
Такой возможностью является предоставление абсолютно необходимой информации, которая сегодня или отсутствует, или опирается на предвзятую и неточную интуицию человека.
Лучший способ компенсировать не очень хорошую интуицию это заменить ее на рассмотрение очень широкого объема данных, выполнение большого числа расчетов, поиска корреляции и паттернов, имитирующих мышление человека, стимулируя лицо, принимающее решение (ЛПР), искать лучший способ получения поддерживающей информации, что все вместе может улучшить качество принимаемых решений. В конце концов, ему может быть нужно добавить к принятию решений факты, которые отсутствуют в наборах данных, и использовать интуицию и интеллект, чтобы дополнить информацию для принятия важных решений.
Оценка неопределенности и ее влияния.
Самая сложная часть в прогнозах – это понимание того, что нам надо получить не точное значение, но также и разумный диапазон отклонений. Любой прогноз будущего неточен, поэтому должен быть ключевой вопрос: чего мы можем разумно ожидать?
В ТОС были разработаны инструменты, необходимые для поддержания стабильного потока продуктов и материалов, несмотря на весь шум (повседневную и ожидаемую неопределенность), используя видимые буферы как неотъемлемую часть планирования, и управление буферами для определения приоритетов в процессе исполнения. Этот способ мышления должен быть ядром разработки инструментов ИИ для поддержки управления организацией.
Самая насущная потребность в управлении цепочкой поставок (и других критически важных решений в бизнесе) – это получить прогноз спроса на завтра, на следующей неделе, в следующем месяце, а также в долгосрочной перспективе. Оценка потенциального спроса на следующий год(ы) критически важна для инвестирования в мощность или в НИОКР (R&D). Не существует НИ ОДНОГО СПОСОБА получить сейчас надежную и точную цифру завтрашнего спроса, и чем дальше в будущее мы отодвигаемся, тем хуже становится ситуация (так работает неопределенность).
Пример:Предположим, что самый лучший алгоритм прогнозирования дает вам прогноз, что спрос на следующей неделе для SKU13 составляет 1237 единиц, но фактический оказался 1411.
Был ли первоначальный прогноз ошибочным?
Теперь предположим, что первый алгоритм включат в себя оценку среднего отклонения – «ошибку прогноза». Оценка была плюс-минус 254. Это сразу представляет первый прогноз в лучшем свете, потому что прогноз включает в себя вероятность получения фактического результата 1411. Если второй алгоритм не содержит «ошибки прогноза», как мы можем на него полагаться?
Результативные менеджеры должны понимать каким спрос может быть. Когда они сталкиваются с прогнозом из одной цифры, то не важно насколько хорош алгоритм прогнозирования, они часто терпят неудачу в принятии хороших решений, основываясь на данной информации.
Таким образом, важнейшим требованием к любому типу прогнозирования является определение величины неопределенности и связанным с ней влиянием на поведение критически важных переменных для принятия решений. Необходимость жить в условиях неопределенности означает признание ущерба, когда фактический спрос отличается от прогноза из одной цифры. Относительный размер ущерба, когда спрос оказался меньше прогноза и, когда он больше спроса, должен привести менеджера к выбору, который в значительной мере влияет на решение.
Существуют метапараметры алгоритма ИИ, которые определяют возможное решение. Изменяя эти метапараметры можно легко получить результат, который будет более консервативным или более оптимистическим (наприме: вместо использования порога в 0,76, мы можем использовать 0,7 в одном случае или в 0,82 в другом). Таким образом, доступ к обоим прогнозам дает ЛПР более полную информацию для рассмотрения наиболее подходящего действия, не привыкая к использованию стандартного отклонения или другим параметрам разброса.
Получение более ценной информации о состоянии рынка
Критически важной потребностью любого менеджмента является предсказание реакции рынка на действия, направленные на привлечение дополнительного спроса или возможности большего заработка с уже имеющегося спроса. Большинство методов прогнозирования, за небольшими исключениями, предполагают отсутствие изменения на рынке. Таким образом, помимо вопросов качества прогнозирования спроса, опирающегося лишь на данные прошлых периодов, существует необходимость оценить влияние предлагаемых изменений, а также ожидаемых изменений, вызванных внешними событиями, на рыночный спрос.
Анализ потенциальных изменений на рынке с использованием логических инструментов Мыслительных процессов обычно может с достаточной надежностью предсказать общие тенденции, которые могут породить предлагаемые изменения. Но Мыслительные процессы не могут дать четкого представления о масштабах изменения на рынке. Если предлагаемые изменения вызывают разные реакции, вроде значительного изменения внешнего дизайна/эстетики продуктов, прогнозы человека являются особенно рискованными.
Значительные изменения – это проблема при использовании существующей практики использования ИИ. Однако, уже существуют алгоритмы ИИ, которые определяют отклонения от определенной реальности. Такие алгоритмы все шире используются в предсказании необходимости обслуживания производственных мощностей. Такие сигналы ИИ указывают ЛПР, что реальность изменилась, сообщая им, что требуется ручное вмешательство.
Прогнозирование влияния больших изменений, решение о которых принимается внутри компании, таких как изменение цен, запуск маркетинговой акции и т.п. – это реальная потребность менеджмента. Хотя изменение цены на товар кажется простой задачей, сложно оценить все последствия на спрос других товаров и реакцию конкурентов. Плюс такие изменения происходят не очень часто, и внутренних данных, собранных за прошлые периоды, может быть недостаточно, чтобы создать эффективную модель ИИ, которая бы дала достаточно точный прогноз. Это создает возможностьи для сторонней организации, которая работает с Big Data. Такая организация может собирать данные множества заинтересованных организаций и использовать агрегированные данные для создания лучше модели ИИ, которая может быть использована для того, чтобы делиться данными с организациями результатами прогноза последствий от подобных действий. Это позволит выиграть всем участвующим сторонам и легко может покрыть связанные с этим операционные издержки. Такие организации должны гарантировать отсутствие утечки данных конкретных предприятий, и делиться только общими открытиями.
Предупреждение об изменениях в поставках
Для менеджмента является естественной концентрация сначала на рынке, а потом на операционной деятельности, которая отражает возможности организации по удовлетворению (или неудовлетворению) спроса, и возможности получения большего спроса.
