Модное или необходимое? Классифицируем системы ИИ по оптимизации товарных запасов и цепочек поставок

Торговые компании по-разному решают вопросы дефицита ресурсов. Наиболее очевидное решение проблемы – привлечь кредитные средства или увеличить отсрочку оплаты поставщикам – обычно самое неоптимальное: выплата процентов или рост закупочных цен при отсрочках неизбежно уменьшает прибыль. Но часто потенциальные источники «свободных» средств находятся не вовне, а внутри компании. 

По нашему опыту, потери от неэффективного управления запасами могут составлять до 2% оборота компании. Основная причина избыточности складских запасов – ошибки прогнозирования спроса. 

Например, по заказу торговой компании «Блеск» мы провели эксперимент – «приземлили» данные заказчика на аналитическую систему и показали, как можно продолжать работать с клиентами без задержек поставок, без роста кредиторской задолженности, не имея на складах значительных избытков товара. Система позволяет учитывать множество параметров - от контрактных условий и транспортных возможностей до минимальной закупочной партии. «Блеск» использовал искусственный интеллект в тестовом режиме, но на реальных данных. И обнаружил, что деньги, которые можно использовать в обороте компании, лежат в буквальном смысле на самом видном месте – на складах и полках магазинов.

Чтобы найти «замороженные» средства, нужно сделать массу расчетов и учесть множество факторов. Потенциальную экономию можно реализовать благодаря внедрению решения, которое позволит автоматизировать процессы прогнозирования, расчета страхового запаса, планирование закупки, автозаказ поставщику и другие. 

На рынке есть большое количество таких приложений, но при всем при этом универсального решения, которое подошло бы всем заказчикам, не существует. Давайте попробуем в самых общих чертах разобраться, чем отличаются разные классы ИИ-систем. 

Для сохранения определенного уровня сервиса и снижения риска дефицита товара торговые компании поддерживают так называемый страховой запас – дополнительный объем товара, который используют в качестве буфера до момента поступления следующего заказа. 

Недостаток такой стратегии – увеличение затрат на хранение и поддержание, отвлечение денежных средств, что может негативно повлиять на рентабельность бизнеса, наличие кассовых разрывов. Уровень страхового запаса – это экспертное допущение, неопределенность прогноза. 

При использовании простых систем, когда в магазине тысячи товарных позиций, сформировать, настроить и ввести в ту же таблицу Excel страховой запас по каждой маловероятно. Поэтому страховой запас назначают на какую-то категорию, группу товара. Делают такие допущения примерно, чтобы было удобно считать, и это никак не связано с реальным потреблением. 

В результате магазины не имеют четкой картины своего реального уровня переизбытка товара на складе.

Такие системы чаще используются по привычке, но они не отвечают современным реалиям, не дают возможности тонкой настройки, используют исключительно простые методы прогнозирования и требуют серьезной разработки логики ограничений.

Они предназначены для управления товарными запасами и цепочками поставок. Системы делятся на два принципиально различных типа. 

Первые кастомизируются под задачи заказчика. В них задан сложный алгоритм прогнозирования, учитывающий особенности конкретного клиента. Стоимость разработки и внедрения высока, а любая дополнительная доработка – это новые расходы, при этом ни клиент, ни ИТ-консультант внести изменения без разработчика просто не могут. Кроме того, у них серьезные сроки внедрения (до года). Но стоит отметить наличие у производителей систем этого класса бизнес-экспертизы по отдельным специализациям и соответствующие отраслевые наработки. В остальных случаях применение подобных систем нецелесообразно.

Вторые – универсальные системы, как правило, настраиваются самим пользователем, умеют работать с большими объемами данных, прогнозировать товарные запасы даже на основе редкого спроса, но все нюансы там, конечно, не учесть. Для них не нужны специальные знания и время на разработку технического задания. Отсюда и небольшие сроки внедрения: наладка такой системы и запуск в промышленную эксплуатацию возможно всего за пару месяцев. По сравнению с простыми системами это мощный бизнес-инструмент за относительно небольшие деньги. Пожалуй, в минусы можно записать только отсутствие возможности настроить сложную, нетривиальную логику принятия решения. 

Эти два типа систем подходят для большинства средних компаний, которые осознали ограниченность простых решений. Такие системы не выдвигают серьезных требований к проектной команде и аналитикам со стороны заказчика, при этом пользователям доступны алгоритмы искусственного интеллекта для прогнозирования и оптимизации товарных запасов. 

Системы визуального проектирования позволяют спроектировать всю логику принятия решения визуально без написания кода или с помощью математического моделирования. Они подбираются под клиента и требуют наличия в штате заказчика математиков-аналитиков. 

В таких системах возможно применение различных видов прогнозных моделей, дающих в итоге очень точный результат, настройка любой, даже очень сложной логики заказчика. Они подходят федеральным сетям и дают возможность учесть огромное количество тонкостей, связанных с географией бизнеса, особенностями логистики, номенклатурой товаров и прочее, но подразумевают серьезные финансовые затраты на внедрение. 

Систем действительно много, применяемые в них технологии варьируются от простых до очень сложных. Из того, как их преподносят заказчикам ИТ-консультанты, сложно понять, каким будет понятный для бизнеса результат. Подход к выбору и внедрению систем, использующих технологии искусственного интеллекта кардинально отличается от обычных учетных систем, к которым привык бизнес, и требует экспертного подхода. Ключевая разница в том, что изначально компания-заказчик не может оценить какой значимый для бизнеса эффект принесет внедрение системы. Одни и те же алгоритмы даже в очень схожих компаниях могут давать кардинально разный результат.