Консалтинг изнутри или немного о внедрении автозаказа на конкретном примере

Данным постом хочу немного приоткрыть завесу консалтинга – что же происходит за кулисами, когда тот или иной специалист берется за большой амбициозный проект? С какими сложностями он сталкивается? Как их преодолевает? Как оценивает результат своей работы? Обо всем этом и не только — в статье ниже.

На старте моей консалтинговой деятельности меня позвали в проект оптимизации системы закупок одной солидной компании с количеством более 12 000 SKU (только складских, еще столько же — под заказ). Итак, была поставлена серьезная цель с подробнейшим ТЗ, а именно (цитирую): «Александр, прокачай закупки, мы знаем, ты можешь, сделай как себе».

Полагаю, многие улыбнулись, но жизнь такова, что многие консультанты получали что-то подобное. Заказчики лишь понимают, что нужно что-то менять, но конкретику сообщить не могут. Тем более — подробно описать свои больные места. Но это совершенно нормально, со стороны всегда виднее.

Итак, оставим за скобками аудит закупочной деятельности, формирование плана изменений в политике закупок и прочие моменты. Остановимся лишь на одном пункте – автоматизация процесса заказа. Знаю, тут многие скажут – уже полно коробочных изделий, которые позволяют автоматизировать процесс прогнозирования и заказа чуть ли не одним кликом мышки. Но я в это не верю, любое коробочное ПО нужно дорабатывать под конкретную компанию и ее бизнес-процессы. Что устраняет ее главное преимущество «универсальной пилюли для решения всех проблем».

Вводные данные компании: десятки поставщиков, 12 000 SKU, срок поставки колеблется от 1 до 60 дней. Все закупается на РФ рынке. Самое главное – достаточно низкая рентабельность. Рынок FMCG.

Сперва я, как и водится, визуализировал информацию своим любимым инструментом, тем самым получив нужную мне информацию по продажам, остаткам, сервису, трендам, сезонности и т.д. Тоже личная разработка, о ней уже писал и готов написать еще, если будет интерес.

Проверив сотню позиций компании-заказчика, я понял, что задача вполне выполнимая и можно браться за проект. Для того, чтобы реализовать функцию автозаказа, нужно проанализировать огромный массив данных, который сперва нужно получить у заказчика. Это тоже непростая задача, потому как это миллионы записей, эксель их обрабатывает очень тяжело. Пришлось выводить все из 1С в виде базы данных, далее через Access подгружать в модель Excel (о модели расскажу чуть позже). Да, мозг начинает закипать, но мной был выбран именно этот способ. Хотя были и другие варианты.

Итак, данные по продажам, срокам поставки, остаткам, закупочным и другим ценам получены. Далее приступаем к созданию модели в Excel, которая «проживет» годы жизни компании на выбранных мною настройках автозаказа полностью в автоматическом режиме.

Сперва представлю реализованную модель (одна из версий, которых было несколько десятков…). Каждый раз что-то приходилось дорабатывать.

Заведя данные в модель, я реализовал достаточно простую модель заказа – по среднему, но с возможностью выбора периода для вычисления среднего спроса. Далее заставил модель делать автозаказ на всем протяжении периода статистики – 3 года. Детализацию взял понедельную, большая точность мне была не нужна. Да и ограничения технического характера давали о себе знать.

Обладая фактическими данными легко было замерить результат работы автозаказа – где мы сидели без остатков, где мы, наоборот, слишком много заказали. Все это учитывалось в модели. Ведь нам известна стоимость хранения товара на складе, а также стоимость денег, то бишь банковский процент.

Несложно догадаться, что первая версия модели серьезно проиграла результатам деятельности закупщиков компании-заказчика. Причины просты – слишком мало было учтено в модели. Следующим шагом была сегментация ассортимента. Использовался многоуровневый ABC/XYZ/FMR анализ ассортимента с присвоением каждой позиции определенной категории.

Было решено разбить ассортимент на 2 группы – автозаказ с расчетом страхового запаса, учитывающим нужный нам уровень сервиса, а также просто мин-макс, который тоже автоматически рассчитывался системой.

Полагаю, интересно узнать про 2 группы, на которые мы разделили ассортимент.

