Na začátku optimalizace dodavatelského řetězce jsou data, která je potřeba shromažďovat. Renomované průzkumy firem jako Gartner uvádějí, že 70‒90 procent dat, která se dnes v průmyslu shromažďují a ukládají v datových centrech, firmy vůbec nejsou schopny využít.

Musíme tedy v datech hledat to, co je podstatné a co vaši firmu posune o několik levelů výše. Z podstaty věci není v lidských silách procházet ručně tisíce řádků excelových tabulek a zkoumat nejrůznější souvislosti a kauzality. Bez pomoci umělé inteligence se neobejdeme. V dnešní době jsou navíc roboti natolik inteligentní, že se sami učí a svoje schopnosti vylepšují s tím, jak přibývá zpracovaných dat.

Vezměme si třeba oblast autodopravy. Ta byla považována za tradiční hájemství tužky a papíru. Velký tlak na náklady a vysoká konkurence způsobila, že se v tomto segmentu začala moderní a chytrá řešení prosazovat, především pak u těch velkých hráčů. Pak tu ale máme třeba farmacii, kde naopak řada velkých výrobců na trhu generik stále tlak necítí a vyrábí až dvojnásobek toho, co ve výsledku prodá. To, co zbude, pak spálí. Přitom stačí málo a tomuto plýtvání by se vyhnuli. Náklady na zavedení příslušných systémů a procesů by se jim navíc vrátily maximálně během několika let.

Co má auto společné s penicilinem

Přestože má každý segment ekonomiky jistá specifika, dají se zkušenosti z řízení dodavatelského řetězce využít prakticky kdekoliv. Principy z řízení dodavatelského řetězce v automotive je možné efektivně aplikovat například ve stavebnictví, e-commerce nebo i farmacii. Pokud v dodavatelském řetězci něco nefunguje, přichází firma o peníze. Obecně můžeme vyjmenovat sedm plus jeden zdroj neefektivity a plýtvání:

• nadprodukce,
• zásoby,
• pohyb,
• proces,
• transport,
• zmetky,
• čekání
• a nevyužitý potenciál pracovníků.

U naprosté většiny těchto bodů je na vině nedostatek informací. Těch informací, které se dozvíme právě analýzou historických dat. Třeba nadprodukce je často způsobená tím, že firma neví, kolik toho prodá. Problém se pak přelévá do transportu zboží, nadbytečných zásob nebo jejich špatné struktury. To vše můžeme zoptimalizovat tím, že budeme vědět, kolik zboží a materiálu opravdu vyrobit, dopravit a uskladnit.

Obr. 1: Vývoj dostupnosti položek (service level) u jedné ze sítí lékáren v České republice

Obrázek 1 ukazuje vývoj dostupnosti položek (service level) u jedné ze sítí lékáren v České republice. Po zavedení automatizovaného nástroje na předpověď poptávky se service level zvýšil k 99 procentům a i ten největší propadlík, rozumějte pobočka s nejnižším „skóre“, si výrazně vylepšil svoji reputaci.

Forecasting v tomto případě pomohl ve třech oblastech. Jednak z lékáren odcházejí spokojenější zákazníci, protože téměř vždy dostanou to, pro co si přišli. Zároveň odpadla nutnost skladovat zbytečná kvanta zboží, nebo dokonce položky, které vlastně ani nikdo nechce. Systém dokáže předpovědět, o co bude zájem, navíc sám vyřizuje objednávky. Každá pobočka tak měsíčně ušetří 40 hodin, které by jinak zaměstnanci strávili telefonáty nebo posíláním e-mailů dodavatelům.

Síť poboček je jenom jednou z vrstev a vlastně tou poslední. Pokud víme, co lidé budou chtít a kolik toho prodáme, informace nepomůžou jenom nám, ale celému dodavatelskému řetězci. Distributor ví, kolik toho naložit a dopravit, stejně tak výrobce přesně ví, jakou rychlost zařadit na výrobních pásech.

Obr. 2: Informace pomohou celému dodavatelskému řetězci.

V každém dodavatelském řetězci platí pravidlo mít vždy na skladě dostatečné pojistné zásoby. Pokud se zpozdí dodavatel nebo se výrazně proti plánu zvýší poptávka, stejně zákazníky díky zásobám uspokojíte. Ve farmacii je podstatná také diverzifikace zásob podle šarží, což souvisí s kvalitou výroby. Pokud se někde stane chyba, musíte zlikvidovat celou šarži. A pokud nemáte jinou jako náhradu, máte vážný problém.

Jak na správné nastavení zásob

Pro to, abychom mohli pracovat s velikostí a strukturou zásob, musíme znát předpověď poptávky. Jak jsme popsali výše, nasazením chytrých řešení v tomto ohledu dokážeme vidět za roh. Pak nám stačí vědět, jaký je lead time dodavatelů, a máme vlastně vyhráno.