Конечно, снабжение – это абсолютно необходимый элемент обеспечения бизнеса. Проблема в том, что когда у поставщика происходят изменения, которые негативно влияют на поставки, для некоторых клиентов потребуется значительное время, чтобы осознать эти изменения и вызываемый ими ущерб. Менеджмент не должен фокусироваться на обычных рутинных взаимоотношениях. Однако, если изменения в поведении обнаруживаются достаточно рано, возможно с использованием программного обеспечения, то это обеспечивает базовую потребность [организации??? – Д.Е.] Это особенно ценно, когда причина изменений неизвестна. Например, когда поставщик сталкивается с финансовыми проблемами или сменой руководства.
ИИ имеет три ключевых ограничения, устанавливающих предел для его использования[ii]:
ИИ – это «черный ящик», чьи рекомендации никак не объясняются.
Существующая практика применения не использует причинно-следственную логику. Внутри процесса разработки ИИ есть тенденции к включению причинно-следственной логики когда-нибудь в будущем.
ИИ полностью зависит от набора данных и процесса обучения.
Одним из способов преодоления этих пределов является использование программных модулей, которые использовали бы как причинно-следственную логику, так и «старомодный» статистический анализ, которые оценивали бы рекомендации ИИ и их обоснованность. Возможно был бы полезен повторный запуск модуля ИИ, чтобы проверить несколько иной запрос.
Пример.
Предположим, что ИИ прогнозирует спрос для продукта P1, который сильно отклоняется от обычных ожиданий (или обычного прогноза или просто текущего спроса), в этом случае модулю ИИ может быть поставлена задача спрогнозировать спрос для группы схожих продуктов, скажем от Р2 до Р5, исходя из предположения, что, спрос на Р1 действительно растет, то и спрос на похожие продукты должен показать аналогичную тенденцию. Прогноз спроса для группы продуктов не должен основываться на прогнозе для каждого отдельного продукта и последующем их суммировании, он должен повторить последовательность расчетов, с учетом суммарного спроса в прошлые периоды. Таким образом, появляется логическая обратная связь, проверяющая дает ли ИИ неожиданный прогноз или его рекомендации имеют смысл.
Другой способ – позволить пользователю принять или отвергнуть результаты работы ИИ. Желательно, чтобы отказ был выражен в виде причинно-следственных связей, которые могли бы быть использованы ИИ в будущем для расчета новых результатов.
Дополнительные вводные данные от пользователя.
У ИИ не может быть всех данных, необходимых для принятия критически важных решений. Если человек может внести дополнительные вводные данные для модуля ИИ и будет реализован необходимый уровень обучения, чтобы гарантировать, что дополнительные данные участвуют в обучении и расчете результатов модуля ИИ, то это может значительно улучшить юзабилити ИИ для поддержки принятия решений на высоком уровне управления.
Выводыивзглядвбудущее
ИИ – это мощная технология, которая может принести как большую пользу, так и большой вред. Чтобы приносить пользу ИИ должен исключить или сильно сократить существующие пределы его использования. Внедрение ИИ также должно учитывать существующие практики применения и очертить то, как ЛПР должны адаптироваться к новым практикам и как оценивать рекомендации ИИ до того, как начинать предпринимать какие-либо действия.
Поддержка управленческих решений – это перспективное следующее направление использования ИИ. Но ему совершенно точно необходимо концентрироваться на обеспечении действительно высокой ценности и защите от возможного ущерба.
TOC совершенно точно может внести свой вклад в фокусировку на реальных потребностях топ-менеджмента. Она также делает возможным анализ всех необходимых условий для удовлетворения потребности. Это значит, что хотя ИИ может быть необходимым элементом в принятии решений высокого уровня, в большинстве случаев применения ИИ будет недостаточно. Чтобы извлечь максимум ценности должны быть и другие элементы, например: возможность ввода ответственным человеком вводных данных, другие программные модули и соответствующее обучение пользователей.
TOC занимается тем, чтобы обеспечить правильный фокус менеджмента на том, что необходимо, чтобы лучше достигать цели организации. Помощь менеджерам в определении того, что требует немедленного внимания, так же как в понимании «внутреннего шума», и быстром определении сигналов – это критически важное направление сочетания ТОС и ИИ для улучшения управления организации. Даже интуиция людей может быть значительно улучшена, если будет сфокусирована на областях, где ИИ помочь не в состоянии.
Улучшения, которые ИИ может дать TOC
Предлагаемое сотрудничество между философией TOC и ИИ не должно быть односторонним. Решения TOC могут получить значительную поддержку со стороны ИИ, особенно в расчете уровней буфера и управления буфером.
Расчет размера буферов является чувствительной областью. Установление буферов для защиты, а на самом деле для стабилизации уровня выполнения заказов, на самом старте является проблемой. Но в этом месте ИИ не сможет нам помочь, потому что анализ истории до того, как начали активно использоваться решения ТОС бесполезен. Но после года-двух работы по правилам ТОС, ИИ может указать на слишком большие или слишком маленькие буферы. Динамическое управление буфером (DBM) – это процедура для управления буферами запасов, основанная на проникновении в Красную Зону может быть значительно улучшена с помощью ИИ. Еще одно потенциальное улучшение – это ответ на вопрос насколько увеличивать буфер. Аналогичные улучшения могут быть полезны при анализе слишком долгого нахождения в Зеленой зоне и сигналах о безопасном снижении буфера запасов.[iii]
Самая важное в использовании Управления буфером – это установление одной системы приоритетов для операционной деятельности, указывая, что является наиболее срочным, с точки зрения выполнения заказов в срок. Область, которая нуждается в улучшении, это определение, когда на самом деле необходимы действия по экспедированию, включая использование буферов мощности для восстановления стабильности в исполнении заказов. Предложить улучшенный прогноз текущего состояния заказов по отношению к обязательствам перед рынком – это критически важная задача ИИ.
На процедуры TOC оказало влияние понимание ограниченной мощности внимания менеджмента. Избавившись от некоторых постоянных, относительно рутинных случаев, где ИИ достаточно быстр и надежен, ТОС может сфокусироваться на наиболее критически важных стратегических шагах для следующих эпох.
[i] В тексте «limitations», специально не использую термин «ограничение», чтобы не путать с понятием «constraint». Прим. переводчика
[ii] В тексте также «limitations» – Прим. переводчика
[iii] Здесь не могу удержаться и не прокомментировать: мы значительно улучшили эту ситуацию, практически добавив ИИ в Динамическое управление буфером запасов. Подробнее ищите в материалах по Net Stock Pro. – ДЕ.
