CC BY
199
IMHI^SI
УДК 338.2
https://doi.org/10.31775/2305-3100-2019-2-18-22
ПРЕДИКТИВНАЯ АНАЛИТИКА В УПРАВЛЕНИИ ЦЕПЯМИ ПОСТАВОК
И.М. Зайченко, М.А. Яковлева
Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург,
Российская Федерация
Аннотация. Для эффективного управления организацией и принятия оптимальных управленческих решений на всех уровнях необходимо осуществление анализа результатов деятельности. Интеллектуальная аналитика больших данных - современный тренд в области анализа финансово-хозяйственной и операционной деятельности. К интеллектуальной аналитике больших данных можно отнести предиктивную аналитику, результаты которой формируются на основе исторических фактов, обработанных системой, прошедшей машинное обучение. Активно развивается направление предиктивной аналитики, в том числе и в области управления цепями поставок. Предиктивная аналитика может быть эффективно использована на каждом из этапов управления цепью поставок: планировании запасов, дистрибуции, прогнозировании спроса, складировании, планировании производства, доставке. В данной статье рассмотрены возможности применения предиктивной аналитики и эффекты от ее использования для повышения эффективности управления цепями поставок. В качестве подтверждения данного заключения автор приводит примеры крупных международных компаний, использующих прогнозный анализ для прогнозирования спроса на свою продукцию, планирования поставок, ценообразования, планирования послепродажного обслуживания и др. Автор делает вывод о необходимости внедрения систем прогнозной аналитики в систему бизнес-аналитики компаний, занимающихся производством и поставкой продукции.
Ключевые слова: предиктивная аналитика, управление цепями поставок, эффективное управление, прогнозирование в бизнесе
Для цитирования: И.М. Зайченко, М.А. Яковлева. Предиктивная аналитика в управлении цепями поставок // Научный вестник Южного института менеджмента. 2019. №2. С. 18-22. https://doi.org/10.31775/2305-3100-2019-2-18-22
Конфликт интересов отсутствует
PREDICTIVE ANALYTICS IN SUPPLY CHAIN MANAGEMENT
Irina M. Zaychenko, Mariia А. Iakovleva
Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russian Federation
Abstract. For effective management of the organization and making optimal management decisions at all levels, it is necessary to carry out an analysis of the results of activities. Intellectual analytics of big data is a modern trend in the analysis of financial, economic and operational activities. Predictive analytics can be attributed to intellectual analytics of big data, the results of which are formed on the basis of historical facts processed by the system that has undergone machine learning. The direction of predictive analytics is actively developing, including in the field of supply chain management. Predictive analytics can be effectively used at each stage of supply chain management: inventory planning, distribution, demand forecasting, warehousing, production planning, and delivery. This article discusses the use of predictive analytics and the effects of its use to improve the efficiency of supply chain management. As confirmation of this conclusion, the author cites examples of large international companies using forecast analysis to forecast demand for their products, supply planning, pricing, after-sales service planning, etc. The author concludes that it is necessary to introduce forecast analytics systems into the business intelligence system of production and supply of products.
Keywords: predictive analytics, supply chain management, effective management, business forecasting
For dtation: Zaychenko I.M., Iakovleva M.A. Predictive analytics in supply chain management. Scientific Bulletin of the Southern Management Institute. 2019; (2): 18-22. (In Russ.) https://doi.org/10.31775/2305-3100-2019-2-18-22
There is no conflict of interests
Таблица 1
Виды аналитики в управлении цепями поставок
Вид аналитики Описание Пример
Прескриптивная Для принятия оптимальных решений Проектирование и оптимизация системы сбыта. Разработка продуктовой стратегии и др.
Предиктивная Для прогнозирования будущих событий Моделирование затрат по типу «что, если». Прогнозирование спроса и др.
Диагностическая Для понимания причинно-следственных связей Анализ сбоев в облуживании клиентов. Анализ изменения качества продукции и др.
Описательная Для определения фактический показателей Определение уровня обслуживания. Расчет дисперсии спроса и предложения и др.
