О ПРОГНОЗИРОВАНИИ ОБЪЕМА ПОСТАВКИ ТОВАРОВ ВО ФРОНТ-ОФИСЫ

В этой статье речь пойдет о предиктивном определении поставки товарно-материальных ценностей в сеть фронт-офисов банка. Проще говоря, об автоматизированной организации снабжения отделений бумагой, канцтоварами и другими расходными материалами.

Этот процесс называется автопополнение и состоит из следующих этапов – прогнозирование потребнос��и в центре снабжения, формирование заказа там же, согласование и корректировка потребности розничным блоком и непосредственно поставка. Слабое место здесь – необходимость ручной корректировки и последующего согласования объема поставки менеджерами логистики и руководителями подразделений.

Какой этап в этой цепочке можно оптимизировать? Во время формирования заказа менеджеры логистики рассчитывают количество товаров к поставке, основываясь на ретро-данных, данных о срочных заказах и своем экспертном опыте. При этом руководители отделений, чтобы обосновать потребность в тех или иных товарах, должны отслеживать их расход и понимать текущие запасы в отделении. Если мы научимся определять точную потребность в товарах и автоматизируем этот расчет, то этапы формирования и корректировки заказа будут занимать гораздо меньше времени или даже станут вовсе не нужны.

Задача прогнозирования потребления

Есть очень похожая и более распространенная задача в розничной торговле: сколько каких товаров нужно поставить в магазин Х в момент времени У? Задача решается относительно просто: зная потребление товара во времени из чеков и запасы товара на складе, можно вычислить будущую поставку напрямую. Поставить нужно столько, сколько предположительно продадут, за минусом запаса. 

В нашем же случае потребление товара напрямую нигде не фиксируется, потому что аналогов чеков для расходных материалов не существует. Учет запасов также отсутствует – никто не проводит аудит имеющихся в наличии расходников. Таким образом, задача существенно усложняется – отсутствуют величины потребления и запасов.

Оценка потребления

Предположим, что мы имеем дело с идеальной ситуацией – поставки полностью удовлетворяют потребности потребителей: запасов нет, они не скапливаются и дефицита тоже не возникает, а вся потребность в расходниках покрывается поставкой. В таком случае поставка равна потреблению.

Откуда взять потребление?

Первый вариант - запросить объекты-потребители оценить его. В таком случае мы полностью полагаемся на точность экспертных оценок сотрудников и передаем управление объемом поставки на объекты. Минусы этого подхода очевидны: экспертные оценки часто необъективны и завышены. Также они отнимают большую часть времени работы сотрудников, требуют согласований, усложняют и зацикливают процесс.

Второй вариант – введение условных норм. Например норм потребления бумаги, норм на расход средств индивидуальной защиты и т.д. Этот подход тоже имеет недостатки. Во-первых, алгоритмы нормирования просты и не учитывают многие особенности потребителей, в результате чего разные потребители могут получить одинаковое количество ТМЦ и для каждого оно будет не оптимальным – у одного возникнет избыток, а у другого недостаток этих ценностей. Во-вторых, нормы почти не меняются во времени, что еще сильнее усугубляет эффект избытка и��и недостатка ТМЦ: в случае большого избытка возникает затоваривание на объекте-потребителе, а в случае недостатка увеличивается количество срочных заказов на поставку ТМЦ. Это неэффективно и дорого.

Третий вариант - прогнозирование.

Оценка запаса

Теперь перейдем к более реальной картине того, что происходит на объекте-потребителе в ситуации, когда истинное потребление неизвестно и есть меняющийся во времени запас товарно-материальных ценностей.

Если запас есть, то для определения будущей поставки его нужно учитывать. То есть в уравнение добавляется еще одна величина – J(t).

Как можно учесть запас? Хорошо, когда есть аудит запасов – система по хранению и учету информации о запасах ТМЦ во временном разрезе. Если такая система есть, то информация берется из нее напрямую, и тогда все понятно. А что делать, если такой информации нет? Провести аудит – сложно и дорого: например, можно держать штат сотрудников, проводящих инвентаризацию запасов, или попробовать заняться разработкой решений на базе алгоритмов компьютерного зрения для оценки запасов. С точки зрения эффективности и стоимости реализации оба варианта не целесообразны.

В реальности

Поэтому мы приходим к ситуации, когда для определения поставки нужно оценить две неизвестные величины – потребление объекта и запас на этом объекте. Что касается потребления, то его можно было бы условно считать равным поставке при условии сохранения запаса на некотором постоянном уровне и тогда прогноз будущей поставки делать на основе фактов прошлых поставок. Однако в реальности запасы на объектах-потребителях непостоянны во времени и, как показала обратная связь от потребителей, растут, что приводит к затариванию потребителей и негативной обратной связи о работе системы поставок.

Вот более подробная картина того, что будет происходить с запасами при условии, когда поставляемое количество ТМЦ превосходит реальную потребность. А это довольно распространенная ситуация, так как обычно потребители склонны заказывать больше, чем им нужно. При регулярных поставках, превышающих потребление, запас растет, соо��ветственно, прогноз, основанный на прошлом потреблении, тоже растет и, таким образом, еще больше усугубляет ситуацию с перезатариванием.

Тут можно сделать вывод: в определении будущей поставки нельзя использовать прогноз, основанный исключительно на данных о предыдущих поставках. Что же можно сделать, когда нет точных данных ни о потреблении, ни о запасах? Посмотрим на другие данные о потребителях, которыми мы располагаем.

Другие данные о потребителях

Данные, характеризующие объекты, специфичны для каждого типа потребителя. Для продающих отделений это информация о проведенных операциях в разрезе продуктов, а также информация из электронной системы учета очередей. Во всех отделениях, где принтеры подключены к системе централизованного сбора информации о распечатках, – данные  из этой системы. Как их можно использовать?

Основная идея использования данных, характеризующих деятельность объекта-потребителя, состоит в следующем: одна и та же активность требует схожего количества расходных материалов. Например ситуация с бумагой: мы знаем, что операция ипотечного кредитования требует в среднем 5 листов бумаги, операция по выдаче кредита – 3 листа, а операция по открытию депозита – 1 лист, и эти числа условно постоянны. Тогда потребители с одинаковым профилем операций должны справляться одинаковыми объемами ТМЦ. Как можно учесть эти соображения при моделировании?

Два каскада моделей

Мы использовали два каскада моделей с основными и ограничивающими моделями. Основные модели разработаны на данных о прошлых поставках и прогнозируют количество ТМЦ, которое точно удовлетворит потребность объекта. Ограничивающие модели, разработанные на данных об операциях, прогнозируют количество ТМЦ, которое необходимо для удовлетворения потребности объектов с похожим профилем операций. Далее финальный прогноз определяется как простой ансамбль результатов этих двух моделей. Он всегда не больше прогноза основной модели, т.е. прогноза, основанного на данных о прошлых поставках. Таким образом, мы плавно снижаем поставки товарно-материальных ценностей и стремимся к реальному потреблению. Сейчас ограничивающие модели существуют для различных номенклатурных групп и основаны на различных источниках информации. Для ускорения их разработки мы применили инструментарий автоматической разработки моделей AutoML, который помог нам быстрее обработать множество широких таблиц и автоматизировать этапы генерации и отбора признаков, подбора гиперпараметров, выбора финального алгоритма.

Первые результаты подхода можно оценить на примере с поставками бумаги. За период чуть менее года общие поставки снизились на 10% в моменте и более 30% накопительно.