Пять областей, в которой аналитика для управления закупками окажет наибольшее влияние
Оптимизация расходов и спроса. С применением технологий ИИ и генеративного ИИ (gen AI) управление категориями может быть автоматизировано и ускорено несколькими способами.
Во-первых, алгоритмы категоризации расходов могут легко создавать очищенные кубы расходов.
Во-вторых, прогнозы и оптимизация спроса станут более точными, делая контроль и оптимизацию источников, спроса и цепочки поставок гораздо более релевантными.
Аналогичным образом интерфейсы gen AI позволяют руководителям закупок запрашивать данные о расходах, рынке или спецификациях, задавая вопросы, касающиеся, например,
- доли расходов, подверженных определенному климату или геополитическому событию,
- увеличения ожидаемой стоимости из-за колебаний цен на нефть
- указание возможных альтернативных источников поставщику, находящемуся в бедственном положении.
Для стандартизированных товаров с высококонкурентными рынками, такими как транспорт или временная рабочая сила, покупателям не нужно будет вмешиваться в процесс, предоставляя ботам возможность принимать торговые решения автономно на основе предопределенных целевых функций. Gen AI также можно использовать для автоматизации генерации контрактов. Еще одно коснется анализа рынка поставок и оптимизации стратегии, выявление источников, которые подвергают компанию высоким рискам, и автоматической поиск альтернативных источников в определенном ценовом диапазоне и сроках поставки. Наконец, компании могут использовать машинное обучение для анализа моделей использования и прогнозирования спроса, чтобы автоматически генерировать сценарии и стратегии снабжения на основе аналитики уровня запасов, особенно для часто покупаемых товаров.
Управление внешними факторами прибыльности. Команды по закупкам смогут объединять внутренние данные с внешними рыночными отчетами и базами данных и использовать алгоритмы машинного обучения для выявления закономерностей и тенденций в ценах на сырьевые товары. Руководители отделов закупок и менеджеры по категориям будут полагаться на такие прогнозы, чтобы оставаться на переднем крае прибыльности отрасли с прозрачностью в реальном времени в отношении подверженности волатильности цен. Они смогут динамически вычислять ожидаемую стоимость своих самых нестабильных товаров и вести переговоры с поставщиками на основе фактов. Закупки также смогут оценивать влияние любых изменений входных цен на маржу продукта и анализировать несколько сценариев для определения правильных действий по защите этой маржи. Реактивные действия могут включать переход на альтернативные утвержденные рецепты или цепочки создания стоимости, корректировку планирования или уровней запасов, финансовое хеджирование товаров или передачу изменений цен покупателю.
Управление внешними факторами прибыльности. Команды по закупкам смогут объединять внутренние данные с внешними рыночными отчетами и базами данных и использовать алгоритмы машинного обучения для выявления закономерностей и тенденций в ценах на сырьевые товары. Руководители отделов закупок и менеджеры по категориям будут полагаться на такие прогнозы, чтобы оставаться на переднем крае прибыльности отрасли с прозрачностью в реальном времени в отношении подверженности волатильности цен. Они смогут динамически вычислять ожидаемую стоимость своих самых нестабильных товаров и вести переговоры с поставщиками на основе фактов. Закупки также смогут оценивать влияние любых изменений входных цен на маржу продукта и анализировать несколько сценариев для определения правильных действий по защите этой маржи. Реактивные действия могут включать переход на альтернативные утвержденные рецепты или цепочки создания стоимости, корректировку планирования или уровней запасов, финансовое хеджирование товаров или передачу изменений цен покупателю.
Например, потребительская компания разработала модель прогнозирования цен, которая была объединена с оптимизатором хеджирования, чтобы ежемесячно рекомендовать объем производных пальмового масла для хеджирования. Среднесрочные и долгосрочные действия могут включать оптимизацию стратегии заключения контрактов путем корректировки сроков действия контрактов и дат начала в ходе переговоров с поставщиками (например, закупка по спотовым ценам вместо фиксированной цены на несколько месяцев), переопределение регионального присутствия поставщиков путем использования преимуществ разницы в динамике цен в разных странах или получение преимуществ по затратам за счет стратегических соглашений с выбранными поставщиками Tier-N, включая частичное поглощение или вертикальную интеграцию с участниками цепочки создания стоимости, получающими непропорциональную маржу.