Применение систем интеллектуального анализа данных в различных областях финансово-хозяйственной и операционной деятельности организаций на сегодняшний день приобретает все большую актуальность. Одной из наиболее популярных областей исследований в области интеллектуального анализа данных является изучение возможностей практического применения аналитических систем в управлении цепями поставок. Данный интерес вызван в первую очередь комплексностью данной области управления, включением в ее состав различных операционных и логистических задач и бизнес-процессов. Тесная взаимосвязь всех элементов управления цепями поставок приводит к тому, что случайный сбой или ошибка на одном из этапов может резко снизить эффективность всей цепи. Для избегания и предупреждения таких сбоев и более эффективного управления цепями поставок сегодня внедряются различные аналитические системы. Как правило, такие системы включают в себя различные виды анализа и способны создавать интегрированные таблицы с выводом результатов.
В табл. 1 представлены основные виды анализа, которые осуществляются в рамках процесса управления цепями поставок. К видам аналитики в управлении цепями поставок можно отнести описательную, диагностическую, предиктивную и пре-скриптивную аналитику.
Описательная и диагностическая аналитика на сегодняшний день применяются в системе бизнес-аналитики большинства предприятий, поскольку их результаты являются минимально необходимым условием для принятия обоснованных решений. Все чаще компаниями начинаются применяться и системы предиктивной аналитики, направленные на работу с большими данными.
Под предиктивной аналитикой понимается аналитика, в основе методов и техник которой лежат инструменты статистики, теории игр и интеллектуального анализа данных, позволяющие прогнозировать поведение или состояние исследу-
емого объекта и принимать на основе этих данных оптимальные управленческие решения. Инструменты предиктивной аналитики успешно применяются компаниями различных отраслей для решения задач широкого спектра сфер деятельности: финансы, маркетинг, управление рисками. Прогнозная аналитика также активно применяется для решения задач в управлении цепями поставок.
К областям управления цепями поставок можно отнести планирование запасов, дистрибуцию, прогнозирование спроса, складирование, планирование производства и доставку.
Возможность применения предиктивной аналитики в различных областях управления цепями поставок представлены в табл. 2.
Анализируя данные табл. 2, необходимо уточнить определение предиктивной аналитики в управлении цепями поставок. Предиктивная аналитика в управлении цепями поставок - это аналитика, использующая как количественные, так и качественные методы анализа для улучшения структуры и конкурентоспособности цепочки поставок путем оценки прошлых и будущих уровней интеграции бизнес-процессов, а также связанных с ними затрат.
По мнению Forbes, эффективность в цепочке поставок имеет решающее значение. «Управление запасами, комплектация, упаковка и отгрузка - это процессы, требующие больших затрат времени и ресурсов, которые могут оказать существенное влияние на результаты бизнеса». Анализируя информацию, представленную в табл. 2, можно сделать выводы о том, что прогнозная аналитика способна влиять на эффективность управления цепями поставок.
Так, для осуществления эффективного управления цепями поставок необходимо прогнозировать динамику спроса. Задача состоит в том, чтобы сравнить оценки, основанные на прошлых прогнозах, с фактическими зарегистрированными продажами. После внедрения система может стать более
детальной и прогнозировать спрос в точках продаж (на канал, на розничного продавца, на магазин). Поскольку спрос никогда не бывает линейным, но обычно подвержен сезонным воздействиям, крайне полезно прогнозировать спрос на определенные пиковые моменты, чтобы предотвратить отсутствие запасов и потерянные возможности для продаж [5].
Прогнозирование спроса невозможно без прогнозирования цен. Многие производители по-прежнему используют методы прогнозирования цен на основе прошлого опыта, основанные на электронных таблицах (например, MS Excel). Недостатком данного метода является то, что он может привести к продаже одного и того же товара по разным ценам в разных местах. Решение состоит в том, чтобы создать единую модель ценообразования, которая максимизирует доход, не заставляя покупателя чувствовать себя ущемленным такими факторами, как местоположение. Модель может оценить правильные цены для каждого сезона и соответственно управлять изменениями. В зависимости от отрасли прогнозное ценообразование может быть детализировано в разной степени: ежедневный, ежемесячный прогноз или прогноз для пиковых точек спроса.
