Оптимизация складских запасов

Технологическое решение
DATALYTICA

Примеры классических стратегий:

Стратегия с фиксированным размером заказа.
Стратегия с фиксированным интервалом времени между заказами.
Стратегия с заданной периодичностью пополнения запаса до постоянного уровня.
Модель типа «минимум-максимум».

Управление складом на основе индивидуального подхода к корпоративным данным с
применением технологий в сфере Data Science может привести к значительному повышению оборачиваемости склада, избавлению от неликвида, существенному сокращению числа «аварийных» закупок, повышению уровня сервиса и, как следствие, к повышению уровня удовлетворенности потребителей. Построение прогноза с использованием классических стратегий управления складами не дает точных результатов. Зачастую специалисты подгоняют результаты вручную, исходя из собственных знаний и опыта. Современные технологии и накопленные знания в сфере предиктивной аналитики позволяют более эффективно и качественно обрабатывать полный спектр уникальных корпоративных данных и строить прогнозы с учетом индивидуальных потребностей компании и особенностей сферы деятельности.

Риски неверных закупок

Как минимизировать риски и сократить стоимость владения
складом?

Использовать предиктивное моделирование на основе машинного обучения! Хотите оптимизировать свой бизнес? Свяжитесь с нами прямо сейчас.

Написать нам

Используемые исходные данные

Виды продукции

Аналоги и взаимозаменяемые позиции

Филиальная/складская сеть

Исторические данные о продажах или списаниях

Исторические данные о причинах списаний

Стоимость продукции

Сроки поставки с момента выявления потребности

Случаи дефицита

Производственный план

Подбор параметров для прогнозирования потребности в товаре осуществляется автоматически на основе уникальных корпоративных данных. Чтобы выявить внутригодовую сезонность и сформировать более точный прогноз, предпочтительно проводить анализ и обучать модель на исторических данных за 3 последних года.

Этапы реализации проекта по оптимизации склада

Анализ данных

Анализ продаж, анализ списаний, анализ плеча поставок, выявление сезонности и тренда, анализ случаев дефицита, выявление неликвидных товаров, поиск зависимостей между данными, выявление аномальных выбросов

Создание предиктивной модели

Предсказание спроса, сроков поставок, уровня страхового запаса и других вероятностных характеристик, оказывающих существенное влияние на стоимость владения складом

Создание рекомендующей модели

Создание оптимизационной модели, рекомендующей точки и объемы заказа, приводящие к минимизации стоимости владения складом

Внедрение

Разработка интерфейса пользователя и/или интеграция со смежными системами для передачи результатов моделирования

Результат - автоматически сформированные рекомендации с ответами на самые насущные вопросы

Что и в каком объеме закупать?

В какие сроки
закупать?

Какой страховой запас обеспечить?

Какова будет совокупная стоимость владения складом?

Преимущества машинного обучения при построении предиктивной модели

Так как в модель закладываются уникальные данные компании, бизнес-процессы и потребности, рекомендации подходят исключительно ей в текущей ситуации. С течением времени при появлении новых товаров, снятия с производства старой продукции, изменения потребности, автоматически осуществляется самообучение модели прогнозирования. Таким образом, решение не требует дополнительной подстройки вручную.

Использование машинного обучения приводит к более глубокому и точечному расчету параметров оптимального заказа для каждой товарной позиции без вмешательства человека. Вследствие этого повышается точность прогноза, снижается уровень дефицита товаров, увеличивается процент удовлетворенных запросов. При этом достигается оптимальный баланс между минимизацией стоимости хранимых на складе позиций (высвобождение активов) и минимизацией потерь из-за отсутствия продукции в нужный момент, а также минимизацией стоимости закупки за счёт укрупнения партии.

Сравнение классического подхода и машинного обучения

Применение машинного обучения для принятия решения о точках и объемах заказов уменьшает стоимость владения складом в среднем на 10% по сравнению с классическими методами.

Классический подход

Формула для оценки точки и объема заказа
построена человеком
При создании формулы использованы и обобщены
данные других компаний начала 20 века
Структура формулы «жестко зашита», т.е. не
зависит от данных заказчика и не изменяется при
изменении конъюнктуры рынка
Формула едина для всех складских позиций
(групп позиций)

Машинное обучение

Формула для оценки точки и объема заказа
построена алгоритмом машинного обучения
При создании формулы использованы и
обобщены данные Заказчика за последние 2-5 лет
Структура формулы определяется при обучении модели на данных заказчика и может изменяться при изменении
конъюнктуры рынка
Формула может иметь разный вид для
различных складских позиций (групп позиций)

Выгоды от оптимизации склада

Существенное сокращение трудозатрат
Сокращение случаев дефицита
Повышение оборачиваемости
Повышение уровня сервиса
Повышение рентабельности
Сокращение неликвида
Снижение стоимости владения складом
Повышение уровня удовлетворенности потребителей