Управление эффективностью поставщиков. Цифровые панели мониторинга могут объединять данные о контрактах, счетах-фактурах и эффективности поставок поставщиков, чтобы предоставить полную картину соблюдения поставщиками соглашений об уровне обслуживания. Предоставляя ранние предупреждения об отклонениях в производительности, эти системы могут управлять операционными вмешательствами или проектами сотрудничества с поставщиками. Параметрические инструменты могут автоматически рассчитывать ожидаемую стоимость для тысяч позиций, помогая компаниям оптимизировать спецификации и позволяя им проводить надежные, основанные на фактах, переговоры со своими поставщиками. Технологии Gen AI также меняют управление поставщиками с появлением автоматизированных инструментов, которые могут производить интеллектуальную разведку по профилям рисков поставщиков на основе общедоступных данных, таких как отчеты социальных сетей. Gen AI также может помочь сотрудникам по закупкам оптимизировать свой диалог с поставщиками, например, путем автоматизации создания сценариев переговоров, отчетов, электронных писем и контрактов.
Управление рисками поставок. В лучшем случае к 2030 году закупки будут оснащены цифровым двойником цепочки поставок, моделирующим все узлы по всему миру, от поставщиков сырья и их прямых поставщиков до внутренней производственной сети, клиентов и всех логистических каналов, соединяющих эти узлы. Эти цифровые двойники будут разработаны путем объединения двух подходов. Потоки материалов от поставщиков первого уровня будут картироваться в сотрудничестве с поставщиками, в то время как веб-анализ данных будет использоваться для устранения пробелов в данных путем построения картины потоков от второго уровня до уровня n. Каждый узел будет иметь почти живое представление о связанном риске поставок, стоимости и интенсивности выбросов углерода, рассчитанное на основе логики, которая позволяет фильтровать сигналы по их фактическому риску и доступности мер по смягчению. Закупки будут не только иметь полное представление о текущем состоянии своей цепочки поставок, но и смогут моделировать уровень риска с учетом прогнозируемого роста бизнеса, возникновения рисковых событий и эффекта мер по смягчению. Цифровой двойник цепочки поставок позволит закупкам оценивать последствия любого типа изменений или сбоев в очень сложных и взаимосвязанных цепочках создания стоимости и реагировать на неблагоприятные события гораздо раньше. Кроме того, команды, которые внедряют эту технологию, будут реагировать быстрее своих коллег на изменения в сигналах поставок и, как следствие, иметь нужный продукт в нужном месте с минимальными затратами и углеродным следом.
Лидерство в области устойчивости. Данные, ориентированные на устойчивость, и эффективные аналитические инструменты жизненно важны, поскольку компании стремятся достичь высоких целей по сокращению выбросов углерода, предотвращению загрязнения и устранению несправедливой трудовой практики в цепочке поставок. С точки зрения экологической устойчивости данные о закупках, основанные на расходах, могут использоваться для оценки базового уровня выбросов углерода в цепочке поставок. Этот подход был принят многими компаниями для оценки своих выбросов Scope 3 на начальном этапе. Однако повышение двусторонней прозрачности углерода между поставщиками и клиентами требует дополнительных усилий, включая сотрудничество с поставщиками для создания отчетности по выбросам на уровне продукта (например, коэффициенты выбросов на основе потребления) и обмена стандартами через существующую инфраструктуру данных о закупках. Интеграция этих показателей устойчивости с данными о закупках и расширенной аналитикой может помочь компаниям взаимодействовать, оценивать и контролировать прогресс в области устойчивости своих поставщиков. Следовательно, этот подход может помочь компаниям сократить выбросы в своей цепочке поставок, выбирая продукты или поставщиков, которые соответствуют их целям в области устойчивости.
