- PVSM.RU - https://www.pvsm.ru -
Я уже писал [1] 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:
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.
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.
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.
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.
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:
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).
Конечно, это круто, но если вы думаете, что, получив такой прогноз, вы решили задачу, то не спешите радоваться. Дело вот в чём:
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.
Экспертная система прогнозирования спроса обычно даёт вот что (это бенчмарк той же JDA):
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.
Автор: Alefima
Источник [2]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/analiz-danny-h/21959
Ссылки в тексте:
[1] писал : http://habrahabr.ru/company/croc/blog/145385/
[2] Источник: http://habrahabr.ru/post/161589/
Нажмите здесь для печати.