Методика расчета количества товара к перемещению на филиал (управление запасами филиала)

В данной статье описывается как в 4 этапа рассчитать количество товара к перемещению на филиал (управление запасами филиала). Заказы создаются еженедельно в один и тот же день недели. Требуется: сформировать заказ.

Для филиала необходимо задать бизнес-показатель целевой глубины запаса в днях: интервалы минимальной и максимальной оборачиваемостей, в рамках которых требуется держать запас для каждого артикула.

Пример: минимальная оборачиваемость – на 20 дней продаж, максимальная оборачиваемость – на 40 дней продаж.

Далее вся методика строится на принципе: если через время поставки с центрального склада запас артикула (прогнозно) становится ниже чем на 20 дней продаж, то принимается решение пополнить филиал таким количеством товара, что в момент приемки товара на филиале оказалось, что товара достаточно на 40 дней продаж.

На практике не всему рабочему ассортименту магазина целесообразно и даже экономически выгодно задать одинаковую глубину запаса. Дешевые (по себестоимости) и, тем более, мелкогабаритные товары выгоднее пополнять крупными партиями, а дорогие и редко продающиеся товары – пополнять по факту продажи. Хорошую динамику показателей оборачиваемости, уровня сервиса и GMROI можно достичь, сегментируя весь рабочий ассортимент магазина по интервалам себестоимости и частоте сделок, см. иллюстрацию ниже.

В результате сегментирования получается матрица, в каждый сегмент попадает определенное количество артикулов (в кружочке сегмента справа сверху), и каждый сегмент имеет определенную суммарную себестоимость текущих запасов на филиале. Кроме перечисленных показателей сегмента, можно дополнительно рассчитать уровень сервиса (наличие товара) сегмента, оборачиваемость сегмента и т.д., что позволяет более точечно сфокусировать внимание на ту часть актива, где меньшими усилиями можно достичь большей динамики бизнес-показателей. Самое главное после сегментирования: на каждый сегмент можно задать индивидуальные значения минимальной и максимальной значений оборачиваемостей, что будет определять объем пополнений по товарам и точку заказа, то есть в какую дату и в каком количестве следует осуществить пополнение филиала.

Итак, первый шаг для расчета количества к перемещению на филиал: необходимо согласовать с топ-менеджментом компании, владельцем процесса управления запасами, целевые значения глубины запаса, как в целом, так и сегментную политику, имеющую отношение к затратам на логистику.

Рабочий ассортимент филиала – список товаров (артикулов), запас которых регулярно пополняется с центрального склада. Остальные товары на филиале клиенты также могут приобрести, но доставляются они под заказ клиента с центрального склада, и поэтому не входят в перечень рабочего ассортимента.

На первый взгляд, рабочий ассортимент нужно задать именно перечнем конкретных артикулов. Но..здесь нужно шире посмотреть: и на поведение потребителей. Зачастую потребитель обращается в торговую точку, не имея цели приобрести товар конкретного производителя, а готов рассматривать предложения аналогичных товаров других производителей в рамках предпочитаемой линейки качества. В определенных обстоятельствах и линейка качества не так важна, потребитель преследует цель удовлетворить свою потребность товаром любого уровня качества, главное, удовлетворить. С другой стороны, с точки зрения владельца торговой сети, не всей продукцией интересно торговать, ввиду различной доходности товаров разных производителей.

Все перечисленные аспекты приводят к выводу, что рабочий портфель ассортимента с самого начала лучше сформировать тремя видами объектов:

· артикулы конкретных производителей, когда есть понимание что рынок предпочитает их либо они обладают отличной доходностью;

· группу товаров-аналогов определенной линии качества, которые пополняются, исходя из наличия на центральном складе, особо не приоритизируя между артикулами различных производителей, главное чтобы в магазине суммарно по товарам-аналогам был запас, сформированный по целевым значениям оборачиваемости;

· группу товаров-аналогов всех линеек качества как одно целое, понимая что потребители предпочитают товар любого производителя, главное закрыть потребность, и при этом товары не отличаются доходностью.

Хорошей практикой включения в рабочий ассортимент является частота сделок в магазине по товару, вернее количество сделок за отчетный период, например за последние 365 дней. Задается граница включения, например от 5 сделок и выше – товар включается в рабочий ассортимент, иначе исключается из рабочего ассортимента. Можно также сформировать АВС-анализ по совокупности показателей: количество сделок, количество клиентов, валовая прибыль, валовые продажи и т.д., и для каждого сегмента АВС задать свою индивидуальную границу включения в рабочий ассортимент. Если и этого по определенным метрикам недостаточно, то дополнительно задать свои границы для разных товарных групп, производителей, здесь сегментировать можно более детальней, в зависимости от политики компании.

Второй шаг для расчета количества к заказу – сформировать рабочий ассортимент филиала. Лучше в виде единого списка, состоящего из 3 видов объектов. Принцип – по частоте продаж. Границу частоты продаж можно задать разную для различных сегментов товаров. Разумеется, расширить список можно и экспертно, вручную включив в рабочий ассортимент товары, вопреки критериям, но преследуя определенную бизнес-цель. В итоге, по тем артикулам, которые включены в рабочий ассортимент, формируем регулярное пополнение филиала, а по остальным – нет, привозим только под заказ клиента.