Проблемы качества данных и доступа. Ожидается, что данные, аналитика и ИИ-технологии будут играть ключевую роль в каждом бизнес-решении к 2030 году, хотя инфраструктура данных не готова поддерживать эти амбиции. Зрелость инфраструктуры данных низкая, менее 70% данных о расходах хранятся в одном месте, данные не очищаются и не классифицируются. В системах также может отсутствовать важная информация для закупок, такая как данные о качестве или спецификациях или внешние данные от поставщиков, клиентов и более широкого рынка.
Управление эффективностью поставщиков. Цифровые панели мониторинга могут объединять данные о контрактах, счетах-фактурах и эффективности поставок поставщиков, чтобы предоставить полную картину соблюдения поставщиками соглашений об уровне обслуживания. Предоставляя ранние предупреждения об отклонениях в производительности, эти системы могут управлять операционными вмешательствами или проектами сотрудничества с поставщиками. Параметрические инструменты могут автоматически рассчитывать ожидаемую стоимость для тысяч позиций, помогая компаниям оптимизировать спецификации и позволяя им проводить надежные, основанные на фактах, переговоры со своими поставщиками. Технологии Gen AI также меняют управление поставщиками с появлением автоматизированных инструментов, которые могут производить интеллектуальную разведку по профилям рисков поставщиков на основе общедоступных данных, таких как отчеты социальных сетей. Gen AI также может помочь сотрудникам по закупкам оптимизировать свой диалог с поставщиками, например, путем автоматизации создания сценариев переговоров, отчетов, электронных писем и контрактов.
Управление рисками поставок. В лучшем случае к 2030 году закупки будут оснащены цифровым двойником цепочки поставок, моделирующим все узлы по всему миру, от поставщиков сырья и их прямых поставщиков до внутренней производственной сети, клиентов и всех логистических каналов, соединяющих эти узлы. Эти цифровые двойники будут разработаны путем объединения двух подходов. Потоки материалов от поставщиков первого уровня будут картироваться в сотрудничестве с поставщиками, в то время как веб-анализ данных будет использоваться для устранения пробелов в данных путем построения картины потоков от второго уровня до уровня n. Каждый узел будет иметь почти живое представление о связанном риске поставок, стоимости и интенсивности выбросов углерода, рассчитанное на основе логики, которая позволяет фильтровать сигналы по их фактическому риску и доступности мер по смягчению. Закупки будут не только иметь полное представление о текущем состоянии своей цепочки поставок, но и смогут моделировать уровень риска с учетом прогнозируемого роста бизнеса, возникновения рисковых событий и эффекта мер по смягчению. Цифровой двойник цепочки поставок позволит закупкам оценивать последствия любого типа изменений или сбоев в очень сложных и взаимосвязанных цепочках создания стоимости и реагировать на неблагоприятные события гораздо раньше. Кроме того, команды, которые внедряют эту технологию, будут реагировать быстрее своих коллег на изменения в сигналах поставок и, как следствие, иметь нужный продукт в нужном месте с минимальными затратами и углеродным следом.
Лидерство в области устойчивости. Данные, ориентированные на устойчивость, и эффективные аналитические инструменты жизненно важны, поскольку компании стремятся достичь высоких целей по сокращению выбросов углерода, предотвращению загрязнения и устранению несправедливой трудовой практики в цепочке поставок. С точки зрения экологической устойчивости данные о закупках, основанные на расходах, могут использоваться для оценки базового уровня выбросов углерода в цепочке поставок. Этот подход был принят многими компаниями для оценки своих выбросов Scope 3 на начальном этапе. Однако повышение двусторонней прозрачности углерода между поставщиками и клиентами требует дополнительных усилий, включая сотрудничество с поставщиками для создания отчетности по выбросам на уровне продукта (например, коэффициенты выбросов на основе потребления) и обмена стандартами через существующую инфраструктуру данных о закупках. Интеграция этих показателей устойчивости с данными о закупках и расширенной аналитикой может помочь компаниям взаимодействовать, оценивать и контролировать прогресс в области устойчивости своих поставщиков. Следовательно, этот подход может помочь компаниям сократить выбросы в своей цепочке поставок, выбирая продукты или поставщиков, которые соответствуют их целям в области устойчивости.
