Журнал «Точка продаж»
Автор: Ольга Крыкова
Западные сети давно оценили эффективность от внедрения автоматической системы прогнозирования спроса - ее используют практически все крупные игроки розничного рынка. Об автоматизации прогнозирования начали задумываться и российские ритейлеры. Однако осуществить этот проект пока удалось лишь единицам. На пути внедрения системы прогнозирования спроса стоит непредсказуемая российская действительность.
От учета к прогнозу продаж
Возможность прогнозирования спроса в розничной торговле появилась с внедрением систем учета товародвижения. Автоматизированные системы позволили фиксировать все продажи и накапливать информацию о движении товара. Изо дня в день появлялись и складировались данные о том где, сколько и какой товар был продан. И дальновидные ритейлеры всерьез задумались о том, чтобы использовать эту информационную базу для прогнозирования продаж. Анализируя данные системы учета, можно достаточно точно прогнозировать спрос и рассчитать с точностью до штук или граммов сколько того или иного товара нужно закупать. Но правильно и быстро сделать прогноз всего ассортимента под силу только автоматизированной системе.
На сегодняшний день во многих российских магазинах и небольших сетях прогноз делается «на глаз». Менеджер по закупке смотрит историю продаж, остатки товара и принимает решение о размере заказа. При широком ассортименте в магазине создается отдел закупок, выделяются специализированные менеджеры, контролирующие какую-либо одну группу товара, например, только молочные продукты, разрабатываются упрощенные схемы полуавтоматизации закупок. Например, если по какой-то причине не происходит заказа (скажем, заболел менеджер), то система автоматически делает средний заказ по месяцу или заказывает столько, сколько и в прошлый раз. Несовершенство такого подхода очевидно. Как очевидно и то, что, имея данные о продажах товара, можно автоматизировать систему закупок. И некоторые сети всерьез решили этим заняться.
Алгоритмы в шампанском
В системе прогнозирования спрос на товар рассчитывается автоматически без участия пользователя каждый раз, когда требуется принять решение о закупке. Перед тем как составить прогноз, система анализирует все имеющие факторы. Например, определяя сколько нужно купить шампанского, система анализирует данные по продажам шампанского за последние годы: в будни, выходные, праздники и предпраздничные дни. При составлении прогноза также анализируются продажи товара, похожего на данный вид шампанского (например, шампанское другой марки), их цены, проходила ли в это время промоакция и многое другое. Суммируя все данные, система выдает оптимальный прогноз — сколько бутылок шампанского закупить на заданный период времени. Для прогнозирования закупок на скоропортящийся товар повседневного спроса, требующего ежедневных поставок, используются более сложные алгоритмы. Например, учитывается недельная сезонность продаж — в разные дни недели продается разное количество товара. В результате для каждого товара подбирается тот алгоритм, который наиболее полно отражает особенности покупательского спроса на этот продукт.
Конечно, какие-то факторы, не зафиксированные в истории продаж, система не сможет учесть. Например, футбольный матч на следующей неделе и приезд украинских болельщиков, которые скупят всю горилку. Но такие нестандартные ситуаций бывают не часто, и в этом случае объем закупки корректируется менеджером. Иногда система прогнозирования выявляет любопытные закономерности. «В одном из наших проектов по прогнозированию спроса для правительства Москвы была обнаружена четкая зависимость между продажами селедки и бытовой техники. Это вызывало недоумение, пока эксперты не объяснили, что покупатели нередко празднуют покупку бытовой техники, а для праздника покупают селедку», - рассказывает Антон Вальков, компания Forecsys, руководитель проекта по разработке системы прогнозирования Goods4cast.
Сколько вешать в граммах?
Насколько точен будет прогноз, данный автоматизированной системой, зависит от спроса на данный продукт. Высокую точность прогнозирования имеет часто продаваемый товар. Например, сосиски. Несмотря на то, что спрос на них колеблется, система способна сделать прогноз на неделю с точностью до грамма.
Чем реже покупают товар, тем сложнее прогнозировать спрос. Например, две бутылки виски могут стоять на витрине месяц, а могут быть купленными в один день. И в какой из дней их купят — с точки зрения здравого смысла непредсказуемо.