Система приоритетов строится на механизме Управления буфером, который предоставляет информацию о текущем состоянии буфера запаса и выдает цветовой код.
В системе существует два статуса:
статус буфера запаса «на руках»;
статус буфера запаса для заказа на пополнение.
Принцип определения статусов в обоих случаях идентичен, он основан на проникновении в буфер.
Для статуса буфера запаса товаров «на руках»:
Статус буфера = (Целевой уровень буфера – Свободный остаток на руках)/Целевой уровень буфера * 100%
Для статуса заказа:
Статус буфера заказа = (Целевой уровень буфера – Свободный остаток на руках – Заказано ранее (в пути))/Целевой уровен буфера * 100%
Небольшое замечание по поводу использования показателя Свободный остаток на руках. Свободный остаток на руках — это фактический остаток на складе минус количество товара/продукции, находящихся в резерве под конкретного клиента. Использование этого показателя часто вызывает споры, связанные с тем, что товар же фактически есть, его просто заблокировали, но вдруг клиент откажется, и что: мы привезем излишек?
Товар, поставленный в резерв, это товар, обещанный клиенту, в течение какого времени товар должен находиться в резерве, определяется внутренними правилами компании. Его статус лучше всего описывается цитатой из фильма «Не бойся, я с тобой»: «Это не твой зуб, он даже не мой, он — ихний…» Формально этот товар уже не принадлежит компании, он ожидает, пока клиент выполнит все свои обязательства, чтобы быть торжественно ему доставленным и врученным. И если вы знаете, что в вашей компании менеджеры по продажам злоупотребляют резервированием товара, то спросите себя: почему так происходит? Обычно причиной такого поведения является хроническая нехватка товара вкупе с индивидуальной мотивацией специалиста по продажам. Две эти причины вместе взятые приводят к тому, что менеджеры по продажам защищают свои объемы продаж от «нападения» коллег путем избыточного резервирования товаров. Если это про вас, я вас поздравляю — вам предстоит большая и увлекательная работа по разъяснению и обучению. Если же клиент все-таки отказался от покупки, а вы уже заказали товар, то в большинстве случаев — это не трагедия, просто пропустите заказ этого SKU в следующей поставке.
Полученное значение сравнивается с границами зон буфера:
если проникновение более 100%, то цветовой код — черный;
если проникновение находится между 100% и уровнем красного, то цветовой код — красный;
если проникновение меньше, чем уровень красного, но больше или равно уровню желтого, то цветовой код — желтый;
если проникновение меньше, чем уровень желтого, но больше или равно нулю, то цветовой код — зеленый;
если проникновение отрицательное (такое бывает), то цветовой код — голубой.
Приоритет заказов нарастает от зеленого к черному, голубой в принципе не подлежит заказу. Если два заказа или два SKU имеют одинаковый цветовой код приоритета, то больший приоритет имеет тот заказ/SKU, процент проникновения в буфер которого больше.
В идеальном мире, который, к сожалению, в реальности не существует, мы должны заказать все товары/продукцию, которые существуют до целевого уровня буфера. Но в жизни нам иногда не хватает денег, иногда не все помещается в одно транспортное средство, а для того, чтобы заказать второе, нам не хватает объема. Поэтому для повседневной работы мы устанавливаем простое правило работы для наших специалистов по закупкам: вся потребность к заказу одному поставщику сортируется в порядке убывания приоритета (проникновения в буфер), и заказ формируется построчно сверху вниз, пока не наберется транспортная партия и/или не будет исчерпан бюджет доступных денежных средств на оплату заказа поставщику.
Часто возникает вопрос: зачем нам два статуса в Помощнике заказов? Ведь, мол, все равно мы ориентируемся на статус потребности к заказу, а не статус запаса «на руках».
Во-первых, существует часто встречающаяся ошибка считать, что буфер запасов — это запас на какое-то время. Это неверно. Хотя действительно при расчете ЦУБ мы ориентируемся на некоторый временной горизонт, но спрос обычно имеет вероятностное, а не линейное поведение. Это означает, что статус буфера запасов может измениться скачкообразно, просто в силу аномально высокого локального спроса.
Во-вторых, это механизм дополнительного мониторинга правильного использования решения по управлению наличием. Если статус запаса на руках в красном и статус заказа в красном, то это чаще всего означает, что по какой-либо причине был пропущен заказ, который должен был быть сделан раньше, а может быть, мы встретились с «черным лебедем» — маловероятным событием аномально высокого спроса, и тогда, возможно, нам нужно переходить к следующему пункту.
В-третьих, если заказы все были сделаны вовремя, но статус запаса «на руках» в красном или, не дай бог, в черном, то, возможно, нам требуется предпринять дополнительные усилия по экспедированию доставки. Как правило, для большинства SKU неплохо иметь основного и хотя бы одного (а лучше — нескольких) резервного поставщика. Обычно основной поставщик — дешевый, но относительно долгий, поэтому резервные должны быть значительно быстрее, пусть и дороже. Если резервных поставщиков нет, то нужно постараться приложить усилия по ускорению доставки ранее сделанных заказов.
К этому моменту мы уже определились с тем, в отношении каких SKU мы намерены взять на себя обязательства по обеспечению постоянного наличия при отсутствии излишков.
Мы рассчитали для них Целевой уровень буфера, и с этого момента у нас есть в компании общепринятое, разделяемое всеми понимание, что такое «много» и что такое «мало». Пока запасы и товары в заказах в пределах Целевого уровня буфера — это не много, когда запасы находятся в красной зоне буфера и в заказах товаров нет — это мало.
Теперь мы готовы к тому, чтобы заказывать товар, используя механизм буфера и пополнения в соответствии с потреблением. Сама механика расчета очень проста:
Количество к заказу = Целевой уровень буфера – Свободный остаток на руках – Количество в исполняющихся заказах
Вот так может выглядеть рабочее место специалиста, который занимается заказами:
Для специалиста по закупкам достаточно ежедневно или по установленному графику формировать этот расчет и отправлять заказ в звено поставки выше по потоку: поставщику или на центральный/региональный склад, а для производства «для наличия» — формировать производственное задание на производство конкретной номенклатуры.