Cерьезные проблемы
Проблемы качества данных и доступа. Ожидается, что данные, аналитика и ИИ-технологии будут играть ключевую роль в каждом бизнес-решении к 2030 году, хотя инфраструктура данных не готова поддерживать эти амбиции. Зрелость инфраструктуры данных низкая, менее 70% данных о расходах хранятся в одном месте, данные не очищаются и не классифицируются. В системах также может отсутствовать важная информация для закупок, такая как данные о качестве или спецификациях или внешние данные от поставщиков, клиентов и более широкого рынка.
Трудность формулирования бизнес-кейса. Отделы закупок испытывают трудности с получением финансирования для проектов аналитики и ИИ, часто из-за отсутствия убедительного бизнес-кейса. Эта проблема типична для организаций, которые следуют подходу «технологической поддержки», то есть выбирают программное обеспечение и решения без четкой связи с возможностями создания ценности для бизнеса.
Низкий уровень внедрения. Организации, которые преодолевают первые две проблемы, часто сталкиваются с третьей. Даже когда они создали бизнес-кейс и доказали эффективность цифрового варианта использования в тестах, им сложно внедрить его использование в основные процессы и методы работы команд по всей организации. Это распространенная проблема в преобразованиях аналитики данных независимо от бизнес-функций, из-за чего многие организации застревают в пилотном чистилище. Это особенно распространено в сфере закупок, где команды часто сосредоточены на предоставлении квартальных результатов или погружены в краткосрочные обязательства и не тратят время на понимание и внедрение новых технических решений.
Рецепт успеха
Акцент на наиболее ценных вариантах использования. Многие организации по закупкам имеют дорожные карты, которые нацелены на развертывание пятнадцати или более продуктов данных каждый год, включая развертывание сложной архитектуры данных и комплексных пакетов. Однако организации имеют ограничения в возможностях по тестированию, проверке, индустриализации и масштабированию такого объема технических решений. Аналогичные ограничения применяются к возможностям ИТ-функции по управлению и индустриализации новых инструментов, а также к способности групп по категориям и закупкам интегрировать эти инструменты, одновременно выполняя свои годовые бизнес-цели. Компании, которые смогли успешно масштабировать аналитику, сосредоточили годовые дорожные карты на приоритетном наборе из пяти или шести технических решений, выбранных на основе потенциальной ценности, которую каждое из них может создать, и того, как каждое из них решает основные бизнес-вопросы и потребности пользователей. Применяется принцип Парето, при этом несколько продуктов данных обеспечивают от 60 до 80 процентов стоимости и делают инвестиции чистыми положительными в диапазоне от восьми до двенадцати месяцев.
Специализированная платформа/домен данных и выделенные технические ресурсы. Обнадеживающее число компаний начали менять способ, которым данные преобразуют закупки, обогащая свои данные о расходах сочетанием категоризации данных на основе ИИ и строгих методов управления основными данными. Это позволяет им создавать модели данных, которые интегрируют полный набор соответствующих источников данных, как внутренних, так и внешних, таких как базы данных анализа рынка. Ведущие организации создают собственную модель данных о закупках с помощью специальной команды. Вместо того чтобы пытаться исправить все данные сразу, руководители сосредотачиваются на данных, которые им нужны для высокоприоритетных вариантов использования, и работают в обратном направлении. Это помогает каждому обрабатываемому компоненту данных создавать ценность для организации, а не поглощать разнообразные наборы данных перед оценкой их использования. И хотя существуют системы для очистки данных, укрепление процессов управления данными остается приоритетом. Не менее важно партнерство с ИТ. Проведение целостной трансформации аналитики — это как технологическая трансформация, так и трансформация бизнес-практик. Для успеха требуется поддержка лучших технических архитекторов и инженеров компании. Партнерство с ИТ и цифровыми технологиями на начальном этапе имеет решающее значение для обеспечения того, чтобы все решения по проектированию принимались в соответствии с передовой практикой, и для получения достаточных технических возможностей и опыта для создания требуемых моделей данных и конвейеров.
