Классификация систем ИИ по оптимизации товарных запасов и цепочек поставок

Предприятия и компании все чаще вынуждены работать в условиях ограниченности ресурсов — трудовых, логистических, складских, финансовых. Недостаток денежных средств компенсируется привлечением кредитных средств, однако, займы уменьшают прибыль на сумму банковских процентов.  

Анализируя данные клиентов и проводя десятки исследований в год, мы видим, что потери от неэффективного управления запасами составляют до 2% оборота компании. По нашему опыту, основной причиной этого является избыточность складских запасов, которая составляют от 10% до 25% от совокупной стоимости складских запасов, причем большая часть потерь приходится на ошибки прогнозирования спроса. Такие потери увеличивают себестоимость продукции и ее конечную стоимость для потребителя, что ведет к снижению конкурентоспособности. 

Для удовлетворения спроса торговым предприятиям нужно держать необходимый товарный запас на складе, планировать логистические и складские ресурсы, а в случае производственной компании - закупку сырья, производственные мощности и людские ресурсы. А значит нужно учитывать множество факторов. Это очень большой объем информации, который зачастую просто невозможно организовать вручную. 

Переизбыток товарного запаса – это огромные деньги, которые можно было использовать в обороте компании. Потенциальную экономию можно реализовать благодаря внедрению решения, которое позволит автоматизировать процессы прогнозирования, расчета страхового запаса, планирование закупки, автозаказ поставщику и другие.

Если вы собственник, финансовый или коммерческий директор, руководите в компании розницей или снабжением — вам стоит быть в курсе какие ИТ-решения сейчас применяются. А выбор их на рынке сейчас действительно есть, и продукты на базе технологий искусственного интеллекта открывают много возможностей для действительно эффективного ведения бизнеса. 

Простые системы

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, что может негативно повлиять на рентабельность бизнеса. 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 не отвечают современным реалиям, не дают возможности тонкой настройки, используют исключительно простые методы прогнозирования и требуют серьезной разработки логики ограничений.

Специализированные отраслевые решения

Они предназначены для управления товарными запасами и цепочками поставок. Системы делятся на 2 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 интегратор 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 не целесообразно.

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: введение 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, не тривиальную логику принятия решения. 

Описанные системы подходят для большинства средних компаний, которые осознали ограниченность простых решений. Это единственный тип систем, которые не выдвигают серьезных требований к проектной команде и аналитикам, 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 крупным, федеральным сетям, и дают возможность учесть все особенности компании, но подразумевают серьезные финансовые затраты на внедрение. 

Подводя итог, систем действительно много, применяемые технологии очень сложные, а из их описания не следует очевидный результат для бизнеса. 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. 

Пример
Результаты внедрения решения на базе искусственного интеллекта для оптимизации товарных запасов в крупном дистрибьюторе FMCG:

• Повышение точности прогнозирования спроса: 35-50%;
• Снижение уровня запасов: 15-27%;
• Снижение среднего заказа («человек» обычно перезаказывает) на 10-15%;
• Снижение объёма трудозатрат на прогнозирование и управление запасами: 90%.