Более того, современные технологии позволяют поставщику самостоятельно сформировать задание на поставку, при условии что клиентское место хранения в цепи поставок обеспечивает его актуальной информацией о потреблении. На этом основан целый пласт решений, который носит обобщающее название «Управление запасами со стороны Поставщика» (Vendor Manegement Inventory — VMI).
Для того чтобы механизм пополнения в соответствии с потреблением заработал, необходимо реализовать два обязательных условия:
Предоставление информации о фактическом потреблении в месте хранения на ежедневной основе.
Реализован механизм учета заказов, находящихся в разном статусе исполнения.
Что касается первого вопроса, то при реализации решения в рамках одной организации он не вызывает никаких проблем, кроме сугубо технических, легко решаемых ИТ-службой организации. В тех случаях, когда мы имеем дело с управлением цепью поставок, выходящей за пределы организации, может потребоваться (и чаще всего — требуется) приложить дополнительные переговорные усилия, чтобы контрагент согласился предоставлять такую информацию, для этого ему нужно ясно показать выгоду от такого сотрудничества, которая с лихвой перекрывает дополнительную трудоемкость от ежедневного формирования и пересылки отчета о потреблении. Повторю еще раз, при наличии желания современные ИТ-технологии, онлайн-кассы и т.п. позволяют автоматизировать этот процесс с сохранением конфиденциальности и практически нулевой трудоемкостью.
Второй вопрос на моей личной практике часто неоправданно вызывает значительное сопротивление. Дело в том, что в большинстве учетных систем функционал заказа Поставщику существует, но часто не используется. Часто заказы все еще формируются вне автоматизированных систем — в таблицах EXCEL, электронной почты и т.п. А запуск системы пополнения на основе фактического спроса потребует, чтобы этот функционал присутствовал и работал.
Поэтому если вы не использовали этот функционал, то запускать его в работу следует параллельно с расчетом Целевых уровней буфера. Иначе заказы придется считать вручную, что создаст сотрудникам дополнительную трудоемкость, а это, в свою очередь, приведет к сопротивлению использованию системы.
Итак, на предыдущем шаге мы рассчитали и установили Целевой уровень буфера, но это еще не окончательное установление буфера.
Пока мы отработали только прогностическую функцию буфера, но у нас есть еще функции раннего оповещения и установления приоритетов поставки/производства. В Теории ограничений для этого используется цветовая кодировка статуса буфера/заказа. Для этого в буфере выделяются соответствующие зоны.
Классическое управление буфером работает с пятью цветами: черный, красный, желтый, зеленый и голубой, которые в случае с буфером запасов интерпретируются следующим образом:
Черный — означает, что товара уже нет в наличии и компания попала в ситуацию упущенных продаж по данному конкретному SKU.
Красный — существует риск не успеть пополнить запасы по данной номенклатуре.
Желтый — запасы находятся в «правильном» состоянии.
Зеленый — запас достаточен.
Голубой — запасы превышают целевой уровень буфера (излишки — овербуфер).
Традиционно Целевой уровень буфера делится на три равные части: нижняя треть красная, средняя — желтая, верхняя — зеленая. Черная граница обычно проходит на нуле, а голубое — все, что больше ЦУБ.
В большинстве случаев этого достаточно, но есть нюансы.
Первый из них связан с установлением черной границы. Я думаю, что многие сталкивались с ситуацией, когда остаток на складе ненулевой, а продаж нет, но как только остаток превышает некоторое значение — продажи сразу начинаются. Это происходит чаще всего потому, что покупатели покупают сразу некоторый объем и не меньше. Поэтому мы в практике используем и реализовали в программном продукте подход, который позволяет учесть эту особенность покупательского поведения, основываясь на исторических данных о продажах.
Для этого используется все тот же показатель целевой надежности, который я уже упоминал — какой процент спроса мы хотим гарантированно обслужить. Нам нужно проанализировать ежесуточное потребление товара, и величина, которая покрывает вероятность, равную персентилю надежности, и является рекомендуемой границей черного. На графике это видно нагляднее:
Что это будет означать? Это означает, что если остатки у нас ниже рекомендованной границы черного, то с вероятностью 95% мы не сможем обеспечить суточный спрос и получим упущенные продажи. В практике розничной торговли иногда добавляют еще одну — серую зону, которая равна величине выкладки на полках. В отличие от черной зоны, попадание в серую зону не означает высокую вероятность упущенных продаж.
Вторая ситуация связана с величиной зеленой зоны. Бывают ситуации, когда товар имеет очень большую минимальную партию поставки относительно срока пополнения и потребления за срок пополнения. Например, потребление за срок пополнения составляет 100 литров, а минимальная партия поставки 1000 литров. Что делать в такой ситуации?
Первый вариант — это увеличивать срок пополнения на время накопления минимальной партии, это позволит рассчитать буфер с учетом времени накопления минимальной партии, но… это имеет негативные последствия на этапе управления буфером в обычной деятельности. Если буфер будет разделен на традиционные равные три зоны, то цветовая индикация приоритетов поставки будет придавать излишнюю срочность поставке этой номенклатуры, хотя фактически ее в наличии еще достаточно большое количество.
Другой вариант — установить ЦУБ на уровне потребления, но тогда закупка минимальной партии а) никогда не наступит, пока товар не кончится; б) система постоянно будет сигнализировать о наличии значительных излишков, этот шум нужно будет постоянно отсеивать, о нем нужно будет помнить, а внимание менеджмента — это ключевое ограничение организации.
Мы выработали на практике вариант, который показал свою работоспособность. Если рассчитанный Целевой уровень буфера оказался меньше, чем полторы минимальных партии поставки SKU, то мы рекомендуем границы черной, красной и желтой зон установить в соответствии с рассчитанным ЦУБ, а величину зеленой зоны установить в размере минимальной партии поставки, то есть приплюсовать минимальную партию к уровню желтого. Это позволит установить правильные приоритеты и не рисковать ни отсутствием, ни избытком запасов, а также избежать излишнего «шума» в системе управления буферами.
И, наконец, третья ситуация — граница красного при очень длинных сроках пополнения. Когда сроки пополнения слишком большие, то большая часть товара при правильной работе будет находиться в пути, а «на руках» будет 20%, а иногда и меньше. В этом случае классическое зонирование будет также генерировать слишком много предупреждающих сигналов, которые будут отвлекать и напрягать менеджеров. В книге «Управление цепями поставок с невероятной скоростью»[1] Эли Шрагенхайм рекомендует в этом случае сдвинуть границу красного с 33% до 20% или даже 15% от буфера, но делать это не в самом начале, а когда убедились в процессе эксплуатации, что нахождение в этой зоне при правильном пополнении никогда не приводит к попаданию в ситуацию отсутствия товара «на руках».
