В нынешних кризисных условиях значительно возрастает роль инструментов планирования и прогнозирования развития предприятия. Именно поэтому опыт «Пивоваренной компании “Балтика”» по созданию автоматизированной системы прогнозирования спроса и планирования продаж на наш взгляд весьма интересен.
Надо сказать, что нам очень хотелось расспросить Германа Эпштейна, CIO компании «Балтика», о применении бизнес-аналитики, о построении моделей, о прогнозировании спроса и планировании продаж в связи с задачами, поставленными экономическим кризисом… Для обмена опытом… Но он отказался.
«Если компания начала серьезно задумываться об эффективности цепочки поставок только сейчас, в трудные времена, то вряд ли ей чем то можно помочь, — сказал он. — Ничего специфически “кризисного”, в том числе в области BI, мы не делаем. Повышать эффективность работы нужно постоянно, и тогда компания не встретит кризис с раздутыми затратами и неэффективными бизнес-процессами».
Создание интегрированной системы планирования, неотъемлемой частью которой является система прогнозирования спроса и планирования продаж, в качестве стратегической задачи ИТ-дирекции была поставлена топ-менеджментом «Балтики» еще в 2007 году, по окончании очередного этапа внедрения CRM системы (об этом проекте мы писали в IE, № 7/2008). Полностью проект был завершен в конце 2008-го, и с января 2009-го началась промышленная эксплуатация.
Инициаторами этой работы явились отдел маркетинга и отдел прогнозирования и планирования продаж «Балтики». Была поставлена задача повысить качество прогнозирования спроса по всему ассортименту продукции и по всем звеньям логистической цепочки. Требовалось формировать планы отгрузки продукции на различные периоды на основании прогноза спроса, данных о фактических остатках, целевых указаний.
«Отчеты, генерируемые операционным блоком CRM системы, позволяют получать любую оперативную информацию, — говорит руководитель отдела прогнозирования и планирования продаж Павел Иванов. — Но по мере накопления данных потребовался более глубокий анализ данных за большие периоды времени (до двух лет) с разбивкой по месяцам или неделям. Небходимо было решение, которое могло бы совместить в одной системе координат различные показатели по торговым точкам. Например, дистрибуцию и долю собственной продукции на полке торговой точки».
Задача осложнялась тем, что цепочка движения продукции «Балтики» до потребителя — довольно многозвенная, поэтому чрезвычайно важную роль в аналитической системе должны играть средства взаимодействия с партнерами, со всеми членами логистической цепочки. «Пиво считается проданным, когда потребитель уносит бутылку из магазина, а не в момент отгрузки товара дистрибьютору», — поясняет Герман Эпштейн. Поэтому без актуальных данных о розничных продажах никакое прогнозирование и планирование смысла не имеет. Не менее важны данные возможностях поставщиков и условиях использования транспорта, о наличии сырья, тары, доступных производственных и складских мощностей, полуфабрикатов на разных стадиях производства и готовой продукции, о товарах в пути и т. д. Все эти вопросы требовали особого внимания в ходе проекта.
Наконец, еще одна цель проекта состояла в том, чтобы упорядочить процесс согласования планов продаж в распределённой среде, сделать его более управляемым и понятным для всех участников.
Технический аспект
С технологической точки зрения решение состоит из хранилища данных и разработанного для этой задачи BI-приложения. Оно интегрировано с ERP системой «Монолит», разработанной петербургской компанией «Монолит-Инфо» и уже более десяти лет используемой в «Балтике», и CRM системой того же вендора, внедренной в 2007 году.
Из ERP системы в систему прогнозирования спроса и планирования продаж передаются фактические данные об отгрузках продукции и о производственных ограничениях. Обратно в ERP поступают согласованные планы. Из CRM система планирования получает данные о фактических остатках на складах дистрибьюторов и о продажах на рынке.
Интерфейс системы прогнозирования спроса и планирования продаж построен по принципу панели управления: на одном экране собрана вся необходимая для принятия решения информация — текущий прогноз/план, фактические данные за прошлые периоды, разнообразная аналитика.
