Разработка и внедрение системы сквозного планирования с элементами ML технологий (Продажи -> Производство -> Закупки)

Заказчик
Московский завод плавленных сыров «Карат»
Руководитель проекта со стороны заказчика
Год завершения проекта
2023
Сроки выполнения проекта
Январь, 2022 - Август, 2023
Масштаб проекта
17600 человеко-часов
Цели
Повысить качество прогнозирования продаж, за счет использования технологий машинного обучения. Преобразовать план продаж последовательно в план производства и далее в план закупок. Максимально оперативно обновлять прогноз (раз в сутки) и отражать изменения в плане производства и плане закупок.

Изменить оперативные процессы связанные с планированием, повысить уровень их автоматизации и качество результата. Перейти к работе "от цифр".

Результаты
Благодаря реализации проекта, удалось достигнуть многие поставленные бизнес-цели, цифровизировать процессы, которые раньше жили только "в головах", получить качественные данные для аналитической работы.

Бизнес-цели, которые можно оценить на уровне цифр:
  • SLA по отгрузкам полученных заказов по результатам 2022 и первой половины 2023 года вырос на +5%;
  • Объем запасов ГП снизился на -4,3 дня оборачиваемости;
  • Объем списаний просроченного сырья и упаковки за 9 месяцев 2023 года, снизился кратно (9,5 раза);
Бизнес-цели, которые можно отметить тезисно:
  • Время формирования ежедневного оперативного плана производства (заданий на производство) снизилось в разы;
  • Снизилось число переналадок оборудования;
  • Прогнозные объемы промо-акций теперь формируются полностью автоматические;
  • Формирование цен клиентов по промо-акциям теперь полностью автоматическое (в том числе документарное оформление);
  • Появились новые процессы, которых раньше не было ("заморозка оперативного плана производства", "автоконтроль поставок сырья и упаковки", "наработка ГП при прогнозе дефицита мощностей", "календарь возможных ремонтов и санитарных дней" и прочие;
Проект не только изменил многие процессы компании, повысил эффективность, но и дал возможность развивать на его базе новые системы, более сложного класса. Например сейчас, мы работаем над системой интеграции с типографиями и поставщиками для более плотной интеграции процессов производства.
Высокая цифровизации измененных процессов, позволила сформировать широкую систему показателей для анализа оперативных и стратегических процессов продаж, производства, закупок.

Уникальность проекта

В первую очередь уникальность проекта в степени связанности используемых внутри него систем. Изменение в одном из моделей, автоматически отображается в другом. Приведем несколько примеров:
  • Создание новой промо-акции в сети в указанный период, автоматически отражаются в корректировке плана производства и прогноза закупок поставщикам;
  • Отмена или изменение сроков поставки упаковки, автоматически перестраивает прогноз производства и индикатирует о риске выполнения заказов;
  • Плановый ремонт оборудования, автоматически меняет план производства;
  • Поступление любого заказа в EDI систему, автоматически отражается в расчете плана плана производства;
Примеры выше, лишь небольшая часть для иллюстрации идеи. Эта идея отражена и в названии проекта "сквозное планирование", термин "сквозное" показывает, что изменение одного фактора, меняет связанно каскад других факторов.
Вторая сторона уникальность проекта, в широте покрытия процессов компании. Для решения поставленных задач, мы погрузились и частично реинженирили большое число функциональный областей, можно отметить:
  • Процессы планирования промо-акций с клиентами;
  • Процессы заведение промо цен;
  • Процессы листинга новых позиций клиентам;
  • Процессы формирования и согласования планов продаж;
  • Процессы формирования оперативных планов производства готовой продукции;
  • Процессы формирующие набор СКЮ на линию на конкретный день производства (ODS задачи);
  • Процессы планирования ремонтов линий и санитарных дней;
  • Процессы заказа сырья и упаковки в поставщиков;
  • Процессы контроля сроков поставки;
В рамках реализации проекта, мы сформировали полностью новую систему оценки показателей эффективности процессов Выше. Расширили нашу BI систему.
Для решения задач прогнозирования продаж, мы использовали ML (machine learning) технологии. Это позволили сильно улучшить качество прогнозирования, особенно на низком уровне детализации информации ("сколько мы продадим в конкретный РЦ клиента по конкретному СКЮ на 35ой неделе").

Проект решает задачи импортозамещения
Да
Использованное ПО
  • 1С ERP;
  • Собственные разработанные модули на 1С;
  • Собственное приложение на Python;
  • MS Power BI;

Сложность реализации
Проект был сложен как с точки зрения объема разрабатываемых систем, так и с точки зрения используемых технологий.

Система состоит из следующих отдельных систем:
  • Модуль учета промо-активностей с клиентами;
  • Модуль прогнозирования Base Line продаж;
  • Модуль построения плана производства;
  • Модуль ODS (внутри-дневной цеховой диспетчеризации) производства;
  • Модуль формирования сырья и упаковки по плану производства;
  • Модуль формирования заказов поставщикам;
  • Модуль календарного планирования и контроля поставок от поставщиков;
  • Модуль интеграции с BI аналитикой;
  • Модуль аналитики ML данных;
Проект затрагивал большое число областей работы компании и так же требовал перестроения мышления персонала. От Эксель-таблиц, к более сложным приложениям и работой от показателей. Приходилось проводить много разъяснительной и популяризаторской работы.