Итак, мы подошли к точке, когда надежные сроки пополнения, целевые уровни буфера и границы его зон рассчитаны и установлены для всех SKU и мест хранения, участвующих во внедрении решения по обеспечению наличия в цепях поставок. Мы готовы переходить к заказу и пополнению в соответствии с реальным фактическим спросом во всех звеньях цепочки поставок.
[1] Eli Schragenheim, William H. Detmer, Wayne J. Patterson. Supply Chain Management At Warp Speed: integrating the system from end to end, 2009.
Хотелось бы напомнить одно важное правило, которым мы руководствуемся при расчете всех значений в решениях Теории ограничений: лучше быть приблизительно правым, чем абсолютно точно ошибаться. Это означает, что не следует стремиться к абсолютной точности рассчитываемых значений. Нужно учитывать, что все эти значения носят вероятностный характер и, следовательно, неизбежно имеют некоторую естественную и неустранимую погрешность. Лично я руководствуюсь правилом, что нужно опираться на достаточно пессимистические сценарии при оценке сроков пополнения и на обоснованно оптимистические при расчете спроса. Со мной можно и нужно не соглашаться, но я считаю необходимым обозначить основную свою исходную посылку: нехватка товара гораздо вреднее, нежели его незначительный избыток, особенно на старте проекта, когда все исходные данные ненадежны и недостоверны.
Итак, теперь, когда у нас есть рассчитанный надежный срок пополнения, мы можем приступать к расчету Целевого уровня буфера.
Если мы обратимся к типовым Деревьям Стратегии и Тактики, вынесенным в дополнение, то мы увидим там рекомендацию по расчету:
Целевой уровень запасов (Целевой уровень буфера) равен среднедневному потреблению за последний месяц, умноженному на надежный срок пополнения в днях, плюс три сигмы вариации потребления за срок пополнения и умноженному на коэффициент паранойи. В случае нормального распределения (а три сигмы говорят о гипотезе нормального распределения) отклонение в три сигмы составляет коэффициент 1,5. То есть мы получаем формулу:
Если речь идет о ситуации, когда мы рассматриваем товар с относительно регулярным потреблением, большим количеством наблюдения, то гипотеза о нормальном распределении имеет все основания быть подтвержденной, и эта формула дает достаточно надежный расчет. Но…
Например, товар у нас был в наличии всего несколько дней месяца. Следует ли нам при расчете среднего потребления брать только дни наличия или считать среднее потребление за весь период? В последнем случае это приведет к явному занижению уровня спроса, но если взять в расчет среднее потребление только в дни наличия, то это может привести к еще очень большому завышению расчетной величины ЦУБ. В ситуации с короткими сроками пополнения — это не критично, но что делать, если ваши сроки пополнения превышают полгода? Тут требуется более универсальное решение.
В ситуации, когда:
у нас явно присутствует сезонность в спросе;
были длительные перерывы в наличии товара или вообще уровень наличия данного товара был крайне низкий;
у нас длительные сроки пополнения (из моего личного опыта длительным можно считать срок пополнения более 30 дней — Д.Е.);
…расчет по этой формуле способен создать нам ненужные проблемы, которые потом придется исправлять с помощью Динамического управления буфером.
Кроме того, стоит учесть, что человеческий мозг визуальную информацию обрабатывает на порядки быстрее и качественнее, нежели цифровую или табличную.
Когда мы столкнулись в реальной практике внедрений с этой ситуацией, то мой коллега Сергей Зайцев предложил другой способ расчета, основанный на определении Целевого уровня буфера и наглядной визуализации, который и был нами реализован программными средствами и с тех пор стал основным в моей практике.
Итак:
Целевой уровень буфера — это максимальное потребление товара в данном месте хранения за надежный период пополнения.
Это можно представить в виде графика, который скользящим окном, равным надежному сроку пополнения, суммирует потребление на каждую дату, отражая, таким образом, поведение аккумулированного спроса за период потребления.
Этот способ также не защищает вас на все 100% от искажений. Например, в анализируемом периоде могла находиться ситуация с аномально большой продажей, и если вы положитесь на автоматический расчет величины ЦУБ — он будет завышен. Но есть и плюсы:
наглядно видно влияние сезонности и трендов изменения спроса;
если изначально задать уровень надежности, который вы хотите обеспечивать, в формате персентиля надежности (например, 0,95, что означает, что вы хотите гарантированно обслуживать 95% обычного спроса), то можно отбрасывать пики с помощью автоматизированной обработки.
Для примера приведу несколько графиков из реальных проектов.
Вот, например, достаточно хорошо продающаяся позиция:
А вот ее противоположность: редко продающаяся, с большими всплесками:
А вот пример аномального выброса продаж, когда требуется принятие управленческого решения:
Итак, давая определение понятию «буфер запасов», мы установили два параметра, влияющих на величину Целевого уровня буфера: надежный срок пополнения и спрос на конкретный SKU в конкретном звене цепочки поставок (месте хранения).
Надежный срок пополнения (reliable replenishment time (RRT)) — это время, в течение которого единица товара при необходимости может быть надежно пополнена (с вероятностью 90–95%)[1].
Наиболее часто встречающаяся ошибка — это отождествление срока поставки с надежным сроком пополнения. Это совершенно неверно. Обычно срок поставки — это время с момента размещения заказа у поставщика (звене цепи поставок выше по потоку) до момента поступления товара/продукции на склад. Надежное время пополнения — это время, которое пройдет с момента, когда товар прибыл на склад, до момента поступления следующей партии товара. Как правило, RRT значительно длиннее срока поставки. Занижение времени пополнения на старте проекта по внедрению решений по обеспечению наличия чревато высоким риском получить нехватку товара!!!
Что включает в себя надежный срок пополнения? Вот типовой состав (с конца процесса):
время приходования товара на складе;
время в пути;
время исполнения заказа поставщиком;
время согласования заказа;
время ожидания между заказами.
Давайте рассмотрим эти пункты подробнее.
