Интеллектуальный автозаказ: новые технологии в управлении цепочками поставок
Сергей Кравченко, Старший аналитик данных, Beltel Datanomics
Построение системы автозаказа на основе алгоритмов прогнозирования с использованием методов машинного обучения представляет собой важный шаг в оптимизации цепочек поставок и управления запасами. В условиях современного рынка, где спрос на товары может резко меняться, точное прогнозирование становится ключевым фактором для поддержания конкурентоспособности и удовлетворения потребностей клиентов. Однако прогноз спроса сам по себе не являются конечным продуктом; его необходимо интегрировать в бизнес-процессы, минимизируя ручной труд. В этой статье мы рассмотрим, как на практике прогнозы преобразуются в автозаказы, учитывая график поставок, остатки и возможные ошибки прогнозирования.
Формула автозаказа
Существует классическая формула заказа необходимого товара на торговую точку:
Заказ = Прогноз на плечо поставки + Страховой запас — Остатки
Естественно, чем больше плечо поставки, тем больше товара необходимо заказать, чтобы его хватило до следующей поставки. На рисунке ниже схематически показано, какой горизонт прогнозирования необходимо учитывать, чтобы не оказаться с пустыми полками:
Рисунок 1. Горизонт прогнозирования c учетом графиков поставок
Страховой запас – это величина, позволяющая минимизировать вероятность пустых полок из-за волатильности спроса на товар. Существуют различные методологии расчета страховых запасов. В одной из наших статей мы показывали, как рассчитывать страховые запасы по заданному уровню сервиса и статистике ошибки прогнозных алгоритмов. Здесь же мы хотим лишь продемонстрировать методологию сбора прогноза в заказ.
Остатки – это запасы в магазине на момент формирования заказа. Эти остатки могут быть как физическими, так и виртуальными (товары в пути). При заказе учитываются оба вида остатков.
График поставок
График поставок — важнейший фактор, который наряду с прогнозом формирует объемы заказов товаров в торговую точку. По нему мы ориентируемся, какой горизонт прогнозирования необходимо выбрать, чтобы обеспечить магазины необходимым количеством товара.
Таблица 1. Пример графика подачи заявок и поставок
При рассмотрении графиков заявок и поставок, приведенных в таблице выше, важно понимать, что при подаче заявки в понедельник на доставку в среду, заявка на доставку во вторник уже утверждена, поэтому товар утвержденной заявки должен числиться в виртуальных остатках магазина или как «товар в пути». Аналогично, при формировании заявки в пятницу: в четверг была сформирована заявка на поставку в субботу, поэтому утвержденное количество этой заявки также должно быть учтено.
По графику поставок предъявляются требования к прогнозному алгоритму в виде необходимого горизонта планирования объемов. Причем это требование в разные даты подачи заявок может меняться: во вторник достаточно прогноза на два дня вперед, а в четверг необходимо взять четыре дня, чтобы товара хватило до вечера воскресенья, если поставка будет в понедельник утром. От вариации горизонта прогнозирования также зависит накопительная ошибка прогноза, следовательно, страховой запас должен учитывать этот фактор.
Заключение
Расчет автозаказа является арифметической задачей, поэтому его просто автоматизировать, исключив из ручного управления. График поставок – ключевой фактор формирования количества товара в заказе и, как следствие, остатков в магазине. Увеличение плеча между заказом и поставкой неизбежно ведет к увеличению остатков в магазине, хотя и сокращает логистические издержки. Поэтому необходимо найти золотую середину между частотой поставок и складскими запасами. Применение прогнозирования методами машинного обучения в автозаказе помогает автоматизировать рутинные процессы, минимизировать человеческие ошибки и оперативно реагировать на изменения рыночных условий.