Díky automatizovaným systémům můžeme přesně pracovat se strukturou zboží, které na skladě držíme. Řada firem, především v oblasti e-commerce, buduje nové sklady, aby měly kam umístit větší a větší objemy zásob. Přitom mnohdy stačí nastavit jejich optimální rozdělení podle ABC analýzy, a místa máme dost i ve stávajících prostorech. Produkty spadající do kategorie „A“ se prodávají nejvíc, proto musí být service level nejvyšší a musíme jich mít na skladě dostatek. Naproti tomu kategorie „C“ jsou produkty pro „fajnšmekry“, kterých k nám nechodí každý den dlouhé zástupy, takže je nemusíme držet v takovém množství, případně je nemusíme mít skladem vůbec.

Pravidelná analýza nám pak dokáže včas identifikovat takzvané ležáky, tedy zboží, o které nemá zájem už vůbec nikdo. Těch je dobré se co nejrychleji zbavit, protože jenom zabírají místo ve skladu.

Není blatník jako blatník

Pokud má firma to štěstí a o její produkty je větší a větší zájem, musí také víc vyrábět. A tady mnohdy nastává problém, když výrobce není schopný navýšit produkci. Často je přitom příčina pouze na určitých úsecích výroby.

K identifikaci a řešení „úzkých míst“ se využívá takzvaný Value Stream Mapping. Celý výrobní proces se zakreslí do mapy, ve které se hledají problémy a neefektivity, zároveň se navrhuje jejich řešení. K případnému ověření navržených změn ve výrobě se opět využívají chytré systémy, takzvaná dynamická simulace (dnes se používá výraz digital twin, neboli digitální dvojče). Úpravy se namodelují v jakési virtuální realitě ještě před tím, než se kopne do země, začnou se stěhovat výrobní zařízení nebo třeba jenom pořizovat další vysokozdvižné vozíky.

Samozřejmě všude se najdou specifické případy, z velké části právě u výrobců. Ve farmacii to platí dvojnásob. Léky, jak známo, podléhají přísnému dohledu úřadů.

Třeba jedna biotechnologická firma, která vyvíjí nové léky, využívá ke zpracování biologických vzorků speciální laboratorní boxy. Ampulky v nich ovšem stráví zhruba dvě hodiny, další čtyři dny pak „odpočívají“ jinde, než se do boxů opět vrátí. A tady nastává velká výzva, kdy nastupuje právě Value Stream Mapping.

Umístění ampulek v boxech musí být časově naprosto přesné, jinak by se vzorky znehodnotily. Dokážete tedy hýbat pouze se začátkem procesu, pak máte jasně dané postupy a časové harmonogramy, které nelze porušit. Třeba v automotive si odložíte nárazník na půl dne někam ke zdi a nic strašného se nestane. U zmíněných ampulek hrajete sudoku nejvyšší kategorie, když chcete využít boxy na maximum, a přitom vzorky neznehodnotit.

Není nutné pálit zásoby

Málokterá aktivita ve firemním procesu ovlivňuje tolik dalších činností, jako je řízení dodavatelského řetězce. Je pak čím dál důležitější vidět souvislosti a přemýšlet ve větším celku.

Dříve bylo hnacím motorem firem uhlí, dnes jsou to data. Firmy se tak musí naučit data sbírat, ale především je také správně a efektivně analyzovat. V obrovských kvantech megabytů, které každý den vytvoříme, se už ale nedokážeme vyznat my, lidé, ale musí to za nás převzít stroje. Ukazuje se přitom, že firmy, které mají za kolegy umělou inteligenci, vidí dál než ty, kde mají kolegy pouze z masa a kostí.

Proč je dobré sledovat „velká data“

Dříve platilo pravidlo: „Říkali to v rádiu, tak je to pravda.“ Dnes mají pravdu stroje. Alespoň ty stroje, kterými protečou miliony čísel. Správná analýza, vyhodnocení a zobrazení důležitých informací pomáhá managementu lépe se zorientovat ve firemních datech a obecně v tom, co se ve firmě a v celém dodavatelském řetězci děje. To všechno vede k vytváření vyšší nebo nové hodnoty pro firmu, a především pro zákazníka, nebo alespoň k lepší efektivitě a snížení nákladů. Říká se tomu „monetizace dat“. Jde o to, z té hromady dat, kterou máme, vyždímat nějaké peníze.

Dalo by se říct, že Big Data pomáhají vytvořit „jednu pravdu“. Pokud se na chodbě pohádají Jirka s Karlem o příčinách nedostatečných zásob, které vypočítali z papírových evidencí zboží, je mnohdy těžké je rozsoudit. Pokud nám ale z automatizované analýzy dat shromážděných za poslední dva tři roky vypadnou konkrétní trendy, křivky nebo doporučení, těžko je můžeme rozporovat, avšak o to lépe je můžeme optimalizovat.

Tomáš Hladík Autor je konzultantem společnosti Logio.