Время приходования товара на склад включает в себя:
разгрузку транспортных средств;
приемку товара на складе по качеству и количеству;
отражение поступлений в учетной системе компании.
Продолжительность этого этапа определяется частотой обработки, мощностью зоны приемки склада, объемом принимаемых транспортных средств, процедурами и правилами компании. Этот отрезок часто недооценивается, хотя мне, например, известны компании, где процедура приемки может занимать неделю. Но даже если она достаточно коротка, ее продолжительностью нужно пренебрегать очень осторожно. Например, сама приемка занимает несколько часов, и, казалось бы, этой продолжительностью при расчете с точностью до дня можно и пренебречь, но… Если поставка приходит под конец рабочего дня, то даже при очень коротком времени приемки товар станет доступен отделу продаж лишь на следующий день, то есть срок пополнения удлиняется на день, что иногда может быть весьма чувствительным.
Кроме того, во многих компаниях, где не удается обеспечивать наличие, продажи часто идут «с колес», то есть минуя приемку, когда товар резервируется под клиента еще в машине. Это, конечно, ускоряет процесс обслуживания клиентов, но приводит к большому количеству пересортов, недовозов, потому что никто не может гарантировать, что зарезервированный товар не был поврежден при транспортировке, что поставщик не ошибся при погрузке в машину и т.п.
Время в пути — это чистое время транспортировки с момента выезда транспортного средства из ворот поставщика до момента прибытия на склад компании. Эта самая простая и очевидная составляющая надежного срока пополнения, по сути, определяется только расстоянием и транспортной доступностью между двумя звеньями цепи поставок и видом используемых транспортных средств. Часто поглощается параметром «время исполнения заказа поставщиком».
Время исполнения заказа поставщиком — это время с момента, когда поставщик подтвердил приемку заказа, до момента, когда заказ погружен и отправлен в следующее звено цепи поставок. При производстве «для наличия» это время равно производственному циклу (production lead time).
Время согласования заказа — время с момента, когда заказ отправлен поставщику, до момента, когда он подтвердил, что принял его к исполнению. Иногда это очень короткие отрезки времени, иногда — достаточно длительные, так как требуют, например, оплаты выставленного счета. В производстве это может быть время, которое пройдет с момента постановки заказа в план производства до момента, когда производство приступит к его исполнению.
Время ожидания между заказами — это самое «хитрое» время во всем надежном сроке пополнения. Его величина определяется как объективными, так и субъективными факторами. К объективным факторам следует отнести размер минимальной партии и минимальной транспортной партии. Минимальную партию заказа для SKU устанавливает, как правило, поставщик. Причины могут быть как экономические (внутренние нормы и правила, оптимизация переналадок на производстве, фасовка и упаковка), так и технологические. Например, при производстве творога, независимо от того, какой размер партии вы запустите в производство, при определенном типе оборудования вы 2 килограмма размажете по стенкам. Очевидно, что существует некая минимальная партия, где запуск заказа в производство — нецелесообразен. Кроме того, в химической и пищевой промышленности существует проблема точности дозировок: погрешность дозаторов примерно постоянна, но на больший объем запуска эта погрешность дает меньшую ошибку, а следовательно, более стабильное качество.
Транспортная партия также имеет экономическое обоснование. Согласитесь, нелогично тратить на транспортировку денег больше, нежели Проход, который может заработать компания от продажи доставленных товаров. Часто вместо размера транспортной партии задается сумма заказа в денежном выражении.
К субъективным же факторам относятся внутренние правила компании или правила (расписание) приемки заказов поставщика, продиктованные оптимизацией работы специалистов по формированию/приемке заказов.
Таким образом, время ожидания между заказами складывается из времени накопления минимальной партии поставки и/или минимальной транспортной партии и времени ожидания между заказами. Существуют два подхода: один рассматривает среднее время, второй опирается на максимальное.
Среднее время считается, исходя из следующих предпосылок: потребность может появиться как за один день до формирования заказа, так сразу после него. Соответственно, среднее время будет равно:
Лично я, в силу того что на старте проекта эти данные либо отсутствуют, либо крайне неточны, предпочитаю не усреднять время, а брать максимальное из двух: время накопления минимальной партии поставки и/или минимальной транспортной партии и установленное время между заказами.
Давайте разберем на примерах.
Пример 1.
Компания поставляет в розничные магазины. Время с момента получения заказа до момента появления товара на полке (согласование заказа, исполнение заказа, путь и приходование) — 3 дня. Минимальная партия поставки и транспортная партия от одной штуки, соответственно, времени ожидания накопления минимальной партии в компании нет, но… заказы компания принимает один раз в две недели. То есть время ожидания между заказами составляет 14 дней.
Считаем надежный срок пополнения. Если мы возьмем среднее время между заказами, то надежный срок пополнения, округленный до целых дней, составит (14+1)/2+3=11 дней, если же мы не будем усреднять время между заказами, то надежный срок пополнения составит 14+3=17 дней.
Обратите внимание, что большую часть надежного срока пополнения составляет время ожидания между заказами, установленное внутренними правилами поставщика. Если бы в этой компании было внедрено типовое Дерево Стратегии и Тактики для поставщика потребительских товаров, а в розничной сети соответствующее Дерево Стратегии и Тактики, то просто ежедневное предоставление информации о потреблении сократило бы срок пополнения до 1+3=4 дней!!! А это позволило бы сократить запас без ухудшения уровня наличия в торговых точках минимум в два раза, то есть как минимум в два раза поднять оборачиваемость запасов.
Пример 2.
Компания дистрибутирует продукцию из Китая и Юго-Восточной Азии. Продает компания два контейнера в месяц. Срок выполнения заказа поставщиком — 120 дней, срок согласования заказа — 14 дней, время в пути — 45 дней, время растаможивания и приходования на складе — 21 день. Частота заказа — один раз в месяц (раз в 30 дней).