Прогнозирование предложения также крайне важно в управлении цепями поставок. Такие элементы данного процесса, как складирование, планирование производства и распределения напрямую
связаны с количеством материалов, поступающих на склад для производства продукции и, как выход, с количеством произведенной продукции в итоге. Поиск надежных и недорогих поставщиков является одним из важнейших элементов успеха для бизнеса. Обеспечение безопасности этих контрагентов на долгосрочную перспективу является следующим логическим шагом, и прогнозная аналитика также может помочь. Эти данные могут быть использованы для создания моделей для оценки контрагентов в отношении качества, стоимости и надежности поставляемых материалов, сырья и продукции. Если все сделано правильно, то должны произойти резкое снижение общих затрат и заметное повышение безопасности цепочки поставок.
В области управления затратами ситуация с нулевым объемом запасов желательна, но не всегда возможна, поэтому промежуточное положение означает поиск способов хранения достаточных запасов, чтобы обеспечить бесперебойную работу бизнеса без дополнительных затрат. Прогнозная аналитика помогает оценить уровни страхового запаса и даже дает возможность сегментировать запасы по продуктам.
Дистрибуция и объемы поставок планируются на основе прогнозов спроса. Чтобы сохранять на складе оптимальный запас продукции и материалов, необходимо спрогнозировать не только количество отправляемых товаров, но и их частоту.
Таблица 2
Применение предиктивной аналитики в управлении цепями поставок [1]
Область управления цепями поставок Цель применения предиктивной аналитики
Планирование запасов Полная прозрачность на уровне SKU и полностью автоматизированные системы пополнения запасов в сочетании с данными прогноза спроса, которые устраняют недостаточный / избыточный запас
Дистрибуция Оптимизация в реальном времени сложных сетей распределительных узлов, заводов и складов на основе данных о материальном потоке
Прогнозирование спроса Более точная оценка спроса путем доступа к данным о продажах, тенденциям рынка, данным конкурентов и соответствующим местным и глобальным экономическим факторам
Складирование Проведение в реальном времени анализа больших данных в системе ERP хранилища и определение уровней запасов, несоответствий поставок и входящих поставок
Планирование производства и распределения Повышение наглядности уровней запасов, спроса и производственных мощностей, что обеспечивает более точное планирование производства и распределения
Доставка Мониторинг маршрутов доставки, данных о трафике, погоды в режиме реального времени и изменение маршрута в случае необходимости для распределения пропускной способности
По мнению разработчиков аналитических систем, такой подход может помочь оптимизировать логистику и устранить ограничения на склад, минимизировать плату за обработку и сохранить минимальный уровень затрат на хранение [4].
Следует отметить, что применение прогнозной аналитики для управления цепями поставок подходит для компаний всех размеров. Однако, наиболее выгодным применение предиктивной аналитики, исходя из стоимости самой системы и ее внедрения, а также полученных эффектов от ее использования, будет для крупных компаний.
В мировой практике существуют примеры использования предиктивной аналитики для решения задач (проблем) в управлении цепями поставок.
Задача 1 - выбор надежного контрагента. Одна из компаний, входящих в Fortune 100 CPG, столкнулась с проблемой выбора надежного перевозчика. В распоряжении компании находились различные метрики, характеризующие деятельность потенциальных контрагентов, однако суть проблемы заключалась в разработке решения, позволяющего оценить на основе этих метрик производительность перевозчика. Организация «Fractal Analysis» предложила данной компании решение, позволяющее поэтапно выделять коррелирующие между собой метрики, строить модель и ранжировать потенциальных контрагентов по производительности [3].
Задача 2 - прогнозирование спроса. Ведущий британский ритейлер модной одежды столкнулся с проблемной прогнозирования спроса и, как следствие, запасов продукции на складах. Компания «Mu Sigma» предложила аналитическую систему для прогнозирования спроса и оценки количества запуска новых партий товара во время пика сезонных распродаж, что позволило увеличить доход компании на 8% [2].