Тут все просто: многие товары были в ассортименте компании, но не отличались достаточно хорошей стабильностью потребления. Например – товар мог не продаваться полтора месяца, хотя был на складе все это время. Потом продался в размере 1 штуки. Затем месяц простоя. Затем продался в размере 10 штук. Потом 2 недели простоя и продали ….246 штук. Затем более-менее равномерные продажи по 10 штук в квартал.

Согласно определенным критериям, товар таки был разделен на 2 категории и формула автозаказа была разделена на две части.

Для первой части, где потребление было более-менее стабильным, мы внедрили корректировку спроса путем срезки разовых продаж, а также восстановлению спроса во времена отсутствия товара на складе. Достаточно стандартный механизм, который используют большинство «коробочных» программ на рынке.

Для второй части мы решили не использовать хрустальный шар для прогнозирования непрогнозируемого, а лишь договорились об уровне сервиса, который мы будем предоставлять клиентам, который и «зашили» в мин-максы. Кстати, это был один из важнейших пунктов проекта. Потому как редкопродаваемые позиции были сильно затарены и оказывали негативное влияние на экономику компании. А сервис, как ни странно, тоже не отличался высокими показателями. С редкопродаваемыми позициями была проведена и дополнительная работа — были предоставлены рекомендации по выводу из ассортимента части товара, перевода под заказ, оптимизации цены реализации, поиска новых поставщиков. Все это исходило из-за крайне низкой рентабельности, которую мы видели исторически, зачастую она была отрицательной…

Итого: модель заиграла новыми красками и результаты ее работы были уже лучше, чем деятельность компании до ее существования.

Но на этом мы не остановились. Так как каждый поставщик предоставлял нам свой уровень сервиса отгрузок, мы и этот показатель косвенно учли в страховом запасе. В итоге мы получили модель, которая позволяла сделать симуляцию автозаказа на протяжении последних трех лет работы компании с учетом категорийности товара, периода учета статистики продаж, характеристик обрезки всплесков и авто восстановления спроса, дифференцированного подхода к расчету страхового запаса. И все это с учетом рентабельности сделок и стоимости денег.

Казалось бы – работа завершена. Но все только начиналось… Теперь нужно было подобрать параметры, которых было несколько десятков… Знающие Excel могут предложить функцию Подбор параметра или же поиск решения для подобной задачи. Но данная модель сильно сложнее и здесь единственным способом было поочередно подбирать каждый параметр.

Каждый просчет занимал примерно 20 минут. Это работа макроса, который делает достаточно рутинную, но важную нам работу. Далее анализировался результат и вносились изменения в модель. И так десятки-сотни раз. За несколько дней оптимальные настройки были найдены. Помогли навыки мат.анализа.

Итогом данного мероприятия послужило ТЗ по модернизации 1С для внедрения функции автозаказа с возможностью его проверки и последующей коррекции. Об этом можно написать отдельную статью. Там тоже много чего было внедрено. ТЗ содержало весь набор инструкций, как и что требуется доработать, какие коэффициенты нужно вписать для каждой группы, характеристики, корректировки. Ну а далее – регулярный мониторинг состояния запасов и непрекращающаяся оптимизация настроек.

Многих интересует финансовая часть вопроса: что это принесло компании?

1. Сокращение времени на прогнозирование продаж менеджерами в разы (экономия исчислялась часами в неделю на каждого из 10 менеджеров)
2.  Повышение уровня сервиса на несколько процентов при улучшении показателей оборачиваемости примерно на 10%. А в запасах были заморожены десятки миллионов рублей, которые теперь можно было направить в нужное русло.
3.  Повышение прозрачности закупок и устранение влияния человеческого фактора.
4.  Стандартизация процесса закупки. Внедрение функций контроля за заказами.
5.  Визуализация и цифровизация результатов деятельности закупщиков. Для этого использовали Power BI.

Описал я далеко не все, что реализовано. Но этого достаточно, чтобы оценить масштаб работ. А он был поистине грандиозным – с полным погружением в процессы компании, в нюансы работы с поставщиками. Готов повторить для нуждающейся в оптимизации компании :).

Можно ли было все сделать по-другому? Скорее всего.

Можно ли было сделать еще эффективнее? Наверняка!

Но лучшее – враг хорошего.

Результатом остались довольны все. А процесс продолжается и будет идти всю жизнь.

Удачных проектов вам!