Считаем надежный срок пополнения. Сложность здесь в расчете времени ожидания между заказами: мы можем заказывать каждые две недели, но заказываем раз в месяц. Я не буду в этом расчете считать среднее время ожидания между заказами и сразу возьму максимальное. Соответственно, сравнивая срок накопления минимальной транспортной партии и время между заказами — время между заказами больше, поэтому используем в расчете его. Получаем: 21+45+120+14+30 = 230 дней. И возможностей для сокращения срока пополнения здесь у нас очень немного — мы можем сэкономить 14 дней и получить 216 дней, что на общем фоне выглядит почти так же много. Но… И здесь мы можем получить эффект от внедрения решений управления наличием. При таких длинных сроках поставки правильно рассчитанный буфер плюс частая поставка позволяет обеспечить относительно небольшой склад при постоянном наличии. Но вот эффект от сокращения запасов и рост оборачиваемости мы здесь вряд ли поймаем, нашим основным конкурентным преимуществом станет более высокий, по сравнению с конкурентами, уровень наличия, а следовательно, меньший объем упущенных продаж и дополнительная прибыль.
Я могу порекомендовать посмотреть на Ютубе ролик о результатах внедрения решения в Великобритании, где устранение стокаутов по 30% товарной матрицы привело к кратному росту прибыли[1].
После того как мы определились со статусами режимов управления номенклатурой, можно переходить к расчету Целевого уровня буфера запасов, или просто Целевого уровня буфера (ЦУБ), для каждой номенклатуры, имеющей статус «Складская», на каждом месте хранения, участвующем в нашем проекте.
Если вы не пролистали главы, посвященные типовым Деревьям Стратегии и Тактики, то вы должны были обратить внимание на сущность, которая там называется «целевой уровень запасов». Собственно, это и есть целевой уровень буфера. Коротко напомню основные функции, которые выполняет буфер в решениях Теории ограничений:
Прогнозирование — прогноз потребления, спроса, сроков завершения на коротком горизонте планирования (ЛИД-тайм, или надежный срок пополнения). Работает на этапе планирования.
Защита от обычной и предсказуемой неопределенности — запас времени, мощности, материалов и т.д., который должен обеспечить выполнение обязательств, но не учитывающий экстраординарные выбросы вероятности. Обычно мы говорим о вероятности в 90–95%. Работает на этапе планирования.
Инструмент раннего оповещения о том, что ситуация готова выйти за рамки обычной и предсказуемой определенности и необходимо предпринимать дополнительные управленческие усилия по корректировке ситуации. Работает на этапе исполнения.
Инструмент установления приоритетов для заказов, поставок. Работает на этапе исполнения.
Инструмент анализа наличия/отсутствия достаточной защиты от неопределенности. На этапе непрерывного улучшения.
Я никогда не стеснялся публично признаваться в своих ошибках. Так получилось, что на обучении решениям Теории ограничений большое внимание уделялось тому, какие ошибки совершают управленцы, опираясь на использование прогнозов в управлении запасами, и к каким тяжелым последствиям это может приводить, что я в первых своих внедрениях пытался вообще отказаться от прогнозирования, что привело к нескольким довольно неприятным последствиям.
Действительно, работа с прогнозами часто не учитывает ряд неизбежных последствий, определяемых самой «математикой» прогнозирования.
Во-первых, очень часто при работе с прогнозами работают с «математическим ожиданием» и стандартным отклонением. Причем в качестве математического ожидания рассматривают среднее (арифметическое) значение, то самое, которое выдает стандартная функция Excel СРЗНАЧ. Но… среднее значение делит всю выборку с вероятностью 50/50 — в половине случаев будет больше, а в половине меньше.
Во-вторых, часто в какой-то момент теряют такую переменную, как «ошибка прогноза». Дело в том, что прогноз в реальности дает нам диапазон значений (например, ±3 сигмы), в который мы с заданной вероятностью попадем. Но это ВСЕГДА ДИАПАЗОН, и этот диапазон часто достаточно большой.
В-третьих, это само использование стандартного отклонения и нормального распределения. Дело в том, что методы, основанные на нормальном распределении и стандартном отклонении, исходят из исходной посылки о симметричном распределении отклонений относительно математического ожидания, что верно только при а) большом количестве наблюдений; б) наличии физического ограничения диапазона возможных значений. Во всех социально-экономических средах эти исходные посылки не соответствуют действительности. Об этом прекрасно написал Нассим Талеб в своем «Черном лебеде».
В-четвертых, горизонт прогнозирования в компаниях, как правило, привязан к периодам планирования, принятым в компании, обычно — месяц, квартал, полугодие, год. Но… чем длиннее горизонт планирования, тем больше ошибка прогноза. Любой из читателей может сам проверить это на краткосрочном и долгосрочном прогнозе погоды. Да и кроме того, надежный срок пополнения редко совпадает с горизонтами и периодами планирования, основанными на циклах финансовой отчетности.
Означает ли это, что нужно отказаться от прогнозирования? Абсолютно точно — нет! Но нужно устранить ряд предпосылок: нужно максимально сократить горизонт прогноза, а также отказаться от расчета на основе математического ожидания и перейти к расчету с заданной вероятностью.
Минимальный горизонт прогнозирования, который нам необходим, это надежный срок пополнения (о том, что это такое, чем он отличается от срока поставки и как его рассчитать — мы поговорим дальше), а заданная надежность для нас — это удовлетворение всего спроса за установленный надежный срок пополнения.
Отсюда мы получаем определение буфера запасов:
БУФЕР ЗАПАСОВ — это максимальный объем потребления конкретного SKU в конкретном месте хранения за надежный срок пополнения.
Нужно учитывать, что хотя в названии присутствует термин «запасы», буфер запасов — это не запас, который находится на складе. Запасы «на руках» — это лишь часть буфера, Буфер запасов включает в себя весь объем товаров/продукции, находящийся в обороте между двумя звеньями цепи поставок: запасы на складах; товары/продукция, находящиеся в пути из одного звена цепи поставок в другой; товары/продукция, находящиеся в процессе изготовления; а также объем, необходимый к заказу. Все это вместе и составляет буфер запасов. Принято считать, что в норме «на руках» находится от трети до двух третей Целевого уровня буфера (в среднем — половина), остальное находится в пути, в процессе исполнения заказа или должно быть заказано. Единственная ситуация, когда у вас «на руках» будет находиться полный буфер — это внезапно остановившиеся за период пополнения продажи, в этом случае к вам прибудет весь заказанный объем и ляжет на склад…
И еще раз напомню: буфер рассчитывается для каждого SKU, имеющего статус «Складская» или «Новинка», в каждом месте хранения.
Книга не только закончена, но и опубликована в магазине издательской системы Ridero, а с сентября будет доступна в других магазинах
Стоимость печатной версии в мягкой обложке от 1500 до 2000 рублей без стоимости доставки в зависимости от магазина. Стоимость электронной книги около 500 рублей.