Ключевую метрику запаса – целевую оборачиваемость запаса артикулов, заданную в днях, означающую на сколько дней продаж формировать запас товара, необходимо сконвертировать в количество, на 20 дней продаж нужно держать товара на филиале минимально – это понятно, но также необходимо ответить на вопрос – сколько товара вероятней всего продастся в штуках за это количество дней. Для этого необходимо провести статистический анализ истории продаж, минимум за 2 года, чтобы подтвердить повторение фактора сезонности продаж в течение года, также необходимо дополнительно добавить полугодовой период истории для тестирования различных моделей прогнозирования, в итоге для достижения наилучшего качества прогнозирования нужно обработать историю последних 30 месяцев продаж (2,5 года).

Прежде чем начинать прогнозирование будущих продаж, необходимо предварительно обработать саму историю продаж, убрать факторы которые исказили её: всплески продаж, которые не повторятся, и при использовании моделей прогнозирования приводят к завышенным значениям, а также восстановить спрос в периоды отсутствия товара в остатках филиала, что наоборот занижает значение прогноза продаж, если историю продаж предварительно не обработать.

1. Очистка от выбросов

При очистке истории продаж от выбросов необходимо комбинировать несколько методик. Для частых сделок хорошо работает метод нахождения среднего значения и среднеквадратичного отклонения продаж от среднего значения и при выходе за границы среднеквадратичного отклонения значение проданного количества считается выбросом и заменяется на среднее значение ряда продаж. Для редких сделок такой подход приводит к плохим результатам, поскольку само значение выброса сильно влияет на среднее значение ряда, и лучше использовать медианную фильтрацию ряда продаж. Кроме этого, для разных интервалов значений продаж необходимо предусмотреть различные коэффициенты сужения и расширения границ среднеквадратичного отклонения.

2. Восстановление спроса в периоды отсутствия товара в остатках магазина

После того как ряд продаж очищен от выбросов,необходимо дополнительно пройтись по истории остатков на утро каждого дня вмагазине, и в случае отсутствия товара в остатках, заполнить периоды отсутствиятовара на складе условными продажами (среднее значение продаж за 1 день),которые вероятней всего произошли бы за указанные дни, если бы товар был востатках.

В общем случае, возможны 3 сценария поведения продаж в течение годового периода:

1. От сезона к сезону ряд продаж не меняется, сильного увеличения или снижения количества проданного товара не происходит, но при этом продажный ряд может иметь умеренные темпы роста продаж, либо наоборот стагнации продаж. Для таких случаев подходит простая модель скользящего среднего.

2. По мере смены сезона происходит постепенное изменение увеличение и далее уменьшение количества проданного товара, и такое поведение ряда продаж повторяется из года в год. Для таких случаев подходит модель квартальной сезонности, когда сначала прогнозируется по модели скользящего среднего суммарное значение годовых продаж, а далее каждый квартал имеет свою долю от годовых продаж, и это значение может быть декомпозировано в месячное и среднедневное значение продаж.

3. По мере смены сезона происходит существенное изменение увеличение и далее уменьшение количества проданного товара каждый месяц, продажи имеют сильную волатильность, но такое поведение ряда продаж также повторяется из года в год. Для таких случаев подходит модель месячной сезонности, когда подобно модели квартальной сезонности также сначала прогнозируется по модели скользящего среднего суммарное значение годовых продаж, а далее каждый месяц имеет свою долю от годовых продаж, и это значение может быть декомпозировано в среднедневное значение продаж.

Немаловажным фактором для магазина является производственный календарь РФ, важно, когда мы хотим сформировать запас на филиале на 20-дневный период, учесть сколько рабочих и выходных дней содержит этот 20-дневный период. Ведь на вероятность посещения маазина, и даже интернет-магазина, влияет рабочий день у конечного потребителя либо выходной. Исходя из этого фактора, следует прогнозирование продаж с помощью всех 3 моделей прогнозирования вести отдельно для рабочих, и отдельно для выходных дней, и при анализе ряда продаж также учитывать, в какой день была сделка – в рабочий день либо в выходные.

Расчет прогноза продаж целесообразно вести ежедневно, чтобы алгоритмы регулярно пересчитывали значения вероятных будущих продаж, кроме того, переключали модели прогнозирования от изменений внешних факторов.

Лучший способ выбрать подходящую модель – сравнить прогнозное значение продаж и фактическое значение продаж за последние несколько месяцев. Практика показала, что наиболее корректно происходит автовыбор, если за тестовый период выбрать последние 6 месяцев продаж, при этом сам прогноз продаж должен быть построен для тестов, используя только более ранний 24-месячный период. Какая модель лучше всего приблизилась прогнозными значениями к фактическим, та и выбирается моделью-победительницей, и используется для прогнозирования будущих продаж.

На третьем шаге на пути к расчету количества к заказу – необходимо рассчитать наиболее вероятные среднедневные значения продаж по самой подходящей модели прогнозирования, учитывая производственный календарь – значения могут различаться для выходных и рабочих дней.

