Автоматизация управления величиной запасов в рознице

Эффективное управление в рознице предполагает не только точный расчет запасов продукции для торговых точек. Важно также прогнозировать продажи и операции по доставке и распределению продукции. Для продуктов питания эта задача — первостепенная. Ее решение обычно ассоциируется со сложными аналитическими моделями управления предприятием в системах планирования ресурсов предприятия класса ERP или новейшими информационными технологиями обработки данных. Однако такие модели не всегда работают на практике, да и небольшим торгово-промышленным компаниям не нужна сложная модель. Простая и легкая для понимания аналитическая модель, если ее правильно построить, позволяет реагировать на изменение спроса и принимать решения в режиме реального времени. Как выстроить такую модель на практике, рассказывает Валерий Разгуляев, управляющий информацией компании «ВкусВилл/Избенка».

Все торгово-производственные компании имеют запасы. И с ними всегда возникает двойственная ситуация: хотелось бы сделать так, «чтобы у нас всегда все было, и нам за это ничего не было». С одной стороны, речь идет о дефиците, когда каких-то запасов не хватает, с другой — о неликвидах, замороженных в них деньгах и потерях на их хранение, а также потерях из-за списаний по срокам годности. Для компании, торгующей продуктами для здорового питания, а значит, без добавления в них вредной химии, критично именно второе. Это связано с короткими сроками годности натуральной продукции, которые всегда «наказывают» за любую ошибку с излишним запасом.

Вместе с ростом сети, а мы растем минимум в два раза за год уже в течение шести лет подряд, возникает необходимость ежедневно принимать большое количество решений о поставке продукции. В настоящее время, например, каждую ночь нужно принять более 100 000 решений о допоставке определенного товара в определенный магазин. Причем сделать это надо в очень сжатый период времени, равный примерно часу, чтобы на основании таких решений и соответствующих данных можно было успеть еще и собрать нужный товар и доставить его в магазины. В таких условиях при отсутствии автоматизации возникает необходимость содержать огромный штат расчетчиков, которые будут принимать данные решения.

Разработали алгоритм принятия решений по формированию заказов

В июле этого года суммарные списания превысили 8% от выручки, в результате было решено реализовать проект по их снижению. Больше половины вклада в приведенный показатель давали списания по срокам и продажам со скидкой товаров с истекающим сроком годности. В обоих случаях причиной списаний оказались:

1) большие кванты поставки;

2) плохая ротация у поставщика, на складе или торговой точке;

3) пересортица продукции при поставке на торговую точку;

4) излишний заказ продукции.

И если на первые три пункта можно было влиять административными мерами, то изменить ситуацию по четвертому можно было только полным отказом от ручной работы расчетчиков в принятии решений, но для этого нужен был алгоритм принятия решений, который делал бы эту работу не хуже человека.

С этой целью вначале был автоматизирован первичный расчет и составление отчета обо всех ручных изменениях, проводимых расчетчиками, после чего стали разбирать различные варианты влияния этих изменений на итоговый результат:

• если расчетчик увеличил поставку и она оказалась лишней, ему показывали такой результат и просили так больше не делать;

• если расчетчик уменьшил поставку и в итоге товара не хватило, ему также это показывали и просили так больше не делать;

• в других случаях мы спрашивали, почему расчетчик поступил тем или иным образом, и выявили логику, которую смогли зашить затем в новый алгоритм.

Первоначально была поставлена задача — достигнуть майских показателей по списаниям, что и получилось сделать уже в октябре.

После чего поступила задача дополнительно снизить еще долю списаний, и, как видно из табл. 1, это тоже удалось в ноябре.

Плана проекта, по сути, не было, мы постоянно занимались анализом причин, приводящих к списаниям, и поиском решений, чтобы эти причины убрать.

Такая оперативная аналитическая работа проходила в режиме реального времени.

А началось все с анализа в различных, более подробных, разрезах этих списаний, общения с людьми, которые могут и, по-хорошему, должны влиять на долю этих списаний.

Далее разработали и внедрили необходимую отчетность, создали дополнительные инструменты управления, автоматизации расчета заказов.

Наконец, настроили эти инструменты для их большей эффективности.