У Ridero бывают сложности с сайтом, и иногда он тупит. Проверено первым покупателем электронной версии. Не пугайтесь и будьте настойчивыми. :)))))
N.B.: Информация для тех, кто заявился на книгу с автографом автора из ограниченного тиража в твердой обложке: всем, кто оставил заявку в Гугл-форме в пятницу (26 августа 2022) была отправлена ссылка на оплату на указанную в заявке электронную почту. Пока оплатили “не только лишь все”.
Тираж заказан. Ожидаемый срок окончания печати 14 сентября 2022, плюс время на доставку автору и рассылку от меня адресатам.
Итак, мы определились с границами пилотного внедрения и показателями, которые будут помогать нам отслеживать успешность/неуспешность внедрения решения по управлению наличием.
Следующий шаг, который нам предстоит сделать, это определить, в каком режиме мы будем управлять нашими товарами/продукцией/сырьем.
Внедрение решения по обеспечению наличия не означает, что мы берем на себя обязательство обеспечивать постоянное наличие всего своего ассортимента. В своей практике мы обычно выделяем четыре статуса, определяющих режим управления номенклатурой:
складская;
заказная;
новинка;
вывод.
Эти статусы определяют наши обязательства перед клиентами.
Номенклатура со статусом «Складская» — это те SKU, по которым мы гарантируем нашим клиентам в данном конкретном месте хранения постоянное наличие. Для номенклатуры с этим статусом режима управления мы применяем в полном объеме все действия, предусмотренные типовым решением Теории ограничений: рассчитываем целевой уровень буфера, пополняем в соответствии с потреблением, используем динамическое управление буфером, а также рассчитываем все показатели, связанные со структурой статуса наличия, упущенными продажами и т.п.
Номенклатура со статусом «Заказная» — это SKU, которые мы привозим только под конкретный заказ конкретного клиента и не гарантируем ее наличие на постоянной основе. Более того, если вдруг у нас на складе образовался незарезервированный под заказ конкретного клиента остаток номенклатуры, имеющей статус «Заказная», то это означает наличие проблемы: или клиент отказался от своего заказа, или сотрудник, занимающийся управлением запасами в компании, совершил ошибку при заказе.
Статус «Новинка» используется для товаров, статистика продаж по которым отсутствует. Управляются товары-Новинки в таком же режиме, как и Складские позиции, но по этой номенклатуре компания не обещает клиентам постоянное наличие, соответственно, эти SKU не включаются в расчет упущенной прибыли и излишков. Время нахождения товаров в этом статусе должно быть ограничено внутренними политиками компании, устанавливающими продолжительность этапа рыночного тестирования. По окончании этого времени номенклатура со статусом «Новинка» должна быть переведена в один из трех оставшихся статусов: Складская, Заказная или Вывод, в зависимости от результатов рыночного тестирования.
Статус «Вывод» — это статус, который предназначен для защиты от ошибки снабженцев в автоматизированных системах автозаказа. Номенклатура с этим статусом подлежит распродаже без пополнения, а это означает, что она не должна попадать во вновь формируемые заказы.
Еще один момент, на который, я считаю, важно обратить внимание, это тот факт, что все параметры, касающиеся пополнения, статусов номенклатуры, устанавливаются для каждого места хранения (склада — собственного или контрагента, неважно, будет ли это Поставщик или Покупатель). Если у вас сеть из 10 точек плюс один центральный склад и 10 тыс. SKU, то это означает, что у вас 11х10 000 = 110 000 точек управления, статусов номенклатуры, надежных сроков пополнения, целевых уровней буфера и т.д. Конечно, делать это вручную — задача слишком трудоемкая, но для этого существует специализированное программное обеспечение.
При этом при установлении статусов для SKU в конкретном месте хранения существует определенная взаимозависимость, определяемая логикой управления цепью поставки.
Номенклатура, имеющая статус «Вывод» на «корневом» складе цепи поставок (дальше для простоты будем говорить: на центральном складе), не может иметь никаких других статусов ниже по цепи поставок. Номенклатура, имеющая статус «Новинка» на центральном складе, ниже по цепи может иметь статус или «Новинка», или «Вывод» (если мы решили, что в какое-либо место хранения мы ее поставлять не будем).
Если на центральном складе номенклатура имеет статус «Заказная», то ниже по потоку она может иметь статусы «Заказная», «Новинка», «Вывод». Теоретически возможна ситуация, когда в месте хранения выше по потоку номенклатура имеет статус «Заказная», а ниже — «Складская», но это возможно только в том случае, если срок изготовления заказа МНОГО меньше, чем существующий срок надежного пополнения звена ниже по потоку, что в цепях поставок, управляемых в режиме «для наличия», большая редкость. Поэтому на старте следует принять за правило: если статус выше по потоку «Заказная», то ниже по потоку статус режима управления не может быть выше, чем «Заказная». И лишь потом, в процессе непрерывного улучшения, можно проверить допустимость инверсии статусов.
Соответственно, если на центральном складе цепи поставок номенклатура имеет статус «Складская», то в месте хранения ниже по потоку она может иметь любой из четырех статусов, определяемый рыночной и экономической целесообразностью.
И еще один важный момент, связанный с управлением статусами режимов управления номенклатурой — это возможность работы с ассортиментом и собственными обязательствами в условиях, когда защитная мощность в компании невелика. В этом случае компания устанавливает определенный перечень SKU, по которому гарантирует своим клиентам постоянное наличие, и этот перечень должен быть составлен таким образом, чтобы гарантировать достаточную защитную мощность для выпуска требуемого для пополнения спроса объема продукции, а весь остальной ассортимент производится только под заказ, и сроки выполнения рассчитываются из доступной защитной мощности. Это позволяет решать ситуацию, когда компания находится в реальном активном действующем ограничении времени (см. раздел «Типы ограничений»), но мощность ее недостаточна, чтобы обеспечить наличие всего ассортимента (фактически — очень грустная ситуация взаимодействующих ограничений).
Но это отдельная большая тема, выходящая за рамки задачи, решаемой в данной книге[1].
[1] См., например: Эли Шрагенхайм. Управление смешанной средой «Производство на заказ (МТО)» и «Производство для наличия (МТА)» http://egorovde.ru/archives/1885
