Метка: Deductor

10Окт/16

Эскорт-Сервис — пилотный проект по прогнозу [дистрибуция]

Цели и содержание пилотного проекта

Цели проведения пилотного проекта:

— оценить качество и структуру исходных данных для задач прогнозирования спроса;

— апробировать совместно с заказчиком применение методов предиктивной аналитики для планирования продаж;

— продемонстрировать возможности технологической платформы Deductor по решению задач прогнозирования спроса и управления товарными запасами;

— оценить экономический эффект от внедрения системы управления товарными запасами.

В рамках пилота заказчику было предоставлено:

  • Хранилище данных: витрина данных, содержащая исходные данные, промежуточные расчеты и конечные результат прогнозирования.
  • Сценарий для платформы Deductor с разработанными отчетами и визуализаторами, отражающие основные результаты реализации этапов проекта.
  • Инструкция по установке платформы на рабочем месте заказчика.
  • Сценарий работы пользователя с решением.
  • Отчет с рекомендациями по результатам пилотного проекта.

1. Анализ полученных данных

В рамках проведения пилотного проекта от заказчика были получены следующие данные:

  • Данные о реализации продукции по одному складу Заказчика в период с 05.01.2014 по 14.09.2016. Данные предоставлены по 974 артикулам из 69 товарных групп.
  • Данные об отгрузках и перемещениях товара со склада в период с 20.01.2014 по 12.09.2016 по 940 артикулам.
  • Справочник товаров.

Вывод: предоставленных Заказчиком данных достаточно для построения адекватных моделей прогноза спроса на продукцию. При этом необходимо проведение очистки данных: удаление дубликатов по товарам и артикулам, проведение однозначного сопоставления данных по всем таблицам.

2. Очистка и оценка качества данных

При исследовании полученных данных были обнаружены следующие артефакты:

  • Справочник товары:
    • Артикул 12287034 повторяется дважды
    • 28 наименований продукции имеют сдвоенные артикулы (на одно наименование приходится два разных артикула).
  • Таблица остатков:
    • В справочнике товаров отсутствуют данные по 115 артикулам из таблицы остатков.
  • Таблица продаж:
    • По 12 артикулам есть данные о продажах, при этом отсутствуют данные по остаткам.

Кроме того, данные в таблице остатков представлены по факту их реализации или перемещения продукции. Пропущенные значения временного ряда были восстановлены за счет повторения последнего имеющегося наблюдения (LOCF).

Процедуры загрузки, очистки и трансформации данных проведены средствами платформы Deductor, с загрузкой в хранилище уже очищенных от ошибок и дубликатов данных.

Вывод: Для дальнейшего построения прогноза были отобраны 777 артикулов, по которым имеются данные как об остатках, так и о продажах продукции. При реализации проекта в рамках компании потребуется разработка методики и реализация процедур обеспечения качества исходных данных для анализа в части сопоставления информации об остатках и продажах, а также управления нормативно-справочной информацией в части справочника товаров.

3. Восстановление продаж

Случаи отсутствия продаж при нулевых остатках трактуются как дефицит товара. Для повышения качества исходных данных применяется гипотеза о том, что если бы в выявленные периоды дефицита у предприятия были бы остатки товаров, то продажи в этот период также были бы ненулевые.

Восстановление спроса при дефиците товара производилось за счет среднегодовых недельных продаж. Объем восстановленного спроса по всем продуктам в абсолютных величинах отражен на следующем графике:Объем восстановленного спроса

Рисунок 1. Объем восстановленного спроса

Всего спрос был восстановлен по 274 товарным позициям. В натуральном выражении спрос восстановлен на 242 868 единиц товара.

Полный результат восстановления спроса представлен в отчете «Восстановленные продажи»

Вывод: выбор методологии восстановления спроса в данном пилотном проекте основан на профессиональном экспертном заключении исполнителя и является примером реализации лишь одной из возможных процедур восстановления. В будущем для улучшения точности прогнозировании необходимо проведение экспертной оценки методологии восстановления спроса со стороны заказчика проекта.

4. Исключение аномальных продаж

Для повышения качества исходных данных данные были проанализированы на наличие аномальных пиков продаж. Аномальные продажи связаны с непрогнозируемым случайным повышенным спросом на товар.

Аномальные продажи были сглажены в разрезе объектов прогнозирования (товарных групп) путем заменых пиков годовых недельных продаж на максимальные нормальные значения. Данный метод не вносит значительных изменений в данные, и позволяет сгладить единичные выбросы в течении года. Абсолютный объем сглаженного спроса представлен на следующих графиках:Абсолютный объем сглаженных аномалий

Рисунок 2. Абсолютный объем сглаженных аномалий

Пример сглаживания аномального спроса по отдельной товарной позиции:Сглаживание аномального спроса по товарной группе 026.07 5 злаков

Рисунок 3. Сглаживание аномального спроса по товарной группе 026.07 5 злаков

Полный результат сглаживания временных рядов представлен в отчете «Исключение аномальных продаж»

 

Вывод: выбор методологии восстановления сглаживания аномального спроса в данном пилотном проекте основан на профессиональном экспертном заключении исполнителя и является примером реализации лишь одной из возможных процедур удаления аномального спроса. В будущем для улучшения точности прогнозировании необходимо проведение экспертной оценки методологии сглаживания аномального спроса со стороны заказчика проекта.

