Управление запасами в ритейле — ключевой аспект успешной работы в сфере розничной торговли. Грамотная организация логистических процессов, эффективное снабжение и оптимизация запасов позволяют обеспечить постоянное наличие товаров на полках магазинов и своевременную доставку товаров от центральных складов до торговых точек. Директор по продукту «Управление запасами» Napoleon IT Азамат Ниров рассказывает про основные принципы управления запасами в ритейле, успешные практики и роль IT-систем в автоматизации процессов.

Эти три метрики — корневые для любых систем, которые находятся в управлении запасами. Каждая система влияет на нее по-разному, и поэтому вводятся какие-то субметрики, которые являются дочерними для этой конкретной системы. Например, одна из суметрик автозаказа — это количество аварий и сбоев. «Пятерочка» допускала простой по системе в 4 часа в год. Но все эти метрики представляют ценность в разрезе конкретной задачи, которые пытается решить бизнес в данный момент, то есть они могут меняться. Можно сегодня обращать внимание на количество сбоев, а затем выровнять стабильность работы системы и начать измерять другую метрику, например процент автоматизации труда, то есть сколько заказов подверглись ручной корректировке и сколько из них ушли автоматически.

Любые процессы управления в компании подчиняются правилам иерархии. Управление запасами — это большая часть другого процесса планирования, который свойственен всем крупным компаниям, занимающихся планированием своей операционной деятельности — это процесс планирования хозяйственной деятельности предприятия. Внутри планирования запасов также есть процессы более низкого уровня. Тактический план необходим для среднесрочного планирования товародвижения, а операционный — это краткосрочное планирование запасов и перемещений товара в целях исполнения ключевых целей. Управлением товарными запасами называют операционный план, с которым работает большая группа людей в цепочках поставок.

В рамках этого процесса есть набор инструментов, который необходим для того, чтобы обеспечить достижение целей в планировании. У инструментов тоже есть иерархия, исходя из того принципа, для чего они используются. Главный инструмент — это сам план, а уже его инструментом исполнения является автозаказ, который позволяет планировать конкретные действия с точки зрения движения товара. Есть еще вспомогательные: аналитические, оптимизационные инструменты, а также более гранулярные, например, Order Management System, который позволяет работать с отклонениями внутри суток. То есть, даже на таком уровне гранулярности есть система, которая позволяет решать проблему с отсутствием конкретного товара на складе.

Как я говорил выше, все инструменты складываются в определенную иерархию. Главный инструмент — это планирование, далее идут инструменты исполнения, затем — инструменты точечной оптимизации и наконец — аналитические инструменты. Они позволяют создавать план-факт анализ: что и как случилось и что нужно сделать, чтобы в следующий раз все было лучше, эффективнее и быстрее.

Красивый и удобный магазин — это неотъемлемая часть ритейла и один из признаков, почему покупатель может захотеть совершить покупку именно в этом месте. Но второй и якорный бизнес ритейл-компании — это логистика. Обычно ритейл-компания не занимается производством своих товаров, он их покупает и обеспечивает наличие этих товаров в самых отдаленных уголках нашей страны.

В качестве примера возьмем «Магнит» — это первая ритейл-компания, где я занимался именно логистикой и управлением запасами. Если говорить о проектах, то в компании внедрялись две системы.

Первая — это система прогнозирования, которая предсказывает покупательский спрос через активное использование мастер-данных. С помощью системы выделялись практически все атрибуты товаров, которые позволяют выявлять одинаковое потребительское поведение на разных группах продукции. Самый простой пример: молоко двух разных брендов с одинаковыми характеристиками. Так как покупателю в контексте ежедневного потребления не сильно важен производитель, то при отсутствии любимого бренда, он может найти его заменитель. Нам необходимо было разработать систему прогнозирования, которая могла бы рассуждать как потребитель. Не классический подход, который часто используют на начальном этапе, когда просто прогнозируется отдельно каждый бренд. Нужен был именно прогноз обезличенных товарных позиций, то что принято называть DFU или прогноз количества продукции, которое будет пользоваться спросом у покупателя.Мы создавали в рамках системы некий неперсонализированный товар. По этому товару проводили прогноз спроса, который потом перекладывали на конкретную SKU. Если по шагам, в первую очередь планировали сколько всего молока мы можем продать в торговой точке, а уже после этого определяли, какими именно брендами мы закроем спрос с учетом динамики каждого бренда. Для этих целей нам пришлось создать систему расчета «коэффициента заменяемости». То есть мы провели большую аналитическую работу, которая позволила определить, а как именно происходит переключение, в каких категориях, в каких ценовых сегментах и с какой вероятностью. Важно отметить, что «Магнит» обладает очень большой статистикой в силу своего масштаба. У компании огромный массив данных, она знает обо всех чеках, которые были за все время своего существования, поэтому мы могли позволить себе, обратившись к BigData, проанализировать эти принципы покупательского поведения: когда покупатель готов взять другое молоко, а когда — нет.

