Я уже писал краткий обзор того, как IT-решения помогают оптимизировать цепочки поставок. Теперь я расскажу о том, как такие системы внедряются в реальности в России и что это даёт. К сожалению, я не могу называть конкретных заказчиков, поэтому мы сейчас будем торговать абстрактными телефонами и планшетами и сталкиваться с теми же проблемами.
Итак, представьте, два года назад вы решили торговать телефонами и даже открыли интернет-магазин. Поначалу всё было просто: заказов довольно мало, и всё можно посчитать на бумажке. Через два месяца стало понятно, что магазин работает стабильно, и заниматься поставками надо серьёзно — ведь если юзер не увидит в наличии свой любимый мими-планшет с минимальной наценкой, он просто купит его у другого магазина, и вы лишитесь шанса продать не только планшет, но и дорогущие обложки, переходники и так далее.
Соответственно, задач у вас сейчас три:
- Поддерживать ассортимент продукции по основной линейке;
- Понимать, сколько будет продаж, чтобы планировать закупку аксессуаров;
- Держать на контроле все хиты и новинки, чтобы всегда продавать ходовые товары и «снимать пену» на запусках новых девайсов.
К этому моменту в ассортименте уже около 200 наименований: сложно считать всё на бумажке, поэтому вы начинаете вести эксель, где учитываете скорость продаж, скорость поставок от дистрибьютора или производителя и так далее. Понемногу становится понятно, что делать руками всё это адски сложно, и вы пишете модуль к своей системе учёта (например, к 1С), где прогнозируются закупки.
Таким образом, вы решаете свою основную задачу — вы можете получать алерты о том, что товар нужно докупать в нужные моменты, плюс можете посмотреть состояние склада через неделю нормальных продаж.
Печально, но на этой стадии сейчас находится примерно 90% отечественных розничных и оптовых компаний.
Если все так живут — в чём проблема?
В январе прошлого года у вас внезапно случилась проблема с пустым складом. В день приходило по несколько десятков заказов, но вы не могли отреагировать на них: просто у вас кончились топовые телефоны и планшеты. Вы, конечно, догадывались, что в декабре продаж будет много больше обычного, а в январе ваши поставщики проснутся только около 15-го числа, но не оценили, НАСКОЛЬКО много будет этих продаж.
Потом, в марте, был старт новинки: запускали новый, скажем, майпуд NEW, про который вы знали только то, что он будет очень горяч. Вы прикинули, сколько продавали майпудов прошлого поколения за месяц, купили пару десятков новых — и столкнулись с тем, что новых не хватило, а старые остались лежать на складе ещё на пару месяцев, пришлось даже устраивать акцию, чтобы их продать.
А еще к этому моменту у вас уже больше 1000 наименований планшетов, телефонов и разных аксессуаров, причём от десятка разных поставщиков. В день добавляется по 10 новых наименований товара в ассортиментную матрицу, и уходит 2-3 продукта (в среднем). У вас работает три закупщика, которые постоянно сходят с ума от нагрузки, косячат на нетоповых товарах (одну партию планшетов из Китая вы не можете продать уже полгода) и часто забывают даты отгрузки, что приводит к разрывам и недовольству клиентов. Плюс ваши поставщики не всегда стабильны: кто-то режет вам партию пополам, кто-то задерживает поставку, кто-то застрял с целым контейнером вашей уже оплаченной продукции на таможне и так далее. И по каждой ситуации надо принимать решение.
И к тому же у вас появилась сеть пунктов выдачи и магазинов — и в магазинах тоже понадобилось держать запас товара. Грубо говоря, при N пунктах продаж, задача стала сложнее в N раз – правда, цена локальной ошибки уже ниже в сравнении с ошибкой по главному складу.
В итоге логистика стала просто страшной, и вы решили снять проблему с помощью правильной аналитики. Люди – это хорошо, но есть вещи, которые можно и нужно автоматизировать так, чтобы они работали как часы.
Главная задача
Посидев с бухгалтером над ABC и XYZ-анализами, вы поняли, что руками надо обрабатывать только 20-30 наименований товара, с чем отлично справится один закупщик. Хорошо бы, если бы остальной товар считался автоматом — он не так важен для вашей прибыли, и даже 10% ошибка по прогнозу будет куда лучше и экономичнее, чем труд ещё 5-6 человек. В конце концов, вы ведь планируете расширять свою розничную сеть и увеличивать ассортимент, поэтому автоматика вам нужна совершенно точно.
Вторая задача — чтобы система сама предсказывала спрос не только с учётом линейной скорости продаж, но и учитывая сезонные колебания, праздники и так далее.