5. Анализ объектов прогнозирования (товарных групп)

В качестве объекта прогнозирования выступают недельные продажи продукции в разрезе товарных групп. Для непосредственного выбора способа прогнозирования, объекты были проанализированы с точки зрения следующих характеристик:

  • Доля недель с нулевыми продажами;
  • Наличие тренда во временных рядах;
  • Наличие сезонности;
  • Наличие автокорреляции (проверка ряда на случайность).

По результатам исследования временных рядов принимается решение о выборе моделей прогнозирования.

5.1. Количество пропусков во временных рядах

Большое количество пропусков во временных рядах (периодов с нулевыми продажами) делает невозможным адекватное автоматизированное применение статистических и методов машинного обучения для прогнозирования спроса на товар. Поэтому были проанализированы на наличие пропусков данные о продажах в течении всего исследуемого интервала (140 недель) и последних 10 недель реализации товара.Данные о нулевых продажах и общем количестве продаж за весь период наблюдений

Рисунок 4.  Данные о нулевых продажах и общем количестве продаж за весь период наблюдений

Соответственно объекты прогнозирования с периодом наблюдения менее 27 недель либо долей нулевых продаж более 80% за последние 10 недель отмечаются как прогнозируемые экспертными методами. Всего не поддаются адекватному автоматизированному прогнозированию 9 временных рядов. Данные ряды должны прогнозироваться экспертными методами:

Объект прогнозирования Количество наблюдений Процент пропусков Количество пропусков за последние 10 недель Качество данных Оценка ряда
MSK-Эскорт Сервис — 026.02 Каша гречневая 97 2.06 10 Количество нулевых продаж низкое Мало данных для прогноза
MSK-Эскорт Сервис — 03.3Дегидрированные вторые блюда моментальн. приг-я 79 2.53 10 Количество нулевых продаж низкое Мало данных для прогноза
MSK-Эскорт Сервис — 04.3.1 Специальные смеси 66 87.88 10 Неприемлемое количество нулевых продаж Мало данных для прогноза
MSK-Эскорт Сервис — 06.1 Белый шоколад 75 82.67 9 Неприемлемое количество нулевых продаж Мало данных для прогноза
MSK-Эскорт Сервис — 07.1 Весовые 65 0.00 10 Нулевых продаж нет Мало данных для прогноза
MSK-Эскорт Сервис — 10.1 Вафельный торт 126 24.60 10 Неприемлемое количество нулевых продаж Мало данных для прогноза
MSK-Эскорт Сервис — 14.1 Дольче Густо (кофемашинки) 99 71.72 10 Неприемлемое количество нулевых продаж Мало данных для прогноза
MSK-Эскорт Сервис — 04.4.11 Молочные напитки 24 95.83 10 Неприемлемое количество нулевых продаж Мало данных для прогноза
MSK-Эскорт Сервис — 17.1 Кофе и напитки 10 80.00 10 Неприемлемое количество нулевых продаж Мало данных для прогноза

Таблица 1. Ряды, прогнозируемые только экспертным методом

Данные о количестве пропусков представлены в одноименном отчете, а также на вкладке оценка данных.

5.2. Анализ временных рядов и методы прогнозирования

На данном этапе производится анализ временных рядов объектов прогнозирования с точки зрения наличия тренда и сезонности. Проверка данных на наличие тренда и сезонности позволяет адекватно применять сезонно-трендовые модели в автоматизированном режиме. При этом прогноз на будущие периоды также будет строиться и с применением более простых методов.

Распределение объектов прогнозирования в соответствии с применяемыми моделями выглядит следующим образом:Распределение объектов прогнозирования в соответствии с применяемыми моделями

Результат анализа временных рядов представлен в отчете «Выбор методов прогнозирования».

Вывод: качество имеющихся данных позволяет продемонстрировать работу блока прогнозирования в рамках пилотного проекта.

6. Построение прогноза

Прогнозирование спроса на продукцию осуществлялось по преобразованным временным рядам: восстановленных по дефициту товары и сглаженных от аномалий продаж. В качестве объектов прогнозирования были выбраны продажи по товарным группам, при этом прогноз реализован на суммарных недельных продажах. При прогнозировании использовался вся представленная заказчиком история продаж. Горизонт построения прогноза: 8 недель.

При построении прогнозов использовались следующие конкурирующие модели:

  • Средние продажи за 8 недель.
  • Прогноз на основе линейного тренда.
  • Аддитивная модель. Представляет собой аддитивную линейно-трендовую декомпозицию временного ряда.
  • Модель линейной регрессии (с фиктивными переменными тренда и сезонности).
  • Модель Нейросети (с фиктивными переменными сезонности и предыдущих значениях спроса).

