Для промышленных предприятий производство, ремонт и техническое обслуживание оборудования оказываются наиболее затратными процессами с точки зрения бюджета [источник]. Если закупаемые для этого материалы отличаются регулярностью и равномерностью потребления, их называют регулярно потребляемыми, или РПМ.
Корректно сформированный перечень РПМ и последующая автоматизация бизнес-процессов улучшают планирование, сокращают замороженные финансовые ресурсы компании и транзакционные издержки, помогает улучшить показатели по уровню обеспеченности и снизить неликвидные запасы. В то же время неправильно выстроенная система закупок “съедает” добавленную стоимость предприятия [источник].
Мы создали решение на основе технологий ИИ, чтобы помочь клиентам эффективно определять РПМ и лучше планировать закупки. Как наши алгоритмы выделяют РПМ и причем тут многофакторный анализ - читайте в статье.
В двух словах о проблемах
РПМ расходуются регулярно и в рамках определенного периода времени. К этим материалам относят сырье, запчасти для ТОиР канцелярию, бытовую химию и все востребованные ТМЦ, которые можно описать словами: “купил и используешь в течение определенного промежутка времени” [источник]. Чтобы производство и техобслуживание не прерывались, запасы таких материалов на складах должны быть сформированы вовремя и в нужных объемах. А для этого требуются регулярные закупки.
Сейчас для выявления РПМ компании используют достаточно простую методику, одинаковую для всех групп ТМЦ. Как правило, с ее помощью в категорию регулярно потребляемых получается отнести не более 2% от общего объема закупаемых ТМЦ, поскольку учитываются лишь те позиции, что поддаются легкому прогнозированию на основе истории потребления.
Если расширить методы оценки в зависимости от специфики групп ТМЦ, проанализировать характерные признаки “поведения” конкретной группы и определить параметры отнесения к РПМ, то показатель можно увеличить с 2 до 10%, и тем самым существенно улучшить качество проведения закупок.
Сегментация зависит от решаемой задачи. Если потребность формируется на уровне бизнес-единицы, например, для группы заводов, то не важно, какой именно завод, склад или цех будет использовать ТМЦ. Здесь технология выделения РПМ будет применяться на всем объеме. Дальше - по мере распределения ТМЦ между предприятиями, складами, цехами - будут применяться другие подходы. При этом они окажутся более точными, поскольку горизонт планирования сократится.
Для более корректного выделения РПМ нужна большая предварительная работа: важно правильно сгруппировать и проанализировать неоднородные данные, сгладить нетипичные всплески потребления, определить подходящий горизонт прогнозирования и учесть аналоги, сезонность и множество других факторов, о которых более подробно мы расскажем дальше [источник]. Именно здесь на помощь человеку приходит многофакторная сегментация и прогнозирование с помощью искусственного интеллекта.
В этой статье мы будем часто использовать аббревиатуры. Понимание многих из них различается в зависимости от отрасли, поэтому для соблюдения принципа однозначности в конце статьи мы добавили глоссарий.
Виды закупок
Перед тем, как описать нашу технологию, будет полезно определить четыре основных вида закупок, которые характерны для всех промышленных предприятий. Процент долей различается в зависимости от отрасли, но, по нашей оценке, затраты на ТОиР для металлургии составляют 8-10% от производственной себестоимости, для ГОК - 15-25%, для органической химии - 2-4,5%. Рассмотрим структуру затрат на примере металлургии:
Сырье для основного производства (на этот вид приходится порядка 55% от всего объема закупок в деньгах):
Планировать такие закупки весьма просто - как правило, сырье закупается в одном и том же месте, смена поставщика случаются крайне редко. Логистика и сроки поставок стабильны и хорошо прогнозируемы. К тому же компании зачастую содержат значительный “страховой запас” сырья, необходимого для основного производства.
Капитальное строительство (20% от общего объема):
Материалы для капитального строительства определены в проектной документации, вариации есть, но они минимальны. Однако здесь часто требуется подбор поставщиков, например, если компания строит не в своем “базовом” регионе. Допустим, головной офис находится в Петербурге, а производство строится на Дальнем Востоке. Закупщики не знают местных поставщиков, их нужно подбирать с нуля: просматривать рынок, разбираться с конкретными товарными позициями, перебирать все предложения. Новые поставщики — новая логистика и, как следствие, другие сроки поставок. Здесь наше решение может помочь.
Техническое обслуживание и ремонт (15% от общего объема):
Этот вид закупок планируется хуже всего. Чем больше срок эксплуатации оборудования, тем сложнее спрогнозировать, что именно выйдет из строя. Сформировать запасы без точной модели прогнозирования можно, но фактический перечень вышедшего из строя оборудования чаще всего будет значительно отличаться от того, что есть на складах. Не лучше обстоит дело и с планированием сроков поставки запчастей, особенно если они импортные. Здесь наша разработка проявляет себя в полную силу.
Мелочевка:
Другие виды материалов, например, канцелярские принадлежности. Иными словами, сюда попадает все, что не имеет критического влияния на работу предприятия.