Описание проекта
Благодаря системе "сквозного планирования", удалось достигнуть следующие бизнес-цели:
  • Повысить уровень исполнения заказов клиентов (уровень сервиса);
  • Снизить страховые запасы упаковки, сырья и готовой продукции;
  • Повысить ОСГ (остаточный срок годности) готовой продукции;
  • Повысить оборачиваемость сырья и упаковки;
  • Сделать более равномерной загрузку производственного оборудования;
  • Прогнозировать потребность в производственном персонале;
  • Прогнозировать дефицит продукции и индикатировать об этом;
  • Снизить объем ручного труда, повысить эффективность персонала;
  • Сформировать набор показателей, которые позволят анализировать качество планирования, качество закупок и качество загрузки производства. Отразить данные показатели в BI системе;
Проект использовал ряд собственных разработок, которые в настоящее время проходят процесс оформления патента.

География проекта
Федеральный уровень. Вся деятельность компании по всей географии присутствия.
Дополнительные презентации:
СквозноеПланирование_ОбщаяПрезентация_12-2023.pdf
Коментарии: 4

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Александр Виноградов
    Рейтинг: 1035
    MSD (ГК ТРАДИЦИИ УСПЕХА)
    CDTO
    03.01.2024 14:33

    Добрый день. Исходя из описания проекта, вся реализация выполнялась внутренними силами своей ИТ команды ? Сколько у Вас было задействовано со стороны ИТ специалистов и в каких ролях ? и от бизнеса ?
    Какую функцию выполняет у Вас собственное приложение на Python?
    Какие ресурсы ИТ инфраструктуры используются для работы систем ?

    • Александр Попушой Александр
      Рейтинг: 381
      МЗПС "Карат"
      Директор по ИТ
      09.01.2024 09:56

      Добрый день!

      - Команда была гибридной, хотя большая часть работ выполнялась внутренней командой. Блок "Промо" реализовывали с помощью партнера. А дальнейшем блок промо так же развивался внутренней командой. Для задач аналитики продаж и разработки методологии прогнозной модели, привлекался партнер, который специализируется на FMCG и аналитике вторичных продаж.
      - Со стороны ИТ было 5 специалистов. 1 руководитель проекта / Product Owner, 2 программиста, 2 методолога-консультанта. Так же привлекались партнеры в ролях разработчиков, аналитиков.
      - От бизнеса состав варьировался. По разным блокам подключались разные специалисты (аналитики по продажам, трейд-маркетологи, коммерческий департамент, специалисты по планированию, специалисты по логистике, технологи и представители производства), но постоянных участников команды со стороны бизнеса скорее не было. Частично системную роль бизнеса примерял на себя PO по проекту.
      - Собственное приложение на Python выполняет две задачи: построение прогноза продаж (ML модель) и система аналитики прогноза продаж, целью которой было дать понимание, где мы хорошо угадываем в прогнозе, а где не очень;
      - Используется кластер сервера 1С + СУБД для части, которая работает на 1С. Используется docker и отдельная машина для приложения на python.

      Спасибо за интерес)

  • Вячеслав Чупраков
    Рейтинг: 1175
    Прагматика Эксперт
    Заместитель ИТ директора по инфраструктуре и сервисам
    07.01.2024 13:47

    Добрый день, в своей презентации вы ставите цель: снизить объем недопоставок клиентам. На сколько вы достигли цели и с чем в первую очередь были связаны недопоставки?

    • Александр Попушой Вячеслав
      Рейтинг: 381
      МЗПС "Карат"
      Директор по ИТ
      09.01.2024 10:02

      Добрый день!

      Да, SLA (/уровень сервиса) по заказам был для нас ключевой метрикой. Достигли явное улучшение в этой цифре, точную оценку дать сложно, т.к. объективно сложно быть уверенным, какой процент SLA благодаря системе, а какой потому, что "люди хорошо стали работать", например. Но если раньше уровень SLA был на уровне 96-98% в разные годы, то по результатам 2023 года он стал 99,X%.
      Раньше основные причины недопоставок были в дефиците упаковки или не наработанных вовремя складских запасов. Если по ключевым позициям вариативность спроса постоянна и прогнозируется относительно просто, то по менее ходовым позициям, любой большой фактор (например большое промо проводимое в сети) сразу заметно меняет среднее потребление. Так же, для нас важный фактор усложняющий ситуацию - крайне ограниченные складские запасы. Мы не можем наработать большой страховой сток, который бы покрывала "ошибки планирования". При этом есть типы упаковок, которых поставка/производство с момента размещения заказа занимает более 30 дней.
      Все факторы выше формируют высокие требования к точности планирования/прогнозирования.

Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.