Николай Молдован, ИТ-директор Группы компаний «Лама» (г. Томск), рассказал, как система прогнозирования спроса повысила томскому ритейлеру товарооборот на 5%.

Одна из главных задач в ритейле — правильно спрогнозировать спрос и отрегулировать процесс заказа товара. У нашей компании 57 магазинов, в которых в общей сложности продается от 5 до 25 тыс. наименований товаров в день. Каждый ритейлер знает, что допустить просчет при таком многообразии достаточно легко. Какой именно товар и в каком количестве заказывать? Перекосы в любую сторону влекут потерю эффективности: если менеджер закажет меньше товара и его раскупят уже к обеду, то образуется пустая полка, а в результате — недополученная прибыль. Если же товар будет заказан с избытком, встанет проблема перегрузки склада. Поэтому мы давно задумались о внедрении автоматизированных систем прогнозирования спроса и управления запасами.

Анализировать рынок такого рода систем мы начали еще в 2007 г. Всего протестировали 5−7 решений в этой области, прежде всего, IT-продукты иностранных производителей, например, системы исполнения спроса от Oracle или Microsoft, но обратили внимание и на разработки российских компаний. И обнаружили, что их внедрение обходится на порядок дешевле, а с задачей прогнозирования они справляются не только не хуже, но порой и лучше: сказывается хорошая математическая школа российской науки, на которой эти решения построены. И выбрали систему GoodsForecast.Replenishment от российской компании GoodsForecast, одним из ценных алгоритмов системы оказался модуль автозаказа, который позволяет пополнять склад продукцией в точных пропорциях, чтоб не было переизбытка или дефицита.

«Кванты», акции, алгоритмы

Внедрение ее было непростым, по сути, оно продолжалось с 2009 по 2011 г. А с 2011 г. по настоящее время мы совершенствуем ее работу. Начать с того, что процесс прогнозирования требует очень хорошей поддержки со стороны IT-службы. Главное здесь — качественные исходные данные. Автоматизированная система управления запасами работает на основе технологий машинного обучения и может анализировать поведение товара тем или иным образом. Возьмем любой товар, к примеру, яблочный сок. Алгоритм анализирует историю его продаж, сезонность, всплески и спады покупательского спроса, сроки годности, поставщиков и другие показатели. На основе анализа этих данных создается прогноз продаж яблочного сока на ближайшее время и автоматически формируется его оптимальный заказ.

Однако для того, чтобы он был правильным, нужно ввести в систему корректные исходные данные: они должны быть достоверными и постоянно обновляться, то есть отражать реальность в каждый конкретный момент времени. Например, в системе должен обязательно присутствовать «квант» — минимальное количество товара, которое может отгрузить поставщик.

Или еще один очень важный показатель — акционная деятельность. Если данные о различных акциях на товар не попадут в систему, она выдаст неверный прогноз: регулярный спрос на товар и спрос на него во время акций сильно различаются.

Чтобы система заработала как надо, нам даже пришлось перестраивать многие бизнес-процессы, такие как управление ассортиментом, ведение акций, управление номенклатурой. Здесь был как раз тот случай, когда не решение подстраивается под компанию, а, наоборот, компания подтягивает свою работу до уровня системы. Дополнительным плюсом российского решения GoodsForecast стало то, что, в отличие от западных продуктов, оно не требует высокой производительности аппаратных средств. При этом никаких сложностей с интегрированием в нашу основную цифровую платформу Microsoft Axapta не возникло, несмотря на то, что процесс происходит на достаточно глубоком уровне.

Автозаказ — торговля на автоматическом уровне

Когда мы внедряли систему прогнозирования спроса и управления запасами, то ставили перед ней следующие цели:

• повышение товарооборота;
• снижение товарных запасов;
• повышение заполняемости товарных полок;
• уменьшение процента списания товара;
• снижение затрат на процесс заказа;
• снижение процентных издержек;
• снижение роли человеческого фактора в процессе заказа.

Сегодня все эти цели достигнуты. В результате внедрения системы с 2011 по 2018 гг. товарные запасы снизились на 10%. Уровень сервиса и удовлетворенность клиентов наличием товара повысились в среднем с 90 до 95%. Ну а в целом товарооборот ГК «Лама» увеличился на 5%.

Сейчас доля автоматического заказа товара у нас составляет 80%. Компьютер заказывает товар гораздо точнее и эффективнее, чем даже опытный товаровед. «Ручной» заказ чреват просчетами: однажды система автозаказа не работала в течение месяца, и по отдельным пунктам мы увидели падение товарооборота на 20%. В перспективе мы планируем перейти на 100-процентный уровень автоматизации заказа. По некоторым видам товара это сделать пока сложно, например, по ультра-фрешу с небольшим сроком годности или товарам, которые нужно заказывать два раза в день. Также дополнительного внедрения система требует для сложных комбинированных заказов или нишевых товаров, когда заранее неизвестен поставщик.

Одновременно мы планируем развивать функционал системы прогнозирования спроса. Стремимся, чтобы она учитывала, к примеру, детали логистических и транспортных условий. Еще одно важное направление — прогнозирование цен: с помощью системы мы хотим эффективно прогнозировать цену, за которую покупатель будет готов купить тот или иной товар. Расширение функционала системы в эту сторону позволит еще больше повысить эффективность работы всего нашего предприятия, увеличить товарооборот и улучшить финансовые показатели. Буквально в автоматическом режиме.

Статья подготовлена на основе материалов интернет-журнала «Shopolog».