Виды решаемых задач с помощью ИИ
В целом всю область снабжения с точки зрения цифровизации можно разделить на несколько видов решаемых задач:
Повышение качества планирования (чтобы закупать только то количество материалов, которое необходимо на горизонт планирования);
Подбор поставщика с лучшим ценовым предложением (чтобы исключить вероятность закупок материалов по завышенной цене);
Расчет срока поставки, он же lead time (актуализировать сроки поставки в учетной системе и своевременно сформировать заказ, чтобы обеспечить потребность в заданный срок).
В этой статье мы будем говорить о первой задаче и с прицелом на РПМ, прочитать об актуализации стоимости ТМЦ на основе внешней ценовой информации можно здесь.
Классификация ТМЦ по характеру списаний
Все товарно-материальные ценности вне зависимости от вида закупок характеризуются определенными моделями поведения. Разберем их подробнее:
Товары плавного спроса (от 1-2% от общего объема закупаемых ТМЦ в штуках) - имеют небольшие колебания в объеме потребления (количестве единиц) и расходуются регулярно;
Товары неравномерного спроса (24%) - потребляются регулярно, но часто меняются объемы списания;
Товары прерывистого спроса (3-5%) - закупаются одни и те же объемы, но регулярность закупок различается, например, хаотично появляются периоды “нулевого” потребления;
Товары нестабильного спроса (49%) - периоды и объемы закупок постоянно меняются.
Оставшиеся порядка 20% ТМЦ не имеют достаточных данных по списаниям для их классификации.
Наша задача заключается в том, чтобы повысить количество ТМЦ, которые относятся к первому типу (иначе их можно назвать РПМ). Чем точнее мы выявим их в разных вариантах группировки (горизонте/шаге прогнозирования, группировке по дублям, аналогам, структурным единицам, территории и структуре складов), тем точнее будут прогнозы и, как следствие, повысится точность планирования потребности предприятия. Главная сложность заключается в том, какие товары и при каких условиях следует отнести к этой категории.
Способы сегментации для поиска РПМ
Базовым инструментом для выявления РПМ является сегментация. Она разделяется на 4 вида:
Укрупнение временного ряда (шага прогнозирования). Например ТМЦ списывается регулярно - 1 раз в 3 месяца, если смотреть ежемесячно - получится прерывистый спрос, если квартально - уже плавный;
Укрупнение по структурным единицам (В разрезе разных заводов характер списания одной ТМЦ может относиться к разным типам спроса, но объединение всех временных рядов до уровня холдинга определяет товар в категорию РПМ);
Укрупнение нескольких ТМЦ до верхнеуровневого названия (Например, в каталоге указаны сразу несколько позиций “каска защитная”, которые различаются только размером и цветом. Их можно укрупнить до одного наименования: “каска защитная”). Для приведения прогноза к конкретной единице ТМЦ существует несколько подходов к разгуппировке;
Укрупнение по территориям (Все заводы компании располагаются на Урале, данные по ним можно объединить по этой территории).
Мы разработали еще два вида сегментации, которые использует наша технология:
Укрупнение по аналогам (Если нет моторного масла “Лакирис 5W-40”, его можно заменить маслом “Лукойл 5W-40” с аналогичными характеристиками. То есть программа может понять историческую потребность в ТМЦ учитывая аналоги по определенными характеристикам);
Укрупнение по дублям (В крупных промышленных корпорациях каталоги ТМЦ насчитывают от 500 тысяч записей, а иногда - и больше миллиона. Это огромные каталоги со множеством дублей, одну и ту же позицию могут назвать 30 разными наименованиями. Когда мы смотрим списания по отдельности, то не видим закономерности, но, когда «схлопываем» их в одну запись – закономерности сразу же появляются. То есть мы восстанавливаем полную картину потребления ТМЦ).
Создание многомерного пространства
На основе приведенных выше критериев система “умеет” создавать многомерные пространства.
Ранее мы писали, что бизнес использует упрощенную систему для выделения РПМ. Разберем ее подробнее: если конкретная ТМЦ имеет 3 и более списаний за год - позицию относят к регулярно потребляемой. Чаще всего под такую “норму потребления” попадают те самые 1-2% всех ТМЦ.
Упрощенная методология производит оценку ТМЦ на предмет принадлежности к РПМ по единым критериям, не учитывая специфику групп ТМЦ. Это не позволяет выделить РПМ в каждой уникальной группе в соответствии с определенным характером потребления. То есть оценка ТМЦ по единому для всех шаблону заведомо ведет к упущению / потере потенциальных РПМ. И, что хуже, таким образом формируются временные ряды, которые помешают построить качественные прогнозы потребления в будущем периоде. Процент ошибочных прогнозов в таких случаях варьируется от 45 до 70%, что сказывается на качестве планирования и проведения закупки. В результате на предприятиях может образоваться как out of stock, приводящий к остановке ремонтов/производства, так и over stock, влекущий заморозку денежных средств и дополнительные затраты на хранение неликвидного объема ТМЦ.
