Как подружить новые технологии и старые правила в российской офлайн-рознице (спойлер: сложно, но можно)
Что мы узнали о потребностях и особенностях ритейл-бизнеса за четыре года работы над технологической платформой для планирования смен.
Вы пришли за подарком в магазин парфюмерии в канун 8 марта, но совершенно потерялись в многообразии выбора и 10 минут тщетно пытаетесь выловить свободного консультанта. Группа продавцов в магазине электроники субботним утром смотрит видео на телефоне — в зале ни одного посетителя. В преддверии Нового года в супермаркете пустые полки: работники не успевают подносить товар со склада.
Для нас это негативный клиентский опыт, а для ритейл-бизнеса — индикатор некачественного покрытия трафика персоналом и крупная боль.
Четыре года назад мы решили разработать технологический инструмент, который помогает рознице рассчитывать потребность в людях и планировать их графики. Автоматизация планирования смен — задача нетривиальная. В этой статье расскажем, что ее такой делает и какие технологии эффективны в ее решении. А в следующей — поделимся кейсом внедрения Goodt Time, нашего продукта, в сети магазинов известного спортивного бренда.
Предиктивная аналитика на глаз и ручное планирование
По докризисной статистике Росстата, больше половины всего экономически активного населения России можно было отнести к представителям массовых профессий. Их также называют профессиями свободного входа — считается, что овладеть ими несложно, достаточно среднего образования и не очень долгого обучения. Российские розничные сети — крупнейшие наниматели работников массовых профессий. Одних продавцов-кассиров там трудится больше 5 млн человек.
Персонал в розничном бизнесе работает по сменам, и нагрузка на него зависит от потока клиентов, который не бывает одинаковым. Связать с трафиком построение графиков и систему мотивации работников, чья нагрузка завязана на клиентопоток — абсолютно логично.
А розница пример индустрии с массивами больших данных, на которых может работать предиктивная аналитика. У всех магазинов есть чеки, данные о трафике поступают в реальном времени со счетчиков.
Но в большинстве сетей графики смен привязывают к клиентопотоку “на глаз”. Составляя расписание, директора магазинов смотрят графики прошлой недели, графики этой же недели в прошлом году, добавляют к этому повторяющиеся сезонные тренды, акции и стараются прикинуть тенденцию на месяц. Не оперируя точными цифрами, они исходят из своего опыта и экспертизы.
Если это магазин стрит-формата, то всплеск трафика обычно бывает в четверг и пятницу, если ТЦ — в выходные. Ну а дальше, имея в голове подобные прикидки, директор вооружается Excel или чем-то аналогичным и начинает расставлять смены. Чаще всего в магазине уже имеется некий шаблон с фиксированными наборами смен, который немного корректируют.
«Однажды у нас была встреча с основателем небольшой сети. Первое, что он сказал: “Ничего не рассказывайте — я вам сейчас расскажу, как это устроено у нас”. И он описал очень продуманную модель расчета ресурсной потребности, которую с нуля сам придумал и реализовал. В Excel, вручную, но в целом очень классно.
Он спросил: "Что вы можете сделать такого, чего мы еще сами не делали? У нас покрытие трафика персоналом на 90% точное". Потом он взял короткую паузу, чтобы посоветоваться со своим директором по рознице. И после этого говорит: "Нет, оказывается, сейчас у нас эффективность покрытия 50%”.
Модель отлично работала, пока хозяин сам управлял бизнесом, и бизнес был небольшим. Но потом он сфокусировался на производстве в Китае и по сути уехал туда. Сеть росла, менялись менеджеры, новых менеджеров никто не обучал, наработки начали вымываться, и в итоге все вернулось к планированию на глаз. Культуру не удалось привить, потому что процесс не был системным и централизованным».
Так или иначе, при ручном планировании логика выстраивается вокруг простых последовательностей смен 5/2 или 2/2. Даже имея точное предсказание по трафику внутри дня, гибко спланировать персонал “руками” архисложно.
И чем больше штат, тем трудозатратнее планирование на уровне торговой точки. В магазине Nike в ТЦ “Атриум” с 30 сотрудниками до недавнего времени на составление расписания уходило 4,5 часа в неделю, и это не считая регулярных корректировок.