Сравнение качества моделей осуществлялось на тестовой выборке: спрос за 4 недели в период с 15.08.2016 по 19.09.2016. В качестве источника прогноза выбрана модель с наименьшей ошибкой на тестовой выборке. При этом данный интервал не использовался при обучении моделей. Прогнозирование осуществляется только для моделей с достаточным количеством и качеством данных (метод прогнозирования — не экспертный прогноз)

Результат выбора прогнозных моделей, прогноз, а также ошибки прогнозирования представлены в отчетах: «Лучшая прогнозная модель» и «Оценка качества прогноза по группам»

Пример прогноза спроса на 4 недели представлен в таблице ниже:

Товарная группа прогноза Наименование лучшей модели 26.09.2016 03.10.2016 10.10.2016 17.10.2016
01.1.1 ТОП По среднему 9 522.75 10 259.09 10 618.73 10 479.57
01.2.1 ТОР Адитивная модель 7 028.87 5 328.03 4 865.96 0.00
01.3 Кофейные смеси Адитивная модель 48 485.09 33 102.98 37 470.14 24 501.99
026.01  Каша овсяная По среднему 4 191.13 4 407.64 4 601.60 4 824.92
026.05 Каша с молоком По среднему 4 115.75 4 335.34 4 581.01 4 706.14
026.07  5 Злаков Адитивная модель 433.61 172.53 0.00 30.27
026.10 Хлопья Линейная регрессия 13.74 16.27 6.04 15.22
03.10 Основа для супа По тренду 5 307.81 5 291.76 5 275.71 5 259.66
03.2 Дегидрированные бульоны По тренду 5 165.43 5 162.63 5 159.82 5 157.02
03.4 Дегидрированные смеси для вторых блюд По тренду 14 016.69 14 061.43 14 106.17 14 150.91
03.7 Дегидрированные специи и приправы По среднему 5 755.88 5 914.48 6 064.17 6 357.07
03.8 Дегидрированные супы быстрого приготовления По тренду 2 447.00 2 420.09 2 393.18 2 366.27
03.9 Дегидрированныесупы моментального приготовл-я Нейросеть 5 709.39 5 724.08 6 370.89 5 682.61
04.1.1 Детские мясные пюре По среднему 244.13 250.64 263.97 243.34
04.1.2.1 Гербер овощи 80г По тренду 649.40 647.92 646.44 644.97
04.1.2.2 Гербер овощи 130г По тренду 152.88 144.25 135.62 127.00
04.1.3 Детские соки и нектары По тренду 12.58 11.52 10.45 9.39
04.1.4.1 Гербер фрукты 80г По тренду 401.15 395.00 388.85 382.70
04.1.4.2 Гербер фрукты 130г По тренду 55.78 33.85 11.92 0.00
04.1.4.3 Гербер фрукты 90г Линейная регрессия 1 919.37 1 989.80 3 006.12 2 883.84
04.3.2 ТОП По тренду 475.23 466.59 457.95 449.31
04.4.1 Безмолочные детские каши По тренду 76.28 72.93 69.59 66.25
04.4.10 Молочные детские каши По тренду 556.05 557.22 558.38 559.55
05.1 Батончики с цельными злаками Нейросеть 4 614.50 5 745.87 22 367.86 22 298.83
06.10 Шоколадные изделия для детей По среднему 386.75 396.34 425.26 452.42
06.11 ТОР Линейная регрессия 41 816.94 28 776.03 25 288.35 20 171.30
06.2 Молочный шоколад По тренду 4 248.00 4 190.70 4 133.41 4 076.11
06.4 Серия молочного шоколада с ингредиентами По тренду 6.44 6.35 6.25 6.15
06.5 Серия премиального шоколада ‘Золотая Марка’ Нейросеть 49.03 49.02 49.02 46.65
06.6 Серия шоколада ‘Нестле Классик’ По тренду 25.27 24.00 22.73 21.45
07.2 Комильфо Линейная регрессия 1 086.97 913.63 724.53 437.19
07.3 Нестле Россия По тренду 540.96 526.61 512.26 497.92
08.1 ТОР По среднему 24 719.13 26 205.14 26 841.28 28 347.94
09.1 Карамель фасованая Адитивная модель 1 669.42 0.00 0.00 867.89
09.2 Мармелад По тренду 11 440.33 11 503.58 11 566.82 11 630.06
12 А Весовые конфеты Нейросеть 744.99 750.20 750.57 750.39
12 Весовые конфеты По среднему 297.88 298.48 293.67 313.63
14.2 Дольче Густо (капсулы) Нейросеть 1 064.77 1 019.55 1 019.55 1 019.55
2.1 Несквик По тренду 3 393.60 3 406.97 3 420.34 3 433.72
Какао порошок российский Адитивная модель 0.00 0.00 0.00 0.00
Шоколад «Априори» По тренду 899.08 886.59 874.10 861.60

Таблица 2.  4-недельная выборка из прогноза спроса в разрезе товарных групп.

Разгруппировка прогноза до уровня отдельных SKU производилась с учетом исторической доли товара в объеме продаж товарной группы. Результаты разгруппировки до уровня товара отражены в отчете «Скорректированный прогноз спроса по товарам»

Оценка адекватности прогнозов в разрезе SKU осуществлялась с учетом исторических данных о продажах за последний год. В частности, рассматривается отклонение от средних, максимальных и минимальных продаж товара за год. Границы прогнозов, требующих экспертной оценки: среднегодовые недельные продажи ± 0.5*(среднегодовые недельные продажи). Границы прогнозов, требующих экспертного вмешательства: 0.5*(минимальные недельные продажи за год) и 0.5*(максимальные недельные продажи за год).Пример границ адекватности прогноза

Рисунок 5. Пример границ адекватности прогноза

Например, вышеприведенный характер прогноза, может потребовать подтверждения экспертом адекватности представленной периодичности спроса на товар.

