Совместное управление запасами (VMI)
Novo BI и Reshape Analytics провели вебинар «Совместное управление запасами (VMI): Эффективное взаимодействие партнеров. Лучшие практики». Павел Синицын, директор по развитию Novo BI, и Мансур Кадимов, основатель и управляющий партнер Reshape Analitics, представили свой опыт по эффективному взаимодействию партнеров в системе интегрированного планирования и рассказали о преодолении возможных препятствий и ограничений при совместном управлении запасами.
Приводим также текстовую версию вебинара
Павел Синицын, Novo BI:
Зачем вендору нужны партнеры? Тем более, зачем они внедряющему вендору, каким является Novo BI: большинство проектов мы внедряем своей командой. Тем не менее место партнера нам понятно, и мы активно развиваем партнерскую сеть. Наши заказчики – крупный и средний бизнес, компании зрелые, с устоявшимся ИТ-ландшафтом. Мы как разработчики приходим и говорим: у вас есть система, у нас есть система, нам нужно как-то подружиться. Иногда этот процесс не прост, с точки зрения получения данных, потому что системы, которые существуют на предприятии, не всегда позволяют однозначно получить объективную картину даже в формате выгрузки. В этом случае партнер как раз может помочь разобраться как с точки зрения ИТ, так и с точки зрения методологической подготовки.
Не всегда есть человек, который готов взять на себя роль менеджера такого проекта, поскольку он требует определенных компетенций, выходящих за рамки прогнозирования, за рамки управления запасами. Это должен быть человек, погруженный в логистику. Такие люди на наших проектах безусловно есть, но не всегда они есть в компаниях, которые хотели бы внедрить подобное решение, улучшить качество своих цепей поставок. Здесь партнер может провести обучение, сформировать команду на стороне заказчика. И забегая вперед, скажу, что наши основные сегменты: FMCG, канцелярские принадлежности, фарма. А консалтинговый партнер может позволить взглянуть на наш продукт и функционал с точки зрения других отраслей, в которых мы не работали: добывающая промышленность, металлопрокат, каталожные продажи.
Что не может человек
Продукт, о котором мы сегодня говорим, это полностью наша разработка. От первого символа в коде и заканчивая результатами, которые мы прогнозируем получить в ходе реализации проекта. Поговорим о том, из каких модулей состоит система Novo Forecast Enterprise.
Я предполагаю, что на вебинаре присутствуют представители разных отраслей. Я поделюсь своим мнением, как мы сформировали портрет компании, которой может быть интересно наше решение. В первую очередь, это компании, у которых широкое количество SKU, широкая номенклатура. Если номенклатура переваливает за 1000 позиций, то достаточно хорошо и качественно анализировать и прогнозировать данные становится сложно. Тот, кто работает с прогнозами, понимает: каждый месяц нам необходимо анализировать временные ряды и понять, что изменилось особенно с учетом тех эффектов, которые мы ощутили весной этого года в период ограничений. Среди факторов, безусловно, это развитая география продаж, потому что каждая новая точка продаж, даже по одной взятой позиции, это новый временной ряд, который необходимо спрогнозировать. Если у вас отгрузки идут, например, на полтора миллиона точек, как у одного из наших клиентов дистрибьютерской компании ALIDI, это уже полтора миллиона временных рядов, по которым нужно построить прогнозы. И, конечно, обширная клиентская сеть, здесь в первую очередь мы обращаемся к производителю. Понятно, что крупные федеральные сети должны прогнозироваться как отдельно взятые клиенты, и наша система позволяет это делать. Региональные сети: их необходимо каким-то образом объединять, или наоборот – не объединять, если это значимый заказчик, пусть пока и небольшой. И по-разному в целом подходить к работе с клиентами. Когда все это накладывается друг на друга, формируется потенциально большой тыл работы для человека, а на самом деле фактически невозможный тыл для человека.
Цифровизация как данность
Сейчас мы проводим тестовый расчет прогнозов на средних предприятиях и видим, что даже без учета факторов, существенно влияющих на планы продаж, обычной математикой мы получаем точность на полгода вперед, похожую или выше, чем те планы, которые сотрудники строили за месяц до даты, зная уже все входные параметры. Понятно, каким образом строятся прогнозы в такой ситуации, с какими допущениями. Эти допущения, дельты, складываются в ошибку, которая и бьет по складам и запасам, приводит к списаниям, к оверстокам, в которых заморожены деньги.