Привет из 1929 года
В бизнесе цифровая трансформация у всех на устах, но розница вынуждена осуществлять ее в условиях определенных ограничений. В России культура гибких графиков и почасовой оплаты в массовых профессиях начала развиваться недавно, в отличие от многих других стран и главного центра гиг-экономики, США.
Там розница живет недельными циклами, почасовики могут работать практически в любом графике, который зафиксирован в контракте с работодателем и получать зарплату исходя из количества отработанных часов по установленному тарифу. По данным американского Департамента Труда, 78 миллионов американцев — почасовики. Это 59% всего экономически активного населения, и больше всего таких работников в ритейле, среди персонала ресторанов и кафе.
У нас в стране в основном заключаются бессрочные трудовые договоры, распространены месячные тарифные ставки и оклады, в том числе и в рознице. Но еще в российском трудовом кодексе много анахронизмов, которые делают планирование смен в горизонте меньше, чем на месяц вперед, технически сложной задачей. В особенности — для HR, которые отчитываются за соблюдение норм ТК перед проверяющими органами.
Порой доходит до абсурда. В 2015 году двое охранников подали в суд на ЧОП, из которого их уволили за прогул. Им удалось оспорить увольнение и выиграть дело, поскольку их график не учитывал длительность положенного отдыха между сменами. Судья при этом сослалась на постановление Совета Народных Комиссаров СССР от 24 сентября 1929 года.
Постановление «О рабочем времени и времени отдыха в предприятиях и учреждениях, переходящих на непрерывную производственную неделю» приняли, когда СССР взял курс на форсированную индустриализацию. Страна перешла на непрерывную пятидневку. И хотя эпоха стахановцев и плановой экономики в прошлом, постановление отменили только в 2017 году.
Планирование графиков в большинстве сетей не централизовано. Директору магазина сверху спускают фонд часов, и он “раскидывает” его, чтобы выполнить KPI по продажам. Графики, которые попадают в табель учета рабочего времени, зачастую не совпадают с реальными графиками, по которым работают в магазинах.
На местах возникают хронических переработки и простои, о которых не знает центр. В “дешевой” продуктовой рознице из-за переработок люди быстро выгорают. Зарплаты по отрасли примерно одинаковые, и устав работать в одном месте, человек увольняется и устраивается в другую сеть. Там ситуация, как правило, повторяется.
В консультационных сегментах продаж, тем временем, часто наблюдается застой. Продавцы “высиживают” свое время при нулевом трафике.
«Большинство российских торговых сетей, работающих офлайн, живет в рамках набора нормативов и бюджета на персонал, но не управления потребностью в нем. В ритейле популярны концепции снижения текучести и оптимизации ФОТ, но говоря о них, люди часто отталкиваются от некого бюджета, который надо урезать, цифры, которую надо снизить. Это бессмысленно.
Управлять текучестью нельзя, но можно управлять факторами, которые на нее влияют. А ФОТ можно умно распоряжаться. Первое, с чего следует начать — точно формулировать, сколько, когда и под какие задачи нужно людей. Тогда появится возможность более правильно распределять их рабочее время, дать им дополнительные возможности заработка и комфортные смены. Это философия, которую мы заложили в продукт».
Переход на суммированный учет рабочего времени, где за основу берется не 40-часовая рабочая неделя, а более долгий период — важное организационное изменение. Это первый шаг для выхода за пределы фиксированных последовательностей смен. Ну а дальше к прогнозированию и планированию подключаются технологии.
Математика и искусственный интеллект
Программное обеспечение, чтобы выводить дополнительных сотрудников под пики трафика и сокращать количество персонала и продолжительность смен, когда клиентов мало, принято классифицировать как Workforce Management (WFM). Внутри таких систем и относительно простые математические методы, и сложные AI-инструменты. На рынке есть продукты глобальных вендоров, некоторые делают самописные решения и есть стартапы (к числу которых мы относим и себя).
На старте над Goodt Time работала команда из 20 человек. Костяк — группа наших математиков и программистов, которые разработали алгоритмы и реализовали их в программном коде. Мы поставили цель сделать интеллектуального помощника для построения графиков, который был бы надежен на уровне решений мировых вендоров, но имел более низкую стоимость жизненного цикла, быстро пилотировался и внедрялся.