Для прогнозов требующих экспертного вмешательства необходима их обязательная проверка корректировка аналитиком. Для прогнозов, требующих экспертной оценки, необходима их верификация аналитиком. Качество (адекватность) недельных прогнозов, представлено в таблице.

Прогноз адекватен Прогноз требует экспертной оценки Требуется экспертное вмешательство
Товар | Фирма производитель Количество прогнозов Доля Количество прогнозов Доля Количество прогнозов Доля
НЕСТЛЕ 1 502 54.74% 1 016 37.03% 226 8.24%

Таблица 3. Адекватность недельных прогнозов

Информация о адекватности прогнозов и границах прогнозирования представлена в отчетах: «Качество прогноза по контрактам и складам» и «Качество прогноза по SKU».

Вывод: имеющаяся данные позволяют строить прогнозы, на основе статистических и методов машинного обучения. Но для реального применения прогнозов и повышение их точности и адекватности необходимо произвести перенастройку моделей.

7. План закупок по товарным позициям

Так как отсутствуют данные об ограничениях в политике закупок, был представлен пример понедельного плана закупок с учетом корректировок на проводимые маркетинговые акции. План проведения маркетинговых акций отражен в отчете «Маркетинговые акции», а план закупок скорректированные на проводимые маркетинговые акции отражен в одноименном отчете.

8. Эффекты от внедрения платформы Deductor

Для оценки эффектов от внедрения системы прогнозирования спроса Deductor Demand Planning (DDP), была произведена оценка точности прогнозов DDP за период (август-сентябрь 2016 г.) по сравнению с базовыми прогнозами Заказчика. Так как на этапе оценке качества данных часть артикулов была исключена из прогнозирования, кроме того часть временных рядов должны прогнозироваться экспертными методами для сравнения оставлены только те DBC-наименования, по которым имелся прогноз платформы DDP. Также из базы сравнения были исключены акционные товары.

Оценка точности прогнозирования и экономический эффект

Для сравнения точности прогнозов использована метрика Абсолютного отклонения (%). В таблице представлены интервалы точности прогнозирования как в разрезе артикулов, так и в разрезе доли этих артикулов в общем объеме продаж (данные приставлены накопительным итогом):Сравнение точности прогнозов

Рисунок 6. Сравнение точности прогнозов

Точность прогнозов DDP в натуральных единицах лучше в сентябре и хуже в августе. При этом, что важно, значительно лучше прогнозируются товары с большей долей реализации в общей сумме продаж. Соответственно основные ошибки приходятся на товары с малым объемом реализации. Для устранения данного эффекта потребуется более тонкая оценка алгоритмов разгруппировки агрегированных временных рядов.

Медианы абсолютных ошибок (%), за два месяца по всем сравниваемым DBC составили 53,95% и 61,2 для DDP и базового прогноза, что также свидетельствует о более высокой прогностической способности модели.

Для оценки экономического эффекта от повышения тонности прогноза сделано допущение о равнозначности эффектов от излишнего и недостаточного заказа (занижения прогноза связывает оборотные средства в страховом запасе). Прогноз DDP показал меньшее отклонение при оценке объема реализации в руб. по исследуемым DBC кодам на 22% в августе и 45% в сентябре:Сравнение точности при прогнозировании объема продаж

Рисунок 7. Сравнение точности при прогнозировании объема продаж

Соответственно при данном улучшении качества прогнозирования потребность в оборотных средствах может быть уменьшена на 15,6%. (Оценочное значение, предполагающее 100% покрытие дефицита за счет страховых запасов)

Дополнительные эффекты

Дополнительные преимущества внедрения платформы Deductor в процесс управления товарным запасом:

  1. Снижение человеческого фактора при формировании прогнозов: снижается вероятность ошибки при обработке данных, устраняется субъективность при оценке факторов, влияющих на спрос. Например, аналитики при прогнозировании спроса часто имеют склонность к перестраховке и небольшому завышению прогноза, что ведет к связыванию дополнительных оборотных средств.
  2. Значительно сокращаются трудозатраты при реализации процесса прогнозирования. Кроме того, снижаются требования к квалификации рядовых аналитиков и зависимость компании от конкретных исполнителей.
  3. Результатом внедрения платформы является настроенный и формализованный бизнес-процесс формирования прогноза и заказа. Процесс имеет четкую схему исполнения, соответственно всегда можно вернуться к необходимому шагу, чтобы выяснить почему были получены те или иные результаты.
  4. Модульная структура платформы позволяет гибко настроить бизнес-процесс прогнозирования при внедрении ПО. Возможно создавать собственные схемы реализации процесса заказ, вплоть до каждого отдельного SKU.
  5. Адаптивность системы к изменению исходных данных. Если не переобучать модель прогнозирования и применять ее к новым данным, то ее точность прогнозирования начнет стремительно снижаться с течением времени. В платформе Deductor же, модели каждый раз автоматически переобучаются и оцениваются на обновленных временных интервалах, что позволяет автоматически поддерживать максимальную, из возможных для данных моделей, точность прогноза.
  6. Deductor является не просто системой прогнозирования спроса и формирования заказа, а полноценной аналитической платформой со всем необходимым функционалом моделирования. Соответственно появляется возможность дальнейшего развития процесса прогнозирования в компании, создавая новые модели, учитывающие факторы внешней среды:
    1. Прогнозы погоды
    2. Макроэкономику
    3. Религиозные праздники с плавающими датами
    4. Проведение в регионе крупных спортивно-развлекательных мероприятий
    5. «Каннибализм» товаров
    6. Корреляция спрос между товарами и пр.

