Система оптимизации запасов и автозаказов на основе математического моделирования

Функция управления запасами по сути выполняет одну задачу – обеспечение высокой оборачиваемости товара в рамках ограничений, которые накладывает внутренняя (ресурсы компании, бизнес-процессы) и внешняя (рынок, государство, конкуренты) среда. Из-за того что компания работает в условиях неопределенности, для решения этой задачи приходится балансировать между высокими издержками на содержание запасов и потерями от неудовлетворенного спроса. Здесь становится понятно, что для эффективного выполнения этой задачи современному бизнесу выгодно использовать статистические модели прогнозирования спроса. Это позволяет в каждый момент времени определять оптимальный уровень запасов и планировать снабжение компании исходя из поведения клиентов. Небольшие компании могут выполнять эти задачи с помощью привычных инструментов на базе MS Excel и собственных инструментов, но чем более масштабной становится компания, чем больше ее география и шире ассортимент товаров, тем сложнее правильно смоделировать процесс снабжения. Поэтому сегодня существует целый класс корпоративных систем управления запасами и заказами.

Для ритейлеров характерны некоторые особенности в управлении запасами. Поскольку они находятся к потребителю ближе всех участников цепи поставок, они больше других подвержены колебанию спроса, он отражается на них ранее всех, но в этом есть и обратная сторона – у коммерческих компаний есть больше возможностей для сбора данных о клиенте. А чем больше данных, тем точнее можно прогнозировать поведение покупателей.

Итак, что же компания получает при внедрении системы управления запасами и планирования заказов? По сути, это автоматизация, поэтому преимущества достаточно понятны: 

1. увеличение точности и скорости прогнозирования;
2. оптимизация уровня товарных запасов, следовательно, издержек от перезапаса и упущенной прибыли, управление рисками в поставках;
3. эффективное управление заказами – возможность автоматического планирования заказов и передачи заказов поставщикам;
4. оптимизация портфеля продукции.

Процесс работы системы выглядит следующим образом.

Происходит регулярный сбор данных о продажах компании, и на их основе с помощью статистических методов прогнозируется спрос на горизонт планирования. Как правило, горизонт планирования определяется динамикой продаж и поставок – чем они регулярнее, тем на меньший срок можно прогнозировать. После получения прогноза анализируются условия поставок, текущее состояние запасов, данные о поставщике, планируется загрузка логистической инфраструктуры и формируется план поставок. На основании плана поставок и статистики выполнения заказов формируется план заказов для поставщиков, и в нужный момент им отправляются заявки.

При внедрении системы управления запасами необходимо делать упор на максимальную автоматизацию процессов

В идеальной ситуации данный процесс происходит без обязательного участия человека, менеджер по управлению запасами оставляет за собой только функцию контроля и разрешения внештатных ситуаций. Но для этого необходимо выполнить ряд важных требований:

1. для системы управления запасами обеспечены полнота и корректность всех данных, используемых для расчетов;
2. ИТ-инфраструктура обеспечивает стабильность и защищенность передачи информации между ИТ-системами компании, а также обмена данными с поставщиками товаров;
3. в системе задействованы статистические модели с достаточным уровнем точности прогноза. Для этого можно использовать несколько моделей и осуществлять управление заказами, которое лучше отвечает сегодняшнему поведению клиентов.

Чем больше внимания уделено этим факторам, тем выше степень автоматизации, которая доступна компании.

Процесс внедрения такой системы – нетривиальная задача, и может потребовать от бизнеса серьезных ресурсов, а также гибкости в отношении изменений. Сроки внедрения зависят от технологий, моделей прогнозирования, состояния ИТ-инфраструктуры компании, но в среднем занимают от полугода до полутора лет. Стандартный процесс внедрения системы происходит в несколько этапов:

1. выбор подрядчиков, которые осуществляют внедрение системы в компанию, формирование проектной команды;
2. утверждение бизнес-требований и дизайна системы и информационных потоков. Данный этап – самый важный, и ошибки, совершенные в этот период, будут иметь самые серьезные негативные последствия для бизнеса;
3. развертка системы, интеграция с другими системными решениями компании;
4. пилотный тест на небольшом участке, например, на одной торговой точке или группе товаров. На этом этапе проводится первая реальная проверка эффективности и получение первых результатов, а также определяются необходимые коррекции. Проблемы, не продуманные в пункте 2, зачастую всплывают здесь, и на их исправление приходится тратить много времени и ресурсов, а иногда даже формировать отдельный проект по их устранению; 
5. протестированное решение масштабируется на всю сеть.