Доля списаний в выручке за период с июля по ноябрь 2015 г., % (таблица 1)

Виды списания	Июль	Август	Cентябрь	Октябрь	Ноябрь
Потеря	0,8	0,5	0,4	0,6	0,6
Скидка	3,4	3,4	2,8	1,8	1,7
Бой	0,4	0,5	0,6	0,7	0,7
Дегустация	1,1	0,8	0,6	0,5	0,5
Срок годности	0,7	0,6	0,4	0,3	0,4
Качество	1,7	1,3	1,0	1,1	0,7
Сумма	8,1	7,2	5,8	5,0	4,6

Для прогнозирования и планирования продаж и операций выбрали самую простую модель

Затем перешли к прогнозированию и планированию возможных продаж и операций. Нужно было рассмотреть поставки с распределительных складов в магазины и на распределительные склады от поставщиков, учет их ограничений по производительности, кванту упаковки, минимально отгружаемому количеству. При этом нужно было найти решение для:

• автоматического распределения товаров по точкам;

• автоматизированного формирования заказа.

Было предложено изменение алгоритма расчета распределения и заказов и дано техническое описание алгоритма на основании анализа.

В данном случае изменение алгоритма расчета распределения товара по товарным точкам (магазинам) и заказов стало самым оптимальным решением.

Для выбора метода прогнозирования попробовали все: и тренд-сезонную модель, и нейронные сети, и скользящие средние с различными параметрами, и авторегрессию. А выбрали самую простую модель. Прежде всего потому, что при проверке (результаты проб) всех известных моделей показатели ошибки были всегда больше, чем у выбранной в итоге модели.

Кроме очевидного главного показателя — качества прогнозирования, в простой модели прогнозирования подкупает еще то, что в ней меньше возможностей для неправильной отработки алгоритма из-за некорректных данных или настроек.

Именно поэтому и остановились на самом простом, но дающем хороший результат алгоритме. Модельные расчеты строятся следующим образом:

• за основу берутся данные базового периода в три недели из самого недавнего прошлого, когда все было спокойно;

• на этих же данных, кроме базового уровня продаж, рассчитывается и внутринедельная «сезонность», то есть коэффициенты увеличения и снижения продаж, характерные для каждого дня недели;

• по прошлогодним данным учитываем праздники, переносы выходных и религиозных постов исходя из того, как менялись продажи прошлые годы;

• закладываем плановый рост и снижение продаж на начало и окончание акции или в связи с открытием или закрытием рядом другой нашей торговой точки.

Фактические данные в каждом магазине вносятся автоматически, как и продажи по контрольно-кассовому аппарату, а со всех магазинов они попадают на сервер. Сравнение факта с планом проводили по конечным остаткам — если они нулевые, значит, план был ниже факта, если они больше, чем в коробке, значит, план был выше факта.

При 70% точности прогнозирования оставшаяся ошибка составила 30% — по сути, «белый шум». Это очень хороший результат.

Поясним, «белый шум» — общеизвестное понятие из физики сигналов. Дело в том, что при передаче любой сигнал зашумляется и требует очистки. Причем такой шум принято характеризовать каким-то «цветом», а «белым» называют шум, одинаковый на всех частотах рассматриваемого диапазона, это означает, что его уже очистить нельзя.

По сути, прогнозирование является попыткой найти такой сигнал в прошлом, который бы давал информацию о будущем. Тогда «белый шум» является полностью случайной величиной, которую убрать никак нельзя. Иначе говоря, приходится работать в условиях, когда факт отличается от прогноза в среднем на 30%, и прогнозную модель уже нельзя улучшить, чтобы ошибка стала меньше.

Тотальная автоматизация была проведена:

• с проверкой людьми результатов «глазами»;

• с доавтоматизацией всего, что они правят руками, причем сторонней компанией.

И такой подход по факту оказался правильным!

Новая логика распределения товаров по торговым точкам и автоматизация заказов в каждой из них

Автоматическое распределение товаров по магазинам произвели на основе знания текущих остатков и продаж в любой точке сети в любой момент с помощью аналога функции «НАИБОЛЬШИЙ» из Excel (см. табл. 2).

Классический подход к распределению обычно использует значение средних продаж для определения необходимой последовательности удовлетворения магазинов товаром. Однако при общении с расчетчиками, которые своими ручными исправлениями отклонялись от сделанного первичного автоматического распределения и улучшали ситуацию, мы нашли другую логику распределения, которую и зашили в новый алгоритм.

