공급망 복잡성을 훌륭한 서비스로 바꾸는 방법

Amazon이 오늘날 허공에서 실현되었다면 제정신이 있는 사람이 수익성 있게 운영할 수 있다고 확신하는 사람은 거의 없을 것입니다.

전 세계적으로 이 회사는 11개 국가의 마켓플레이스를 통해 30억 개 이상의 제품을 판매하고 있습니다. 미국에서만 아마존은 2018년에 2억 800만 개의 신제품을 출시했습니다. 대부분이 슬로우 무버(slow mover) 또는 '롱테일(long-tail)' 품목입니다. 그러나 극도의 복잡성과 규모에도 불구하고 Amazon의 2018년 7월 수입은 주주 기대치를 두 배로 높여 25억 달러라는 엄청난 분기 이익을 달성했습니다.

아마존의 성공은 복제가 불가능한 우연처럼 보일 수 있습니다. 그러나 세부적으로 살펴보면, Jeff Bezos는 모순되어 보이는 세 가지 일을 한 번에 수행하는 방법을 알아냄으로써 세계에서 가장 부유한 사람이 되었습니다. 복잡성을 관리합니다. 진정한 성공으로 이 세 가지를 모두 달성하는 것은 고급 기술 역량 없이는 어떤 기업도 달성하기 어렵다고 저는 주장합니다.

첫째, 생각을 바꾸십시오. 불행히도 수요 변동성이 증가하고 서비스 기대치가 높아지는 시장에서 너무 많은 기업이 전통적인 프로세스와 친숙한 하향 곡선에 갇히게 됩니다. 증가하는 SKU 조합을 안정적으로 예측할 수 없기 때문에 롱테일의 불규칙한 수요를 수용하기 위해 인벤토리에 로드됩니다. 이것은 항상 상각해야 하거나 대폭 할인된 가격으로 판매해야 하는 추가 운임 비용, 초과 재고 및 폐기 재고와 같은 문제로 이어집니다. 계획자는 지속적으로 반응적이고 비효율적인 "소방" 모드에 있으며 대부분의 시간을 성과를 내는 대신 제안된 보충을 변경하고 서비스 수준을 조작하는 데 사용합니다.

공급망 문제는 직관에 반하는 솔루션을 가지고 있기 때문에 해결하기 가장 어려운 경우가 많습니다. "Amazonian" 성공을 달성하려면 가장 먼저 해야 할 일은 자신의 방식에서 벗어나 새로운 접근 방식을 시도하는 것입니다. 잘 알려진 격언이 말하듯이, 광기의 확실한 신호는 같은 일을 반복하면서 다른 결과를 기대하는 것입니다.

서비스 중심 계획의 비결은 확률 예측 및 재고 혼합 최적화입니다. 복잡성을 관리하고 높은 서비스 수준을 달성하는 방법은 먼저 예측 정확도 장벽을 깨는 것입니다. 하나의 숫자를 예측하는 대신 예측에서 수요의 가능성 범위를 이해하십시오. 이 방법을 확률 예측이라고 합니다. 이 접근 방식을 사용하면 여전히 가장 가능성 있는 결과와 관련된 하나의 숫자를 얻을 수 있습니다. 그러나 이 숫자를 중심으로 서로 다른 가능성이 첨부된 다양한 다른 가능한 결과를 얻을 수 있습니다. 이는 평균 집계 주문 내역 수를 기반으로 하는 기존의 "일자리" 예측에 대한 대안입니다.

확률 예측은 많은 수의 롱테일 품목을 포함하고 적절하게 모델링할 수 없는 수많은 요인으로 인해 수요 변동성과 불확실성에 직면한 공급망에 이상적입니다. 공급망 전문가 Lora Cecere는 자신의 블로그 확률적 예측:귀하의 비즈니스에 적합한가요?에서 다음과 같이 결론지었습니다. “어려운 수요 프로필의 경우 확률적 예측은 새롭고 강력한 기술입니다. 일종의 엔진입니다. 예측은 더 나은 수학, 그리고 결과를 이끌어내기 위한 데이터 모델의 적합성에 관한 것입니다."

확률 예측의 이점을 얻기 전에 공급망이 너무 복잡해질 필요가 없습니다. 다음은 설명하기 위해 지나치게 단순화된 예입니다. 특정 자동차 타이어의 SKU에 대한 수요를 예측한다고 가정해 보겠습니다. 단일 숫자 예측 시스템은 이 타이어의 월별 4개 판매 기록을 살펴보고 평균 수요를 주당 1개의 타이어로 식별합니다. 이 예측은 한 번에 4개의 타이어를 모두 교체하는 고객을 다루지 않기 때문에 지속적으로 잘못된 예측을 제안하고 따라서 목표 서비스 수준을 충족하기 위한 재고 수준을 제시합니다.

재고 계획을 위해서는 타이어 1개, 타이어 2개, 타이어 3개, 타이어 4개 등 각 라인 주문 수량의 확률을 알아야 합니다. 확률적 예측은 주문 패턴(예:주문 크기, 주문 빈도) 인벤토리가 수요를 충족하는 데 사용할 수 있습니다.

