Сквозная прозрачность: прозрачная цепочка поставок

Сквозная прозрачность: прозрачная цепочка поставок — очень редко встречающееся, труднодостижимое и важнейшее преимущество.

В эпоху постоянных сбоев руководители цепочек поставок ищут комплексные решения для обеспечения прозрачности от начала до последней мили. Ясность, которую обеспечивает рентгеновское видение цепочки поставок, помогает им обнаруживать проблемы на ранней стадии, быстро реагировать и создавать устойчивую и гибкую сеть.

Прозрачность цепочки поставок больше не является чем-то приятным — это важнейшее преимущество, необходимое предприятиям для навигации в сегодняшней нестабильной глобальной ситуации. Действительно, специалисты по цепочкам поставок заняли первое место среди 15 тенденций в опросе Maersk, проведенном в 2024 году, опередив такие вопросы, как диверсификация цепочек поставок, кибербезопасность и электронная коммерция (см. на диаграмме ниже ).

Источник: опрос Maersk

Согласно отчету Maersk, в период с 2019 по 2023 год было подано более 5500 патентов на технологии в области прозрачности цепочек поставок.

Интерес к решениям для обеспечения прозрачности растет, поскольку компании ищут способы повысить устойчивость и управлять нестабильностью и сбоями в цепочке поставок, получая полную картину всей своей сквозной цепочки поставок.

«Чем раньше вы получите известность, тем лучше вы сможете реагировать на сбои или даже избегать их», — говорит Кристиан Титце, вице-президент, аналитик и руководитель отдела исследований Gartner.

Геополитические события также делают наглядность критически важной задачей, поскольку она позволяет компаниям составить карту поставщиков и выявить случаи, когда внезапное повышение тарифов или региональные потрясения могут повлиять на них, говорит Адхиш Луитель, главный аналитик глобальной технологической аналитической компании ABI Research.

Отслеживание и аналитика в реальном времени могут обеспечить гибкость, необходимую для того, чтобы помочь фирмам быстро менять планы поставок или поставок, когда торговая политика меняется или политические события нарушают логистику, добавляет он.

Тарифы вызывают особую тревогу, поскольку они могут повлиять на все виды транспорта одновременно. Видимость может помочь компаниям определить варианты, такие как модернизация продуктов, отказ от материалов, на которые влияют тарифы, чтобы они могли поддерживать сервис и качество, одновременно сокращая расходы.

«Это сложно сделать, если вы не знаете, где находятся ваши товары», — говорит Эрик Фуллертон, вице-президент по продуктовому маркетингу проекта 44, который предлагает платформу для цепочки поставок.

Растущее число нормативных требований также вызывает интерес к прозрачности.

Доступность для всех

Платформы цепочки поставок, подобные этой из проекта 44, могут предлагать агентов ИИ, которые могут предоставлять данные в реальном времени, что приводит к большей прозрачности.

Операторы связи также получают выгоду от большей видимости. «Им необходимо знать, где находятся товары, чтобы они могли оптимизировать маршруты и планирование», — говорит Расти Редекер, вице-президент по продажам и глобальной логистике компании Avery Dennison.

Нынешний акцент на прозрачности и устойчивости — это изменение по сравнению с тем, что было примерно 20 лет назад, когда «лучший в своем классе» подход к планированию цепочки поставок был более распространенным, отмечает Майк Рафтери, директор по цифровым решениям для цепочек поставок McKinsey. Компании объединяли множество систем и программного обеспечения, чтобы прийти к плану, который якобы обеспечивал наибольшую ценность.

Это сработало довольно хорошо, учитывая стабильность рынка в то время. Компании могут работать с одним поставщиком, чтобы сэкономить несколько центов здесь и там, говорит Рафтери. Компании сосредоточились на сокращении затрат, а не на гибкости.

Однако примерно с 2020 года необходимость быстрого устранения сбоев стала первостепенной. Приоритеты многих компаний сместились в сторону оперативности и гибкости.

Наглядность необходима специалистам по цепочке поставок, чтобы выявлять проблемы, принимать разумные решения по их решению, а затем реализовывать свои планы. «Обнаруживайте, принимайте решения и действуйте», — говорит Викаш Гоял, вице-президент по планированию цепочек поставок и стратегии сотрудничества Oracle.

Если инструменты видимости выявляют продолжающееся закрытие полосы движения, которое влияет, например, на запасы в пути, организация может принять решение о поиске нового поставщика, на которого это закрытие не повлияет.

Среди технологий, которые могут облегчить видимость, — сенсорная технология. Модель слияния датчиков, которая объединяет данные от нескольких датчиков для обеспечения более полного и точного представления контролируемой среды или системы, может включать, среди других технологий, штрих-коды, RFID и/или LTE (долгосрочное развитие, стандарт беспроводной широкополосной связи).

RFID широко применяется для отслеживания и идентификации и все чаще интегрируется в искусственный интеллект. Один RFID-считыватель может считывать несколько меток, что позволяет быстро, легко и точно учитывать товары. Это означает более точную и своевременную информацию для приложений искусственного интеллекта и машинного обучения (ML) и, в конечном итоге, более качественный прогнозный анализ.