Я регулярно мониторю выдержки и исследования, которые проводят различные компании. В контексте сегодняшней темы интересно рассмотреть два момента: во-первых, это вовлечение поставщиков, во-вторых, улучшение прогнозов. Что это для нас значит? Буквально вчера прочитал статью на РБК: каким образом компаниям необходимо сегодня меняться. Есть 5 блоков, на которые эксперты рекомендуют обращать внимание, и в каждом блоке говорится о диджитализации. На практике рекомендации означают, что нужно внедрять ИТ-системы. Мы на себе прочувствовали, каким образом изменилось отношение заказчиков и скорость принятия решения по проектам: с начала лета мы запустили уже 5 проектов. Поэтому диджитализация, автоматизация процессов, внедрение систем мониторинга, веб-интерфейсов взаимодействия с клиентами-поставщиками – это то, что нужно делать.
Зачем нужен прогноз спроса
От его точности зависит точность всех последующих планов, которые мы строим внутри наших компаний, внутри процесса интегрированного планирования. Это план по ресурсам, план необходимого финобеспечения на производство или закупку товаров. И бюджетирование расходов и доходов, которые вы планируете увидеть. Прибыль компании будет зависеть от точности прогнозов, хорошего управления ресурсами и сервиса для клиентов. Нам с одной стороны необходимо не перетарить склад для обеспечения качественного уровня сервиса, с другой стороны, затарить его минимальными стоками. От планов и прогнозов, от глубины детализации зависит точность прогнозов, которые мы дальше будем иметь по цепочке. В нашей системе при построении планов продаж учитываются различные факторы: всего 33 фактора. Изменение цен, листинги, делистинги, и инауты, блокировки как по клиентам, так и по товарам, либо это могут быть группы клиентов.
У нас есть интересный кейс с заказчиком, производственной дистрибьюторской компанией в Прибалтике. Они грузятся на 4,5 тысячи точек. Мы запускали проект в начале года, потом пришла пандемия, и из этих 4,5 тысяч точек полторы тысячи встали на паузу. Сначала нужно было сделать для них блокировку, но не на все 1,5 тысячи, а в соответствии с теми ограничениями, которые вводились в отдельно взятых странах, так как компания работает по всей Прибалтике. И дальше, когда ограничения снимались, нужно было таким же образом выводить эти точки из блокировки. Функционал нашей системы позволил не только отсечь построение прогнозов, закупку или производство тех товаров, которые не будут проданы, но и позволил накопить историю того, как компания входила в период ограничений и как выходила.
Не для всех сейчас очевидно, каким образом работать с информацией, которая прошла за период активных ограничений: то ли анализировать, то ли выкидывать как непонятную для работы, то ли применять комбинированные методы. В случае с использованием диджитал-инструментов, вы можете видеть изменение спроса, оперативно реагировать и перестраивать модели прогнозирования, учитывать периоды при возможном повторении таких ситуаций: вторая волна или другие кризисы, которые несомненно еще будут.
От интегрированного планирования к совместному
Когда мы внутри своей компании разобрались, что, если какой-то фактор, например, промо не согласован производством, которое обеспечит необходимый объем маркетинга, который согласен провести дополнительные меры, продажи – пока все эти согласования не пройдены, мы не можем перейти к совместному планированию с поставщиками и с клиентами. В нашей системе эта возможность есть: промо можно планировать, например, от уровня производителя, и дальше распространять на дистрибьюторов или отправлять сразу в сеть.
Из каких функциональных блоков состоит система:
- Автоматизация прогнозирования, без которого сегодня никуда.
- Цифровизация процессов совместного планирования: это либо интегрированное планирование внутри компании, либо совместное планирование.
- Объемно-календарное планирование по типу поставок, формирование плана в соответствии с тем какая у вас цель, этого блока я сегодня не коснусь.
Итого, система Novo Forecast Enterprise состоит из блоков: база данных – куда мы забираем информацию из учетных систем, сервер прогнозирования, веб-сервер совместной работы, сервер аналитики.
