Менеджеры цепочки поставок должны обеспечить, чтобы склады и магазины были полностью укомплектованы широким спектром продуктов, которые нужны клиентам. Covid-19, с другой стороны, выбросил модели прогнозирования, которые помогают им оценить количество предметов, которые они должны оставить на своих полках.

Обычно такие системы прогнозирования более надежны, когда все в порядке; Практикующие обычно используют их, чтобы найти адекватные решения своих проблем. Во время кризиса Covid-19 все стало более нестабильным и динамичным; ни предписывающие, ни прогнозные модели не могут помочь им понять, что происходит, когда кажется, что ничто не находится под контролем.

В большинстве случаев розничные торговцы полагаются на небольшой набор моделей или алгоритмов, которые помогут предугадать, что нужно их клиентам, прежде чем они это сделают, будь то простая таблица Excel или новейшее программное обеспечение. Обычно эти модели довольно надежны и работают как шарм, когда нет турбулентности. Но, как и все остальное, на них сильно влияет размах этой пандемии.

Когда у нас есть что-то похожее на Cov-19, все оказывается выбросом. Никакая модель не может этого предсказать.

Активные исследователи однозначно понимают, как неожиданные события, такие как стихийное бедствие: ураган, наводнение или вирусная эпидемия, могут вызвать серьезные сбои в любой системе, независимо от ее надежности. Даже если бы компания подвергала свои модели прогнозирования спроса стресс-тестам на такие заболевания, как H1N1 и SARS, они не смогли бы учесть что-то в таком масштабе.

В моделях прогнозирования обычно используются исторические данные для оценки будущих тенденций или сезонности. Например, если компания продала большое количество компьютеров в июне прошлого года. Они могут использовать эти данные, чтобы побудить компанию подготовиться заранее, оставив на полках больше ноутбуков. Потому что они ожидают продажи в этом году примерно того же количества, что и в прошлом году.

Правительства приняли продуманные решения, чтобы защитить свой народ от вирусного заражения во время пандемии. Все предпринятые ими профилактические меры оказали существенное влияние на поведение клиентов. Чтобы справиться с беспрецедентной изоляцией, потребители были вынуждены поменять продукты с коротким сроком хранения на продукты с более длинным.

С другой стороны, почти все компании оказались неподготовленными к таким значительным изменениям в поведении клиентов. Они использовались для получения небольших заказов от перерабатывающих предприятий. Вот почему их кто-то убедил, что нет смысла производить продукты в таких огромных количествах, если их в конечном итоге выбрасывают на свалку. Все эти последствия приводят к снижению качества данных, что указывает на то, что их наборы данных содержат большое количество выбросов.

Все данные о покупательских способностях клиентов, которые были собраны во время эпидемии Covid-19, уже не так актуальны, как были. Если вы хотите делать краткосрочные прогнозы в периоды высокой неопределенности, мы настоятельно рекомендуем придавать больший вес самым последним наблюдениям, что означает, что вам нужно делать прогнозы только на учетных записях о покупках с начала пандемии коронавируса.

Мы только что выяснили, что некоторые эксперты обвиняют модели в неисправности. Тем не менее, они не приняли во внимание качество данных, которые должны быть включены в их анализ.

Модели все еще можно использовать, но необходимо изменить способ просмотра данных.

Эти небольшие корректировки позволяют компании продолжать прогнозировать даже при высокой степени неопределенности. Однако они не смогут делать такие точные прогнозы, как несколько месяцев назад. Вот почему люди, отвечающие за управление цепочкой поставок, не должны слепо доверять числовым результатам, полученным с помощью модели. Они должны использовать свой интеллект, чтобы интерпретировать эти числа, прежде чем принимать какие-либо решения, потому что один неверный шаг может дорого им обойтись в эти периоды.

Недавно я встретил друга, который работает в транснациональной корпорации, и он сказал мне, что в июне продажи ее продукции в одном из ее магазинов выросли на 60%. В ответ на всплеск продаж ритейлер разместил огромный заказ на июль. Компания обнаружила, что спрос на этот продукт снова упадет, и розничный торговец не сможет продать то, что заказал. Розничному продавцу посоветовали не покупать такую ​​большую часть товаров компании, чтобы минимизировать свои потери.

Кроме того, этой компании удалось объединить модель, которая прогнозирует продолжительность и серьезность вспышки коронавируса, со стандартной моделью машинного обучения.

Люди могут продолжать покупать определенные вещи, такие как средства гигиены и консервы, даже после окончания пандемии коронавируса. Некоторые изменения в покупательских привычках клиентов могут сохраняться дольше, чем реальный кризис. Вот почему менеджеры цепочек поставок должны подкреплять свои модели новыми функциями, которые помогут им понять основные факторы, побуждающие клиентов менять свое поведение.

Эти компании могут извлечь ценные уроки из кризиса Covid-19. Один из этих уроков - немного меньше инвестировать в технологии и еще немного в человеческие ресурсы.