Анатолий Каращук, Golder Electronics: Спрогнозировать и исполнить

Далеко не все компании увязывают прогнозирование спроса с планами по размещению заказов на изготовление товаров и построению логистических схем их доставки. Тем более мы не так часто наблюдаем комплексную автоматизацию данных задач. О том, с какими особенностями ИТ-поддержки можно столкнуться, если все же подходить к проблеме комплексно, мы беседуем с ИТ-директором компании Golder Electronics Анатолием Каращуком.

Intelligent Enterprise: Деятельность вашей компании в определенной степени специфична для российского рынка. Поскольку логистическое направление актуально для предприятий очень многих отраслей, а они в свою очередь видят логистику через призму особенностей собственной деятельности, хочется спросить, какова её роль в Golder Electronics.

Анатолий Каращук: Golder Electronics является частью международного холдинга Vitek International. Если говорить в самых общих словах, то наша деятельность состоит в продвижении на рынок ряда известных торговых марок бытовой, аудио- и видеотехники, а также посуды (Vitek, Xcube, Coolfort, Rо..ndell), и исходя из этого определения можно было бы предположить, что мы занимаемся тем же, чем еще сотни компаний в нашей стране. Но все же у нас действительно есть своя специфика. «Изюминка» состоит в том, что мы не являемся ни дистрибьютором в чистом виде, ни тем более розничной компанией. Что касается марки Vitek, то наши специалисты, знающие особенности российского рынка и требования российских потребителей, разрабатывают модели техники, которые затем производятся в основном на заводах Китая и Юго-Восточной Азии. К этому процессу также широко привлечен департамент исследований и разработок (R&D), базирующийся в Гонконге, в принадлежащей нам компании Star Plus. Мы же продвигаем готовую продукцию на рынок уже в значительной степени как дистрибьюторы. Иными словами, принципиальной спецификой в нашем случае является то, что мы отвечаем за торговую марку на протяжении всего жизненного цикла изделия — от дизайна до реализации. Исходя из этого можно выделить еще по крайней мере две особенности, уже более непосредственно ассоциируемые с логистикой.

Первая связана с территориальной удаленностью производителя. Вторая определяется тем, что мы имеем дело с очень длительным, сложным и многоступенчатым жизненным циклом товара, если под этим понимать весь период от размещения заказа на производстве до доставки изделий в розничную сеть, а также все временны’е интервалы, связанные с объективными задержками в товарном движении по этим стадиям. В последнее время для характеристики этого периода широко применяется термин lead time, который у нас может составлять три-четыре месяца. На практике, как я уже сказал, мы имеем дело с производством в удаленных от России регионах, распределительными складами в России, Европе и дополнительными буферными складами в Европе.

Исходя из вышеперечисленных особенностей ключевой для нас является возможность строить максимально точные и обоснованные прогнозы и в то же время уметь создавать на их основе эффективные схемы доставки товара потребителю. Сложность здесь в том, что непростые сами по себе задачи прогнозирования и пополнения запасов еще и очень сильно связаны между собой. Но при этом алгоритмически, равно как и по многим другим параметрам, прогнозирование и исполнение планов дистрибуции представляют собой совершенно разные проблемы со своими особенностями, подходами, архитектурой информационных решений и т. д. Вообще же описанную проблему в целом с многочисленными и зачастую глубокими обратными связями мы и понимаем как классическую задачу Supply Chain Management — SCM.

Какого рода информационная поддержка вам в таком случае необходима в первую очередь?

В первую очередь необходима именно такая система, которая была бы способна тесно связать два только что упомянутых мною направления. Я имею в виду прогнозирование спроса и выполнение плана по доставке конкретной продукции конкретному потребителю, включая, разумеется, и ее производство. Оба этих направления должны быть не только интегрированы, но и каждое из них в отдельности должно быть очень сильно представлено.