Товар ежедневного спроса легко прогнозируется системой даже на основании данных за насколько месяцев, что не скажешь о товаре сезонного спроса, который требует как минимум годовую историю продаж. В этом случае менеджеру по закупкам придется делать начальные заказы в ручном режиме, а затем в течение нескольких месяцев пристально следить за динамикой спроса, пока не накопится достаточно данных для работы автоматизированной системы прогнозирования. «Когда речь идет о компании, имеющей региональную сеть продаж, то автоматизированная система прогнозирования спроса позволяет руководству не только отслеживать продажи на местах и вносить их в общие планы, но и отслеживать общие, глобальные тенденции продаж, то есть осуществлять планирование сверху вниз. Система обладает способностью отслеживать тенденции в продажах и учитывать их в дальнейшем при составлении прогнозов», - рассказывает Олег Осминкин, старший консультант компании i2 СНГ.
И, как считают разработчики, окупаемость отечественной системы прогнозирования составляет значительно меньше года. Западные компании оценивают окупаемость своих систем — от года до двух, что, впрочем, тоже неплохо. Эффективность от автоматизации закупок оценивается в 1 — 20 % от оборота в зависимости от степени развития сети.
От теории к практике — системы прогнозирования спроса
Первая и пока единственная отечественная продовольственная сеть, которая внедрила специализированную автоматизированную систему прогнозирования спроса, — это «Перекресток». И здесь «Перекресток» в полной мере ощутил себя первооткрывателем. Найти нужное программное решение оказалось не просто. Дело в том, что российский рынок систем прогнозирования спроса очень сырой и выбрать достойное решение, не видя ни одного результативного проекта по внедрению системы в российской рознице, — задача не из легких. И «Перекресток» организовал конкурс. Сеть предоставила конкурсантам данные по продажам каждого из 15 тыс. наименований товара за последние два года. Прогноз, рассчитанный IT-специалистами, впоследствии сверялся с реальными данными продаж. В конкурсе участвовали крупные международные IT-компании. Однако технологии, опробованные на западном ритейле, не смогли дать достаточно точный прогноз в России. Наибольшую точность показала отечественная система Goods4Cast, разработанная компанией Forecsys. «Особенность российской разработки в том, что при составлении прогнозов использовались новейшие научные достижения в области прикладной математики, которые по признанию многих западных экспертов опережают зарубежный уровень примерно на 15-20 лет. Кроме того, при решении конкретных задач на территории России не используется потенциал тех разработчиков, которые создают интеллектуальное наполнение зарубежных систем. Они находятся в Америке и весьма далеки не только от российских пользователей, но и от филиалов собственных фирм в России. Это обстоятельство мешает им ориентировать свои программные продукты на российские реалии», — комментирует ситуацию член-корреспондент Российской Академии Наук, руководитель отдела методов прогнозирования Вычислительного Центра РАН, профессор К.В.Рудаков.
Даже европейским сетям пользоваться западными системами в России не всегда удобно. Например, в магазинах ИКЕА установлены шведские автоматизированные системы. «ИКЕА использует системы, которые были разработаны специально для нашей компании. Из недостатков можно отметить лишь то, что обслуживающий их центр находится в Швеции и в случае сбоя или какой-то неполадки в системе, проблема решается не так быстро, как хотелось бы», — говорит Алла Забровская, PR-менеджер розничной сети ИКЕА в России.
Пока «Перекресток» испытывает на себе новую автоматизированную систему, большинство российских сетей пытаются прогнозировать спрос при помощи ERP-систем, либо каких-то собственных разработок.
В группе компаний «Виктория» (магазины «Квартал», «Дешево») функцию прогнозирования спроса выполняет ERP-система, установленная на базе ПО Axapta. «В предлагаемый программой заказ, менеджер вносит свои корректировки, учитывая какие-либо внешние факторы — праздники, сезонный всплеск и т.п. На данный момент мы планируем отладить работу этой системы и через год, может быть, будем рассматривать возможность перехода на прогнозирование спроса без участия пользователя, подсоединив к ERP систему прогнозирования спроса», — говорит Петр Андросов, руководитель департамента логистики ГК «Виктория».
В функциональности большинства ERP-систем не заложено автоматическое прогнозирование спроса. Они могут лишь предложить пользователю возможности по построению прогноза на основе таблиц и иногда графиков товародвижения. На основании введенного пользователем прогноза ERP-системы способны рассчитывать размер необходимой партии для доставки.
