Меня вдохновляет видение того, как отрасль производственных операций и закупок будет развиваться в 2022 году. На мой взгляд, новая основа для роли эффективного CPO и COO в 2022 году была заложена уже в 2017 году. обязательным условием является знание основной предметной области операций по закупкам и цепочке поставок. Но практическое понимание Data Science и автоматизации в бизнес-сценариях - вот то, что является стратегическим направлением для CXO.
Эта статья представляет собой краткое изложение моего мнения, основанного на моем десятилетнем опыте работы в сфере операций с цепочками поставок и в сфере закупок, а также на моем двухлетнем опыте работы в области науки о данных и машинного обучения, в частности.
По данным E&Y 2016, только в Индии из-за избыточных запасов застряло 63 миллиарда долларов. В дополнение к тому, что от наличных к наличным деньгам, числа цикла показывают ключевой контраст цикла оборотного капитала между Индией и остальным миром. Например, по данным E&Y 2016, у производителей продуктов питания в Индии C2C выше - 57 дней, по сравнению с производителями в США и Европе, где он составляет 34 и 28 дней соответственно. Сектор электроэнергетики в Индии, где C2C составляет 70 дней, не в лучшем случае по сравнению с Японией, Европой и США, где C2C составляет 25, 24 и 33 дня.
Итак, моя мотивация для написания этой статьи заключается в следующем:
Для начала я хотел бы нарисовать карту потока создания ценности производственного процесса организации. Это расположение 6 основных вертикалей. Начиная от деятельности по прогнозированию продаж до выполнения заказов.
У всех этих вертикалей есть свои собственные переменные бизнес-среды и множество заинтересованных сторон. Например, прогноз продаж обычно представляет собой сводный сводный отчет о спросе для каждого отдельного офиса продаж или подразделения в торговой сети.
Планирование продаж и операций (также известное как S&OP) - это деятельность по оптимизации, при которой необходимо оптимизировать стоимость продукции, время выполнения заказа и т. Д.
Важно знать, что эффективное взаимодействие между каждой из этих вертикалей чрезвычайно важно для чистой прибыли компании. Эффективное взаимодействие означает беспрепятственную передачу четких, конкретных и точных требований. Как бы я хотел, чтобы это было так. На мой взгляд, прогнозирование спроса и S&OP продолжают оставаться отправной точкой феномена «дырявых ведер». «Дырявые ведра» - это моя метафора неэффективной операции, при которой происходит утечка затрат из-за низкого качества выполнения.
Давайте определим «дырявые ведра» в отображенном ранее потоке создания ценности.
Итак, я предлагаю расставить приоритеты в 5 дырявых ведрах. Главный операционный директор должен разработать свой собственный набор показателей эффективности для измерения работоспособности этих «дырявых ведер». На первый взгляд, вот как, на мой взгляд, выглядят проблемы с точки зрения науки о данных.
Хотя диаграмма не требует пояснений, если вы хотите рассмотреть 3 ключевые проблемы с точки зрения науки о данных, это
1.) Прогнозирование данных
2.) Доступность данных
3.) Оптимизация данных
Прежде чем предлагать решение, я думаю, что для меня очень важно объяснить сценарий «как есть», то есть настоящую практику.
Прогнозирование продаж
Возьмем для примера прогнозирование продаж. Все мы знаем об эффекте кнута в цепочке поставок. Но как это вообще начинается? Ответ - неточные прогнозы продаж.
Каждая торговая единица в торговой сети делает ежемесячный прогноз каждого проданного SKU. Затем данные всех торговых единиц объединяются в один файл Excel (это верно для 80% малых и средних производственных компаний в Индии). Затем функция среднего масштабирования / нормализации применяется ко всем артикулам в направлении, предложенном руководством. Справедливо? Нет, это не так. Я считаю этот подход ленивым.
Сам по себе процесс имеет врожденные проблемы. Отдельных прошлых данных недостаточно для создания точного прогноза продаж. Хороший прогноз продаж должен учитывать
1.) Корреляция между продажами различных SKU для выявления каннибализации. Это можно сделать в каждом регионе.
2.) Факторинговая сезонность продаж
3.) Факторинг увеличения продаж за счет акций и скидок.
4.) Мой любимый параметр - это учитывать потери продаж из-за отсутствия запасов. Именно здесь больше всего проблем с программным обеспечением ERP, не говоря уже о том, чтобы превзойти прогнозы. Как вы моделируете случаи, когда продажи были нулевыми из-за низкого спроса по сравнению с отсутствием запасов!
В настоящее время точность прогнозирования спроса на один месяц в обрабатывающей промышленности Индии составляет 65%. Кроме того, S&OP зависит от этих прогнозов при составлении производственных планов. Типичный цикл от прогноза продаж до плана производства длится 3–4 недели.
