При формировании необходимых заказов поставщикам используются нормативные значения запасов. Нормативные значения запаса расчитывались в два этапа.

Для прогнозирования спроса на втором этапе использовались достаточно простые (авто-) регрессионные модели. Однако они не очень подходят для непостоянного и разряженного спроса, который характерен для многих строительных материалов на B2B рынке. Поэтому для поддержания требуемого уровня сервиса значительную часть нормативных запасов специалисту приходилось устанавливать экспертно.

С учетом этих особенностей, а тажке низкой производительности самих расчетов, для полного обновления нормативных запасов сотруднику требовалось до двух рабочих дней.

Модернизацию процесса управления запасами мы начали с изучения лучших практик и анализа готовых решений. Нашим слабым местом было прогнозирование спроса и установка нормативных значений запасов. При этом, в компании уже есть собственные наработки, в которых покрываются потребности бизнеса, и к тому же настроен электронный документооборот с основными поставщиками — предполагалось продолжать выполнять формирование заказов в этой системе.

Сейчас готовые решения по управлению запасами на рынке подразумевают комплексное решение, от планирования продаж и операций до компоновки транспортного средства. Для закрытия «слабого места» бизнес-процесса полный функционал таких систем не нужен. Поэтому, покупать их было бы невыгодно.

Например, еще год назад для отправки заявки на покупку нашему основному поставщику требовалось выгрузить уже полностью скомплектованное транспортное средство. Для этого кейса большинство готовых решений по управлению запасами нам подходили из коробки. Но в этом году в связи с дефицитом товаров на заводах стало необходимо выгружать заказы порционно, резервируя товар на заводе, и далее связывать несколько заказов в один в момент, когда скомплектовалась полное транспортное средство. Такой кейс без дополнительных доработок не поддерживает большинство систем.

В ходе анализа лучших практик и изучения предложений на рынке тестировали те или иные подходы к прогнозированию спроса и управлению запасами. На тот момент уже год как использовали Qlik Sense как систему анализа данных внутри департамента логистики, уже в определенной степени набили руку. Поэтому для прототипирования моделей прогнозирования также решили использовать Qlik Sense.

Да и был уже готовый загрузчик нормативов их excel в 1С УТ, поэтому расчетные нормативы можно было достаточно быстро перенести в учетную систему без дополнительных доработок 1С УТ. Оставалось добавить writeback для того, чтобы специалист мог донастраивать расчетные значения непосредственно в Qlik Sense, и потребность в специализированной системе управления запасами отпадала.

В Qlik Sense ежедневно пересчитывается оценка спроса и нормативные значения запасов. Специалист отдела управления запасами разбивает ассортимент на группы — позиции, по которым можно использовать автоматически рассчитанные нормативы с автоматически определеным уровнем сервиса; позиции, по которым нужно установить уровень сервиса; позиции, по которым не нужно загружать автоматически рассчитанные нормативы. И далее мониторит рекомендации системы по изменению действующих нормативов и при необходимости обновляет нормативы.

Таким образом, нормативные значения запасов обновляются не просто с определенной периодичностью, как это было раньше, а только тогда, как это нужно — изменилась оценка спроса или другие составляющие, например, срок исполнения заказа.

Специалист отдела управления запасами не занимается бесполезной работой, пересчитывая нормативные значения запасов просто потому, что по графику подошел срок пересчета, даже если после пересчета новые значения не будут отличаться от предыдущих.В то же время процесс создания заказов поставщику для смежного отдела исполнения заказов не изменился.

В этом году на рынке практически по всем товарным группам дефицит сырья, у большинства поставщиком дефицит товара, транспорта, складских мощностей.
Беспрецедентный рост цен и всплекс спроса на строительные материалы.

Тем не менее, с учетом всех сложностей предварительно демонстрируем следующие результаты в сезонные месяца:

А также:

В качестве будущих планов:

→ Включить в модель некоторые особенности работы с РРЦ.
→ Использовать реализованную модель вероятностной оценки спроса для регулярной оценки уровня сервиса и упущенной прибыли.
→ Дополнить экспертные оценки эффективности и объемов сверхнормативных акционных запасов вероятностной оценкой спроса.