Конечно, есть категории, где потребитель не готов переключаться, например редко покупаемые товары, дорогой алкоголь или кофе. В этой категории товаров люди очень требовательны, они употребляют только конкретные марки и поэтому они не будут переключаться на другие, если не найдут свой любимый бренд на полке.

Во внедренной системе прогнозирования мы достигли очень высоких результатов по точности — более 85%. Причем такой процент точности, который со стороны может показаться очень маленьким, на самом деле очень высокий. Средняя точность, которую достигает компания простыми методами прогнозирования, без учета заменяемостей, порядка 70% на аналогичных вводных. Если брать примитивные методы прогнозирования, например скользящую среднюю, то цифра может быть ниже 60%.

Когда у нас появились мастер данные и хороший качественный прогноз, мы смогли внедрить вторую систему — новый инструмент для пополнения. В компании уже была подобная система, но мы внедряли вторую версию. Во второй версии она могла пополнять уже и магазины, и распределительные центры. Самая интересная часть этого проекта в том, что мы применили на тот момент инновационные методы динамического программирования.

Сложность задачи пополнения распределительных центров заключается в том, что, когда вы планируете простую цепочку (поставщик везет товар в магазин), то задача решается в виде простой формулы. Но если у вас несколько эшелонов в цепочке поставок, где есть склады поставщиков, отгрузки, хранения и прочие, включая склады-хабы, то это задача не из легких. В математике есть такая задача о рюкзаке, когда нужно сложить несколько предметов в рюкзак таким образом, чтобы он был максимально заполнен, и сложить в него все максимально эффективно. Чтобы решить эту задачу, простого алгоритма, который считает потребности, множит ее на кратность и округляет ее до минимума, уже недостаточно. Нужен многоуровневый проход этой все цепочки в несколько этапов, и мы применили динамическое программирование, которое позволяет эту задачу решить.

Результат у нас был очень хороший. Во-первых, мы перевели всех поставщиков на систему автозаказа. В общей сложности мы приросли на 5 процентных пунктов в ключевых метриках — представленности товара на полке и уровне сервиса. «Магнит» — это пример самостоятельной разработки. Все задачи компания предпочитала решать самостоятельно, потому что она выращивала базу экспертов, которые пропускают через себя понимание этой задачи.

В 2018 году сеть «Пятерочка» осознала, что то решение, которое она использует для пополнения, морально устарело. Когда я пришел, был уже сформирован определенный реестр требований к системе. В шорт-лист вошло решение от одного малоизвестного на тот момент американского бренда One Network (который впоследствии купил BlueYonder). Нам понравился сервисный подход и философия платформы. Второе решение — это JDA, которое было внедрено в рамках группы компании X5 Retail Group — в сети «Перекресток». В итоге остановились на JDA, потому что мы обладали экспертизой по ней, опытом внедрения и командой техподдержки.

«Пятерочка» имела неплохие результаты с точки зрения бизнес-показателей в части логистики. Если брать процентные пункты, то замена системы повлияла минорно. Но в масштабах «Пятерочки» это были огромные цифры — миллиарды рублей, которые в перспективе могли быть заработаны. Сам проект, по официальным итогам закрытия, имел несколько миллиардов рублей эффекта, подтвержденного советом директоров.