Помещение пользователей в центр внимания. Учет ориентации на пользователя с первого дня имеет решающее значение для быстрого внедрения на протяжении всего жизненного цикла продукта данных. Это начинается с обеспечения понимания потребностей, болевых точек и предпочтений специалистов по закупкам на раннем этапе. Необходимо избегать ненужных функций, которые усложняют и в конечном итоге ухудшают пользовательский опыт. Кроме того, пользовательский интерфейс должен быть интуитивно понятным и простым в навигации, гарантируя, что пользователи могут быстро понять функциональность и преимущества. Важно учитывать существующие системы и процессы закупок, чтобы новые продукты данных интегрировались бесшовно, уменьшая сбои для пользователей и необходимость смягчать процессы с помощью управления изменениями. Между тем, коммуникация и обучение являются ключом к успешному запуску продуктов данных. Четкое изложение того, как новые продукты данных могут повысить эффективность, оптимизировать процессы и улучшить принятие решений, мотивирует раннее внедрение. Эта коммуникация должна быть двунаправленной, активно слушать пользователей, учитывать их вклад и обновлять функции.
Талант и навыки. В командах по закупкам обычно не хватает людей, владеющих навыками работы с данными, аналитикой и ИИ, чтобы поддерживать свои цифровые амбиции. Наш опрос выявил прямую корреляцию между уровнем развития организации и ее долей доступных аналитических ресурсов. Лучшие в своем классе компании помещают 22% сотрудников по закупкам в аналитические команды. Это говорит о том, что компаниям необходимо будет инвестировать и увеличивать количество профилей данных, доступных для масштабирования, путем внешнего найма подкованных в данных профилей или переквалификации существующих команд.
Отслеживание воздействия и управление производительностью. Ведущие организации вкладывают ресурсы для преобразования данных в соответствии с графиком. Как правило, они создают офис по трансформации, который отслеживает прогресс в сравнении с первоначальной дорожной картой и строго отслеживает доставку воздействия, поднимая флаги, когда решения не дотягивают. Это позволяет закупкам сделать шаг назад и проанализировать, что может идти не так, как планировалось, что позволяет скорректировать курс.
От видения к трансформации
Превращение функции закупок в организацию, управляемую данными и поддерживающую ИИ, — это процесс трансформации, который обычно занимает от шести до восемнадцати месяцев. Каждая успешная трансформация требует видения, амбиций и постоянной приверженности со стороны высшего руководства. Это также зависит от командной работы, вовлеченности и энтузиазма во всей организации.
В качестве первого шага взаимодействуйте с заинтересованными сторонами для понимания: что нужно для высокоэффективной функции закупок и где основные болевые точки. Технологические партнеры станут второй ключевой группой соавторов. К ним относятся внутренняя ИТ-функция организации и внешние поставщики платформ данных, технологий ИИ и аналитических инструментов.
Вооружившись четкой картиной потребностей бизнеса и потенциальных решений, отдел закупок может пересмотреть свою технологическую дорожную карту. Это следует сделать, имея в виду две цели: раннее внедрение решений ИИ и аналитики, которые создают ценность, и одновременное создание основ платформы данных, которая будет соответствовать долгосрочным потребностям организации. Быстрые результаты от первых вариантов использования имеют решающее значение для создания импульса трансформации. Демонстрируя конечным пользователям и руководителям бизнеса, что могут предоставить данные и аналитика, они помогают стимулировать интерес и вовлекать в процесс всю организацию.
И, когда они начинают развертывать эти высокоприоритетные решения, руководители по закупкам должны держать в уме еще одну группу сотрудников: команды по закупкам, которые преобразуют основанные на данных идеи в ценность для бизнеса. Сосредоточение внимания на внедрении технологий ИИ с первого дня помогает закупкам создавать решения, которые работают лучше, масштабируются быстрее и создают большую ценность для организации.
Источник.
Revolutionizing procurement: Leveraging data and AI for strategic advantage. June 13, 2024. By Aasheesh Mittal, Charles Cocoual,Mauro Erriquez, and Theano Liakopoulou
https://www.mckinsey.com/capabilities/operations/our-insights/revolutionizing-procurement-leveraging-data-and-ai-for-strategic-advantage
"Революция в закупках: использование данных и искусственного интеллекта для получения стратегического преимущества". 13 июня 2024 г.