Третья задача — запуск новых товаров должен быть понятным по закупкам: хорошо бы закупщик мог указать для товара аналог из истории, чтобы система понимала, как это будет продаваться. Например, четвёртый майфун может иметь пик в начале и дальше продолжить график продаж третьего майфуна.
Четвёртый вопрос — вам нужно понимать, как маркетинговые акции будут влиять на продажи, чтобы планировать закупки с их учётом. И заодно — строить сценарии, позволяющие оценить, какой товар стоит продавать по акции, а какой — нет.
И пятый вопрос — вывод из ассортимента товаров, которые пользуются всё меньшим спросом, например, тех же вторых майфунов, которые ваша старая система продолжает закупать на автомате пачками, невзирая на выход уже четвёртого.
IT-решение
Вы перебираете кучу решений, а потом приходите на тест-драйв к нам в КРОК, смотрите, как работает система оптимизации цепочек поставок, задаёте кучу вопросов по своему ассортименту и понимаете, что все проблемы, в общем-то, уже решили умные люди
На секунду вы представляете себе, что это уже стоит у вас — и испытываете блаженное чувство того, что всё под контролем, работает как часы и не косячит. Правда, хмурый взгляд руководителя IT-департамента вырывает вас из этого сна: дело в том, что, во-первых, он только что узнал ценник на внедрение и лицензию, а, во-вторых, внезапно понял, что привычная 1С или что-там-ещё будет каким-то образом взаимодействовать с новой системой.
Реальность такова, что у вас есть настроенная 1С, штат людей, работающей с ней, плюс вам очень-очень некомфортно менять то, что худо-бедно, но работает. С другой стороны, вам обещают окупаемость проекта за полгода и такое умное прогнозирование спроса и такую грамотную логистику, что вы будете экономить до 20% средств и точно знать, на что уйдет каждая копейка — а от этого аж дыхание захватывает.
И за два месяца, ещё пару раз наступив на свои стандартные грабли, вы решаетесь на переход. Производителей такого софта несколько. Ниже я разберу, как это сделано, на примере решения от JDA.
Итак, как все происходит
1. Вы выгружаете все данные о товарах из своей учётной системы — например, в JDA есть возможность автоматически загружать каталог продуктов из вашей ERP-системы, например из 1С.
2. Модуль прогнозирования анализирует каждый из ваших товаров и делает прогноз спроса по нему. В те промежутки времени, когда товара на складе было 0, график должен восстанавливаться — нам ведь важно, сколько мы могли бы продать товара в прошлом, если бы он был, а не сколько продали по факту.
3. Затем для каждого товара экспертной системой строится график продаж, учитывающий все возможные колебания и факторы, забитые в систему. На уровне пользователя это очень просто: есть несколько основных сценариев продажи товара: например, важный для потребления товар (типа хлеба), сезонный товар (типа зонтов), быстро устаревающий товар (майфун-4), товар с рваным графиком продаж (золотой майпуд с бриллиантовой инкрустацией, который продаётся по 5-6 штук в год). Товар может быть желанным с запуска – или же постепенно раскручиваться по мере продаж. Всё это может рассчитываться автоматом или же редактироваться руками. Вы можете посмотреть, что система думает про ваш товар и оценить, насколько точно подобран профиль.
4. Для каждого товара также строятся точки нетипичной активности: например, если график в целом ровный, но где-то есть выброс, это может быть либо маркетинговая акция (и тогда нужно показать системе, что она была), либо мелкооптовый заказ через розничный магазин, либо, наоборот, система полагает, что где-то можно было продать товара больше — и стоит вспомнить, не вылетали ли вы из топа Яндекса в тот момент, например.
5. После такой обработки все ваши тысячи товаров получают профиль продаж. Система показывает вам, какой товар сезонный, какой уже устаревает и готов выйти из оборота, какой нужно закупить побольше и так далее.
6. Для товаров, которые продаются парами (планшет-обложка, фонарик-батарейки и так далее) нужно построить собственные учётные единицы. Кроме того, если вы знаете связанные товары (например, треть купивших майфун через месяц покупает зарядку с автомобильным адаптером), взаимодействия тоже можно завести в системе. Автоматом такие вещи пока не строятся — настраивать профили — работа закупщика.
7. Система для каждого товара оперирует понятием единицы прогнозирования DFU (Demand Forecasting Unit). Тут очень важный момент: DFU – это не просто номенклатурная единица типа майфуна, а связка из единицы и места, где она находится. Например, майфун в Москве может оказаться товаром группы А с профилем нового и «горячего», а на Чукотке – плохо продающимся товаром группы С, легко заменяемым на обычный телефон марки «кирпич».
8. После этого в систему выгружаются данные о фактических продажах относительно прогноза — и система учится, сопоставляя разницу в прогнозе и реальной ситуации. При этом для каждого нового прогноза строится вот такой график:
По вертикали — ошибка прогноза, по горизонтали — значимость товара в обороте.