Процесс прогнозирования в нашей системе полностью автоматизирован. Что мы вкладываем в это понятие: в первую очередь, подготовка данных прогноза, поскольку процесс может быть трудоемким, если делать его вручную. Данные необходимо почистить от статистических всплесков и от разовых крупных событий: тендеры, промо и т.д. Подход такой: либо статистические, либо если есть доподлинно известные факторы и мероприятия, которые прошли в прошлом, мы можем эту информацию прогрузить и при каждом новом цикле прогнозирования исключать, чтобы получать массив данных, очищенных для прогноза.
Дальше происходит анализ временных рядов, анализ групп прогнозирования как по дереву клиентов, так и товаров: два необходимых каталога, чтобы определить тот уровень прогнозирования, на котором получается наилучшая точность. Наша система предполагает максимальную детализацию: с применением технологии временные ряды анализируются, анализируется их тенденция и из более чем 3000 моделей прогноза выбирается лучшая комбинация, которая описывает поведение временного ряда. Затем производится расчет прогнозов с учетом сезонности, трендов, которые были выявлены на исторических данных.
Этот прогноз поступает на сервер совместного планирования, где вы либо внутри своей компании корректируете его на ежедневной основе, либо в этом процессе участвуют поставщики и покупатели, образуя процесс совместного планирования. И все прогнозы, которые строятся в системе, можно проанализировать и понять, почему мы получили такой результат по прошествии периода. Провести детализацию, что мы недостаточно точно спланировали, кто был ответственен за планирование. В системе есть информация о том, кто создал, утвердил прогноз, когда и во сколько это было сделано.
Система подсвечивает возможные риски при планировании факторов и их возникновение по ходу продаж. Есть отдельный блок работы с трейд-маркетингом. Есть дополнительные решения, позволяющие детально погрузиться в работу с активностями – все можно добавлять к базовой линии. В какой-то из групп прогнозирования появляется товарная вилка с новинками – можно прогнозировать их вручную, а можно посмотреть, что получается, если мы распространяем прогноз с уровня подгруппы на эту новинку. В системе есть возможность поддержки автоматизации работы с новинками. Есть возможность распространять прогнозы товаров-заменителей, если они таковыми являются, и у вас есть история продаж по другому товару, который вы уводите из ассортимента.
В системе помимо промо мы можем видеть вклад всех факторов, которые были заведены и согласованы в отдельных столбцах в аналитическом модуле. Можем понимать суммарный вклад факторов в регулярные продажи, которые состоялись бы, если бы мы эти факторы не планировали. Пока мы не занимаемся вопросами оперативного планирования на производстве – это задачи систем класса APS. Но нужно понимать, что наши решения дополняют этот функционал.
Пример внедрения в компании ALIDI
Здесь в полном объеме реализована концепция совместного планирования. У ALIDI порядка 50 контрактов. На текущий момент компания охватывает ЦФО, СЗФО, ЮФО, Урал и практически до Дальнего Востока. Плюс работает в Казахстане и Белоруссии. На момент внедрения нашей системы скачок точности прогноза составил от 40% до 78%, и примерно во столько же сократились избыточные товарные запасы на складах. На текущий момент точность достигает 87% и выше, так как в процессе работы с системой накапливается более точная статистика. В настоящий момент системой Novo Forecast Enterprise. Сроки внедрения в ALIDI составили примерно 5-6 месяцев.
Мансур Кадимов, Reshape Analitics:
Компания Reshape Analitics существует более двух лет. Наша миссия – помогать людям и организациям принимать оптимальные решения на основе данных и продвинутой аналитики. Мы начали сотрудничать с компанией Novo BI, поскольку изучили их решения и поняли, что самим с нуля такие решения реализовать практически невозможно. Логично сотрудничать с вендором, который доказал свой профессионализм. А мы выступаем как консультант, интегратор, который делится своей экспертизой.
