Почему кризис цепочки поставок было невозможно предсказать

Сфера технологий для решения этих задач находится на подъеме. По данным PitchBook, всего за 6 месяцев 2021 года стартапы, предлагающие технологии для цепочек поставок, получили $15 млрд финансирования. Для сравнения, ранее для сбора аналогичной суммы потребовался весь 2020 год.

Потребность в инструментах для управления логистикой помогла стартапам, таким как компания по реализации решений ShipBob, платформа доставки Bringg и экспедитор Sender, собрать сотни миллионов для оцифровки цепочки поставок.

Амар Ханспал, основатель и CEO компании по автоматизации цепочек поставок Bright Machines, также намерен вывести консервативный производственный сектор в 21 век.

Он хочет помочь отрасли продвинуться далее «подхода промышленной революции», который подразумевает, что производители выпускают «100 тысяч чего-то, погрузят это на контейнеровоз, доставят, а потом кто-то скажет: "Мне не нужно 100 тысяч, мне нужно только 80 тысяч, так что отправьте 20 тысяч на свалку"».

Ханспал объясняет, что поскольку производству традиционно не хватало данных, спрос и предложение в основном были не синхронизированы. У отрасли нет такой же видимости в реальном времени, как, скажем, у приложений для заказа  такси.

«Им известен спрос. Им известно предложение. Им известно, где находятся все такси. Им известно, где находятся все клиенты, и они могут отлично сопоставить это», — говорит CEO Bright Machines. В промышленной сфере производители часто не знают, каков спрос, поэтому им трудно определить, насколько адекватно их предложение.

Фото в тексте: Fahroni / Shutterstock

Предоставляя данные о производстве в режиме реального времени, Bright Machines стремится обеспечить производителям видимость и прозрачность, которых им обычно не хватает.

Программное обеспечение устанавливается прямо в линию сборки. Таким образом, Bright Machines может отслеживать каждый продукт по мере его сборки, предоставляя информацию о том, сколько запасов имеется на данный момент, а также сколько времени потребуется, чтобы выпустить большее количество. Ханспал сравнивает это с возможностью отследить, как готовится пицца Domino's.

Но более точные данные о поставках — это только половина уравнения. Прогнозировать спрос гораздо сложнее.

Розничные и оптовые торговцы в швейной промышленности, например, наблюдали огромный рост спроса до и после коронавируса, отмечает Джейсон Миллер, доцент кафедры цепочки поставок в Университете штата Мичиган. До пандемии спрос на одежду рос «на пару процентов в год», напоминает он.

Затем, в начале пандемии, спрос практически исчез. Но в последнее время продажи выросли примерно на 15% к 2019 году.

Из-за того, что розничным и оптовым торговцам пришлось сократить запасы в начале пандемии, у многих они уже подходят к концу. Но из-за волатильности рынка они не решаются наращивать запасы готовой продукции.

«Сейчас розничные и оптовые продавцы сталкиваются с большой неопределенностью в отношении того, какой спрос будет через несколько месяцев, из-за чего им сложно проявлять агрессивность, когда дело доходит до заказа большого количества товаров, потому что они не хотят, чтобы они застряли», — объясняет Миллер.

Blue Yonder, компания по управлению цепочками поставок, которая разрабатывает ПО для прогнозирования спроса, — один из игроков, пытающихся это изменить. Шри Харихаран, вице-президент Blue Yonder, считает, что необходимо изменить подход к балансу спроса и предложения.

Традиционно для прогнозирования будущего спроса использовались исторические данные о закупках. «Но теперь все перевернулось с ног на голову», — говорит он. Архивные данные больше не показывают, как будут выглядеть сегодня и завтра. Харихаран объясняет, что теперь компаниям уже не стоит чрезмерно полагаться на прогнозы, предусматривающие «очень линейную и очень статичную цепочку поставок».

Фото в тексте: Halfpoint / Shutterstock

Поскольку большая часть бизнес-транзакций происходит в цифровом формате, это означает, что у нас есть больше данных, чем когда-либо, — «будь то на стадии производства, или на складе, или в розничном магазине, или на стадионе, или в индустрии гостеприимства», считает Харихаран.

Blue Yonder использует машинное обучение для сбора сотен подобных точек данных, чтобы готовить свои прогнозы спроса. Их программа сочетает исторические данные о закупках с такими переменными, как процентные ставки, погодные условия, сезонность и так далее, чтобы прогнозировать потребительский спрос в определенный период времени.

Харихаран утверждает, что с помощью этих моделей клиенты могут «понять, что существует новая норма спроса».

Вопрос в том, могли ли большее количество данных и лучшие программы для прогнозирования предотвратить кризис цепочки поставок. Вероятно, однако Миллер полагает, что цепочка поставок все равно не была готова.

Цепочки поставок должны быть экономичными и эффективными, а не иметь дополнительных мощностей, способных выдерживать большие потрясения.

Однако есть надежда, что по мере развития технологий компании смогут, по крайней мере, предвидеть сбои в будущем и разработать логистику, которая будет готова быстро реагировать.

Источник.

Фото на обложке: Fahroni / Shutterstock