Авенир – автозаказ и оптимизация складских запасов [дистрибуция]

Авенир - прогноз затрат [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