ОГРОМНЫЙ ПЛЮС АВТОМАТИЗАЦИИ В ТОМ, ЧТО ОНА ОСВОБОЖДАЕТ ОТ РУТИНЫ. ИМЕННО РУТИННЫЕ, ОДИНАКОВЫЕ, БЕССМЫСЛЕННЫЕ ДЕЙСТВИЯ РАЗДРАЖАЮТ ЭФФЕКТИВНЫХ СОТРУДНИКОВ.
Сейчас трудно представить, как мы работали раньше, а остановка на сутки этой системы просто парализует компанию, наравне с выключением света.
Правило № 35
Так называемый скоропорт (продукты с коротким сроком хранения) – головная боль для любого ретейлера. Именно поэтому крупные торговые сети с таким нежеланием продают их. Ведь нужно правильно рассчитать, сколько необходимо продукции, чтобы, с одной стороны, не списать ее в большом количестве, с другой – не остаться к обеду с пустыми полками.
В июле 2015 года суммарные списания по нашей сети превысили восемь процентов от выручки. Для нас это была колоссальная цифра, которая сильно тянула вниз и негативно сказывалась на эффективности всей компании. Тогда мы занялись детальным анализом списаний.
Больше половины вклада в этот показатель давали списания по сроку и продажи со скидкой товаров с истекающим сроком годности. То есть в обоих случаях причиной являлся излишний заказ продукции. Изменить ситуацию можно было, только полностью отказавшись от участия человека в процессе заказа и распределения товара, но для этого требовался алгоритм, который принимал бы решения не хуже человека.
Для этого мы внедрили первичный автоматический расчет и отчет обо всех ручных корректировках заказа расчетчиками, после чего изучили влияние изменений на итоговый результат:
● если расчетчик увеличил поставку и она оказалась лишней, то мы ему на это указывали и просили так больше не делать;
● если расчетчик уменьшил поставку и в итоге товара не хватило, мы его также корректировали;
● в других случаях мы спрашивали, почему расчетчик поступил таким образом, и выявили логику, которую смогли «зашить» в новый алгоритм.
Автоматический заказ и распределение товара – полностью самописная система, которую мы продолжаем совершенствовать. Ведь когда мы заказываем товар, важно понять, сколько его нужно привезти. А когда распределяем – необходимо отталкиваться от фактического количества привезенного товара, чтобы «раскидать» его по магазинам оптимальным образом.
Автозаказ работает по следующей формуле (рис. 13).
Элементарно, не правда ли?! Понимаем, что гуманитарии, увидев этот набор закорючек, тут же начали медленно плавиться. У автора книги от подобных формул тоже резко повышается температура тела и начинается озноб. Но давайте все же попробуем разобраться, как следует читать и понимать эту формулу.
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.
– Разрабатывая систему автозаказа, мы начали с ежедневно поставляемых позиций с достаточным сроком годности, – объясняет управляющий информацией Валерий Разгуляев. – Взяли первое слагаемое ∑Vi – то, что должно лежать наутро в магазинах после ночной поставки, которую мы сейчас рассчитываем и будем заказывать. И сразу же стали вычитать из этого 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 этого заметили, что не хватает товара, и обнаружили причину – в магазинах лежит лишняя продукция из-за величины коробки. В среднем удавалось продать половину, а другая половина «висела» на остатках магазина. Мы умножили это значение на количество магазинов и получили еще одно слагаемое. Формула заработала, и мы прибавили к этому значению второе слагаемое ∑R – расход до следующей поставки для товаров, которые поставляются не каждый день. Натолкнулись на проблему с тем, что иногда товара заказывается на больший срок, чем срок его годности, и внесли это ограничение в систему в виде последней суммы ∑R.
Для расчета ожидаемого спроса R, одной из переменных формулы автозаказа, мы попробовали все известные модели: тренд-сезонную модель, нейронные сети, скользящие средние с различными параметрами, авторегрессию. Показатели ошибок были всегда больше, чем у выбранной в итоге модели.
Наша простая модель прогнозирования подкупает не только тем, что обеспечивает высокое качество прогнозирования, но и тем, что в ней меньше возможностей для неправильной отработки алгоритма из-за некорректных данных или настроек.
В систему прогнозирования ожидаемого спроса «ВкусВилл» «зашиты» следующие параметры:
● опора на базовый период в три недели из самого недавнего прошлого, когда все было спокойно;
● учет внутринедельной «сезонности»;
● учет праздников, религиозных постов и переносов выходных по аналогии с прошлыми годами;
● плановый рост и снижение продаж;
● расчет дефицита в прошлом с точностью до секунд, так как мы начинаем его отсчитывать от момента пробития последнего чека с товаром, которого после этой секунды уже не было на остатках.
АВТОМАТИЧЕСКИЙ ЗАКАЗ И РАСПРЕДЕЛЕНИЕ ТОВАРА – ПОЛНОСТЬЮ САМОПИСНАЯ СИСТЕМА, КОТОРУЮ МЫ ПРОДОЛЖАЕМ СОВЕРШЕНСТВОВАТЬ.