По истории перемещений, используя данные с учетной системы, рассчитываем среднее значение (в днях) длительности перемещения с момента создания заявки на перемещение (Документ внутреннего заказа в УТ 1С) до момента получения товара в магазине (Документ оприходование товара в УТ 1С). К примеру, получили значение, равное 3 дня.

Для расчета количества к заказу в магазин, необходимо выяснить, как вероятней всего изменятся остатки в магазине через время поставки, то есть через 3 дня. Сегодняшняя дата 17.09.2022 (текст материала написан в этот день), и текущие остатки в магазине определенного товара, к примеру, равны 37шт.

Для расчета прогнозных значений остатков используем среднедневные значения прогноза продаж, вычисленные на предыдущих шагах.

Обратите внимание на иллюстрации выше, что значения прогноза продаж различаются для выходных и рабочий дней. Прогноз остатков вычисляем по формуле:

Визуализация прогнозного изменения остатков в виде столбчатой диаграммы:

Таблица, проиллюстрированная выше, где по горизонтали идут дни, а по вертикали – различные показатели: остатки, прогноз продаж, визуально похожа на «ленту», поэтому в целях упрощения изложения материала в дальнейшем, обусловимся, назовем таблицу лентой моделирования запасов.

Остатки могут не только уменьшаться, вследствие вычитания значения прогноза продаж, но и увеличиваться, если учесть текущие товары в пути – документы перемещения, по которым еще не прошла приемка в магазине. В таком случае следует к дате создания документа перемещения прибавить время поставки и мы получим прогнозную дату получения товара на филиале, а формула расчета прогнозных остатков видоизменится следующим образом:

Итак, мы сымитировали (от слова «имитация»), как будут изменяться остатки на филиале, но нам кроме этого необходимо управлять этим процессом, чтобы запас товара на филиале находился между значениями минимальной и максимальной оборачиваемостей. Иными словами, чтобы запас никогда (модельно) не снижался ниже страхового значения, и кроме этого, формировался без излишков, то есть в рамках заданных бизнес-целей компании.

В рамках примера, что минимальная оборачиваемостьравна 20 дням, а максимальная 40 дням, давайте в ленту моделирования запасовдобавим еще 2 показателя: страховой запас и максимальный запас, и для каждойячейки ленты будем рассчитывать по формуле:

Минимальная оборачиваемость равна 20 дням, это означает что запаса товара на филиале должно хватить на 20 дней продаж, поэтому для вычисления страхового запаса выше в формуле мы просуммировали среднедневные значения прогноза продаж в течение 20 дней. То же самое сделали и для максимального запаса.

Проделав такое суммирование прогноза продаж, произошло конвертирование бизнес-целей минимальной и максимальной оборачиваемости, заданных в днях, в штуки индивидуально для выбранного товара. После данного шага нам известно, в каких пределах в штучном выражении должен находиться запас товара на филиале. В разные дни значения различаются в зависимости от сезона, а также от количества рабочих и выходных дней, которые будут в ближайшие 20 дней и 40 дней от рассматриваемой даты.

На ленте моделирования первое снижение прогнозного значения остатка ниже страхового запаса происходит 01 октября 2022 года, согласно бизнес-целям нельзя этого допустить, таким образом заблаговременно за время поставки, в нашем примере за 3 дня необходимо сформировать пополнение запаса артикула в магазине с центрального склада. Итак, мы определили точку заказа: 28.09.2022.

При пополнении достигается максимальный уровень запаса, поэтому количество заказа рассчитываем, как разность между максимальным запасом и прогнозным запасом:

Здесь можно также учесть кратность поставки, мы не будем в данном материале этого делать, а просто округлим математически полученное число. Итак, количество к заказу равно 23 шт. Лента моделирования теперь выглядит следующим образом:

Визуализация прогноза остатков после заказа:

Методика расчета точки заказа и количества к заказу, приведенная выше, справедлива, если перемещения мы можем отправлять на филиал с центрального склада в любой день. В случае, если мы можем перемещать только в определенные дни, к примеру, еженедельно по четвергам, то необходимо провести дополнительные алгоритмические действия. Для начала закрасим зеленым цветом даты, когда мы можем отправить перемещения на ленте моделирования.

Предварительно заказ у нас сформирован за день до даты перемещения, но это значит что мы его должны отправить еще раньше, иначе рискуем тем, что запас снизится ниже страхового значения, мы не можем этого допустить, согласно бизнес-целям.

Итак, новая точка заказа: 22.09.2022.

Количество к заказу тоже необходимо пересчитать, ведь мы не можем допустить рост запасов выше максимального значения. Пополнение доедет до филиала через 3 дня, то есть 25.09.2022, разность между максимальным запасом и прогнозными остатками составляет 44,97 – 28,8 = 16,17, округляем математически и получаем 16шт в заказу на филиал с центрального склада.

Описанная выше методика расчета количества к перемещению на филиал хорошо алгоритмизируется, обладает высоким качеством с точки зрения достижения бизнес-целей компании в короткие сроки. Данный подход реализован в приложении "Управление запасами" в облачной платформе

https://retair.ru