Если резюмировать, то подобная методология дает крайне слабый результат. Например, реальная точность планирования потребности для ТОиР на некоторых крупных промышленных предприятиях составляет в среднем около 30% к месяцу. На практике это означает: если на предприятии необходимо отремонтировать какое-либо оборудование, в наличии на складе будет только треть от общего объема необходимых запчастей.
Мы решили отойти от попыток описать сложный объект простыми формулами и, чтобы увидеть реальную картину потребления, усложнили представление о реальности. Наша технология разбивает одно и то же пространство на десятки, сотни, а иногда и тысячи разных сегментов. Графически это выглядит так:
Например, есть позиции, которые списываются неравномерно от цеха к цеху, поэтому будет правильнее подняться на уровень предприятия. То есть, если мы будет выявлять РПМ в пространстве Время-Цех, то упустим РПМ, а в пространстве Время-Предприятие, т.е. в объемной группировке, выявим. При “ручном” подборе товаров плавного спроса человек не в состоянии просчитать все вариации - поскольку слишком много факторов нужно учесть, сделать много вычислений, при этом ИИ способен охватить все многомерное пространство и определить критерии для каждого сегмента в отдельности.
Типовой порядок работы для получения прогноза потребления
Расчет прогноза, как и любой сложный процесс, состоит из нескольких этапов:
Сбор данных. Для прогноза используют исторические данные о фактическом потреблении материалов за максимально возможный период;
Обработка данных. Собранные данные очищают (заполняют пропуски, сглаживают аномалии, убирают некорректные данные и дубли), а затем подготавливают для прогнозирования.
Построение и обучение прогнозной модели. Для прогнозирования применяют модели на основе формул и классических методов (скользящее среднее, ARIMA), аддитивные модели на основе самообучающихся алгоритмов и машинного обучения, мультипликативные и другие модели.
Сравнение и перебор. На данном этапе оценивается качество прогнозирования на основе математической и бизнес-метрики, после чего выбирается лучшая модель.
Принятие решения. Опираясь на согласованную с заказчиком методологию, команда начинает использовать прогноз выбранной модели либо корректирует его с учетом рассчитанной точности и заданной логики ограничений.
Выгоды для бизнеса
Корректное выделение РПМ с помощью технологий многофакторного анализа среди всех ТМЦ служит залогом правильного планирования закупок в компаниях. Разберем подробнее выгоды, которые получают профильные подразделения:
Закупки
До 20% снижение закупочных транзакций за счет выявления претендентов на рамочные контракты и их перевод на централизованную закупку;
Финансовая выгода за счет получения скидки от поставщиков на весь ассортимент рамочного контракта, минимум 1% от общей стоимости;
Дополнительное снижение трудозатрат закупщиков на 15-20% за счет автоматического формирования списка РПМ, расчета обязательств по выкупу.
Логистика
Снижение операционных затрат за счет комплексной оптимизации логистики (прогнозирование потребления, сроков доставки и объемов партий);
Повышение оборачиваемости ТМЦ на собственных мощностях;
Снижение нагрузки на собственные мощности за счет частичного перевода хранения ТМЦ на склады поставщика через рамочные контракты.
ТОиР
Повышение уровня сервиса (обеспеченности) на 15-20% по РПМ (в штуках) и увеличение их доли в общем объеме до 10% позволит повысить уровень сервиса на 1,5-2%. Следствием этих изменений будет повышение качества планирования ремонта и обслуживания оборудования;
Снижение сроков поставки по рамочным контрактам, в среднем на 30 дней и повышение достоверности Lead Time;
Повышение КТГ.
Финансы
Снижение уровня нелеквидов, как следствия уровня замороженных активов за счет повышения точности планирования;
Снижение стоимости ГПЗ за счет скидки в рамочных контрактах.
Снижение операционных затрат на содержание дополнительных складских ресурсов за счет вывода части ТМЦ на склады поставщиков через рамочные контракты;
Снижение стоимости транспортной логистики за счет прогнозируемого объема и графика поставок.
Глоссарий
РПМ - регулярно потребляемые материалы. Характеризуются тем, что расходуются постоянно и в течение определенного периода времени.
ТМЦ - товарно-материальные ценности. Сюда включают основные средства и оборотные средства, запасы для производства и обслуживания, а также товары для перепродажи [источник].
ТОиР - техническое обслуживание и ремонт. Комплекс мероприятий для поддержания или восстановления работоспособности объекта (как правило, оборудования) [источник].
КТГ - коэффициент технической готовности. Он отражает доступность оборудования в определенный промежуток времени [источник].
ГПЗ - годовой план закупок. Первичный документ, в котором содержатся сведения о том, что, в каком объеме и в какие сроки предприятие будет закупать в наступающем году [источник].
Шаг прогнозирования - минимальный временной период, на котором сгруппированы исторические данные потребления товара или материала (например, день, неделя, месяц, квартал).
Горизонт прогнозирования - максимальное количество шагов для построения прогнозов. Допустим, шаг прогнозирования составляет месяц, а горизонт - год. Тогда модель прогнозирования должна отразить 12 прогнозов, при этом исторические данные для обучения модели будут сгруппированы помесячно.