Чтобы нюансы розничного бизнеса в нем учитывались так же хорошо, как если бы систему делал сам ритейлер. И чтобы математические модели для расстановки персонала заказчик мог настраивать самостоятельно, без программирования, а директорам магазинов было удобно работать с системой.
Что внутри продукта
“Три кита” Goodt Time — модели прогнозирования трафика, производительности персонала и планирования смен. ТК РФ и внутренние правила организаций — безусловные ориентиры, но мы столкнулись с множеством особенностей, которые известны директорам магазинов, но нигде не регламентируется. Система работы розницы может сильно различаться, как и бизнес-драйверы, которые диктуют потребность в персонале.
Начиная от особых навыков сотрудников для каких-то конкретных операций до гендерных требований (да-да). Например, на смены, когда идет приемка товара, у некоторых сетей есть неписаное правило выводить только мужчин, потому что надо носить тяжести. Все это важно было учесть на системном уровне.
Предиктивная аналитика для прогнозирования трафика
Основная сложность с предиктивными моделями заключается в том, чтобы добиться высокой точности. Нужно понять поведение данных и коэффициентами “докрутить” модели — они должны учитывать и праздники, и маркетинговые акции, и многое другое. В зависимости от типа данных используются классические методы анализа временных рядов и нейросети.
«Случай из практики. Мы проверяли качество работы своих моделей, и первое, что поймали — по прогнозу системы в магазине два дня был одинаковый трафик. Но по факту со счетчиков оказалось, что в один день его было на 15% больше.
В логике нашего клиента это предполагало вывод дополнительных людей. Мы стали разбираться, и оказалось, что в дни приемки товара эти 15% трафика генерили сами продавцы. Они ходили туда-сюда через рамки.
Если это не выявлять, подобные моменты приведут к неточным прогнозам и завышенным потребностям в персонале. Прогнозные модели мы всегда настраиваем под клиента индивидуально и уделяем пристальное внимание очистке данных. Мы автоматически обрабатываем такие ситуации и отрезаем лишний трафик».
Смешанная модель производительности
Трудоемкость операций и производительность сотрудников розницы — нелинейная и может меняться. Когда на оплату стоит очередь из 10 человек, кассир работает быстро, а если клиент всего один, он вполне может завязать small talk, скорость работы падает. У продавца-консультанта скорость одной продажи тоже может быть очень разной.
Когда в re:Store появляется новый iPhone, люди сами выстраиваются за ним в очередь, а в сезон отпусков многие ходят по магазинам “посмотреть”. Чтобы что-то продать такой категории посетителей, на консультацию уходит много времени.
Так мы пришли к модели с плавающим значением оптимальной производительности, которое в зависимости от нагрузки меняется внутри дня. Но также поддерживаем и классическую модель с нормативами — для некоторых операций она эффективна.
Прескриптивная аналитика: две модели планирования смен вместо одной
Система поддерживает две модели планирования самих смен — классическую комбинаторную и оптимизационную. В основе большинства WFM-систем как раз комбинаторика, но в ней есть изъяны.
Комбинаторный метод предполагает ограниченный набор допустимых видов смен — они как блоки в тетрисе, сложив которые в определенном порядке нужно закрыть потребность. Чем больше вариантов смен, тем медленнее работает модель, и тем больше требуется вычислительных мощностей для расчетов.
«Чтобы снять с клиентов необходимость покупки дополнительных серверов c GPU и улучшить расстановку, мы разработали оптимизационную модель, математический движок, который использует методы линейного программирования и эволюционные вычисления. Мы строим большую матрицу с ограничениями.
Это система уравнений, которая в несколько шагов решает задачу расстановки выходных и гибко выбирает длины смен для сотрудников. При этом учитывает и баланс часов, и баланс утро/вечер, и еще кучу параметров, которые задаются как набор штрафов к каждому ограничению, и мы ищем оптимальное решение, которое позволит нам набрать минимальную сумму штрафов.