Эксперты компании смогут сосредоточиться на наиболее высоко-маржинальных или проблемных продуктах, создавая для них собственные модели с учетом дополнительных факторов. Модульная структура платформы позволит легко встроить эти модели в настроенный бизнес процесс.

Выводы

Имеющиеся у заказчика данные и их структура позволяют осуществлять адекватное автоматизированное прогнозирование спроса на базе платформы Deductor. Возможно масштабирование процедуры на другие товарные группы и филиалы.

Предварительно будет необходимо провести очистку данных, так как имеется дублирование артикулов и наименований, а также неполное соответствие таблиц продаж и остатков. Кроме того, необходимо проведение корректировки методологии восстановления спроса с учетом эластичности спроса на отдельные товары к дефициту, способов удаления аномальных продаж с учетом конкретной специфики бизнеса заказчика, а также способов группировки объектов прогнозирования с учетом товаров заменителей.  Проведение данных процедур невозможно без полноценного привлечения специалистов заказчика и формализации их экспертных знаний. Кроме того, потребуется дополнительная настройка гиперпараметров моделей под специфику данных заказчика, что также позволит увеличить точность прогнозирования.

Также в рамках пилотного проекта функционал автозаказа реализован только исходя из имеющихся данных, и его возможности показаны не полностью. При внедрении системы для расчета автозаказа планируется использовать данные о параметрах доставки (календарь поставок, кратность заказа товара, логистические плечи, товары в пути и пр.), что позволит подобрать оптимальный страховой запас и найти баланс между объемами заказов, затоваренностью склада и вероятностью дефицита.

Сравнивая качество прогнозов, можно сделать вывод, что прогнозы платформы DDP обладают более высокой прогностической силой по сравнению с базовым прогнозом. При этом более высокая точность прогнозирования наиболее продаваемых товаров позволяет значительно снизить потребность в оборотных средствах (до 15,6%) при заказе продукции.

 

Сохранить

12Ноя/14

Авенир — автозаказ и оптимизация складских запасов [дистрибуция]

Заказчик

ООО фирма»Авенир» является крупнейшим дистрибьютором продуктов питания в СКФО и ЮФО.

г.Ставрополь 2012г.

Задача

Уменьшить складские запасы путём их оптимизации. Увеличить оборачиваемость товара. Сократить средства, выделяемые на хранение товара.

За основу было взято решение от BaseGroup — Deductor ISO (оптимизация складских запасов). Подробнее можно почитать в статье Demand Forecast – оптимизация складских запасов на платформе Deductor. Решение доработали под запросы заказчика в разделе получения плана продаж.

Реализация

  • Создали хранилище данных на Fire Bird.
  • Настроили регламенты и процедуры импорта данных из учетных систем, очистки данных и экспорта в хранилище данных.
  • Настроили алгоритмы очистки от всплесков и обогащения от пропусков по каждой территории.
  • Настроили прогнозные модели под данные заказчика. В решении используется 5 (пять) прогнозных моделей.
  • Получили наилучший план из возможных вариантов.
  • Провели анализ договоров с производителями и источников дохода фирмы. Создали иерархию источников дохода по каждому контракту. Это:
    • выполнение плана продаж,
    • выполнение плана закупок,
    • выполнение плана по хранению стоков товара,
    • прогноз спроса.
  • Создали алгоритм, который позволяет перевести план продаж в рублях в «Сколько и какого товара, по какой цене, в какую торговую точку нужно продать, что-бы выполнить план продаж».
  • Получили план продаж скорректированный на маркетинговые и прочие акции.
  • Учли график подачи заявок (заказов) производителю.
  • Получили заказ производителю учитывающий:
    • Скорость реализации товара в местах и днях продаж;
    • Запасы на складе в днях продаж и в местах;
    • Плечо доставки (оформление заявки у заказчика + обработка заявки у заказчика + сроки доставки);
    • Объём и грузоподъёмность транспортных средств;
    • Планы продаж и закупок в рублях;
    • Маркетинговые акции;
    • Дни подачи заявок производителю.
  • Если транспортное средство недогружено, то алгоритм добавляет товары групп [АХ, ВХ, АY]. Если транспортное средство перегружено, то алгоритм убирает товары групп [BZ, CZ, CY].
  • Настроили автоматический запуск процессов.
    • Ежедневный — по импорту данных из учетных систем.
    • Еженедельный — по прогнозу.
    • Ежедневный — по получению.