Наиболее динамично развивающиеся сети уже давно задумались об автоматизации прогнозирования закупок и, не став дожидаться пока в России появятся более менее внятные системы прогнозирования, занялись этим вопросом самостоятельно. Собственную систему прогнозирования спроса разработала сеть салонов сотовой связи Dixis, насчитывающая более 700 магазинов. «Решение внедрять собственную программу было вызвано тем, что ни один из разработчиков ПО для прогнозирования спроса не смог в нужные сроки создать систему, учитывающую все необходимые факторы данного рынка и требования компании. Основным преимуществом настоящей программы является простота в обучении и совместимость с ПО обычных компьютеров. Недостатки — большой объем вводимых данных и наличие погрешности, в результате которой приходится делать визуальную оценку прогноза с привлечением нескольких сотрудников», — рассказывает Татьяна Москалева, руководитель службы по связям с общественностью компании Dixis.
Система прогнозирования в Dixis включает в себя несколько этапов: сбор необходимой информации (условия поставщиков, информация по моделям телефонов, данные о конкурентной среде, мониторинг цен, рекламные акции и т.п.), обработка данной информации, получение прогноза закупок, оценка полученного прогноза и, наконец, окончательное формирование плана закупок. Такие недостатки системы, как большой объем вводимых данных, присутствие погрешности, из-за которой приходится делать визуальную оценку прогноза с привлечением нескольких сотрудников, и сложности при модернизации побудили компанию задуматься о замене системы прогнозирования.
В дальнейшем Dixis собирается расширить функциональные возможности собственной программы. «Поскольку это достаточно трудоемкий процесс, возможно, придется заменить данную программу на более эффективную и современную, отвечающую условиям быстроменяющегося рынка и динамичного развития компании», — считает Татьяна Москалева.
Российским прогнозам угрожают аресты
Впрочем, далеко не все розничные сети с оптимизмом смотрят на возможности прогнозирования в торговле. Сомневаются в эффективности системы, в первую очередь, те компании, в которых спрос товар зависит не столько от истории продаж и анализа товародвижения, сколько от каких-то внешних факторов, например, скорости растаможивания. Задержки на границе товара, особенно какой-либо специфической техники, чаще всего непредсказуемы для торговой компании. И тем более непрогнозируемы для системы планирования закупок. Исходя из таких особенностей российской розницы компания «Беталинк» сделала ставку на собственный персонал, а не на автоматизацию. «Существуют множество малопрогнозируемых внешних факторов воздействия на рынок, например, действия органов охраны правопорядка, сбои в работе таможни, приводящие сначала к дефициту товара, а затем к его «выплескиванию» на рынок и т.п. Масштаб такого рода воздействий в некоторых случаях может приводить к изменению емкости рынка и динамики его развития в целом. Под влиянием подобных обстоятельств результат работы какой-либо автоматизированной системы прогнозирования спроса мне представляется малодостоверным. В настоящее время опираться на него при принятии стратегических решений я бы не стал. Эту задачу в нашей компании решает собственный аналитический отдел», — считает Сергей Вергазов, коммерческий директор компании «Беталинк».
С долей скепсиса оценивает возможности прогнозирования и розничная сеть «Виктория». «На Западе прогнозировать проще — рынок устойчив, а законодательство понятно. С нашей динамикой развития розницы и постоянными изменениями в области права задачи автоматизации прогнозирования трудно реализуемы», — говорит Петр Андросов, руководитель департамента логистики ГК «Виктория».
Конечно, автоматизация прогнозирования отнюдь не идеальный механизм. Он не в курсе каких-то значимых для розницы событий и не может знать, как упадет или повысится спрос на вино-водочную продукцию, например при введении какого-либо антиалкогольного закона. Не в курсе, что арестовали большую партию сотовых телефонов на границе. И не знает, что против одного из брендов сухариков ведется черный PR и спрос на них резко упадет. Впрочем, потерь магазина из-за ошибки, которую может сделать система по незнанию событий на рынке, легко можно избежать, поручив менеджеру корректировать прогноз закупок в подобных ситуациях. В целом, опытный специалист справится с составлением прогноза товара лучше, чем машина. Однако при десятках тысяч позиций ассортимента и сотнях магазинов нужны сотни менеджеров, чтобы проделать работу по прогнозированию. Система автоматизации позволяет сократить убытки от ошибочных прогнозов при недостатке квалифицированного персонала отдела закупок.
Статья опубликована с разрешения редакции журнала «Точка продаж».