Начнем с «Пивной игры»
Ее придумали MIT, цель игры – показать студентам и предпринимателям, как на самом деле функционирует цепь поставок, что в ней происходит, если нет качественной коммуникации. Формируют команды по 4 человека: производитель, дистрибьютор, представитель и ритейлер. Моделируется поток заказов. Потребителем выступает преподаватель или приглашенный специалист. Моделируется поток пива. Применяются ограничения в связи с тем, что заказы не выполняются сразу, а заказы, которые не были отгружены вовремя, суммируются. По итогам сессии, которая состоит из определенного количества ходов, подводятся итоги. За каждый день хранения заказа на складе начисляется одно штрафное очко, за дефицит (за невыполненный вовремя заказ), начисляется в 2 раза больше штрафных очков. Игра называется «Пивной», поскольку раньше в виде «товара» использовались пивные крышки.
В начале ведущий размещает заказы, а затем неожиданно увеличивает или уменьшает спрос. Это приводит к тому, что в цепи поставок формируются колебания, и они с каждым шагом увеличиваются. Игра нагляднее всего демонстрирует эффект бычьего хлыста. Когда вследствие ограниченных коммуникаций малейшее изменение потребительского спроса приводит к тому, что во всей цепи поставок происходит дестабилизация размещаемых заказов, а в итоге падает уровень сервиса, и растут издержки на запасы.
Вроде бы простая модельная ситуация, какое отношения она имеет к реальному поведению? На самом деле, много исследований показывают, как связаны между собой изменения спроса и поставок. Это эффект хлыста: амплитуда хлыста увеличивается по его длине; чем дальше от исходного сигнала, тем больше искажение волновой картины. Впервые эффект бычьего хлыста был описан Джеем Форрестером в 1961 году, а термин придуман сотрудниками компании P&G, которая в 1990-х годах наблюдала невероятную активность поставок подгузников и стала целенаправленно решать этот вопрос.
Почему возникает эффект бычьего хлыста? В первую очередь, не хватает информации для прогнозирования. Во-вторых, цепь поставок не может быть идеальной, она не может реагировать мгновенно, возникают задержки и решения будут искажаться определенными шумами. С каждым новым уровнем решение искажается все сильнее. Это демонстрирует и пивная игра. Следующая проблема в том, что каждый участник поставок ориентирован в первую очередь на решения своих локальных задач, иногда это происходит в ущерб общей цепи поставок. Например, мы стимулируем клиентов покупать реже, но больше. Но требования, связанные с большими партиями поставок, добавляют большую активность.
К чему приводит эффект хлыста и отсутствие качественных коммуникаций
В первую очередь страдает уровень сервиса. Мы становимся друг другом недовольны, отклоняясь регулярно от плановых объемов, уклоняемся от уровня сервиса и не можем выстроить качественную работу. Кроме этого мы начинаем наращивать страховые запасы, потому что это самое очевидное решение. Но как известно, самое очевидное – это неправильное решение. Это та ситуация, когда вы беретесь наращивать страховые запасы, но не пытаетесь как-то модифицировать систему. Хотя модификация может быть довольно простой. В-третьих, страдает потребитель. Из-за того, что не выстроены цепи поставок, скорее всего будет неоптимальный ассортимент, мы не понимаем, что является спросом. Наши логистические издержки растут вверх и формируют довольно высокие цены и низкий уровень доверия. Из-за этого страдает каждый из цепи поставок, и особенно потребитель. Очевидно, что в более гармонизированной цепи поставок, потребитель остается в выигрыше, и он будет более лоялен к этой продукции.
Отвечает на эти вызовы концепция совместного планирования, прогнозирования и пополнения. Это довольно широкий набор практик и подходов, направленный на то, чтобы сформировать оптимальные условия удовлетворения потребностей конечного потребителя. Когда мы объединяемся и вырабатываем методики для достижения оптимального результата.
Vendor-Managed Inventory
Одним из наиболее частых видов интегрированного планирования является управление запасами поставщиком: VMI – Vendor-Managed Inventory. Когда мы делегируем поставщику право пополнения нашего запаса с соблюдением уровня сервиса, но при этом берем на себя обязательство полностью быть для него прозрачными, иначе он не сможет управлять нашим запасом. Преимущества многогранны: в первую очередь для потребителя товар более доступен, цены ниже, удовлетворенность выше. А мы достигаем более высокого уровня сервиса за счет того, что нет аутстока, мы больше продаем, лучше пониманием спрос. Также растет общая эффективность и надежность поставок. Самое важное для людей, работающих руками: снижается трудоемкость и достигается более качественное планирование и прогнозирование.