Результаты

  • Формализовали процесс создания заказа поставщику и закупки товара. После трёх месяцев тестовой эксплуатации и настройки, система стала показывать ошибки операторов.
  • Качество прогноза по фирме за 33 недели составило 88%. т.е. среднее отклонение прогноза от факта составило 11,98% Качество прогноза
  • Получаем наилучший прогноз из возможных. Математически подтверждаем «почему тот или иной прогноз наилучший на данный момент». Кстати… Такого подтверждения нет ни в одной системе конкурентов. Адекватность прогноза
  • Система автоматически определяет какой прогноз адекватен, какой требует экспертной оценки (большой разброс прогноза и факта), а какой требует экспертного вмешательства (как правило, это товары новинки и товары, которые выбывают из продаж).
  • Система работает полностью в автоматизированном режиме. Каждый день у менеджера по закупкам, утром, есть план закупок.
  • План закупок учитывает сроки доставки и транспорт, которым доставляется товар.
  • Сократилось количество менеджеров по закупкам.
  • Побочные эффекты:
    • Отдел продаж еженедельно получает документ отражающий «Сколько какого товара, в какую торговую точку и по какой цене нужно продать что-бы выполнить план продаж».
    • Отдел продаж получил дополнительный инструмент по оценке качества работы торговых представителей.
    • Навели порядок в справочниках учетной системы.
    • Дополнительные отчеты для финансового отдела.

P.S.

  • В 2016 году мигрировали на MSSQL

Сохранить

Сохранить

Сохранить

Сохранить

09Дек/12

Авенир — лимитирование [дистрибуция]

Заказчик

ООО фирма»Авенир» является крупнейшим дистрибьютором продуктов питания в СКФО.

г.Ставрополь 2011г.

Задача

Заказчик поставил задачу создать систему контроля за расходованием денежных средств.

От Бюджетирования отказались сразу. т.к. Организация не настолько забюрократизирована. Постоянно меняются Центры ответственности и логика работы компании. Сошлись на том, что лимитирования денежных средств — самое то.

Реализация

Написали Техническое Задание для программистов 1с.

Конфигурацию, местные программисты, написали за 3 недели. 1с 7.7

  • Справочники Центров Ответственности (ЦО), Статей затрат
  • Определение лимитов для ЦО
  • Привязка счета к статьям затрат
  • Автоматический парсинг платежных поручений и автоматическое разнесение пп по статьям и привязка к счетам
  • Индикация % выбранного бюджета
  • Механизм (процесс) изменения бюджета в течении месяца
  • Процесс оповещения ответственных лиц об их лимитах

Отчетность написали на платформе Deductor.

  • Факт/План
  • % выполнения плана
  • проч.

Далее прописали подробные Процессы в BusinessStudio заказчика. Согласовали процесс лимитирования с остальными процессами компании.

Начали вводить лимиты и работать.

Результат

  • Через 6 месяцев работы данного продукта система лимитирования заработала в полную силу. За это время сотрудники компании стали участвовать в составлении и обсуждении лимитов.
  • Пересмотрели статьи затрат.
  • От лишних статей отказались.
  • Оптимизировали потоки расходования денежных средств в течении месяца. Расходование стало более равномерное.
18Апр/10

Силикс — Консолидация [производство, продажи]

Группа компаний «Силикс» производит и продаёт сухие строительные смеси.

Производство в г.Благодарный, Ставропольский край.

Продажи:

  • «Силикс трейд КМВ» — г.Пятигорск, Ставропольский край.
  • «Силикс трейд Ставрополь» — г.Ставрополь, Ставропольский край.
  • «Силикс трейд Сочи» — г.Сочи, Краснодарский край.
  • «Силикс трейд Кубань» — г.Краснодар, Краснодарский край.

2007 год.

Задача:

Показать руководству консолидированные «Прибыли и убытки» по группе компаний в целом и по каждой компании в отдельности.

Что было сделано:

  • В каждом предприятии поставили решение на аналитической платформе Deductor. Решение в полуавтоматическом режиме (по событию) собирало отчет о прибылях и убытках в каждой компании и отсылало этот отчет в центральный офис.
  • Отчеты из разных компаний собирались в едином хранилище данных, обрабатывались и выводились руководству.

Результат:

Во время презентации показали выявленные 20 млн.руб. убытков за год.

Реакция руководства….

— За этот год я построил в Сочи склад.

— Забил его под самую крышу.

— Купил туда 2 погрузчика.

— Взял дополнительно 10% рынка.

— Хорошая цена!

Встал и довольный ушел.

 

P.S.

Решение проработало 2 года после чего была произведена реструктуризация компании. Поменялся, кардинально, учет и надобность в этом решении отпала.

26Янв/10

Силикс — Прибыли и убытки [производство, продажи]

2005 год.

Компания Силикс Ставрополь. Продажа и производство сухих строительных смесей.

Производство находится в г. Благодарный, Ставропольского края.

Продажи в г. Ставрополь.

 

Задача:

  • Показать руководству текущую картину по прибылям и убыткам.
  • Показать точку безубыточности помесячно.

