АНАЛИЗЫ: Предсказания оптом и в розницу. Как прогнозируют ваше поведение известные розничные сети

Первые попытки автоматизировать управленческие процессы в бизнесе и на производстве имели место еще сорок лет назад. Тогда наибольшую популярность получила методология MRP (Material Requirement Planning), нацеленная на планирование потребностей предприятия в сырье. К 80-м годам сформировался рынок компьютерных информационных систем (КИС), базирующихся на более широкой концепции MRP-II (Manufacture Resource Planning). Новый подход брал за основу планирование ресурсов производства. К 90-м годам эта концепция была дополнена функциями финансового и кадрового управления и получила название ERP (Enterprise Resource Planning). А созданные согласно данной концепции КИС стали называться ERP-системами.

По сей день это ПО остается центральной частью ИТ-структуры практически любого предприятия. Главными задачами ERP-системы являются консолидация поступающей корпоративной информации в единой БД, обмен данными между подразделениями компании, сокращение времени выполнения рутинных операций, повышение прозрачности коммерческой деятельности и повышение качества контроля и управления предприятием.

Некоторые эксперты выделяют ряд современных ERP-продуктов в особый класс — ERP-II (Enterprise Resource and Relationship Processing), для которого характерно дополнение функциональности «стандартной» ERP-системы модулями по работе с потребителями (CRM, Customer Relationship Management) и управлению цепочками поставок (SCM).

Функциональность системы (а точнее, платформы) Goods4Cast, которую сейчас тестирует «Перекресток», реализуется за счет интегрированной работы семи программных модулей, отвечающих за прогнозирование объемов ежедневных продаж (это делает ядро системы), планирование и оптимизацию закупок, верификацию и обнаружение ошибок в данных, контроль доступности товаров на полках, анализ эффективности воздействий на спрос, оптимизацию объемов страховых запасов и контроль качества прогнозов. Непременной составляющей является первый модуль, а все остальные заказчикам предлагается покупать выборочно, в зависимости от конкретных потребностей.

Центральная часть Goods4Cast — модуль прогнозирования будущих продаж. Он поставляет львиную долю данных, используемых другими модулями системы (для расчета момента и объема закупки, объема обязательного запаса на складе), а потому точность прогноза является критическим фактором, определяющим эффективность системы в целом. Замечу, что алгоритмы прогнозирования центрального модуля минимизируют не ошибки прогноза, а суммарные потери, так как обычная «статистическая» погрешность в 3—5 процентов при миллиардном обороте выливается в весьма впечатляющие суммы.

Для каждого товара система автоматически выбирает подходящий алгоритм, вносит коррективы по взаимному влиянию товаров и рассчитывает доверительный интервал для оценки погрешности прогноза. По мере работы системы и накопления данных о продажах появляется возможность контролировать точность алгоритмов с возможной их перенастройкой.

В свою очередь, модуль планирования закупок позволит избежать таких малоприятных явлений, как замораживание средств, снижение оборачиваемости, затоваривание складских площадей, нехватка места для других товаров при чрезмерной закупке или отсутствие товара на полке (а это не только ведет к снижению продаж, но и негативно сказывается на отношении покупателей) при запоздалой или недостаточной закупке. От системы в этом случае требуется выбрать оптимальный момент и объем закупки.

Исходными данными для принятия этого решения служат такие показатели, как объем текущих товарных остатков, предполагаемый период, по истечении которого заказанный товар появится на прилавке, объем сделанных (но еще не доставленных) заказов, предполагаемый объем продаж и размер обязательного (страхового, неснижаемого) запаса. Данные о прогнозируемом объеме продаж импортируются из ядра системы. Страховой запас вычисляется с учетом возможных колебаний спроса и задержек доставки и тоже может быть определен отдельным модулем системы. Остальные показатели импортируются из системы учета розничной сети.

Оптимальный момент закупки определяется исходя из утверждения, что к поступлению новой товарной партии в магазин страховой запас оставался нетронутым.

Оптимальный объем партии определяется таким образом, чтобы суммарные издержки на единицу товара были минимальными. Издержки пропорциональны времени нахождения товара на складе и занимаемому партией объему. Кроме того, учитываются издержки, связанные со сроком годности товара. Они зависят от прогноза продаж, так как равны стоимости товара, который не удастся продать до истечения срока годности.

Исходными данными для следующего модуля, ответственного за определение оптимального размера страхового запаса, являются значения приемлемого уровня доступности, проставляемые заранее на этапе формирования товарных категорий. Заданы эти уровни могут быть по-разному. Например, можно указать количество дней, в течение которого товары конкретной группы могут отсутствовать на полках магазина. Оптимальный запас определяется для каждой группы исходя из утверждения, что установленный уровень доступности должен быть неизменным в случае внезапного возрастания спроса или задержки поставок. Модуль также учитывает точность предыдущих прогнозов продаж того или иного товара.

В основе модуля контроля доступности лежит алгоритм, выявляющий необычное снижение или остановку сбыта. Данный компонент может оказаться полезным в том случае, если товар отсутствует в магазине, однако этот факт не отражен в системе учета (показывается наличие остатка), а также если имеющийся товар потерял качество или находится в неположенном месте. Разумеется, подобные инциденты обнаруживаются при проведении ежегодной инвентаризации, но достоинство модуля состоит в том, что он позволяет реагировать на такие ситуации очень быстро — до нескольких раз в день. В том же модуле реализована работа с противоречивыми данными по выявлению продаж при отрицательных остатках, выявлению отсутствия сбыта при положительных остатках и т. п. с занесением сведений об отклонениях в специальный журнал.

Функциональность у модуля оценки эффекта от воздействия на спрос довольно проста. Компонент определяет разницу между уровнем продаж, достигнутым с помощью промоакции, и спрогнозированным уровнем, который был бы получен без проведения акции.

Модуль контроля качества прогнозирования анализирует случаи ошибочных прогнозов спроса. При обнаружении чрезмерной или недостаточной закупки система предлагает пользователю выбрать один из сценариев для данного товара: запрещение прогноза в дальнейшем, ручное проведение прогноза или корректировка модели. Интересной представляется возможность своеобразного бэкапа — воссоздания условий работы на какой-либо день в прошлом для более подробного анализа отклонений. Автоконтроль качества позволяет оперативно корректировать алгоритмы прогнозирования и выявлять «слабо предсказуемые» товары.