Food-to-go в ритейле. Как автоматизировать заказ сырья для собственного производства
Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.
Концепция Food-to-go стала заметно набирать обороты в России примерно последние пять лет. Магазины и супермаркеты не только предлагают привычные сэндвичи и упакованные салаты, но и расширяют ассортимент холодных и горячих блюд, супов, предлагают блюда национальных кухонь мира. В супермаркетах появились зоны кафе, где можно быстро и недорого пообедать. Как правило, готовая еда – высокомаржинальная категория для магазинов, но это не единственная причина развития направления. Наличие собственных пекарен, готовой кулинарии повышает трафик и лояльность покупателей, для которых экономия времени и денег – существенное преимущество при выборе места для покупок.
Пандемия COVID-19 внесла некоторые корректировки в прогнозы развития food-to-go, и доля продаж готовой еды в торговых сетях РФ снизилась во втором квартале 2020 года в среднем на 25% по сравнению с первым кварталом 2020, но уже в первом квартале 2021 года уровень продаж вернулся на доковидный уровень, показав прирост на 15% по сравнению с аналогичным периодом прошлого года*.
В разных ритейл сетях доля готовой еды в общей выручке отличается в зависимости от концепции сети, степени развития инфраструктуры (наличия пекарни, необходимого оборудования, персонала и пр.) и может составлять от 0.1-2 до 10 и даже 15 процентов, но food-to-go безусловный тренд в развитии ритейла, и все большее количество сетей расширяет ассортимент продукции в этой категории.
Традиционно вопрос заказа ингредиентов для собственного производства решался ритейлерами исходя из среднего расхода продуктов с помощью несложных алгоритмов в учетных системах или таблиц Excel. Но с ростом ассортимента и объемов в категории подобное планирование становится трудоемким и неточным, что влияет на товарооборачиваемость, может привести к списаниям и убыткам.
Задачу оптимизации поставок сырья и материалов для собственного производства можно решать аналогично задаче автозаказа товаров для перепродажи, но потребуется добавить несколько шагов в процесс прогнозирования.
Пример автоматизации заказа сырья и материалов для собственного производства федерального ритейлера
Суммарное количество номенклатур готовой еды составляет 965 позиций, прогнозировать необходимо в разрезе магазина на каждый день с горизонтом 6 недель. Количество магазинов для прогнозирования 115.
Шаг 1. Прогнозирование спроса в разрезе номенклатуры и магазина
Прогнозирование осуществляется методами машинного обучения и учитывает такие параметры, как история продаж, сезонность, тренд продаж, дни недели и праздники, погода. Например, традиционные блюда русской кухни окрошка и холодный борщ являются сезонными продуктами, но на их спрос влияет и прогноз погоды – при жаркой погоде он будет значительно выше, чем в холодный и пасмурный день. Модель машинного обучения может прогнозировать спрос с учетом прогноза погоды, что вручную делать на каждодневной основе для каждой позиции очень трудозатратно.
Шаг 2. Перенос прогноза спроса конечного продукта на ингредиенты
Как правило, для каждой номенклатуры производства существует технологическая карта ее изготовления. Технологические карты должны содержать состав ингредиентов и количество. Получив прогноз на конечную номенклатуру производства, можно перейти к прогнозу ингредиента.
Шаг 3. Сопоставление ингредиенту номенклатуры для заказа (сырье и материалы)
Каждому ингредиенту могут соответствовать различные продукты для заказа. Справочники соответствия помогают перевести ингредиент в конкретную позицию для заказа у поставщика.
Шаг 4. Расчет потребности для каждой номенклатуры заказа
Технологические карты позволяют рассчитать потребность в каждом ингредиенте, перевести ингредиент в конкретную номенклатурную позицию для заказа и исходя из расхода, указанного в рецепте, получить прогнозируемую потребность сырья и материалов для собственного производства.
Шаг 5. Автоматическое формирование заказа на покупку у поставщика
Расчетное значение прогнозируемой потребности номенклатур для целей собственного производства передается через API в учетную систему ритейлера, где формируются централизованные заказы на покупки у поставщиков.
Для ускорения и оптимизации расчетов используются облачные вычислительные мощности Microsoft Azure.
Прогнозирование расхода ингредиентов методами машинного обучения снижает трудоемкость за счет автоматизации процесса планирования. Результатом внедрения стало снижение трудозатрат в 4 раза. Точность прогнозов повысилась, что позволило сократить уценки и списания на 20%.
Для высококонкурентных отраслей, которой является ритейл, важно максимально использовать возможности, которые предоставляют новые технологии: продвинутые алгоритмы прогнозирования для автоматизации и повышения точности расчетов, облачные вычисления, которые снижают потребность инвестирования в дорогостоящие серверные мощности. Внедрение передовых решений для ритейла позволяет сократить расходы, увеличить товарооборачиваемость, повысить лояльность клиентов и сохранять за собой лидерство в отрасли.
*Цифры приведены на основании исследований на агрегированных данных ритейлеров, проводимых Datanomics.
Дополнительно:
Преимущества алгоритмов машинного обучения для прогнозирования спроса (datanomics.ru)
Почему важно поддерживать актуальность данных по акциям и остаткам (datanomics.ru)