Возвращаясь к проекту, для «Пятерочки» мы взяли систему JDA и запустили на ней расчет тех объемов, которые были нужны. Этот расчет занял больше 40 часов. В первую очередь мы решали задачу создания сложной высоконагруженной системы, которая позволяет в нужное время выдать расчет автозаказа в нужном качестве. Мы создали сложную сервисную модель, которая разделяла части процесса расчета заказа. На масштабах «Пятерочки» целевые цифры были следующими: сеть ежедневно работает со десятками миллионов пар товар-магазин, а горизонт, на который «Пятерочка» должна составить план, это десятки дней. Перемножаем эти две величины и получаем количество записей, которые нужно ежедневно отработать в системе для того, чтобы выдать заказ. При этом крайние регионы работы сети — это Дальний Восток, Сибирь и Москва с Калининградом. В конечном итоге целей по таймингам мы достигли. Около полгода мы потратили на первичную оптимизацию и запланировали еще около года на вторичную. Но, если брать сухом остатке, то система выполняла поставленные цели, нужные нам сроки, объем данных и достигла тех бизнес-показателей, которые мы поставили.

«Пятерочка» довольно эффективная компания, и каждый новый процент достигался с большим трудом. Поэтому общий эффект достиг порядка двух процентных пунктов.

Самый простой ответ — размер логистической функции и масштаб бизнеса. Если у частного предпринимателя два специалиста занимаются заказами с загрузкой 30% рабочего времени, предлагать менять этот подход на внедрение какой-то системы не представляет никакой ценности для него. В качестве стартовой точки, от которой необходимо думать о внедрении такой системы, можно взять порядка 500 тысяч пар товар-магазин. Несмотря на кажущийся масштаб, это два гипермаркета формата DIY. Конечно надо учесть, что решения имеют ценовой сегмент, функциональность и масштаб. Можно подождать до 3 миллионов пар и внедрить более дорогую систему, но можно начать и с простых систем, которые более-менее гибкие и более дешевые.

Если не подходить к вопросу выбора системы в этот момент, то первый признак — это отказ от большого количества ручного труда с помощью внедрения системы. В первую очередь, вы получаете автоматизацию, во вторую очередь, прозрачную дисциплину, потому что система требовательна к данным. Если маленькая компания ведет бизнес в Excel-таблицах, в ежедневнике и в голове, то для работы системы автозаказа компания должна начать вести учет более качественно.

Вторая точка, когда у компании возникает потребность в системе, — это количественный переход. Например, компания, у которой было 500 тысяч пар товар-магазин, начинает расширять свою географию представленности, количество бизнесов и требований, то и потребности к системе становятся более специфичными. Уже не подойдет автозаказ, который по всем товарам работает с одинаковым принципам. Нужно, чтобы в автозаказе можно было ввести настройки детализации для товара и создавать систему ограничений для конкретного дня.

Следующий качественно-количественный переход происходит, когда у компаний образовывается 3 миллиона пар товар-магазин. В этот момент ритейлеру нужны уже более совершенные инструменты, более функциональные. Компания начинает смотреть более дорогие системы.

Третий уровень — это масштаб крупных акул ритейла. Это те компании, которые гонятся за эффективностью, а эффективность — это синоним гибкости. Чем гибче работает система пополнения, чем больше в ней встроенных систем принятия решений, чем она адаптивнее, вплоть до того, что используются принципы машинного обучения и искусственного интеллекта, тем быстрее начинается третий этап перехода. Когда компания понимает, что работает с 30-40 миллионами пар товар-магазин, то такие игроки уже входят в высшую лигу и им уже нужны другие системы.

Мы реализуем продукт «Управление запасами», который, находясь в среднем классе, предлагает в себе часть услуг и часть опыта из высшей лиги. Клиент может получить решение по доступной рыночной цене, относительно масштаба своего бизнеса, но при этом с точки зрения функциональности нам удалось реализовать тот функционал и ту гибкость, которую представляют решение от крупных именитых вендоров.

