Глава 4.

Ценность данных в производственных экосистемах

В этой главе подробно рассматривается, как производственные экосистемы могут использовать новые возможности данных, которые открывают современные технологии. В ней также рассматривается, как старые компании могут использовать свои производственные экосистемы для формирования отдельных аспектов своей цифровой стратегии. На рис. 4.1 показаны два основных подхода, с помощью которых производственные экосистемы помогают унаследованным компаниям извлекать больше пользы из своих данных. Один подход заключается в повышении операционной эффективности, другой - в предоставлении новых услуг, основанных на данных. Повышение операционной эффективности связано с генерированием и обменом данными в рамках цепочек создания стоимости для повышения производительности и снижения затрат. С другой стороны, услуги, основанные на данных, позволяют унаследованным компаниям получать новые потоки прибыли.

На этом этапе полезно вспомнить о четырех уровнях цифровой трансформации, о которых шла речь во введении к этой книге. 1 Производственные экосистемы помогают компаниям пройти первые три уровня цифровой трансформации. На первом уровне цифровой трансформации компании используют данные, полученные от активов цепочки создания стоимости, для повышения операционной эффективности. На второй уровень переходят фирмы, использующие данные о своих продуктах и пользователях для повышения операционной эффективности. На третий уровень цифровой трансформации переходят компании, использующие данные о продуктах и клиентах для предоставления новых услуг, основанных на данных, с использованием своих производственных экосистем. На четвертом уровне компания задействует свои экосистемы потребления, о чем будет рассказано в следующей главе.

В этой главе описывается, как старые компании могут использовать свои производственные экосистемы для прохождения первых трех уровней цифровой трансформации. Начнем с первых двух уровней, которые связаны с повышением операционной эффективности.

Рисунок 4.1

Раскрытие ценности данных из производственных экосистем.

Производственная эффективность от использования производственных экосистем

Производственные экосистемы - это сети цепочек создания добавленной стоимости с расширенными возможностями по генерированию и обмену данными за счет использования современных цифровых технологий. Эти современные технологии совершенствуют возможности старых ИТ-систем, с которых начался процесс автоматизации и интеграции рабочих процессов в компаниях. Неудивительно, что производственные экосистемы, обогащенные этими современными технологиями, также повышают преобладающую операционную эффективность.

В данном разделе приведены различные примеры использования производственных экосистем для повышения операционной эффективности: в первых двух примерах рассматриваются возможности использования данных об активах цепочки создания стоимости, а в третьем - возможности повышения операционной эффективности с помощью данных о продукции и клиентах. Эти примеры призваны подсказать некоторые из множества вариантов, которыми располагают унаследованные компании, стремящиеся использовать свои производственные экосистемы для повышения операционной эффективности ( ). Кроме того, они призваны натолкнуть на мысль о том, что принципы, изложенные в этих примерах, могут быть применены в других контекстах, где возможно повышение операционной эффективности.

Соответствие спроса и предложения в бизнесе быстрорастущих потребительских товаров

В секторе товаров повседневного спроса (FMCG) продаются такие недолговечные бытовые товары, как напитки, туалетные принадлежности, упакованные продукты питания, косметика и безрецептурные лекарства. FMCG-компании концентрируются на товарах с низкой ценой, которые должны быстро расходиться с полок розничных магазинов. В 2018 году выручка от продажи товаров народного потребления в мире составила более 10 трлн долл. Среди доминирующих компаний в этом бизнесе - Nestlé, Procter & Gamble, Unilever, PepsiCo и Coca-Cola. Каждая из этих компаний имеет несколько брендов. Самая крупная из них - Nestlé - имеет более 8 тыс. брендов. У Unilever их 400. Каждый из этих брендов, в свою очередь, имеет тысячи наименований товаров с уникальными идентификаторами, называемыми единицами хранения запасов (SKU), которые помогают розничным торговцам отслеживать поступающие и продаваемые товарно-материальные ценности. Например, зонтичный бренд Tide компании P&G имеет несколько видов продукции, включая жидкие моющие средства, капсулы для стирки, дезинфицирующие спреи для ткани и другие чистящие средства. Каждый из этих продуктов различается по размеру, цвету и материалу упаковки, а также по другим признакам. Каждый тип упаковки также является уникальным SKU. Понятно, почему количество SKU быстро растет у компаний FMCG.

Тысячи таких товаров также продаются через сложную сеть, состоящую из миллионов крупных и мелких розничных сетей по всему миру. Одной из наиболее сложных задач для FMCG-компаний является обеспечение соответствия между спросом на эти товары, поступающим от различных розничных сетей, и их поставками из своих распределительных центров.

