Мое мнение после 10 лет работы в сфере управления цепочками поставок о том, почему это может стать отличной площадкой для специалистов по анализу данных, которые хотят, чтобы их навыки были востребованы.
Делиться
В преддверии 2026 года мой почтовый ящик в LinkedIn полон запросов от специалистов по анализу данных.
Те же вопросы. Те же опасения. Правильное ли это решение – использовать науку о данных в цепочках поставок?
После 10 лет работы в области анализа данных в цепочках поставок, включая пять лет ведения этого блога, у меня сформировалось твердое мнение по этому вопросу.
Управление цепочками поставок – это исключительная площадка для специалистов по анализу данных.
Сложные задачи, прекрасная математика и ощутимые результаты.
Но я здесь не для того, чтобы указывать вам, что лучше для вашей карьеры.
В этой статье я хочу честно рассказать о возможностях, которые меня вдохновляют, и о трудностях, которые меня расстраивают.
Что еще более важно, я покажу, как самостоятельно изучить эту область, используя учебные пособия и примеры из практики, которыми я делюсь в этом блоге.
Затем вы можете проверить себя, насколько вам близка аналитика цепочки поставок.
Зачем нам нужна аналитика цепочки поставок?
Что такое цепочка поставок?
Обычно под цепочкой поставок понимается обмен потоками материалов, информации или денежных ресурсов между несколькими сторонами с конечной целью выполнения запроса клиента.
Заводы, склады и плановые группы используют системы для обмена информацией и установления контактов.
Эти системы хранят большой объем транзакционных данных в базах данных, отражающих деятельность всей вашей цепочки поставок.
- Системы управления складом (WMS) хранят все входящие (поступающие на склад) и исходящие (поступающие со склада) транзакции.
- Системы планирования ресурсов предприятия (ERP) могут хранить все заказы на закупку (поставщикам) и счета-фактуры (клиентам).
- Системы управления транспортом (TMS) будут регистрировать все отправления со склада и уведомлять вас о доставке.
Поскольку отследить каждую партию товара по всей цепочке поставок невозможно, эти данные остаются единственным способом контролировать вашу деятельность.
Таким образом, аналитика цепочки поставок стала методологией, которую организации используют для получения ценных сведений из данных, связанных со всеми процессами в рамках цепочки создания стоимости.
Нам необходимо использовать эти данные, но для чего?
Описательная аналитика: повышение прозрачности работы оперативных групп.
На первом этапе компаниям необходима прозрачность.
В одном из прошлых случаев я работал с директором по логистике, который не мог сказать мне, сколько паллетов находится в их крупнейших распределительных центрах.
Таково положение большинства компаний в 2026 году.
Признаю, это пока не так круто, как машинное обучение или продвинутая оптимизация.
Но именно здесь начинается большинство проектов по анализу цепочки поставок, и именно здесь вы можете сразу же получить выгоду!
В первые годы работы в качестве разработчика решений для управления цепочками поставок я обнаружил, что операционные команды тонут в данных, но не способны выявлять закономерности.
Они понимают, что что-то пошло не так, но не могут объяснить почему.
Операционный менеджер: нам не удаётся увеличить объём обрабатываемых заказов в день, и мы не знаем почему!
На складе, где хранится продукция для розничной сети косметических магазинов, меня попросили оказать поддержку в реорганизации производственных процессов с целью увеличения мощностей электронной коммерции.
Примерно 11 ноября в Китае проходит масштабный фестиваль электронной коммерции, во время которого объемы продаж увеличиваются в десять раз.
Операционный менеджер: мы нанимаем больше операторов, но это не влияет на производительность.
Чтобы выяснить первопричину, я решил выехать на место и понаблюдать за сменой в часы пик.
И я быстро заметил, что множество операторов толпились в проходах склада, ожидая своей очереди на комплектацию товаров.
Я предположил, что это, вероятно, и есть основная причина, но мне нужен был способ это доказать и сообщить об этом операционному менеджеру.
Благодаря этой тепловой карте, показывающей процент заказов по каждому месту хранения, мы быстро выявили причины проблем.
Они знали, что в некоторых отделах представлены товары с высокой частотой повторного использования, но не в таких масштабах.
Операционный менеджер: нам необходимо распределить операции с высокой интенсивностью оборота по всему складу, чтобы избежать заторов.
Эта простая визуализация, которую я освоил благодаря разведочным методам анализа данных на Kaggle, стала началом более сложного исследования по оптимизации, которое я описал в этой серии статей.
Даже если это не глубокое обучение или сложная оптимизация, никогда не следует недооценивать ценность правильной визуализации, решающей нужную операционную задачу.
Проведенное на основе этой простой визуализации исследование по реинжинирингу помогло нам продлить контракт с этим клиентом и заработать несколько миллионов евро.
А если вам нужны более сложные технические задачи?
Диагностический анализ: данные, подтверждающие анализ первопричин.
