Прогнозирование продаж особенно важно на предприятиях с высокой сезонностью, таких как «Фаско+», которое выпускает почвогрунт, удобрения, саженцы и средства защиты растений. Предприятие внедрило сервис прогнозирования продаж на базе «1С:ERP», в результате чего точность прогноза повысилась в среднем на 8%, скорость планирования сократилась с трех дней до двух часов. Фото: «Фаско+»
Функциональность прогнозирования продаж в «1С:ERP»
Производственным и торговым компаниям необходимо прогнозировать продажи, чтобы избежать упущенной выручки и других потерь. Например, нужны товары, но на складе не оказалось остатков или, наоборот, в результате неправильного планирования сформировали избыточный запас, и теперь товар лежит «мертвым грузом». Для решения задач прогнозирования ритейлеры и производители пользуются различными инструментами, начиная с Excel и заканчивая специализированными программами.
В экосистеме «1С» есть инструмент, позволяющий прогнозировать продажи с использованием машинного обучения. Данные, на основе которых обучается модель, хранятся в обычной учетной системе «1С», что позволяет сократить время на их передачу и обработку.
Как рассказал Роман Сусов, руководитель группы разработки фирмы «1С», архитектура решения представляет собой облачный сервис прогнозирования, в который можно из информационной базы прикладной конфигурации «1С:ERP», «1С:Управление торговлей» или «1С:Комплексная автоматизация» передать данные о продажах и дополнительные данные, позволяющие повысить качество прогноза. Обратно в информационную базу сервис возвращает прогноз на выбранный период, с которым можно работать – создавать план продаж, закупок, производства. Обычно эксперту, не пользующемуся таким сервисом, приходится самому готовить прогноз, для этого сначала надо выгрузить необходимые данные системы, потом провести нужные трансформации, чтобы очистить эти данные, затем выбрать модель, которая хорошо прогнозирует на этих данных, и, возможно, дальше скорректировать прогноз вручную с помощью знаний, которые сложно формализовать.
«Мы предлагаем модифицировать этот сценарий работы, – поясняет Роман Сусов. – В нашем решении данные могут выгружаться автоматически и регулярно, что позволяет сэкономить время аналитика. Если есть отрицательные остатки или еще какие-то проблемы в данных, об этом система сообщит. После того как данные загружены в сервис, на них обучается модель, разработанная специалистами фирмы «1С». При использовании нашего сервиса не надо выбирать модель вручную, будет построено несколько моделей – и наилучшая будет определена автоматически по одной из доступных метрик. Сервис выдает результаты прогноза, с которыми уже может работать эксперт. При этом прогноз можно корректировать вручную, зная какие-то факты, которые сложно формализовать, – например, что придет крупный заказ».
Для сохранения конфиденциальности можно передавать только обезличенные данные, которые не будут никому доступны, кроме самой компании, строящей прогноз для себя, так как они находятся в дата-центре «1С». Пока сервис прогнозирования работает в пилотном режиме по индивидуальным заявкам, поэтому фирма «1С» предлагает компаниям поучаствовать в пилотных проектах.
Рассмотрим один из примеров использования функциональности прогнозирования продаж на примере группы компаний «Фаско+».
Особенность бизнеса «Фаско+» в том, что он сильно зависит от сезона: основные продажи приходятся на четыре месяца в году, доля сезонной продукции составляет 86%, при этом каждый продукт имеет свой сезон. Имеют большое значение и погодные условия – ранняя или поздняя весна сдвигает сезон на 3–6 недель.
В сезон ограничены производственные мощности, а плечо доставки упаковки составляет 45 дней, поэтому надо знать заранее, сколько упаковки потребуется. Невыполненные в сезон заказы позже уже неактуальны. Поэтому компания всегда уделяла особое внимание ассортиментному планированию.
«Последние несколько лет рынок товаров для дома и дачи является одним из самых динамично развивающихся, тем более что рост этого рынка стимулирует экономическая ситуация в стране, и это надо учитывать, – рассказывает Анна Доронина, заместитель финансового директора ГК «Фаско+». – Например, пандемия привела к скачкообразному росту спроса, под который мы не успели подстроиться, что привело к невыполненным заказам, а следовательно – к потере возможной прибыли. Поэтому мы долгое время искали пути усовершенствования ассортиментного планирования, как один из вариантов рассматривали внедрение искусственного интеллекта. Когда в «1С» нам предложили стать участниками пилотного проекта по внедрению функциональности прогнозирования продаж, мы откликнулись на это предложение и возложили на инструмент большие надежды».