Обобщая вышеизложенное, отметим, что прогнозная аналитика применяется ко всем аспектам бизнес-операций и процессов, чтобы помочь предвидеть события, избегать рисков и создавать решения. Прогнозируя будущие цепи поставок, компании могут получить конкурентное преимущество и предотвратить денежные потери из-за неточных запасов и неправильного управления товарами, поставками и временем.
СПИСОК ЛИТЕРАТУРЫ
1. Brunekreef H., Pournader M. How is big data being applied in supply chain operations? // KPMG. Supply Chain Big Data Series. Part 1. 2018. [Internet]. Available at: https://assets.kpmg/content/dam/kpmg/ au/pdf/2017/big-data-shaping-supply-chains-of-tomorrow.pdf. Accessed June 30, 2018.
2. Identify the most efficient shipping carriers through advanced analytics. [Internet]. Available at: https:// fractal.ai/casestudies/supply-chain-management-iidentify-the-most-efficient-shipping-carriers-through-advanced-analytics. Accessed April 30, 2019.
3. Improved forecasting and inventory planning for a large retailer. [Internet]. Available at: https://www. mu-sigma.com/our-musings/case-studies/improved-forecasting-and-inventory-planning-for-a-large-retailer. Accessed May 15, 2019.
4. Vorhies W. Predictive Analytics in the Supply Chain. Blog [Internet]. Available at: https://www. datasciencecentral.com/profiles/blogs/predictive-analytics-in-the-supply-chain. Accessed June 30, 2018.
5. Waller M.A., Fawcett S.E. Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply Chain Design and Management // Journal of Business Logistics. 2013: Vol. 34. No 2. P. 77-84.
REFERENCES
1. Brunekreef H., Pournader M. How is big data being applied in supply Brunekreef H., Pournader M. How is big data being applied in supply chain operations? KPMG. Supply Chain Big Data Series. Part 1. 2018. [Internet]. Available at: https://assets.kpmg/content/ dam/kpmg/au/pdf/2017/big-data-shaping-supply-chains-of-tomorrow.pdf. Accessed June 30, 2018.
2. Identify the most efficient shipping carriers through advanced analytics. [Internet]. Available at: https:// fractal.ai/casestudies/supply-chain-management-iidentify-the-most-efficient-shipping-carriers-through-advanced-analytics. Accessed April 30, 2019.
3. Improved forecasting and inventory planning for a large retailer. [Internet]. Available at: https://www. mu-sigma.com/our-musings/case-studies/improved-forecasting-and-inventory-planning-for-a-large-re-tailer. Accessed May 15, 2019.
4. Vorhies W. Predictive Analytics in the Supply Chain. Blog [Internet]. Available at: https://www.datasci-encecentral.com/profiles/blogs/predictive-analytics-in-the-supply-chain. Accessed June 30, 2018.
5. Waller M.A., Fawcett S.E. Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply Chain Design and Management. Journal of Business Logistics. 2013: (34-2): 77-84.
СВЕДЕНИЯ ОБ АВТОРАХ
Зайченко Ирина Михайловна,
кандидат экономических наук, доцент, доцент Высшей школы управления и бизнеса Санкт-Петербургского политехнического университета Петра Великого, г. Санкт-Петербург, Россия. Тел.: (812) 550 36 52, e-mail: [email protected] Яковлева Мария Александровна,
магистрант Санкт-Петербургского политехнического университета Петра Великого, г. Санкт-Петербург, Россия. Тел.: (981) 726 16 79, e-mail: [email protected]_
ABOUT THE AUTHORS
Zaychenko Irina Mikhailovna,
Candidate of Economic Sciences, associate Professor at Higher School of Management and Business of the Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia. Ph.: (921) 948 94 17, e-mail: [email protected]
Iakovleva Mariia Aleksandrovna, Graduate student at Higher School of Management and Business of the Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia. Ph.: (981) 726 16 79, e-mail: [email protected]
Статья поступила в редакцию 22.05.2019