Это означает, что любая корректировка прогноза не может быть учтена раньше, чем через 3–4 недели. Удачи с непроданными запасами! И это запускает цепочку событий, ведущих к 63 миллиардам долларов США в избыточных товарных запасах в Индии.
Закупки
Если плохой прогноз продаж влияет на выручку компании, реактивный подход к закупкам влияет на чистую прибыль. Я подробно изучил методологии закупок некоторых ведущих производителей. Если мне нужно обобщить нынешнюю ситуацию «как есть», это будет выглядеть следующим образом
Я хочу, чтобы вы использовали всего два слова, чтобы описать нынешнюю отрасль закупок.
1.) Реактивный
2) Трудоемкий
Большинство CPO приходят к пониманию того, что онлайн-платформы - это ответ на трудоемкий аспект. Я не согласен. Большинство онлайн-платформ представляют собой только пользовательские интерфейсы для ввода данных. Кроме того, на этапе разработки таких онлайн-платформ проблема владения становится проблемой. Либо это внутренняя ИТ-команда, либо внешнее консалтинговое агентство. Передача вашей проблемы другой команде не решит ее. Это значит быть ленивым. Энтузиасты ERP представят опровержение современных модулей MRP / MRP, но я скептически отношусь к тому, чтобы вносить и выводить мусор из One Size Fit All Suite ERP сегодня.
Мир быстро движется от статистики к исчислению. Большая часть внедрения программного обеспечения ERP основана на статистике и станет неактуальной в 2022 году, если они решат не переходить.
Большинство инструментов / анализов - это функция закупок, которая по-прежнему выполняется в Excel с помощью инструментов краткосрочного измерения, таких как гистограммы, средневзвешенные значения, индексы затрат и доли. Как я уже сказал, это реакция.
Путь вперед
Будущее операций в 2022 году выглядит радикально иначе, чем сегодня. Наука о данных и машинное обучение станут обязательными навыками для менеджеров по закупкам и операциям. и да, всем нужно будет изучить основы компьютерного программирования. Вот что я думаю в контексте вышеупомянутого изменения.
В 2022 году операции будут преобразованы в автономные, управляемые данными и наиболее важные виды деятельности, обеспечивающие надежность. Только определение целей будет определяться менеджерами, а все остальное будет работать автономно. Для меня это OPS 2.0.
Итак, с чего начать путешествие?
Что ж, на мой взгляд, производственная промышленность может многому научиться у интернет-компаний B2C. Они уже начали свой путь к Ops 2.0. Их ответ? Машинное обучение.
OPS 2.0: эффективный макет
Исходя из структуры «Дырявые ведра», OPS 2.0 будет иметь 3 простых вертикали.
1.) Подготовка к производству
2.) Производство
3.) Пост-продакшн
Связывание этих трех вертикалей будет служебным уровнем Data Engine.
Если вы помните, из слайдов выше, мы выделили 3 основных направления управления данными.
1.) Организация данных
2.) Аналитика данных
3.) Доступность данных
Организация данных означает объединение всех источников данных в одну базу данных. При диверсификации команд это самая трудоемкая операция.
Множество файлов Excel, одна и та же информация в разных форматах, разные наборы предположений по одному и тому же набору проблем, несколько заинтересованных сторон - это всего лишь несколько факторов, которые сильно влияют на переход к OPS 2.0.
Короче говоря, сотрудничество - это первый шаг. И да, онлайн-платформы - хороший шаг вперед. После внедрения многих онлайн-платформ я научился сосредотачиваться на устранении избыточной информации.
«Единовременная правильная информация, доступная каждому заинтересованному лицу» - вот девиз, который следует принять.
Затем на Шаге 2 требуются базовые знания в области CPO, бизнес-менеджеров, менеджеров по закупкам и операционных менеджеров. Бизнес-аналитика будет основана на алгоритмах машинного обучения. Ни один алгоритм не идеален, и даже при использовании стандартного алгоритма необходимо выбирать гиперпараметры в соответствии с бизнес-средой.
Машинное обучение - это оптимизация. Но при этом необходимо руководствоваться целью или термином, определенным специалистами по данным: функция затрат должна быть либо оптимизирована, либо классифицирована.
Если вы рассчитываете, что ваша ИТ-команда внедрит единый алгоритм машинного обучения, приготовьтесь к разочарованию.
В каждой из этих трех вертикалей будут выделенные группы специалистов по обработке данных для разработки алгоритмов + бизнес-менеджеры, которые владеют Python и минимально кодируют + ИТ-специалисты для обеспечения доступности информации.
Именно здесь OPS2.0 будет управляться уровнем данных как развертывание службы.
Ниже приведен мой план реализации OPS 2.0.
Я желаю вам всего наилучшего в путешествии по OPS2.0!
Не стесняйтесь обращаться ко мне, если вы хотите обсудить больше! Мне нравится быть полезным.
Вы можете использовать этот контент в кредитах.
С Уважением
Гаурав Шарма