Прежде чем говорить о конкретном продукте для автоматизации, можно отметить следующие моменты. Вряд ли в этой ситуации нас могла бы устроить собственная разработка, хотя подобные предложения, как, впрочем, практически всегда и бывает, к нам поступали. И дело здесь даже не в известном тезисе, что промышленная тиражная разработка якобы всегда лучше и надежнее заказной. Основная проблема в том, что в решении каждой из двух составных частей задачи SCM на отечественном рынке мало опыта. Откровенно скажу, что даже адекватно поставить перед разработчиком задачу в этих условиях очень трудно, и риск столкнуться с неопытными исполнителями также очень велик. Более того, эксплуатация подобной системы просто по определению связана с использованием большого количества настроек, которые (в отличие от большинства привычных российскому пользователю случаев эксплуатации ИТ-систем) необходимо постоянно менять. Дело в том, что мы говорим об оптимизационных решениях, в которых в зависимости от конкретной ситуации бывает целесообразно применять разные алгоритмы расчета, вводить различные ограничения, параметры и т. д. В случае выбора заказной системы мы даже при грамотной постановке задачи и адекватном ее решении неминуемо столкнулись бы с необходимостью постоянных серьезных доработок. А это уже фактически была бы тупиковая ветвь развития автоматизации нашей компании.

Надо сказать, что мы рассматривали широкий спектр известных западных решений, но остановились на программе, предлагаемой компанией JDA. Внедряли мы её совместно с фирмой Solvo.

Не могли бы вы рассказать, какие конкретно задачи решает эта система в контексте бизнеса Golder Electronics? И раз уж была подчеркнута его ориентация на оптимизационные алгоритмы, то хотелось бы, чтобы вы коснулись и данного аспекта.

Здесь опять-таки следует разделить задачи прогнозирования и планирования доставки необходимых товаров через дистрибьюторскую сеть. По классическим канонам управление дистрибуцией должно строиться как раз на основе прогнозов. Мы же по ряду причин начинали с первого направления (основная причина заключается в том, что мы можем взять за основу имеющиеся результаты прогноза), поэтому и я сейчас начну с него.

Сначала просчитывается так называемый план дистрибуции — потребность в товаре на каждом пункте его доставки в любой момент времени при любых заранее заданных ограничениях. В качестве последних могут, например, выступать кратность партий, определяемая производителем, минимальное количество единиц для отгрузки, производственный lead time и т. д. На выходе мы получаем рекомендованные системой заказы, которые необходимо разместить у поставщика. Далее, имея данный график заказов, система самостоятельно строит план размещения (deployment plan), пытаясь оптимизировать логистические потоки и вводя в исходную постановку задачи уже иные ограничения. Мы, например, можем использовать только стандартный набор контейнеров для перевозки и ограниченное число вариантов упаковки в них разных типов товаров У нас есть некая минимальная партия отгрузки, определенный график движения транспорта (отмечу, что речь, как правило, идет о морских перевозках, которые можно запланировать далеко не на любой день и час) и т. д. В итоге мы имеем обоснованно спрогнозированный график прибытия товара в тот или иной пункт.

В общем виде логистическая задача является оптимизационной, а это вносит некоторую специфику, о которой стоит сказать несколько слов. Здесь мы не имеем той определенности в принятии решений, которая часто подразумевается в случае применения классических информационных систем. Исходные данные таких задач порой разнообразнее, независимых ограничений тоже приходится вводить немало, и в итоге пространство возможных решений выглядит гораздо сложнее, чем, скажем, единственно возможный и ясно понимаемый результат арифметических действий. Здесь, выражаясь языком математики, мы, как правило, способны лишь вычислить локальный экстремум сложной функции на поле возможных решений, а говоря более простыми терминами — найти оптимальное по заданному критерию решение, варьируя небольшие изменения исходных данных и ограничений.

Можно пояснить и на примере из бизнеса. Заранее просчитав на основе предсказанного спроса некий оптимальный сценарий доставки, мы можем столкнуться со сценарием, когда через некоторое время спрос на товар заметно изменяется. И тогда мы снова ищем наиболее выгодный в новой ситуации вариант логистических схем. Может быть, теперь нам надо везти товар не через буферные склады, а напрямую, да к тому же в других контейнерах и с несколько иной компоновкой товара? То есть мы начинаем оперативный поиск нового локального экстремума с иными начальными условиями и ограничениями. В нашей случае, когда имеется множество товаров, производителей, складов, ограничений и т. д., справиться с этой проблемой вручную практически невозможно, и здесь система оказывается более чем полезна. Конечно, в общем виде задача неразрешима, но смоделировать разные возможности и выбрать наиболее оптимальную модель — это вполне реально.