В нём можно выделить 4 основных зоны:
- Низкий оборот и низкая ошибка: сюда попадёт 70% товаров, которые раньше надо было бы обработать руками. Просто не трогаем.
- Низкий оборот и высокая ошибка: это то, чем стоит заняться, если есть время.
- Высокий оборот и низкая ошибка: можно не трогать, но как минимум просмотреть стоит.
- Высокий оборот и высокая ошибка: здесь обычно реально несколько единиц товара, на которые стоит обратить особое внимание: по ним либо есть серьёзные новые тенденции, либо проблемы с поставками, либо что-то ещё. В любом случае — точно обрабатывать руками.
После того как закупщик или специалист по товародвижению (в зависимости от назначения прогноза) наиграется прогнозами, можно построить пару сценариев, например, задать ситуацию, что в следующем месяце вы снова будете продавать майфуны со скидкой 20% как делали это в прошлом году. Система спроецирует данные акции прошлого года на прогноз — и вы будете знать, сколько и чего закупать. Что приятно, кстати, акции можно делать по бренду — например, по всем обложкам: система посчитает сколько каждой из обложек нужно купить.
9. В итоге получается прогноз продаж, который на 95% состоит из автоматически сгенерированных данных, и на 5% — из данных, откорректированных пользователем в соответствии с политикой партии и своим жоп-филингом.
Обратите внимание: этот график можно сравнить с реальными продажами за прошлый период: это поможет понять насколько точны прогнозы.
Этот прогноз можно показать руководству в сравнении с данными системы (вот тут она думает, что продаст 100 штук планшетов с Hello Kitty, но поставщик запустил рекламу по ТВ, поэтому я считаю, что нужно по 120 штук).
А дальше?
Конечно, это круто, но если вы думаете, что, получив такой прогноз, вы решили задачу, то не спешите радоваться. Дело вот в чём:
- Поставщик предлагает вам купить вместо 500 майпудов контейнер на 2000 штук, но в полтора раза дешевле. Будет ли это выгодно с учётом складского хранения? А если ещё и запустить одновременно акцию со скидкой — как тогда?
- Система говорит, что нужно заказывать по 40 планшетов на одну из точек раз в неделю. Проблема в том, что возят туда минимум раз в две недели, и партиями не меньше ящика в 200 штук — что делать?
- Китайцы предлагают завозить планшеты напрямую в ваше представительство во Владивостоке — это действительно удобнее и дешевле, вот только брать надо контейнером: с одной стороны, отличная экономия на доставке — с другой, непонятно что с хранением, успеет ли планшет устареть за время продаж и так далее.
- Вы уже отправили РЖД два контейнера продукции в Екатеринбург, а там внезапно закрылся ваш конкурент, и спрос очень сильно вырос. Сколько нужно отправлять следующий раз и когда, с учётом этих вот двух контейнеров?
- Ваш менеджер говорит, что есть подозрение, что листовки лучше печатать на местах, нежели развозить по всей стране — и лаг меньше, и по затратам получается проще. Надо считать.
- Другой менеджер утверждает, что самолётом иногда груз отправлять выгоднее, чем поездом: хоть он и дороже, зато вовремя доставленные товары раскупают, что увеличивает прибыль. Снова нужно считать.
Раньше вы такие ситуации обрабатывали как исключения руками, но с ростом вашего бизнеса они и российские реалии всё больше и больше дают о себе знать. И поэтому вам нужен следующий кусок системы — управление логистикой (в рассматриваемом решении — это дополнительный модуль), умеющее обрабатывать данные модуля прогнозирования и делать так, чтобы в нужное время нужный товар был в нужном месте. Если тема интересна, то про это — в следующем топике.
Резюме
Экспертная система прогнозирования спроса обычно даёт вот что (это бенчмарк той же JDA):
- Точность прогноза растёт на 15-20%.
- Серьёзно снижается трудоёмкость процесса.
- Складские запасы уменьшаются на 10-15%.
- Уровень обслуживания (доступность товара) растёт на 5-10%.
- Уменьшается количество ошибок, вызванных человеческим фактором.
Примерно такой результат можно получить, если использовать некую подобную систему. Выше мы посмотрели на JDA, есть и другие вендоры, которые предлагают аналогичные решения: что именно подойдёт именно вашей компании – решать вам.
По вопросам конкретных внедрений можно писать на следующие адреса:
- Александр Ефимов, руководитель практики Data Mining, Alexander.Efimov@croc.ru — если нужно понять, как это может работать или хочется тест-драйв.
- Алексей Исаев, руководитель направления SCM, AlIsaev@croc.ru — если нужно посчитать сколько стоит и когда будет внедрено, например.