Как это работает
Приведу несколько принципов. Принцип, наверное, сложнейший в любом взаимодействии, – это командная работа. У нас должно быть системное представление цепи поставок в целом. Мы должны понимать, что все функционирует. Проблема этих проектов в том, что подорвать к ним интерес очень просто. Сложные по причине довольно большого количества лиц. Поэтому в своей командной работе не создавайте завышенных ожиданий. Внедрение системы – это сложная операционная работа, в которой нужно строить доверительные отношения. На берегу нужно договориться, что не будет крайних, что процесс направлен на всеобщую эффективность.
Второй принцип – это клиентоцентричность. Дело в том, что, когда мы начинаем работать в одной команде, все мы становимся друг другу клиентами. Мы должны уважать и обеспечивать друг друга полной актуальной информацией. Если у вас есть эксклюзивная информация, но она критически влияет на цепь поставок, лучше этой информацией своевременно поделиться. Если вы этого не сделали, ваш партнер об этом не узнал, – это будет ваша вина. И нужно помнить, что конечный потребитель у нас один.
Третий принцип – это точность. Нет мелочей, которые являются незначимыми. Особенно это касается качества. Чаще всего на моей практике были проблемы с мастер-данными. Этот вопрос необходимо решать в самом начале. Очевидно, что нужно инвестировать в качество прогнозирования. Потому что, когда ваши партнеры инвестируют в совместный проект управления запасами, больше всего ожидают, что вы качественно аккумулируетесь.
В первую очередь, VMI подходит для крупного и среднего бизнеса. Но важно понимать, какая у вас корпоративная культура – готовы ли вы долго скрупулёзно работать. Готовы ли к частому и интенсивному обмену информацией. Готова ли ваша цепь к более частым и мелким поставкам. Вы должны ответить на все эти вопросы, а потом принять для себя решение.
Основные барьеры на пути сквозного планирования
Когда начнете реализовывать проект по совместному планированию и управлению запасами, вы обязательно столкнетесь со множеством барьеров. Я сгруппировал их. В первую очередь, столкнетесь с тем, что ваши закупщики будут думать, будто проект ставит целью сокращение персонала. На самом деле, скорее всего, этого не произойдет, вы просто разгрузите людей от рутинной работы, им будет проще коммуницировать. Нужно понимать, что бизнес делегирует значимые функции своим коллегам по другому бизнесу, и эти коллеги могут повлиять и на его выполнение плана продаж. То есть если они неправильно спрогнозируют, не вовремя внесут данные, то он не сможет продать, просядет в продажах, поэтому нужно быть заинтересованными в удачном сотрудничестве.
Совместное планирование занимает большое количество подразделений, и у менеджеров должно быть достаточно полномочий. Зачастую бывает, что эти проекты делегируются людям, не обладающими полномочиями, тогда дело начинает существенно буксовать.
Ответственность за результат. Мы должны понимать, что результат не всегда такой, какой мы ожидаем. И нужно четко разделить ответственность за его достижение. Первое правило – вся информация, связанная с продвижением, должна быть распространена по всем партнерам. Дальше, обязательно наличие KPI, SLA и ряд договоренностей, в которых зафиксировано, что делать если будут проблемы с качеством данных, кто внес некорректные данные, как контролировать их целостность и полноту. Что делать, если построен некачественный прогноз, нужно ли среагировать на это.
Следующий барьер – в коммуникации не стоит забывать про технологические процессы. Дело в том, что в работе требуется интенсивный обмен информацией. Она должна быть полной, актуальной, с системой должно быть удобно взаимодействовать. В этих проектах, скорее всего, в самом начале будет большое количество затруднений. Заведите наглядную и понятную отчетность, которая будет описывать, почему возникла ситуация с излишком или дефицитом запаса. То есть предоставьте возможность сделать качественный анализ.
Тут возникает вопрос. Почему мы, компания Reshape Analitics, выбрали партнером Novo BI? Дело в том, что мы посмотрели довольно большое количество решений на рынке и поняли, что система Novo Forecast Enterprise оптимальна по потенциалу, возможностям и достоинствам. Для нас очевидно и понятно, что в борьбе с эффектом бычьего хлыста в командной работе она является эффективным рычагом.
Вопрос – ответ
Какой метод расчета точности прогноза вы используете?