В основу системы положена BI-платформа Microsoft SQL Server 2005. Расчет прогноза осуществляется внешней подключаемой компонентой (в настоящий момент это система Good4Cast компании Forecsys). Требования к аналитической системе были представлены отделом прогнозирования и планирования продаж. По словам Павла Иванова основное внимание уделялось гибкости и скорости работы, так как в процесс планирования вовлечено большое количество сотрудников, которые должны в оперативном режиме анализировать фактические данные и корректировать планы в зависимости от сложившейся ситуации. Необходимо было обеспечить поддержку регламента процесса планирования, чтобы его ход стал прозрачным и можно было в любой момент времени получать информацию о статусе готовности плана. На основании этих требований был произведен выбор архитектуры и поставщика решения (компания «Монолит-Инфо»). Было решено разрабатывать специализированное приложение, так как предлагавшиеся на рынке продукты не могли удовлетворить требования бизнес-заказчика. Полученный результат в полной мере подтвердил правильность такого подхода. Сотрудники отдела прогнозирования и планирования продаж принимали активное участие в тестировании системы на стадии приемки.
Дополнительное, но очень важное достижение этого проекта, о котором нельзя не упомянуть, — интеграция в одном решении данных из ERP- и CRM систем. Это позволило установить постоянные связи между всеми участниками цепочек поставок продукции на уровне ИТ систем, и в то же время не был упущен контроль качества данных, их достоверности.
Система прогнозирования спроса и планирования продаж: основные характеристики
Функция прогнозирования позволяет рассчитывать прогноз спроса на требуемый интервал вперед (скользящее прогнозирование) с необходимой детализацией. Входной информацией для этого являются фактические данные отгрузки за прошлые периоды и данные об оценке рынка (объем в натуральном выражении) по годам, включая будущий год.
Рассчитанный прогноз может быть скорректирован аналитиком для учета внешних воздействий на рынок. В системе предусмотрена функция, позволяющая применять корректировки из прошлых прогнозов к соответствующим периодам прогноза текущего. При этом можно анализировать прогноз на соответствие целям компании, проводить сценарный анализ и создавать различные версии прогноза. Последним шагом в работе над прогнозом является его публикация. После этого он становится доступен пользователям, а также для функции иерархического ступенчатого планирования.
Функция иерархического планирования решает следующие задачи:
распределение полученного прогноза по географии продаж;
создание и согласование прогноза поставок продукции по всем звеньям логистической цепочки.
Каждый пользователь на своем уровне ответственности может вносить изменения в распределение прогноза, сравнивая при этом текущий прогноз с фактами текущего и прошлого года, с предыдущим прогнозом и прогнозом, сделанным на начало года (возможно несколько версий). Существует регламент, предусматривающий порядок действий пользователей на различных уровнях ответственности. Дополнительно в системе ведется ассортиментная матрица, задающая доступный ассортимент для каждой территории (матрица продаж) и календарь маркетинговых акций.
О прогнозных моделях
Больной вопрос практически любого BI-проекта — происхождение и реалистичность моделей, по которым выполняется прогнозирование. «Все наши модели собственные, разработанные в компании, — рассказывает Герман Эпштейн. — Больше взять их неоткуда. Ни одна стандартная европейская схема, преподносимая поставщиками решений как “лучшая практика”, работать у нас не будет. В условиях России в оптимизационную модель добавляется большое количество переменных, которые могут быть проигнорированы в Европе: это огромные расстояния, низкая плотность населения, слабое развитие транспортной сети и многое, многое другое».
Надо сказать, что некоторых топ-менеджеров общая нестабильность инфраструктуры, сильное влияние непредсказуемых факторов (например, «товар застрял на таможне на неопределенный срок» или «лед еще не встал, поэтому машины не идут») приводят к мысли, что нет и смысла налаживать планирование, когда любая подобная случайность может не только всю оптимизацию свести на нет, но и сильно осложнить положение дел. Герман Эпштейн с этим категорически не согласен. «Напротив, чем сложней ситуация и больше риски, тем тщательней нужно планировать, расставлять приоритеты, в том числе в логистике, стараясь нивелировать негативные эффекты возможных форс-мажоров», — уверен он.
Важные аспекты и потенциальные проблемные места для прогнозирования спроса и планирования продаж
Обеспечить необходимую глубину исторических данных. Чем больше эта глубина, тем точнее будет рассчитан прогноз. И тем труднее обеспечить достоверные факты с выбранной для прогнозирования детализацией.
Обеспечить чистоту исторических данных. Очистка данных состоит в корректировке или исключении той их части, которая искажена внешними воздействиями — маркетинговыми акциями по стимулированию спроса, проблемами в производстве, — в результате чего отгрузка продукции компании временно уменьшалась.
Определить горизонт прогнозирования. При этом важным фактором является возможность достоверной оценки тенденций рынка (рост/спад).
Определить текущее положение и спрогнозировать дальнейший жизненный цикл продукта.
Проанализировать профили спроса по историческим данным. Выявить периоды колебания спроса.