우리는 1990년대 초반에 공급망 세계에서 외로운 인물을 잘라냈습니다. 그때 우리는 전통적인 예측의 대안으로 이 접근 방식을 처음 옹호하기 시작했습니다. 오늘날 압도적인 공급망 복잡성에 직면하여 기업이 이를 시험해 볼 수 있는 불타는 플랫폼이 더 많이 있습니다. 항상 "이 작업을 더 일찍 시작했다면 좋았을 텐데!"라는 피드백을 받습니다.

두 번째로, 재고 혼합 최적화는 네트워크 전반에 걸쳐 SKU 포트폴리오의 규모와 가변성(복잡성)을 활용하여 "서비스 중심 계획"이라고 부르는 것을 가능하게 합니다. 그룹의 모든 SKU에 대해 동일한 서비스 수준을 할당하는 대신 공급망의 각 SKU 위치에 비즈니스 목표를 달성하도록 최적화된 자체 서비스 수준이 할당됩니다. 예를 들어, 클래스의 모든 SKU에 98% 서비스 수준을 할당하는 대신 개별 SKU 위치 서비스 수준을 99%, 97%, 99.5% 등으로 최적으로 설정하여 글로벌 98% 목표를 달성하고 동일한 목표를 달성합니다. 훨씬 적은 재고 비용으로 전반적인 고객 서비스 수준 목표를 달성합니다.

글로벌 처방 렌즈 제조업체인 Shamir Optical은 확률 기반 예측을 적용하여 보다 서비스 중심적으로 되었습니다. 획일적인 재고 정책을 사용하는 대신 Shamir는 수요 패턴을 분석하여 각 위치의 각 개별 SKU에 대해 서로 다른 서비스 수준 목표를 조합했습니다. 이 회사는 전체 재고 수준을 25% 이상 줄이면서 99%를 초과하는 서비스 수준을 지속적으로 달성했습니다.

확률적 예측은 실제로 인간의 계획자가 충분히 빠르게 실행할 수 없습니다. 이를 작동시키려면 인공 지능의 한 형태인 기계 학습 기술을 사용하는 자가 적응 시스템으로 계획 프로세스를 자동화해야 합니다. 확률 예측을 생성하려면 먼저 공급망을 모델링해야 합니다. 대부분의 회사는 샘플 SKU 그룹으로 시작하여 시간이 지남에 따라 테스트하고 확장합니다. 그런 다음 모델에 대해 광범위한 잠재적 수요 변수의 영향을 고려해야 합니다. 여기에는 주문 내역과 같은 기존 입력, CRM(고객 관계 관리) 시스템 데이터와 같은 기타 기업 소스, 날씨, 주식 시장 및 소셜 미디어 추세와 같은 외부 소스가 포함될 수 있습니다. 공급망 모델은 "살아있는" 시스템이기 때문에 기계 학습은 시간이 지남에 따라 지속적으로 결과를 학습하고 조정하므로 필요에 따라 새로운 데이터 소스를 도입할 수 있습니다. AI 적용 수요 및 재고의 행동에 대한 깊은 통찰력을 제공하여 결과를 개선합니다.

그러나 인간에게 좋은 소식은 확률 예측이 설계상 최종 게임이 아니라 출발점이라는 것입니다. 서비스 정책 및 공급망 전반에 걸쳐 해당하는 최적의 재고 수준에 대해 정보에 입각한 판단을 내리는 데 필요한 데이터를 계획자에게 제때 제공하도록 설계되었습니다.

이 AI 증강 확률 예측은 인간과 기계의 이상적인 공생을 나타냅니다. 시스템은 인간의 입력을 고려하여 시간이 지남에 따라 더 똑똑해지며 인간은 확률 예측의 성공률에서 학습하여 더 똑똑해집니다. 이를 통해 계획자는 서비스에 집중하고 전략적인 프로젝트를 수행하며 비즈니스 통찰력을 시스템에 추가할 수 있습니다.

비즈니스는 복잡성에서도 번창할 수 있습니다. 확률 예측의 장점은 서비스 수준은 높아지지만 비용, 낭비 및 비효율성은 낮아진다는 것입니다. Shamir Optical과 같은 수백 개의 회사는 운전 자본 확보에서 노후화, 운송 감소, 비용 및 가격 인하 가속화에 이르기까지 광범위한 이점을 얻었습니다. 많은 기업이 시장 변화에 더욱 민감하게 반응하고 더 나은 전략적 결정을 내릴 수 있다고 보고합니다.

"일자리" 결정론적 접근 방식에 집착하는 사람들에게 확률 예측은 직관적이지 않게 느껴질 것입니다. 그러나 품목이 적고 수요를 완전히 예측할 수 있는 상품 비즈니스가 아닌 한 단일 숫자 접근 방식으로는 문제가 해결되지 않습니다. Amazon은 이 방법을 사용할 뿐만 아니라 파트너 공급업체에 확률 예측 도구도 제공합니다. 시도해 볼 때가 되지 않았나요?

Joseph Shamir는 ToolsGroup의 CEO입니다.