Павел: Мы используем ту методику, которая есть у вас. Для нас не принципиально, какую. Одна из распространенных формул: прогноз минус факт, деленный на прогноз, и это значение вычитаем из единицы.
Мансур: В управлении цепями поставок точность прогнозирования не является конечной, целевой функцией. Цель – это обеспечение продаж запасом и избегание излишков. Нас, скорее, интересует динамика: метрики «было» и «стало» – и насколько лучше мы спрогнозировали. У каждой системы бывают достоинства и недостатки. Пограничные ситуации (спрогнозировали продажу сотни единиц, а не продали ни одной) – это проблема. Но если вы спрогнозировали сотню единиц продажи, а на складе у вас ноль, то это не значит, что прогноз некачественный.
Как мотивировать участников цепи поставок делиться информацией?
Мансур: Мы предлагаем игровую форму. Попробовать в игре смоделировать цепь поставок. Или сделать модель расчета и показать в динамике, что происходит при одном сценарии управления запасами, что при другом. Когда с языка игры переводим на язык денег, все сразу становится понятно.
Имеется ли в системе функция для оптимизации транспортных средств при отгрузке?
Павел: Оптимизация транспортных средств – это задача систем класса TMS (Transportation management systems). Она лежит за рамками нашей системы. Мы работаем с показателями натуральных значений, которые должны оказаться где-то в точке цепи поставок. Управление физическими показателями (количественно-весовыми) – это задачи других систем. Но в Novo Forecast Enterprise мы учитываем ограничения, которые есть по цепочке поставок. К ним относятся вместимость транспорта, кратность и согласованный график поставок и т.д. Их мы учитываем при планировании цепи поставок на разных уровнях.
Как прогнозируете новинки?
Мансур: Прогнозирование новинок – это методы, связанные с выявлением аналогов. Комбинация прогнозов и генерирование нового прогноза. Все это реализовано в Novo Forecast Enterprise.
Какие данные необходимы для корректной работы системы Novo Forecast Enterprise?
Павел: В блоке реализации совместного планирования и прогнозирования без цепочки поставок нужны данные о продажах и как они осуществляются. Если вы работаете в b2b, нужен справочник контрагентов. Далее – статистика продаж по дням за 3 года. Если говорить про цепочку поставок, то нужно больше данных. Этот вопрос лучше обсуждать индивидуально.
Какой метод применяется для контроля запасов и уменьшения «эффекта хлыста»?
Мансур: Это комплекс методов – информационная прозрачность, прогнозирование, моделирование цепи поставок, поиск оптимальной партии, учет ограничений.
Можно ли использовать передачу данных через Azure Data Box?
Мансур: Мы как раз заключили партнерский контракт с Microsoft. Это глобальный ресурс, на котором можно развернуть технологическую платформу Novo Forecast Enterprise.
Есть ли опыт получения данных от крупных сетей?
Павел: В настоящий момент вопрос прорабатываем на кейсах крупных сетей. Опыт получения есть. Мы изучаем, как эти данные влияют на изменение точности прогнозов. Очевидно, что повлияют положительно. Но есть моменты, с которыми надо разобраться, так как данные от разных сетей разнородны. Интервалы: для кого-то актуальна понедельная, а для скоропорта актуальна подневная статистика. Но самостоятельно сети не накапливают эти данные. Мы изучаем вопрос.
Расскажите подробней о реализации в сети VMI?
Мансур: Все можно свести к числовым оценкам. Поставщики приветствуют инициативу сквозного планирования.
Павел: Мы оцениваем эффект от внедрения, привязанный к точности. У нас есть методики, которые позволяют на основании дельты оценить общий эффект для компании в виде снижения запасов и повышения уровня сервиса.
Есть ли риски при предоставлении данных?
Павел: Риски всегда есть. Нужно ими управлять. В системе совместного планирования это задается правами доступа на просмотр, редактирование и утверждение. Передача данных от сетей регулируется NDA.
Есть ли пример готового интерфейса для совместного управления?
Павел: Во время вебинара я показывал слайды с интефейсом – у нас система унифицирована для работы в различных отраслях, с различными товарами. Мы можем провести для вас демонстрацию по запросу на почту Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Коллеги, благодарим всех за внимание!