 

Что сделано:

  • Проведена ревизия системы репликации данных из Благодарного (производство) в Ставрополь (центральный офис). Внесли корректировки.
  • Переделали систему репликации.
  • Создали решение на платформе Deductor.
  • Каждую ночь, в автоматическом режиме, производилась репликация и выгрузка данных из учетной в аналитическую систему.
  • Строились текущие отчеты по задолженностям, производству и продажам.
  • Строился отчет по «точке безубыточности«.
  • Строился отчет по «чистому денежному потоку«.
  • Куча дополнительных отчетов по затратам и продажам.

 

Результат:

У руководителя была панель, по которой он ориентировался в своём бизнесе.

— Числу к 15 я уже приблизительно знал как мы закончим месяц.

— У меня было 2 недели что-бы внести корректировки в текущие действия персонала.

P.S.

Решение проработало 3 года. Потом предприятие провело реструктуризацию и аналитические функции решено было делать в другом решении.

 

09Дек/09

Рея [фармацевтическая компания]

aptekaПредприятие — оптовая, фармацевтическая компания.

Номенклатура — около 10 000 наименований. Для упрощения бухгалтерского учета, при внедрении, было принято решение о ведении всего ТРЁХ товаров:

  • Товар БЕЗ НДС
  • Товар с НДС 10%
  • Товар с НДС 20%

В начале года с аптечной сетью, больницами и поликлиниками, через торги на бирже, заключался договор. Приложением к договору был список мед. и фарм. препаратов, который должен был быть поставлен в течении года. Замена товара запрещена. Только эти номенклатурные позиции и только по этим ценам.

В конце года проводилась сверка договора с тем, что поставили в течении года. На одного контрагента уходило 10 часов проверки из-за очень большого количества первичных документов. А таких контрагентов было около 50. Затраты на сверку составляли 500 человеко часов, а это почти 63 рабочих дня. Бухгалтерия работала все январские праздники в полном составе.

Сверка осложнялась ещё и тем, что в учетной системе НДС считался отдельно, а в бухгалтерской в том числе. Из-за разных алгоритмов расчета появлялась разница в НДС от 1 до 5 копеек. Бухгалтерия вешалась.

Задачи:

  1. Осуществить идентификацию данных по отгрузке товара из складской программы «Алгоритм» с документами по оплате из программы Бухгалтерия 1С 8.1 в разрезе выполняемых государственных контрактов (договоров около 50-ти) на поставку медпрепаратов в аптечную сеть и медучереждения.
  2. Осуществление контроля за сроками выполнения условий договора по отгрузке и оплате.
  3. Определить доходность предприятия в рамках реализации договоров с учетом «утерянных возможностей» из-за нарушения платежной дисциплины (задержки платежей) исходя из ставки рефинансирования ЦБ РФ за каждый день отсрочки платежа.
  4. Отчет об отгрузках контрагентам, работающих по факторингу.

Что было сделано.

Написано решение на платформе Deductor которое выполняло следующие функции:

  1. Производилась сверка по номерам накладных из бухгалтерской и складской программ. Отчет с расхождениями получала бухгалтерия для корректировки накладных в целях начисления НДС.
  2. По каждому контракту выстраивалось дерево накладных. В корне дерева было приложение к договору с описанием всех цен и номенклатурных позиций. Программа рассчитывала остаток поставок на каждый день и пересортицу. Все моменты с «нестыковками» выводились в отчет.
  3. Попутно выводились накладные с общей стоимостью более 5000 руб. для оформления факторинга.
  4. Подтягивались оплаты из бухгалтерии к отгрузкам из складской программы. Замерялись сроки фактической оплаты и сравнивались с договорами. Разница в днях умножалась на ставку рефинансирования в день и таким образом рассчитывались потери от несвоевременной оплаты поставленного товара. От наценки убирали потери и выводили в ежедневный отчет наценку, потери и что в остатке заработали.

Результат.

В результате, очередную годовую сверку с покупателями в конце года провёл один человек за 3 дня. Экономия составила 60 рабочих дней. И НДС сдавать стало гораздо легче.

P.S. Решение проработало 2 года. Потом разработчики складской программы реализовали этот функционал в своей программе.

09Дек/09

Силикс — Прогноз [производство]

silix_logo

В 2008 году нам поступил заказ на создание прогнозной модели производственного предприятия.

В группу компаний «Силикс» входило предприятие «Спасские кварцевые пески», которое находилось в г.Благодарный Ставропольского края.

Предприятие производило сухие строительные смеси на основе цемента и гипса. Реализация шла по ЮФО и СКФО.

Торговые марки «Силикс», «Уютель», «Уютный дом» и «Профикс».

profix silix1 silix2

Исходные данные:

  • 5 производственных линий.
  • 3 вида полуфабрикатов.
  • Постоянные изменения в калькуляции продукции. Доходило до 15 разных калькуляций на одно изделие под разные комплектующие (в основном химия).
  • Разрозненный учет. 3 учетных системы, находящиеся в разных городах.
  • Вся химия покупалась за валюту за рубежом.