Так как я такие решения внедрял, то понимаю, чем отличается решение такого класса от более дешевых. Зачастую можно встретить автозаказ за миллион рублей и вопрос в том, чем он отличается от автозаказа за миллиард, который продает Oracle. Разница как раз в его гибкости в плане архитектуры, производительности и возможности развиваться вместе с компанией. Можно купить решение, которое изначально может больше, но если нет необходимости пользоваться всем функционалом, он пока будет находиться в спящем режиме. Если он потребуется, функционал можно использовать, не меняя самого решения. Мы реализуем продукт, состоящий из двух частей: это ядро и платформа.

Второе наше преимущество — комплексный продукт. Если клиенту нужно и ценообразование, и планирование, и пополнение, он не будет искать по рынку несколько систем и думать, как эти системы между собой интегрировать и какие у них могут быть проблемы в процессе интеграции. Наш клиент получает все это в одном решении, и процесс от проекта до внедрения, Time to Market, очень сильно сокращается.

Можно выделить три ключевых направления в нашем решении. Первое ключевое направление — это гибкость настроек. Изначально система позволяет описать сложность любого типа сети поставок. Я взял свой опыт из «Магнита», взял свой опыт из «Пятерочки», из других компаний, из фэшн-области, из электронной коммерции и понимаю, какие сложные цепочки могут там выстраиваться. Например, «Магнит» — одна из вертикально интегрированных компаний, у нее есть теплицы, производящие свои продукты. «Пятерочка» же не является вертикально интегрированной, но в рамках группы компании есть большое количество импортных товаров, и это очень сложные логистические сети, очень большое количество настроек внутри этой системы. Поэтому в части справочной информации, настроек и описания этой сети мы постарались с командой дать возможности описать такие сети и сделать это максимально просто. Когда мы придем к небольшому клиенту, у него не будет таких сложных цепей. Если мы от него потребуем сделать описание очень сложной сети и на это описание потратить много времени, ему это будет просто неинтересно. Ему гораздо проще внедрить решение аналогичное, но более простое.

Второе ключевое направление — производительность. Мы используем все инструменты быстродействия, которые сейчас доступны, и современные программные решения. Мы можем себе позволить взять самые быстрые платформы и технологические стеки для того, чтобы обеспечить максимальное быстродействие. Благодаря быстродействию мы можем сделать автозаказ, который живет внутри суток или внутри магазина. Условно говоря, в 12 часов дня запускается логика, которая работает внутри магазина, смотрит на актуальные остатки и актуальные продажи, и делает дозаказ внутри этих суток. В фуд-ритейле такая практика есть, например с заказом хлебо-булочной продукции.

Третье ключевое направление — машинное обучение (ML). В силу узкой специфичности ML пока не нашел своего широкого применения в области управления запасами. Когда говорят, что используется машинное обучение, обычно имеется в виду прогноз. На самом деле функционал ML гораздо более широкий и, используя современные принципы и подходы, можно применить его и в автозаказе. Скоро такой функционал появится у всех вендоров, поэтому мы либо немного обгоним всех, либо не опоздаем с этим решением.

Машинное обучение может использоваться, чтобы оптимизировать настройки автозаказа. Например, пользователь хочет сделать страховой запас в 30%, но ML может в этот момент включиться и сказать, что это неразумное решение, есть определенные риски и предложить настройку в 24,5%. У пользователю пока будут полномочия отменить это решение и выставить свое, но машинное обучение должно очень сильно облегчить жизнь специалистам. Это называется система вспомогательного интеллекта.

В работе логистики и цепочке поставок есть три метрики. Первая — это метрика доступности товара для клиентов, она подстегивает увеличить заказы. Вторая метрика, которая, наоборот, стимулирует сокращать товарный запас — это оборачиваемость товара или замороженный капитал.

Третий фактор, который является обязательным, — это стоимость услуги, потому что логистика предоставляет сервис компании. Чем дороже сервис, тем компания менее эффективна. Например, «Пятерочка» в части стоимости логистики очень эффективная компания на рынке. Цифры в 1,5-2 раза ниже, чем, например, у того же «Магнита». Связано это с постоянной гонкой за эффективностью, она имеет и свои обратные стороны, так как некоторые риски не перекрываются. Но в большинстве случаев затратная часть логистики — это самый главный KPI для директора по цепочкам.