Рассматривая бизнес-ситуацию, вы только что упомянули проблему прогнозирования и ее связь с построением схем дистрибуции. Не могли бы вы остановиться на этих важнейших моментах подробнее, тем более что данные темы в общем-то мало представлены в прессе?

Прогнозирование — тема сама по себе многоплановая, интересная и, может быть, действительно пока недостаточно раскрытая. Поэтому начну несколько издалека. В принципе прогноз спроса — задача универсальная, она характерна для многих отраслей. Отнюдь не чужда она, например, той же розничной торговле, хотя и в более упрощенном виде. Крупная розница (по крайней мере на нашем рынке) зачатую «продавливает» смежные отрасли, диктуя им свои условия. Наблюдая спрос, они заказывают товар, а если видят, что он больше не продается, просто выводят его из матрицы, а на его место ставят другой и требуют его поставок. Конечно, у розницы есть, например, ярко выраженные сезонные товары (скажем, новогодняя атрибутика), спрос на которые вполне предсказуем, но это скорее исключение. Дистрибьютор работает с определенным товаром более плотно и более длительно, заказывая его у производителя. Соответственно у него и риски выше, если спрос угадан неверно. По этой причине дистрибьюторы действительно занимаются прогнозированием гораздо глубже. И наконец, наша компания, которая помимо собственно дистрибуции отвечает еще и за торговую марку, несет максимальные риски в отношении корректности предсказания спроса.

Прогноз спроса по категориям также непростая задача, но нам этого недостаточно. Чтобы спланировать всю цепочку поставок, мы должны вести прогнозирование пономенклатурно. А в этом случае задача сразу усложняется многократно. Если к имеющимся двадцати моделям чайников мы решили добавить еще пять, то нужно учесть не только спрос на новые модели, но и то, как данный спрос повлияет на продажу имеющегося товара. Похожие модели выводят и наши конкуренты, которые так или иначе могут отнять у нас часть от планируемого объема продаж. Конечно же мы проводим рекламные и маркетинговые акции, опять-таки связанные не с категорией, а с конкретной моделью и призванные существенно стимулировать спрос именно на нее. Наконец, на все это накладывается известная всем кривая жизненного цикла изделия, которое продвигается на рынок (и по прошествии времени выводится с него) в виде все той же конкретной модели. Я уже не говорю о таких казалось бы очевидных вещах, как рост благосостояния людей и культуры потребления, а также степень агрессивности нашей собственной стратегии в отношении того или иного товара, что тоже надо адекватно учесть. Все это должно рассматриваться во взаимосвязи, и сложность задачи тут в общем нетрудно себе представить.

Если же опираться на адекватный функционал ИТ-системы, то со многими проблемами на самом деле вполне можно справиться. Подобные задачи возникали и возникают не только у нас, и в общем решения здесь более или менее отработаны. Другое дело, что здесь часто приходится пробовать разные методы. Так, например, рекомендуют метод Фурье для прогноза выраженного сезонного товара, в других случаях лучше использовать другие методы (Левандовского, MLR, Кростона и т. п.). Конечно, при этом не обязательно быть математиком и уж тем более заменять собой программу (здесь еще раз уместно подчеркнуть чрезвычайную важность присутствия в системе лучших практик расчета прогнозных задач), но ориентироваться в подобных вопросах с определенной степенью профессионализма весьма желательно. Вместе с тем опыта на российском рынке пока маловато, литература в явном дефиците, что, наверное, и отражает еще не сложившуюся культуру решения таких задач.

Наконец примем во внимание, что умение решать задачи прогнозирования по сути давно приравнены к искусству, и это даже не метафора. Никогда нельзя недооценивать не только опыт, но и интуицию специалистов. Есть таковые и в нашей компании, и меня, кстати, всегда восхищал их профессионализм. У нас точность прогноза по некоторым категориям составляет менее пятнадцати процентов ошибок при годовом прогнозировании. Это очень хороший результат, достигаемый, в частности, за счет их грамотной работы.