До и после: пять минут вместо трех дней
До внедрения ассортиментное планирование в компании было построено следующим образом. Брали данные прошлых лет, на основе которых рассчитывали прогноз по разным методикам, далее смотрели точность планирования. При этом процесс планирования был целиком завязан на одном ключевом специалисте.
«Опыт показал, что самый точный прогноз дает метод полинома, но, к сожалению, изобразить все результаты в Excel для каждой позиции оказалось неприемлемо и трудоемко, – рассказывает Анна Доронина. – Поэтому для прогнозирования был использован метод линейного тренда с учетом сезонности».
В процессе прогнозирования обязательно учитывались: невыполненные заказы прошлых периодов, данные восстановленного спроса (под восстановленным спросом понимаются невыполненные заказы, которые были понесены в результате ошибок производства и планирования). Для новинок использовались плановые показатели либо история аналогов. Планирование делается только в натуральных показателях.
Оперативный горизонт планирования – 12 недель. В сезон происходило еженедельное обновление, в несезон – двухнедельное. По итогам каждого месяца считалась точность прогнозирования по разным позициям, для этого продукция делится на четыре категории – три группы по стандартному анализу АВС и четвертая – новинки.
«Считаем точность, подводим итоги и выявляем факторы, которые повлекли снижение точности прогнозирования, – говорит Анна Доронина. – При этом нам важно, чтобы самая высокая точность была в группе А».
Все эти методики были перенесены в сервис прогнозирования «1C:ERP».
Тестовая эксплуатация решения началась в ноябре 2021 года, проверяли точность модели прогнозирования, сопоставляя с ручным прогнозированием и фактическими продажами прошлых периодов. Сервис оказался интуитивно понятным и не требующим особой подготовки сотрудников.
Процесс прогноза продаж в «1С:ERP» делится на четыре этапа: настройка сценария планирования; настройка вида плана (прогнозирования); выгрузка данных в сервис; обучение модели; формирование прогноза.
«Особое внимание стоит уделить второму этапу – настройке прогнозирования, – считает Анна Доронина. – Необходимо указать метрику оценки качества прогноза. В модели предусмотрено нескольких метрик. Это надо для того, чтобы система, после того как модель рассчитает прогноз по нескольким видам и методикам, определила, где самая высокая точность, и выбрала в прогноз самые точные данные. Также необходимо указать, нужно ли при расчете прогноза учитывать потерянные продажи, коэффициент сглаживания выбросов в исторических данных и рассчитывать стандартные отклонения».
По просьбе компании источники данных для прогнозирования в «1С:ERP» были совмещены, поэтому можно использовать как фактические данные прошлых периодов, так и плановые показатели. Через плановые сценарии вносятся отклонения прошлого года, чтобы не хранить их где-то еще и чтобы модель всегда могла их подключать в расчет прогнозов. Была предусмотрена функциональность, позволяющая прогнозировать продажи с учетом аналогов, так как ассортимент постоянно обновляется, вводятся новинки, выводятся невостребованные позиции, идет ребрендинг продуктов – меняются упаковка, вес, название и прочее.
После настройки прогнозирования необходимо указать фильтры для отбора и установить порядок обновления.
«Поскольку у нас планирование осуществляется еженедельно, обновление происходит по воскресеньям, – говорит Анна Доронина. – Создание прогноза возможно со следующей даты после последней продажи».
Два последних этапа – обучение модели и формирование прогноза происходят автоматически и никаких усилий со стороны специалистов компании не требуют. Запускается обучение модели, и после этого формируется прогноз. Обучение модели занимает 1,5–2 часа, при этом анализируются данные за три года. Присутствие специалиста не требуется. Формирование прогноза занимает от двух до пяти минут в зависимости от выбранного периода. За пять минут делается прогноз на 20 недель.
Приведем несколько данных по итогам тестового прогнозирования. Оценка точности прогнозирования в ноябре 2021 года составила: ручным методом – 66,9%, в «1С:ERP» – 70,1%. Оценка точности прогнозирования в марте 2022 года (сезон) – 61,9% и 70,2% соответственно. Оценка точности прогнозирования в апреле (сезон) – 57,2% и 70,1%.
«Ранее мы пробовали использовать искусственный интеллект на тестовых позициях. К сожалению, ни один из вариантов не показал такой высокой точности, – рассказывает Анна Доронина. – Точность прогнозирования в «1С:ERP» была заметно выше ручного метода. Кроме того, аналитик это делает три дня, «1С:ERP» – несколько минут. Скорость планирования в системе – два часа против трех дней ручного труда».
При оценке данных компания еще не подключала потерянные продажи прошлых периодов и восстановленный спрос. Когда эти данные будут заведены в систему, точность прогноза еще повысится.