Новые решения для обеспечения прозрачности появляются регулярно, — говорит Блайт Чорн, управляющий директор, руководитель отдела устойчивого развития цепочки поставок компании KPMG. Тем не менее, хотя многие организации хотели бы иметь универсальное решение для обеспечения прозрачности, успех в его выявлении может зависеть от того, как компании определяют риск, который может варьироваться в зависимости от отрасли, географии или других факторов.

Например, компания пищевого сектора может закупать товарную сельскохозяйственную продукцию, происхождение которой исторически было сложно отследить. По словам Чорна, такие правила, как Постановление ЕС об обезлесении (EUDR), требуют геопространственных данных о происхождении многих сельскохозяйственных ресурсов, что требует прозрачности источника. Однако эти цепочки поставок зачастую непрозрачны.

И наоборот, автомобильная компания, столкнувшаяся с растущими проблемами кибербезопасности, скорее всего, будет сосредоточена на поставщиках первого и второго уровня, а не на сырье. Учитывая эти различия, организациям этого сектора, вероятно, потребуются более индивидуальные решения.

От видимости к действию

Сенсорные технологии, такие как RFID, LTE и модели Fusion, улучшают и облегчают видимость на складе, делая операции распределения более эффективными и адаптируемыми к спросу в реальном времени. Отслеживание данных с датчиков все чаще интегрируется с решениями искусственного интеллекта.

Инструменты визуализации, которые могут собирать данные, являются первым шагом. Технология, которая не только агрегирует данные, но и предоставляет аналитическую информацию на основе данных и искусственного интеллекта, имеет решающее значение для того, чтобы сделать цепочки поставок более эффективными, устойчивыми и адаптируемыми к спросу в реальном времени, говорит Дилан Джонс, старший менеджер по продуктам IBM.

По словам Джонса, прогнозирование спроса — это, пожалуй, старейшее и наиболее проверенное применение ИИ в цепочке поставок. После установления спроса уровни повторных заказов можно оптимизировать путем включения других доступных данных и применения искусственного интеллекта для управления решениями.

Тем не менее, ИИ, возможно, не сможет предоставить всю информацию о цепочке поставок. Например, пандемия началась внезапно, но затем растянулась на длительный период времени. Можно утверждать, что было некоторое время, чтобы подготовиться и адаптироваться к предстоящим потрясениям, говорит Джонс. «Однако полный масштаб последовавшего за этим нарушения цепочки поставок было бы трудно предсказать», — добавляет он.

Технологические платформы все чаще используют искусственный интеллект и машинное обучение для расширенной прогнозной аналитики, которая имеет решающее значение для выявления потенциальных сбоев, задержек и неэффективности, — говорит Сундип Найк, партнер по цепочке поставок, руководитель отдела логистики EY в Америке.

Системы искусственного интеллекта могут объединять данные из различных источников внутри и за пределами компании, таких как ERP-системы, датчики Интернета вещей, прогнозы погоды и записи о работе поставщиков, например, для обеспечения мониторинга в режиме реального времени. Модели машинного обучения могут обрабатывать данные для обнаружения аномалий и закономерностей, таких как сезонные всплески спроса или риски сбоя поставщиков. Благодаря прогнозному моделированию они могут помочь обнаружить и спрогнозировать потенциальные проблемы, такие как задержки или узкие места.

Наряду с возможностями прогнозирования инструменты и платформы искусственного интеллекта могут использовать моделирование для оценки рисков, оценки сценариев «что, если» и предоставления практических рекомендаций, таких как определение альтернативных поставщиков, изменение маршрута товаров или корректировка запасов.

Цифровые двойники на базе искусственного интеллекта могут создавать виртуальные копии цепочек поставок для имитации сбоев и тестирования ответов, а машинное обучение может постоянно обновлять эти модели, создавая развивающуюся, содержательную платформу, помогающую принимать решения. Используя решения искусственного интеллекта, машинного обучения и визуализации, компании получают инструменты для анализа сложных сценариев, оценки различных вариантов и определения действий, которые могут оптимизировать операции, минимизировать затраты и повысить удовлетворенность клиентов.

Хотя данные являются основой наглядности, они должны быть точными, полными и актуальными, чтобы быть полезными. Титце приводит такой пример: компания обеспечивает прозрачность перевозок в режиме реального времени для нескольких видов транспорта, но ей не хватает важной связи со своими коносаментами. В результате компания могла отслеживать поставки, но не могла определить, какие продукты находились в каждой поставке.

Если бы в системе были интегрированы данные об отгрузках с коносаментами, компания могла бы понять, на какие продукты повлияли задержки, что помогло бы им лучше оценить влияние на производство и продажи. «Главное, — говорит Титце, — заключается в подключении различных источников данных к конкретному варианту использования».