О связи прогноза и составления плана дистрибуции я частично говорил выше. Подчеркну еще, что точность и временной горизонт предсказания всегда объективно конфликтуют между собой. Другими словами, чем меньше времени остается до момента предполагаемой доставки тех или иных товаров, тем точнее прорисовывается ситуация со спросом. Но одновременно все сложнее становится менять что-либо в плане дистрибуции. С помощью системы мы обеспечили возможность формирования оперативного наложения прогнозов продаж на управление дистрибуцией, чтобы опять-таки предельно оперативно выявить возможности по выполнению планов. Иногда становится ясно, что заранее составленный план продаж по категориям товаров выполнить уже нереально: ситуация изменилась. Зато можно еще исполнить бюджет продаж за счет увеличения поставок других товаров. Это, кстати, тоже не такая простая (и опять-таки оптимизационная) задача, в решении которой важно предоставить менеджерам возможность смотреть, какую картину им выдает система, и оперативно вмешиваться в процесс.

Вот тут возникает интересный вопрос о степени соотнесения экспертизы специалистов и функций ПО. Из ваших слов следует, что и в процессе прогнозирования, и в ходе управления процессами дистрибуции задействованы оба типа ресурсов. Но алгоритмы расчета зачастую непросты, и гарантировать точный результат их работы в любой ситуации трудно. Эксперты же могут руководствоваться даже не расчетами, а интуицией, что тоже, понятно, объективной гарантии не дает. В итоге, наверное, трудно определить, чьим рекомендациям следует отдать предпочтение, тем более если они заметно расходятся…

Существование такой проблемы признать можно. Не назову её критичной, но по крайней мере она более рельефна, чем в случае традиционных транзакционных систем, осуществляющих управление в соответствии с достаточно понятными алгоритмами. Начну с управления дистрибуцией. При освоении выбранной нами системы мы поставили перед собой три задачи. Первые две связаны с осознанием всех возможностей продукта и приобретением навыков по заданию в нем адекватных параметров, описывающих ту или иную ситуацию. Такие задачи по сути ставятся всегда. Но в данном случае мы стремились также выяснить, как система идет к конечному результату. С самого начала загружали в нее и в старую систему (разумеется, подобные наработки у нас существовали и раньше) одни и те же исходные данные и сравнивали результат. Где-то он сходился, где то нет. Вообще же мы пришли к выводу, что универсальный метод проверки логики работы системы состоит в детальной проработке отчетов. Даже не зная точно алгоритма, но имея ежедневные отчеты в различных разрезах, всегда можно следить за тем, что нам дает система, и в случае расхождения c мнением экспертов тут же локализовать «подозрительные» данные. Такие случаи были, но все время оказывалось, что эксперты и система при этом подразумевали разные ограничения, параметры, допущения и пр.

Несколько иная ситуация складывается с прогнозированием. Эта область, как я уже подчеркивал, граничит с искусством. Здесь и эксперты больше полагаются на собственные креативные методы, и алгоритмы, заложенные в систему, сложней, и поле для выбора этих алгоритмов пошире. Лично я предпринимал попытку «вытащить» хоть сколь-нибудь формализованные подходы из наших ведущих экспертов (потому что видел, что они так или иначе строят какие-то свои модели) и перенести их в систему. Однако я не уверен, что сделал это адекватно.

Но при всем том система в параллель с экспертами работать с моей точки зрения вполне может, и не надо при этом дискриминировать ни тех, ни другую. Для этого, правда, нужно иметь историю работы, и чем она глубже, тем лучше. Поскольку внедрение мы закончили только что, у нас ее на сегодня по объективным причинам не хватает. Прогноз, конечно, принимается в единственном виде, но неформально их можно сделать в системе множество и затем сохранить. Можно сохранить и экспертный прогноз, чтобы по прошествии времени провести классический план-фактный анализ. По сути в процессе подобных многочисленных итераций и накапливается опыт прогнозирования спроса.

Кстати, смежным с проблемой, которую мы только что обсудили, является вопрос подготовки и проверки исходных данных. Об этом в связи с применением любых ИТ-систем говорят очень часто, а при использовании прогнозных моделей, где алгоритмы часто сложны и нелинейны, существует повышенный риск получить весьма значительную ошибку даже при очень небольших погрешностях в исходных данных.