Теперь мы можем повысить уровень технической сложности.
Позвольте представить методологию, которая стала моей любимой площадкой для анализа данных в цепочках поставок: Lean Six Sigma.
Методология Lean Six Sigma — это поэтапный подход к совершенствованию процессов, использующий статистические инструменты для проверки предположений.
Почему именно Lean Six Sigma? Потому что она заставляет придерживаться строгих принципов, подкрепляя свои предположения статистическими данными.
Операционные группы ежедневно делают предположения, которые чаще всего основаны на их опыте, но редко на данных, поскольку они слишком глубоко погружены в повседневное управление.
Мы можем предоставить им статистические данные, используя подход Lean Six Sigma.
Впервые я применил этот подход в проекте по поддержке транспортной команды завода в Северной Америке.
Менеджер по входящим перевозкам получил продукцию по двум разным маршрутам.
- Маршрут 1: сложные дорожные условия и интенсивное движение.
- Маршрут 2: без пробок и с красивой современной дорогой.
Внешний поставщик услуг распределяет груз между группой водителей (D1, D2, D3).
В чём проблема?
Когда заказ направляется в северный региональный центр, время выполнения запроса до его принятия на 35% выше, чем в южном центре.
Менеджер по транспорту: Мы предполагаем, что водители по возможности избегают северного маршрута.
Прежде чем делать поспешные выводы (и начинать конфликт с водителями), мы решили проанализировать подтверждения отправок за прошлые периоды.
Мы использовали перекрестную проверку и критерий хи-квадрат, чтобы показать, что нет существенных доказательств связи распределения водителей с хабом.
Это помогло команде исследовать другие потенциальные первопричины проблемы и решить её.
Для получения более подробной информации о подходе (и примеров с исходным кодом) вы можете посмотреть эти короткие пояснительные видеоролики:
- Бережливое производство и методология Six Sigma с использованием Python | Критерий Краскала-Уоллиса
- Бережливое производство и методология Six Sigma с использованием Python | Критерий хи-квадрат
- Бережливое производство Six Sigma с использованием Python | Логистическая регрессия
Имея под рукой эти описательные и диагностические инструменты, вы можете выявить первопричину большинства производственных проблем на складах, заводах и в группах планирования.
- Почему при такой смене операторов наблюдается снижение производительности?
- Почему в этой области наблюдается более 20% ошибок при комплектации заказов?
- Почему на этом конкретном грузовом маршруте нам требуется дополнительный день на подготовку?
Ответы на эти вопросы, подкрепленные статистическими методами, могут помочь командам реализовать планы действий.
Можем ли мы подкрепить эти планы действий рекомендациями, основанными на данных?
Если подвести итог всему увиденному, то в процессе непрерывного совершенствования можно выделить следующие моменты:
- Помогите выявить проблему с помощью тщательно подобранной визуализации.
- Передайте полученные данные оперативным группам.
- Используйте статистические методы для выявления первопричины.
Настало время предложить решения, направленные на улучшение операционной деятельности.
Прескриптивная аналитика: оптимизация для принятия решений
Суть задачи состоит в решении задачи оптимизации, связанной с показателем эффективности.
Это может быть:
- Руководители команд, желающие оптимизировать процесс найма временного персонала.
- Планировщик, который рассчитывает увеличить процент заправки грузовиков.
- Менеджер склада, которому необходимо сократить складские площади.
По сути, мы хотим максимизировать или минимизировать конкретную целевую функцию, соблюдая при этом определенные ограничения.
В этом блоге вы найдете десятки примеров использования линейного и нелинейного программирования для оптимизации конкретного процесса.
Я использую задачу проектирования сети поставок, чтобы проиллюстрировать трудности, с которыми вы можете столкнуться при проведении подобного исследования.
Многонациональная компания, имеющая рынки сбыта и заводы в разных странах, хотела бы перестроить свою сеть поставок, чтобы сократить затраты и воздействие на окружающую среду.
Директор по цепочке поставок ожидает, что вы укажете, где следует открывать заводы, чтобы минимизировать общие производственные затраты.
Это переменные решения в вашей оптимизационной модели, которые вы можете создать с помощью библиотеки Python PuLP.
Я столкнулся со многими проблемами при сборе входных данных и настройке целевых функций.
В чём заключаются проблемы?
Действительно, в большинстве случаев проблема никогда не формулируется полностью и всесторонне.
Например, в проекте для розничного продавца модной одежды нам потребовались недели, чтобы окончательно определить целевую функцию.
Действительно, после представления предварительных результатов мы заметили, что цель снижения общих производственных затрат (во всех странах вместе взятых) может повлиять на рынки через себестоимость реализованной продукции (COGS).
Недопустимы ситуации, когда производство в Индии обходится дороже, чем в США.
Именно здесь у меня появилась возможность помочь клиенту скорректировать его бизнес- и операционные предположения, опираясь на свое понимание модели.