Что мы сделали:

  1. Создали технологическую карту движения товарных потоков.
  2. Проанализировали движение товаро-материальных средств с точки зрения технологического процесса.
  3. Сгруппировали выпускаемую продукцию (номенклатуру) в группы. Получили вместо 50 наименований 7 усреднённых. Пример. Вместо товара с фасовкой 1500, 100, 50 и 25 кг. Мы сделали товар в 1 кг.
  4. Сгруппировали товары заменители (сырьё) в группы. Пример. В зависимости от приобретаемой химии её количество было разным. Поэтому было большое количество калькуляций и изменение калькуляции.
  5. Сделали усреднённую (агрегированную) калькуляцию по каждой группе товаров. Посчитали попередельно коэффициенты потребления и брака.
  6. По факту 2007-2008 годов вычислили задержки денежных средств в остатках сырья, полуфабрикатах, готовой продукции, в днях. Использовали Deductor Studio для ускорения обработки первичных данных.
  7. По факту 2007-2008 годов вычислили задержки дебиторской и кредиторской задолженностях, в днях. Использовали Deductor Studio для ускорения обработки первичных данных.
  8. Вычислили Время прохождения сырья, материалов и полуфабрикатов через производственные линии, в днях. Использовали Deductor Studio для ускорения обработки первичных данных.
  9. На основе полученных данных, в программе Project Expert, собрали прогнозную модель деятельности предприятия на 3 года.

Работы закончили в Октябре 2008 года. Потом был кризис.

К нам пришел собственник и сказал: — «И что мне теперь делать?»

На основе этой модели были даны рекомендации по поводу долгов, кредитов и производства. По нашим рекомендациям получалась следующая картина:

  • Если собственник до нового года (2009) диверсифицирует 11 млн. руб. текущих долгов.
  • Немного изменит производственную схему.
  • То через полтора года он выйдет из долгов и начнет работать в прибыль.

Результат.

  • Собственник диверсифицировал 8 млн.руб. долгов.
  • К концу 2010 года его предприятие вышло из долговой ямы и начало давать прибыль.
  • Предприятие успешно работает до сих пор.
08Дек/08

Новые технологии [производство]

Новые технологииЭто был наш первый крупный проект такого масштаба.

2007 год, мы только стали представителями аналитической платформы Deductor.
В городе Невинномысске есть предприятие «новые технологии». Занимается выпуском монтажной пены для бытовых и промышленных нужд. С учётом, у них, всё в порядке. Но есть одно «НО».
Согласно технологического процесса выпущенный баллончик с пеной перед продажей доукомплектовывался трубочкой и крышечкой. А так как трубочки и крышечки для всех баллонов одинаковые, то их проводили по учету как «предпродажная подготовка«. Операция одна на всю продаваемую партию. Телодвижений для бухгалтера минимум. ПБУ такой финт позволяют делать. Проверки регулярно проходят. Прибыль по предприятию считают. Всё красиво. Только есть один нюанс.
Руководитель не видит доходности каждого, отдельно взятого, баллончика. «Сверху» цену давит рынок, а «снизу» себестоимость. Зазор очень маленький.
Тогда главный бухгалтер берёт Эксель и 10 дней, ручками, распределяет затраты на каждую партию. Причём не только «предпродажная подготовка», а ВСЕ затраты. По сути — делает прибыли и убытки по каждому виду проданной продукции.

Руководитель и главный бухгалтер приглашали ТРИ (!) 1с-ные фирмы. Все, в один голос, отказались браться за этот проект. Мотивировали тем, что не берут на себя ответственность за баланс. Мол «поплыть» может весь учет.

За дело взялись мы с Олегом Павловичем.

  1. Определили источники возникновения затрат.
  2. Определили технологические циклы. И описали карты.
  3. Разделили затраты на прямые и распределяемые по технологическим картам.
  4. Перегруппировали некоторые затраты в соответствии с здравым смыслом.
  5. Написали сценарий на платформе Deductor, который «достаёт» данные по производству, затратам и продажам из 1с. Затем перегруппировывает затраты в соответствии с п.4. Распределяет затраты двумя способами (опять-же «здравый смысл» рулит). Одним способом на произведенную продукцию, а другим на проданную. Потом произведённая и проданная продукция приводится к одним координатам и считается «фактическая себестоимость проданной продукции«.
  6. На следующем этапе посчитанная себестоимость сравнивалась с фактической продажной ценой. На основании этого сравнения руководитель принимал решение о целесообразности выпуска той или иной продукции и о доходности каждого вида продукции.

Проект делали 3 месяца. 2 раза переделывали полностью.
Что в итоге:

  • После проведения последних документов и обработок главный бухгалтер, в конце рабочего дня, нажимал на один ярлычек и выключал монитор.
  • По началу обработка работала 7 часов. Через 2 года — 13 часов.
  • Потом ещё через год я её немного дописал и обработка стала работать 3 часа.
  • Утром следующего дня руководитель мог видеть подробный анализ выпущенной и проданной продукции.
  • Попутно был сделан анализ затрат в виде OLAP куба. Через 2 года главный бухгалтер стал сам использовать это решение для сдачи отчетности по производству в налоговую.
  • Решение, в практически неизменном виде, проработало до конца 2012 года. Потом сменился руководитель, а новому информация по «фактической себестоимости реализованной продукции» была неинтересна.