Качество входных данных можно отождествлять с человеческим фактором, который, как известно, имеет место всегда. При каждом сотруднике, вводящем в систему информацию, десять проверяющих не поставишь, и поэтому целесообразно организовать другие, если угодно, более естественные способы проверки. Например, известный (и совершенно правильный) принцип однократного ввода информации приводит к тому, что данные, служащие исходными для прогноза, у нас, в частности, поступают и в ERP-систему, и их некорректность с большой вероятностью будет замечена уже другими сотрудниками. Пусть не в тот же самый момент, но это и не так важно. Совершенно верно также был отмечен факт сильной неустойчивости решения некоторых задач прогноза и управления дистрибуцией по отношению к ошибкам в исходных данных. Иными словами, если вовсе не следить за эксплуатацией системы, вполне реальными становятся очень большие ошибки. Поэтому никогда не лишне знать порядок рассчитываемой величины и по возможности сравнивать ее с получаемым в системе результатом. При этом мы практикуем, если угодно, последовательное освоение системы — отработку функций на одном типе товаров и перенесение полученных наработок на другой тип. Столь же планомерно при этом идет накопление опыта работы с системой и появляется доверие к ней. Дело в том, что проблема обеспечения корректности исходных данных, проблема освоения возможностей системы и проблема оптимизации сочетания экспертного мнения с функционалом программного продукта очень тесно связаны между собой.

Хотелось бы, чтобы вы ещё прокомментировали традиционный для логистики вопрос информационной связи с партнерами. Из ваших слов следует, что прогнозные задачи, равно как и задачи управления дистибуцией, во многом аналитические. В данном случае многие данные, наверное, желательно иметь под рукой, а не делать каждый раз запрос, какие ресурсы, возможности или потребности есть у тех же производственных или розничных предприятий.

Конечно, такое взаимодействие необходимо. Более того, в отношении информационных контактов с розницей мы наблюдаем явную тенденцию к детализации этого взаимодействия. Понятно, что от розничных сетей мы должны получить хотя бы ориентировочный предварительный план той номенклатуры, которую они хотят иметь от нас к определенному сроку. Однако в ближайшем будущем мы хотим (а точнее, нас просто заставляет конкурентная среда) двигаться в сторону более низкоуровневых планов при взаимодействии с федеральными розничными сетями, или, иными словами, переходить к планам поставок в конкретные магазины этих сетей. Это, кстати, повышает требования не только к уровню информационного обмена, но и к той же системе прогнозирования, о которой мы говорили выше. Тем более если учесть, что федеральные сети весьма капризны и далеко не всегда соглашаются на замену товаров, даже если речь идёт, скажем, всего лишь о другом цвете. А поскольку это так, то для повышения точности и надежности предсказания спроса для нас совсем не лишним будет расширенный доступ к истории продаж товаров в тех же федеральных сетях за предыдущие периоды. Таким образом, мы снова возвращаемся к вопросам совершенствования механизмов информационного обмена.

Что касается совместной работы с производителем, то без этого тоже нельзя. Более того, в данном случае наша работа потенциально, пожалуй, значительно больше связана с многочисленными и более детальными параметрами работы производственной компании, чем это имеет место при взаимодействии с розницей. Поэтому (опять-таки потенциально) здесь вполне уместно было бы говорить о глубоком погружении в ERP-системы производителей, которые у них, разумеется, есть. Однако на сегодня культуру таких тесных «информационных объятий» по ряду объективных причин нельзя назвать развитой даже в целом. Естественно, никто просто так не пускает в свои ERP-системы и нас. Поэтому произвольный учет ограничений со стороны производственников при составлении наших планов мы не можем обеспечить в полностью автоматизированном режиме. Однако такие ключевые вещи, как, например, производственный календарь, количество технологических линий, возможность запараллеливания производства тех или иных видов продукции, мы знаем и учитываем. В оперативном режиме активно задействована электронная почта, есть возможность отслеживания заказов по производственному циклу. Планы по выгрузке определенной информации из ERP-систем тоже в настоящее время имеются.