Подобные стратегические проекты помогут вам проявить свои навыки, поскольку вы будете напрямую взаимодействовать с лицами, принимающими решения по проектам, влияющим на прибыльность.
Наша добавленная стоимость здесь заключается не в строках кода, а в преодолении разрыва между бизнес-аспектами и рычагами оптимизации.
В этом видео я более подробно рассказываю о том, как использую ИИ с сервером MCP, подключенным к Claude Desktop, для решения этой проблемы:
А подробный пример из практики вы также найдете в этой статье на сайте Towards Data Science:
- Стратегия устойчивого развития бизнеса с использованием анализа данных: путь к науке о данных
Для достижения этой цели вам необходимо базовое понимание принципов работы системы в сочетании с навыками в области анализа данных.
У меня есть кое-какой контент на эту тему.
Что нужно для начала?
Самой большой проблемой, с которой я столкнулся при управлении аналитиками и специалистами по обработке данных в аналитических проектах, было их ограниченное понимание операционных процессов.
Это приводит к дефициту доверия.
Оперативные группы могут воспринимать специалистов по анализу данных как людей, которые никогда не были на складе.
Для успешной работы в области аналитики цепочки поставок необходимы знания в практической сфере.
Не для того, чтобы стать экспертом.
Но при этом необходимо понимать суть проблемы, чтобы эффективно общаться, точно формулировать проблемы и разрабатывать решения, которые действительно работают на практике.
Это означает изучение основ: как работают склады и заводы, как функционируют транспортные сети, как происходит движение запасов по цепочке поставок.
Вот с чего следует начать.
Изучите процессы управления цепочками поставок с помощью 5-минутных пояснительных видеороликов.
В этом плейлисте из более чем 40 коротких пояснительных видеороликов я делюсь сжатой версией своего 10-летнего опыта работы менеджером по проектированию решений и менеджером по эффективности логистики.
Начинается все с основ складского хранения и транспортных операций.
Эти видеоролики дадут базовые знания для понимания:
- Складские процессы: приемка товаров (входящие), хранение товаров (инвентаризация) и отгрузка товаров (исходящие).
- Управление транспортировкой: полная загрузка грузовика против частичной загрузки, показатели эффективности и структура затрат.
Основное внимание уделяется операционным и финансовым аспектам, поскольку это остается ключевым вопросом в логистических операциях и является моей основной специализацией как менеджера по решениям в области управления цепочками поставок.
Эти видеоролики дадут вам базовые знания для понимания большинства примеров из области логистики, представленных в этом блоге.
В каждой из этих статей вы найдете исходный код решения, связанный с репозиторием GitHub, а также пояснительное видео, summarizing the case study.
Что с этим можно сделать?
Обычно я советую поэкспериментировать с входными данными, параметрами и сценариями, чтобы адаптировать решение к проблеме вашей компании.
Вы можете проявить фантазию или попросить LLM придумать новые сценарии и поэкспериментировать с ними.
Не забывайте, что цель состоит в развитии как ваших технических навыков, так и понимания практической стороны вопроса.
Создавайте коммерческие продукты на основе ваших решений для более широкого внедрения.
В этом блоге мы хотим создавать решения, которые оказывают влияние на операционную деятельность.
Нам необходимо обеспечить их внедрение с помощью удобного для пользователя способа развертывания.
Поэтому я посвятил множество учебных пособий и статей созданию алгоритмов и визуализаций для коммерческого использования.
В своей предыдущей статье я пошагово показал, как развернуть приложение для моделирования инвентаризации с использованием библиотеки Streamlit на Python.
Этот подход можно использовать для любого из более чем 50 аналитических решений, представленных в этом блоге.
Есть ли у меня рекомендации по книгам?
Да!
Мой канал на YouTube называется Supply Science, что является отсылкой к книге Уоллеса Дж. Хоппа «Наука о цепочках поставок» (The Supply Chain Science) .
Если вам нравится математика и вы хотите применять её в реальных практических задачах, эта книга для вас.
Что дальше?!
Надеюсь, теперь вы убедились, что у вас есть все необходимое, чтобы стать специалистом по анализу данных в цепочках поставок, чьи навыки ценятся за их влияние на операционную деятельность.
Как человек, недавно основавший собственную компанию по разработке аналитических продуктов, могу подтвердить, что потребность в таких навыках существует.
И мы можем получать удовольствие, работая над такими проектами!
Обо мне
Давайте свяжемся в LinkedIn и Twitter. Я инженер по управлению цепочками поставок, использующий анализ данных для улучшения логистических операций и снижения затрат.
Для консультаций или получения рекомендаций по аналитике и устойчивой трансформации цепочек поставок, пожалуйста, свяжитесь со мной через Logigreen Consulting.
Если вас интересует анализ данных и управление цепочками поставок, посетите мой сайт.
Самир Сачи | Наука о данных и повышение производительности
Источник: towardsdatascience.com