Логика классического метода такова. Вначале нужно прибавить квант очередной коробки, распределить ее к остатку каждой точки и разделить на ее же средние продажи. Затем отдать данную коробку на точку, где полученное значение будет меньше всего.

Новая же логика ищет количество дней продаж, когда эту дополнительную коробку вместе с уже имеющимся запасом можно продать, чтобы отдать ее на ту торговую точку, где она будет с наибольшей вероятностью использована. Например, в табл. 2 торговая точка № 3, несмотря на самые высокие средние продажи за день, никогда не продавала две коробки, квант которых равен 10 штукам. То есть отправить туда две коробки — значит почти со 100%-й вероятностью получить переходящий остаток на следующий день.

Сравнение классического и нашего нового методов приведено в табл. 3. Она составлена на базе табл. 2 с учетом нулевых остатков на всех торговых точках и приходом очередной коробки квантом в десять штук, которую нужно куда-то распределить.

Автоматическое распределение товаров по магазинам (таблица 2)

Точки	Продажи по дням									Средняя ­продажа за день
№ 1	10	20	5	10	30	3	20	5	10	12,6
№ 2	10	11	10	20	11	15	10	10	12	12,1
№ 3	10	15	12	15	15	13	15	15	13	13,7

Из данных табл. 3 видно, что в зонах заведомого дефицита и заведомых излишков товара оба алгоритма дают одинаковый результат. Но обычно компании, и наша в том числе, стараются работать между этими зонами, которые всегда хуже, чем ситуация в рабочей зоне. И вот в ней-то мы видим серьезные отличия между классическим и новым алгоритмами, которые отмечены серым фоном!

Для формирования автоматического заказа мы вывели следующую формулу:

где R — ожидаемый расход всех магазинов;

D — дней до поставки;

P — дней до следующей поставки;

К — квант поставки;

М — количество магазинов;

Vⁱ — i-тое наибольшее ожидаемого расхода по магазинам;

S — текущий остаток вместе с уже заказанной продукцией;

G — срок годности.

Все параметры для формулы установили исходя из здравого смысла. Чтобы прийти к такой формуле, начали с ежедневно поставляемых позиций с достаточным сроком годности. Взяли первое слагаемое ΣVⁱ — то, что должно лежать на утро в магазинах после ночной поставки, которую мы сейчас рассчитываем и будем заказывать. И сразу же стали вычитать из данного необходимого количества то, что должно будет остаться к этому моменту с вечера предыдущего дня — функция максимума между нулем — когда ничего не осталось, и текущими остатками, в том числе в пути, за минусом расхода до прихода заказываемой сейчас поставки — когда что-то остается.

После заметили, что товара не хватает, и обнаружили причину — в магазинах остается лишний товар из-за его поставок в коробках большой величины, в среднем остаток составляет примерно половину такой коробки. Умножили это значение на количество магазинов и получили еще одно слагаемое в формуле.

Формула заработала, и мы прибавили к этому значению другое слагаемое — ΣR — расход до следующей поставки товаров, привозимых в магазины не каждый день. При этом выяснилось, что иногда товаров заказывается на срок больший, чем срок годности товара, и внесли это ограничение в систему в виде последней суммы ΣR — расхода на срок годности, и минимума между всем предыдущим расчетом и этим значением, чтобы все, что приедет, уж точно было бы израсходовано.

Сравнение классического и нового методов распределения товаров по торговым точкам (таблица 3)

Реализация проекта позволила в два раза снизить списания

Отчет о ручных изменениях две недели назад показал, что таковых не было, и в них больше нет необходимости. Иными словами, все прошло полностью автоматически, и расчетчики согласились с расчетами машины. В результате этих и других мероприятий за четыре месяца удалось почти в два раза снизить списания (см. табл. 1).

Качество прогнозирования спроса достигло 70%.

Планирование продаж и операций для 950 товаров, поставляемых ежедневно от 160 поставщиков через два распределительных центра на 380 торговых точек, за один час ночью осуществляется десятью сотрудниками. При этом:

• дефицит составил 5%;

• уровень сервиса — 95%;

• излишки — 2,5%, в том числе:

  — списания по сроку годности — меньше 1%;

  — продажа за полцены и подарки — все остальное.

Неликвиды свели к нулю.

Проект начался в августе и фактически за четыре месяца был осуществлен.