Доступность и точность данных

Однако опасения по поводу проблем с качеством данных не должны быть причиной для отказа от принятия мер. «Мы подошли к моменту, когда организациям больше нельзя уклоняться», — говорит Джонс. Более того, искусственный интеллект или обработка на основе правил могут помочь выявить и устранить проблемы с качеством данных.

Использование ИИ для устранения проблем с качеством данных обычно создает небольшой подмножество качественных данных, которые можно использовать для обучения модели, а затем использовать для выявления пробелов в большем наборе данных.

Теперь, когда компании начали понимать, как использовать данные на своих собственных объектах, они обращают внимание на данные, хранящиеся у поставщиков или клиентов, чтобы эффективно сотрудничать со своими деловыми партнерами. «Это следующий рубеж видимости», — отмечает Рафтери.

Одним из препятствий на пути к преодолению этой границы является доверие. Поставщики могут колебаться в предоставлении покупателям информации о закупках, поскольку зачастую это является конкурентным преимуществом. Технологии могут сыграть свою роль, обеспечив защиту при обмене данными, чтобы данные поставщиков не были случайно переданы потенциальным конкурентам, говорит Чорн.

Рекомендации по реализации

Многие пищевые компании в настоящее время сталкиваются со строгими правилами и положениями, требующими полного отслеживания сельскохозяйственной продукции. В результате требуется прозрачность на всем пути вплоть до источников происхождения, поэтому повышение прозрачности является главным приоритетом.

Взгляд «наизнанку» помогает при внедрении решений искусственного интеллекта и прозрачности, говорит Джонс. Предприятиям необходимо понимать свои текущие процессы и данные, а также общие области, нуждающиеся в улучшении, прежде чем помещать большие объемы информации в алгоритм ИИ. Знание своей текущей деятельности помогает организациям стать более устойчивыми.

Ключевой частью оценки решений визуализации ИИ является определение способа обучения модели. Помимо прочего, организации, занимающиеся цепочками поставок, захотят спросить поставщиков, как решение генерирует рекомендации и какие данные оно использует.

При оценке решений по обеспечению видимости важно оценить их способность интегрироваться с существующими системами, такими как платформы ERP и WMS компании, а также с внешними источниками данных, такими как системы поставщиков и устройства IoT. Платформы с API или промежуточным программным обеспечением, которые могут обеспечить беспрепятственный обмен данными и интеграцию, могут помочь избежать разрозненности данных.

Поскольку организации цепочки поставок внедряют инструменты прозрачности, решающее значение имеют надежные инициативы по информированию и обучению. Например, команда цепочки поставок может запустить новое решение для обеспечения прозрачности, но оставить торговлю и таможню вне планирования, поэтому они не будут знать о его существовании. «Вы оставляете на столе большую ценность», — говорит Чорн.

Не менее важна возможность передавать идеи решения по обеспечению видимости нужным командам в цепочке поставок и в более широком бизнесе. «Для этого часто требуются знания в области обработки данных», — объясняет Мэри Роллман, руководитель цепочки поставок в США в компании KPMG. Такой опыт гарантирует, что оповещения, генерируемые системой, дойдут до соответствующих групп, помогая организациям не только максимизировать ценность своих инструментов визуализации, но также совершенствовать и обучать систему для постоянного улучшения.

Несмотря на развитие решений в области прозрачности и искусственного интеллекта, проблемы остаются. Многие компании хотели бы иметь «независимый центр обмена данными», говорит Рафтери, но это не так просто. Часто для обеспечения наглядности требуется соединение систем, созданных для разных целей, что усложняет ситуацию.

Хотя рынок, похоже, движется к сотрудничеству между поставщиками, серебряная пуля еще не найдена, добавляет он.

Человеческие и технические проблемы

Поскольку в настоящее время разные поставщики и решения для обеспечения прозрачности обслуживают разные сегменты цепочки поставок и функции логистики (скажем, прозрачность поставок, продуктов или запасов), организациям обычно приходится начинать с сосредоточения внимания на части своих цепочек поставок и, следовательно, на едином узле данных, поскольку они стремятся к сквозной прозрачности, говорит Титце.

Человеческая природа также может усложнить усилия по обеспечению видимости. Некоторые могут счесть необходимым просмотреть все возможные данные в одном месте, говорит Гоял. С этой целью они будут создавать озера данных (централизованные репозитории, которые принимают и хранят большие объемы данных в исходной форме) вместо того, чтобы сосредотачиваться на приложениях, которые сэкономят немедленные усилия и деньги.

Начав с области, которая может принести наибольшую ценность, организации цепочки поставок могут работать над дорожной картой последующих сегментов. «Попытка вскипятить океан — это верный путь к катастрофе», — добавляет Редекер.

Также важно учитывать окупаемость любых инвестиций. Отдавая предпочтение гибким подпискам или модульным подходам, а также избегая ненужных функций, вы можете помочь организациям быстрее получить окупаемость инвестиций.

Сквозная видимость в настоящее время остается скорее стремлением, чем рыночной реальностью. «Но возможности есть, и рынок движется в этом направлении», — говорит Редекер. Некоторые компании активно приближаются к этому. «Это огромные возможности», — добавляет он.