Можно настроить практически любые варианты смен. Мы используем более 200 математических параметров, при этом клиент может параметризировать сам. Отдает на входе набор своих пожеланий, проставляя в системе галочки, и на выходе движок возвращает график смен».
Параметры можно задавать на разных уровнях: всей сети, подразделения, роли в организации, отдельного сотрудника. И для этого самому не нужно быть математиком — директора магазинов с этим справляются.
Нам повезло, что нашим первым заказчиком была Inventive Retail Group, которая управляет несколькими крупными мультибрендовыми сетями и монобрендами. На них мы обкатали систему, научились решать специфические задачи, и поэтому рекомендательный движок получился по-настоящему гибким.
Таймлайн внедрения и развитие
Анализ специфики бизнеса. В первый месяц мы просим повторить в Goodt Time привычные графики, чтобы у нас был ориентир для настройки моделей. В магазинах и управляющей компании тем временем учатся работать с системой.
Proof of concept и пилотный проект. Проанализировав инсайты и фидбэк первого месяца, мы готовим модели прогноза трафика и производительности, на которых будет работать оптимизатор. В течение еще одного или двух месяцев тестируем и дорабатываем.
Тиражирование и оптимизация. Когда все детали учтены, продукт выводится в тираж на всю сеть. Спустя 6 месяцев мы обычно проводим масштабное ревью. За это время команда успевает привыкнуть к инструменту и накапливается статистика, чтобы при надобности внести коррективы.
Сейчас мы живем в ритме двухнедельных спринтов и ежемесячных новых релизов системы. Обновления формируются исходя из запросов клиентов и стратегического роудмэпа продукта.
Из недавнего:
- Добавилась возможность создавать кастомные печатные формы. У каждой компании есть фиксированная отчетность, но формы отличаются. Во-первых, это график работы, с которым сотрудник должен быть ознакомлен под подпись. Во-вторых, табель. По нашему ТК такие распечатки компании обязаны хранить в течение 5 лет. Есть и внутренняя отчетность, специфичная для каждой сети
- Большое функциональное обновление, которое мы развиваем в каждом релизе — биржа смен (внутри мы называем ее “Uber для розницы”). Система автоматически аккумулирует потребность в персонале по определенному кластеру магазинов или по всей сети, и заинтересованные работники получают возможность не просто выходить на смены в одной торговой точке, но и «подхватывать» рабочие часы в других. Размещать запросы через биржу могут также директора магазинов.
Цифры и выводы
Плохое покрытие трафика персоналом для розницы выливается в падение уровня сервиса, упущенную прибыль, дисбаланс между производительностью и ФОТ и текучесть. Технологии помогают справиться с этими проблемами. На уровне отдельной торговой точки время на планирование и согласование смен сокращается с нескольких часов до 30-60 минут в неделю.
За четыре года у Goodt Time появились клиенты из числа крупнейших телекоммуникационных и сервисных компаний, самых больших сетей фэшн- и фуд-ритейла, федеральных сетей аптек, АЗС и ресторанов. По нашей статистике, с помощью продукта в среднем получается достичь роста выручки на 2–4%, экономии от 5% ФОТ и снижения текучести персонала на уровне 10%.
Но до заказчиков мы всегда стараемся донести, что любое ИТ-решение может дать бизнесу максимум, если подходить к цифровой трансформации комплексно и меняться на уровне подходов. Поменяв фиксированные наборы смен на гибкие графики и сконструировав новую систему мотивации, можно выйти за пределы стандартной автоматизации. И тогда каждый час времени будет нести совершенно иную ценность. Как для бизнеса, так и для работника.
Спасибо, что дочитали, если есть вопросы — будем рады ответить :)
Иллюстрации созданы с помощью сервиса freepik.com
Жаль что в вашей статье не описан алгоритм
Максим, рады, что тема интересна. Внутри продукта достаточно сложный математический аппарат — может стать темой для целой серии технических статей. Какие-то из аспектов мы планируем в ближайшее время раскрыть в нашем блоге на Хабре.
Если меня с 2½ высшими образованиями коробит от обилия профильных аббревиатур — не представляю, для кого это вообще писалось. Для ссылки «Пресса о нас»?
Тяжело читается. Ещё точнее: невозможно читать. Удачи!