Для достижения таких результатов в короткие сроки был сформирован комитет по снижению списаний, который собирался различными составами по мере необходимости в разное время. Где-то к середине проекта четко вырисовались три отдельных направления деятельности:

• расчет заказа;

• работа с территориальными управляющими и их помощниками;

• работа с продуктами.

Ответственные по каждому из направлений теперь встречаются еженедельно для обсуждения результатов принятых решений, разбора новых ситуаций и выработки новых решений по каждому из этих блоков отдельно.

Изначально же по данному проекту была сформирована команда из следующих специалистов: категорийного менеджера, управляющего расчетом заказов, внештатных программистов, руководителя аналитического отдела, системного архитектора и территориальных управляющих. На начальном этапе и ежемесячно на подведении итогов к нам присоединяется генеральный директор.

Результаты влияния последнего «кризиса»

Рост выручки в сети к прошлому году составляет +97%. Это стало возможным благодаря тому, что компания активно занимает освобождающиеся торговые площади. Сейчас много предложений по аренде на рынке, а у нас есть проверенная на практике методика оценки каждого торгового места, подходит оно нам или нет. Все предложения отрабатываются специалистами управления развития.

При этом не забываем снижать затраты на:

• аренду уже существующих мест;

• доставку продукции;

• офис.

Мы постоянно смотрим на динамику всех затрат. Со статьями затрат, имеющими большие значения, работаем постоянно, а когда статьи затрат с меньшими значениями приобретают негативную динамику к росту, обращаем на них внимание. В таком случае запускается проект по снижению конкретного вида затрат с назначением ответственного — конкретного сотрудника, который отчитывается о достигнутых результатах в ходе выполнения проекта, а также по его итогам. Затем принимаются дальнейшие решения. Все виды затрат в компании распределены между ответственными сотрудниками.

По снижению списаний важной вехой в ближайшем будущем должно стать фотографирование всех списаний в магазинах и отправка таких фотографий вместе с данными о списаниях в офис.

Управлению расчетом заказов предстоит настройка оптимальных уровней удовлетворения спроса остатками по каждому товару. Сейчас работа проведена только точечно по ситуациям явных потерь от большего дефицита или большего запаса.

К сведению

«Избенка» была построена в 2009 г., а в июне 2012 г. по просьбе покупателей расширили ассортимент и запустили магазины «ВкусВилл» с расширенной линейкой продуктов, где сохранили все лучшее, чего добились в «Избенке».

Главная цель проекта — предложить покупателям натуральные продукты для здорового питания. При выборе продуктового ассортимента остановились на таких важных моментах: сбалансированное и разнообразное питание, а также качественные и натуральные продукты при приемлемых ценах.

Четыре года назад число магазинов «Избенка» решили удвоить, однако через несколько месяцев все новые магазины были закрыты. Розничное управление заточено в первую очередь на размер выручки, количество покупателей. И самые сильные человеческие ресурсы этого управления распределяются среди самых эффективных магазинов. При такой системе работы новый магазин раскручивали продавцы. Результатов это не дало, и убыточные магазины закрыли.

Пересмотрев подход к открытию новых точек, приняли решение передать это дело в руки управления развития. В КПЭ этому управлению был добавлен показатель средней выручки магазина, что сразу сняло много проблем. Если раньше специалистам данного управления нужно было только найти подходящую площадь, заключить договор и сдать магазин розничному управлению, то теперь новый магазин передавался розничному подразделению только в том случае, если достигал минимального показателя по количеству покупателей. Для «Избенки» 250 покупателей в день — это хороший результат. Для магазинов «ВкусВилл» этот показатель выше в два-три раза.

Команда продавцов-«гастролеров» из управления развития открывают новый магазин, делают его эффективным, передают рознице и уезжают открывать новый магазин. Мотивация этих продавцов не зависит от выручки, основная цель — привлечь новых покупателей.

Со временем утвердили новый формат открытия магазинов. Схему работы новых магазинов отточили на «Избенках» и полностью перенесли на магазины «ВкусВилл». В результате — всего один закрытый «ВкусВилл» из 90 работающих. «Избенок» же закрыли ровно половину: за шесть с половиной лет работы из 600 открытых сейчас работают только 300. Сейчас новые магазины выходят на текущую окупаемость за две-четыре недели.