Известная проблема соответствия спроса и предложения в секторе товаров повседневного спроса называется эффектом "бычьего хвоста". 2 Эффект "бычьего хвоста" относится к небольшим изменениям спроса в отдельных розничных магазинах, приводящим к большим искажениям в требованиях к предложению для удовлетворения совокупного спроса. Небольшое колебание рукоятки в верхней части может привести к волнам большой амплитуды на другом конце хлыста. Аналогичным образом, небольшие изменения спроса в отдельных розничных точках могут привести к большим колебаниям в реакциях на товарные запасы в дальнейших звеньях цепи поставок. Существует несколько причин, по которым FMCG-компании могут испытывать эффект "бычьей волны". Сотрудники отдела продаж могут предоставлять оптовые скидки, побуждая розничных торговцев покупать больше, чем обычно заказывают. Аналогичным образом транспортные компании могут предоставлять скидки, что приводит к перекосу в количестве SKU, запрашиваемых ритейлерами. Розничные продавцы могут также идиосинкразически реагировать на краткосрочные рекламные акции. Плохая коммуникация в цепочке поставок еще больше усугубляет влияние всех этих событий на эффект "бычьей спирали".

Компании, производящие товары народного потребления и имеющие тысячи SKU, также сталкиваются со сложностью и непредсказуемой изменчивостью поставок. Отчасти это объясняется неспособностью традиционного корпоративного программного обеспечения помочь специалистам по планированию цепочек поставок правильно управлять запасами на горизонте 8-12 недель. Из-за непредвиденных колебаний спроса некоторые из этих компаний обычно не выполняют от 8 до 10% своих заказов, несмотря на наличие необходимых запасов в цепочке поставок. Они просто не в состоянии вовремя доставить нужные запасы в нужное место. "Такое впечатление, что это издержки ведения бизнеса", - говорит Радж Джоши, соучредитель и президент компании Noodle.ai, предлагающей предприятиям решения на основе искусственного интеллекта. "Современные цифровые технологии предоставляют руководителям цепочек поставок огромные возможности для решения подобных проблем", - добавляет он.

Традиционные системы планирования ресурсов предприятия (ERP) способны генерировать огромные объемы данных о спросе и предложении. Однако традиционные подходы к использованию таких данных основаны на ретроспективном анализе. Они позволяют понять, что было сделано правильно или неправильно за последнюю неделю, месяц или квартал. Разница с корпоративным ИИ, по словам Джоши, заключается в том, что он может помочь предсказать или заглянуть в будущее в вероятностном смысле. С помощью алгоритмов, интерпретирующих и анализирующих различные закономерности в данных, системы искусственного интеллекта могут сказать, например, что существует 80-процентная вероятность того, что крупный заказ на определенные SKU в определенной географии для ценного клиента, скорее всего, не будет выполнен. Затем на основе данных, полученных из ERP-систем компании, ИИ может рекомендовать действия, которые могут предпринять специалисты по планированию цепочки поставок для обеспечения увеличения запасов, чтобы заказ был выполнен. И наоборот, ИИ может предсказать переизбыток запасов, тем самым помогая планировщикам цепочек поставок соответствующим образом сократить объемы производства и снизить затраты на запасы. Таким образом, ИИ может предотвратить риск создания значительной стоимости. По мнению Джоши, консервативное улучшение показателя невыполненных заказов на один процентный пункт (например, с 10% до 9%) для компаний FMCG может увеличить маржу и прибыль на несколько миллионов долларов.

Повышение производительности труда в фармацевтических исследовательских лабораториях

Поиск лекарственных средств - это основа фармацевтического бизнеса. Фирмы, работающие в этом бизнесе, живут или умирают в зависимости от того, какие новые лекарства они разрабатывают. Неудивительно, что фармацевтический сектор вкладывает значительные средства в НИОКР - около 17% годовой выручки. 3 Для сравнения: аэрокосмические компании тратят на НИОКР около 5%, химическая промышленность - около 3%. Microsoft и Google тратят около 12%. Хотя 17% - это средний уровень расходов на НИОКР в фармацевтическом секторе, ведущие компании тратят еще больше. В 2019 году расходы на НИОКР компании AstraZeneca составили около 25 процентов от ее годовой выручки, Eli Lily - около 22 процентов, а Roche - 21 процент. Общий объем затрат на НИОКР в фармацевтической отрасли в 2018 году составил 179 млрд долл. Эта сумма отражает затраты на все этапы фармацевтических исследований и разработок - от первоначального изучения лекарств и заболеваний до тестирования соединений на стадиях доклинических и клинических испытаний. Около 56 млрд долл. из этой суммы приходится на ранние исследования лекарств, которые проводятся в исследовательских лабораториях.