Зачем нужен новый класс систем?
Очевидно, что еще до появления термина SCI данные, собранные в цепочках поставок, пересчитывались, цифры анализировались, и так создавалась информация для принятия решений по модернизации работы цепочки поставок. Как правило, для этого применялись те или иные аналитические функции SCM-систем, которые есть во всех системах. Некоторое время этих данных было достаточно. Однако постепенно диапазон категорий информации, которую надо было анализировать, расширился. Понадобились совершенно разнообразные данные, позволяющие оценить, насколько вся цепочка поставок способна доставлять рентабельные продукты. Понадобилась работа со сценариями "что, если" для модернизации ключевых операций в секторах поставок и дистрибуции. Традиционные SCM-системы уже не смогли поддержать эти запросы.
Вторая важнейшая причина появления нового класса решений связана с тем, что растет значение цепочек поставок в бизнесе предприятий. Многие мировые компании постепенно перекладывают часть своих функций - от производства до обслуживания клиентов - на плечи подрядчиков, в качестве которых часто выступают филиалы или бизнес-партнеры, расположенные в других регионах, где такой аутсорсинг оправдан. По-видимому, эта тенденция усилилась в условиях нынешнего экономического спада, когда компании все больше расширяют географию своей деятельности, стремясь сократить затраты и повысить доходность. Подобная глобализация привела к рассредоточению таких операций, как снабжение, производство и распределение товаров и обслуживание клиентов, среди множества организаций во всем мире. В результате важность цепочек поставок сильно возросла. За последнее время цепочки поставок резко расширили свое "влияние" на предприятии.
Наконец, третья причина появления нового класса решений - это расширение объема
анализируемых данных и необходимость комплексного подхода. Понятно, что сама
по себе технология вторична. Она всего лишь средство, ускоряющее получение ответа
на поставленный вопрос. А вот вопросы, получать ответы на которые хотят топ-менеджеры
компаний, становились все более сложными и комплексными. Например:
"На каком этапе цепочки создания ценности повышается ценность продукта?"
"Какие альтернативные источники поставок и производства мы можем задействовать,
чтобы снизить себестоимость продаваемых товаров?"
"Что заставляет наших партнеров по цепочке поставок повышать оплату за
свои услуги?"
"Нужно ли увеличить число центров дистрибуции, чтобы сократить транспортные
расходы на 15 млн долл. при условии, что прогноз продаж окажется верным?"
Очевидно, что полученные ответы глубоко влияют на структуру предприятия и могут иметь далеко идущие последствия. Но для ответа приходится анализировать чуть ли не все возможные данные по цепочке поставок. Кроме того, на сегодняшний момент в область "компетенции" SCI-технологий включаются не только собственно цепочки поставок, но и производство как таковое - естественно, в некоем обобщенном и агрегированном виде. Это оказалось совершенно необходимым для ответа на подобные комплексные вопросы. Понятно, что традиционные SCM-системы не могут удовлетворить эти запросы. В результате и выкристаллизовался класс SCI-систем.
Проблема: интеграция данных
Главная проблема внедрения у SCI- и BI-систем одна и та же. Самая сложная задача при создании подобного каркаса для анализа цепочек поставок заключается в агрегировании данных из многочисленных источников. До начала какого-либо SCI-анализа данные из многочисленных источников (ERP- и SCM-приложений и решений для управления циклом жизни продуктов) надо извлечь и привести к единому формату. Основная сложность подобной интеграции - в необходимости объединить огромный объем структурированных и неструктурированных данных, производимых и получаемых современным предприятием.
Структурированные данные обычно поступают из транзакционных систем. Это могут быть файлы в формате EDI, XML или простом ASCII. Задача интеграции данных для SCI еще сложнее, поскольку данные "высасываются" из всех источников данных в рамках не только предприятия, но и всей цепочки поставок. С другой стороны, неструктурированные данные - это сроки и условия взаимоотношений поставщиков или клиентов и другая договорная информация, которую сложно втиснуть в прокрустово ложе стандартного формата. Кроме того, обычно в SCI-системах используют для аналитического исследования данные исследований сторонних компаний - анализ тенденций рынка или обзорные данные. Приведение данных из многочисленных источников в единый формат - задача отнюдь не тривиальная. Решая проблемы интеграции данных, пришлось отложить как многие BI-, так и SCI-проекты.
Точность данных
При этом попытка решить проблему всю и сразу часто мешает получать преимущества от внедрения SCI-решения. Стремиться интегрировать данные из всех частей цепочки поставок - все равно что пытаться попасть в цель, двигающуюся со сверхзвуковой скоростью. В каждый момент времени интегрируемые данные представляют собой информацию, извлеченную из исходных систем. А сами исходные системы находятся в процессе постоянных перемен и генерируют новые данные. Попытка извлечь, преобразовать и синхронизировать данные из этих многочисленных источников - очень трудная задача, на решение которой могут потребоваться огромные ресурсы.
Вместе с тем отправной точкой для любого SCI-проекта должна быть бизнес-задача, , а не интеграция данных, базовая технология или процесс выбора технологии. Четкое понимание бизнес-вопроса, на который нужно получить ответ, ограничивает усилия по интеграции и очистке данных при выборе SCI-технологии и на стадии внедрения.
Это важнейший момент, так как бизнес-задача, требующая решения четко показывает различие между SCI-решением и типичным приложением по обработке транзакций. Последнее обрабатывает сотни и миллионы транзакций в день и должно обеспечивать 100%-ную точность данных. В SCI-решении приоритеты другие. В отличие от них SCI-приложения могут использоваться считанное число раз в год. И получить ответ на SCI-вопросы в разумное время намного важнее, чем обеспечить абсолютно точную интеграцию данных. Например, ответ на вопрос, поставленный перед SCI-системой, не изменится, если вместо точной цифры вроде "1 245 761 коробка" использовать приблизительные данные в 1,25 млн. Однако задержка, необходимая для получения таких данных, в SCM-системах может достигать двух недель, что совершенно недопустимо при работе SCI-приложений. Поэтому до начала SCI-проекта специалисты в конкретных предметных областях, например в финансах, бухучете и стратегическом планировании, должны четко поставить задачу и определить, какой уровень детализации разумно достаточен для получения оперативного ответа на поставленный перед SCI-системой вопрос.
Не только поставки
Наконец, последняя тенденция, о которой я хотел упомянуть, - это расширение области действия SCI-систем на всю цепочку создания добавленной стоимости. Некоторые эксперты и поставщики SCI-решений считают, что SCI-системы должны охватывать, кроме таких традиционных этапов цепочки, как поставки и дистрибуция, еще и производство (об этом я уже писал выше), и даже разработку изделия или услуги. Это позволит точно определить добавленную стоимость на всех этапах работы предприятия.
Идея, несомненно, интересная. Именно такой анализ, например, может привести к мысли избавиться от производственных средств и сосредоточиться на разработке продукции - подход, очень популярный сейчас во многих отраслях. Проводя этот поистине всесторонний анализ, компании все чаще обнаруживают, что разработка продукта и инновации обеспечивают основную потребительскую ценность изделия, в то время как производственные мощности и оборудование не позволяют с достаточной рентабельностью и эффективностью удовлетворить потребности клиентов.
Вот к чему приводит стремление научиться задавать правильные бизнес-вопросы. Однако взвалить все эти вопросы на очень новый и "сырой" класс SCI-решений - не очень удачная мысль. По крайней мере пока. Хотя потенциальные возможности SCI-технологий в преображении современного предприятия огромны.