При внедрении системы необходимо делать упор на максимальную автоматизацию процессов, а это возможно только тогда, когда процессы стандартизированы. Поэтому представляется разумным провести аудит внутренних процессов перед внедрением системы. Такой подход позволит добиться большего эффекта от внедрения системы управления запасами и заказами при меньших рисках и затратах ресурсов.

Как нам уже стало понятно, в процессе эффективного управления запасами и заказами ключевую роль играют наличие, безопасность и эффективное использование данных. Сегодня мы видим, что современные технологии меняют привычные методы работы с информацией, а следовательно, и методы управления запасами. Все больше компаний понимают и используют потенциал машинного обучения, технологий больших данных, блокчейна и других современных технологических разработок. И технологии машинного обучения (ML) больше других влияют на системы управления запасами. Они позволяют находить закономерности между логически слабо связанными параметрами и адаптировать алгоритмы под изменяющиеся условия рынка, а значит – имеют большой потенциал в прогнозировании на временных рядах.

Системы на основе ML способны как решать классические задачи прогнозирования временных рядов, так и находить более сложные закономерности, например, спрогнозировать увеличение сроков поставки исходя из данных о погоде в регионе или скорректировать данные о спросе исходя из динамики цен на сырье. Возможны и более сложные зависимости, например, при долгосрочном прогнозировании системы на основе ML могут спрогнозировать увеличение спроса на товар исходя из данных о погоде путем прогнозирования роста цен на сырье. Такие косвенные зависимости сложно даются человеку, но нейросети не опираются на логику, а только оценивают статистические связи разных параметров. Все зависит от количества и качества данных, а также архитектуры системы и качества ее обучения. Передовые алгоритмы могут учитывать десятки параметров и искать корреляции там, где человеческий мозг просто не может их найти. Таким образом, при наличии достаточных вычислительных мощностей и данных менеджер по управлению запасами может ежедневно прогнозировать влияние десятков параметров на каждый SKU на конкретных складах или на полках конкретных магазинов.

Особенно актуально использование ML в особых категориях товаров, таких как скоропортящиеся продукты, где система может планировать поставки с дополнительными параметрами, например, издержками на утилизацию просроченных товаров и упущенной прибылью от уценок.

При качественном проектировании и настройке системы количество точек воздействия человека при принятии решений сокращается, поскольку экспертным путем трудно оценить критерии, по которым система принимает решения о заказах. Вмешательство людей на операционном уровне работы редко оправданно. Поэтому при работе с такими системами люди находят применение не на операционном, а на тактико-стратегическом уровне. Система может согласовать планирование заказов со стратегическими целями компании и ключевыми показателями эффективности (КПЭ). Например, если для укрепления бренда в определенной географической зоне компания больше заботится об объемах продаж, чем об издержках на содержание запаса, алгоритм соответствующим образом скорректирует решения. Он также может работать на улучшение нескольких показателей одновременно. Таким образом значительно сокращается объем «ручной работы» в системе, но расширяется функциональность.

Системы на основе ML способны как решать классические задачи прогнозирования временных рядов, так и находить более сложные закономерности

В качестве другого примера расширения функционала системы управления заказа можно рассмотреть влияние управления запасами на ценообразование. Становится возможным детально анализировать взаимосвязи цены и спроса и эффективно использовать цену как дополнительный инструмент управления запасами. Например, если небольшое снижение цены приведет к значительному увеличению объема продаж, система будет рекомендовать большее количество заказов и изменение цены, что позволит увеличить выручку. Или наоборот, если снижение цены не повлияет на спрос слишком сильно, система учтет это в планировании заказов и даст рекомендации по оптимальному уровню цен и запасов, чтобы свести к минимуму потери из-за уценки товаров. Такие алгоритмы позволяют значительно увеличить рентабельность коммерческих компаний.

Однако не следует думать, что для внедрения передовых технологий в логистику конкретной компании обязательно полное перестроение принципов работы и радикальные изменения в ИТ-инфраструктуре. Сегодня существуют облачные SaaS-сервисы, которые позволяют вынести часть задач из вашей корпоративной системы на облачный сервис с использованием методов ML, что позволяет сделать планирование более гибким и функциональным, но без серьезных затрат времени и ресурсов. Такие сервисы приближают повсеместное использование ML-алгоритмов в планировании логистики.

***

В заключение следует отметить, что не следует считать систему управления заказами панацеей от всех бед. Технологии меняют наш образ деятельности, и в первую очередь необходимо адаптировать саму компанию – т. е. людей, которые в ней работают, и бизнес-процессы, на основании которых они взаимодействуют. Кроме того, необходимо будет пересмотреть и методы взаимодействия с контрагентами, документооборот, а возможно, даже процессы других участников цепи поставок. Все это позволит компании значительно повысить свою эффективность и приобрести новые конкурентные преимущества на рынке.