Почему модные компании создают виртуальные версии своих цепочек поставок

В отличие от других джинсовых фабрик Saitex во Вьетнаме и Лос-Анджелесе, которые в совокупности производят миллионы пар джинсов в год, новая фабрика, которую хочет создать исполнительный директор Санджив Бахль, является чисто виртуальной. Фабрика станет цифровой копией завода в Лос-Анджелесе, который производитель джинсовой ткани открыл в 2021 году, и с ее помощью Saitex сможет моделировать рабочий процесс на предприятии в режиме реального времени. “Это позволило бы вам узнать, как все создается, как все делается, а также [улучшить] управление процессами на переднем плане”, - сказал Бахль. Они уже приступили к проектированию завода для оцифровки и ожидают, что через четыре месяца будет готов его аналог.

Еще через шесть месяцев он должен быть готов к вводу в эксплуатацию. Это только первый этап в плане Bahl. На втором этапе планируется оцифровать фабрику Saitex и хлопководческую ферму, с которой она работает. Со временем компания может создать полного цифрового двойника своей цепочки поставок, и именно тогда модель станет по-настоящему мощной. Получая данные в режиме реального времени, Saitex может использовать искусственный интеллект для оптимизации своей деятельности, совершенствования процессов, минимизации затрат и увеличения скорости. В случае сбоев, таких как задержка на заводе или закрытие порта, искусственный интеллект быстро найдет наилучшую альтернативу.

Это заманчивая идея для любой компании, которая пережила потрясения последних нескольких лет, хотя никто в сфере моды не воплотил ее в жизнь — по крайней мере, пока. Ряд поставщиков услуг решают различные задачи. Лапша. Например, ИИ работает над созданием искусственного интеллекта для цепочки поставок, а крупные технологические игроки, такие как Google, Microsoft и Amazon, предоставляют облачную инфраструктуру для цифровых моделей. “Вопрос в том, есть ли какой-то один поставщик, который предоставляет вам все это? Я не думаю, что такой существует”, - сказал Эндрю Хогенсон, специалист по логистике и управляющий директор Infosys Consulting. “Я думаю, что в конечном итоге через два-три года вы, вероятно, получите более зрелые партнерские отношения между элементами, которые работают вместе, которые были внедрены совместно и которые станут жизнеспособным решением этой проблемы”.

Хогенсон сказал, что по крайней мере один крупный модный бренд, с которым он работал, добился значительного прогресса во внедрении подобной системы, хотя компания еще не раскрыла информацию публично, поэтому он не смог сообщить название.

Любая компания, которая смогла бы это осуществить, получила бы гораздо большую известность в своей цепочке поставок. Как правило, бренд обращается с заказом к производителю, например на фабрику по пошиву одежды, и они договариваются о дате поставки. Если фабрика не выполнит заказ вовремя, бренд не узнает об этом, пока ему не сообщат, что может произойти всего за неделю до срока поставки или даже меньше. Но, имея полное представление о своей цепочке поставок, компания может заметить предупреждающие знаки и даже вернуться назад, чтобы определить, когда поставщику необходимо приступить к работе, чтобы выполнить заказ в установленные сроки.

Теоретически, можно было бы заглянуть дальше и рассчитать, когда поставщику сырья потребуется отправить материалы на фабрику по пошиву одежды. По словам Хогенсона, благодаря большей уверенности в своих действиях бренды могут сократить свои запасы за счет сокращения страхового запаса.

Они могли бы быстрее адаптироваться к сбоям в работе и лучше информировать партнеров о том, когда ожидать пополнения запасов, или раньше сообщать им о задержках. “Это существенно меняет правила игры”, - сказал Хогенсон. Цифровые двойники - не совсем новая концепция.

Многие источники связывают происхождение этой идеи с полетом НАСА «Аполлон-13» на Луну в 1970 году. После того, как кислородный баллон на шаттле взорвался в космосе, инженеры НАСА создали точную копию корабля и использовали полученные данные, чтобы смоделировать ситуацию, найти решение и благополучно доставить экипаж домой.

Это считается предшественником компьютерного моделирования сложных систем. Другие отрасли промышленности также изучают эту идею. Например, BMW объединилась с Nvidia для оцифровки своего завода в Дебрецене, Венгрия. Но, несмотря на то, что использование цифрового двойника для моделирования самой сложной системы в мире моды — цепочки поставок — является интересной идеей, реализовать ее непросто.

Чтобы это сработало, компаниям необходимо привлечь своих поставщиков, то есть создать цифровые копии их операций и перенести их на единую платформу данных. Это уже огромный объем работы, и поставщики могут не захотеть, чтобы бренды отслеживали их продукцию.

Ситуация осложняется тем, что поставщики не часто производят продукцию только для одного бренда. Если другой бренд — или несколько других брендов — захотят внедрить эту систему, у поставщика может быть несколько платформ, которые его клиенты просят изучить и использовать.

Кроме того, в идеале бренды должны внедрять эту систему не только на фабриках, занимающихся раскроем и пошивом одежды, но и на вышестоящих предприятиях, которые производят используемое ими сырье. У Bahl может быть преимущество в том, что система работает на Saitex, потому что это производитель, а не модный бренд, со своими фабриками и цех по производству одежды.

Его видение выходит за рамки того, чтобы все производственные операции передавали данные на цифровую платформу. Он представляет себе создание полноценной 3D-копии фабрики, которую пользователь мог бы использовать онлайн, и думает о способах монетизации самой цифровой копии, например, о ее аренде для проведения виртуальных мероприятий.

Бахль признает, что возникнут препятствия, в том числе связанные с затратами, опытом и временем. Но он считает, что после того, как они оцифруют фабрику в Лос-Анджелесе, им будет легче оцифровывать другие, копируя ее и внося изменения, вместо того чтобы начинать все с нуля.

Если бы Saitex или другая компания смогли это сделать, это был бы совершенно новый виртуальный мир для цепочек поставок.