задачи оптимизации управления запасами

Когда слышишь ?задачи оптимизации управления запасами?, первое, что приходит в голову — это, конечно, модели, формулы, идеальные кривые. На деле же всё часто упирается в простой вопрос: почему на третьем стеллаже опять лежит годовой запас прокладок, которые никто не заказывал с прошлого квартала? Многие, особенно в начале цифровизации, думают, что достаточно внедрить ?умную? систему, и проблемы исчезнут. Это, пожалуй, самый распространённый и дорогостоящий миф. Оптимизация — это не про то, чтобы слепо следовать алгоритму, а про то, чтобы этот алгоритм заставить работать в условиях реального склада, с реальными людьми и реальными, иногда совершенно нелогичными, заказами.

От цифровых обещаний к складским реалиям

Вот, к примеру, когда мы начинали работу с одним из наших клиентов — дистрибьютором инженерных компонентов — они как раз переживали этап внедрения новой WMS. Система была ?продвинутой?, с прогнозированием спроса и автоматическим расчётом точек заказа. Но через пару месяцев выяснилась занятная вещь: система исправно предлагала заказывать партии по экономичному объёму, но совершенно игнорировала тот факт, что поставщик этих самых компонентов отгружает только полными паллетами, а не коробками. В итоге мы имели красивый график в системе и растущие издержки на хранение лишних полутора паллет в углу. Это классический случай, когда оптимизация управления запасами отрывается от физических условий поставки.

Тут и пригодился опыт нашей команды из ООО Хэнань Цзюйхэ Текнолоджи. Мы не стали перекраивать всю систему, а начали с аудита бизнес-правил внутри неё. Оказалось, что можно прописать простые условия: если рекомендованный системой заказ не кратен паллетному месту, алгоритм должен округлять вверх и одновременно проверять оборачиваемость этой позиции. Казалось бы, мелочь. Но именно из таких мелочей, которые не описаны в учебниках по логистике, и складывается реальная экономия. Иногда полезнее потратить день на наблюдение за работой кладовщика, чем на неделю настраивать ?идеальную? модель.

Кстати, о наблюдениях. Один из самых ценных инструментов — это анализ исключений. Система всегда выдаёт ?идеальный? план, а жизнь — список отклонений. Мы стали вести простой журнал: по какой причине фактический остаток отличается от планового? Не привезли? Перевезли? Ошиблись при приёмке? Через месяц картина стала яснее любых отчётов. Основные потери происходили не из-за ошибок в расчёте страхового запаса, а из-за несогласованности между отделом закупок и складом по процедуре приёмки. Вот вам и ?цифровая трансформация? — она часто упирается в человеческие процессы.

Страховой запас: не щит, а гиря на ногах

Отдельная песня — это работа со страховым запасом. Многие воспринимают его как панацею от всех сбоев. Задержалась поставка? Увеличим страховой запас! Вырос спрос? Увеличим страховой запас! В итоге капитал замораживается в никому не нужных ?железных? запасах. Мы в своих проектах стараемся сместить фокус с объёма страхового запаса на надёжность цепочки. Простой пример: для одной сети аптек мы анализировали остатки сезонных препаратов. Вместо того чтобы закладывать высокий страховой запас на всю зиму, мы проработали с их поставщиком условия экстренной поставки малых партий в течение 48 часов. Стоимость такой услуги оказалась ниже, чем стоимость хранения излишков в течение полугода. Оптимизация управления в данном случае — это оптимизация отношений с контрагентами, а не только внутренних параметров склада.

Но и тут есть подводные камни. Перекладывая риски на поставщика, ты становишься от него зависимым. Поэтому следующий шаг — диверсификация. Но и она ведёт к усложнению управления запасами. Больше номенклатуры, больше точек заказа, больше документооборота. Получается, что решив одну задачу, ты создаёшь несколько новых. Иногда кажется, что это сизифов труд. Но, по моему опыту, ключ в балансе. Не нужно стремиться к нулевым запасам, если твоя инфраструктура к этому не готова. Лучше честно оценить свои операционные возможности и уже под них настраивать параметры системы.

На сайте нашей компании, ООО Хэнань Цзюйхэ Текнолоджи, мы пишем о цифровой трансформации бизнеса. И в контексте запасов это как раз такая история: технология не цель, а инструмент для достижения того самого баланса. Самая сложная часть работы — убедить заказчика, что успех измеряется не количеством внедрённых модулей ERP, а, например, снижением коэффициента оборачиваемости медленных позиций на конкретном складе. Это скучнее звучит, но зато правдивее.

Когда данные врут: проблема ?чистоты? истории

Все модели оптимизации жуют исторические данные. А что, если эти данные — полная ерунда? Сталкивался с ситуацией, когда из-за старой ошибки в учётной системе одна товарная позиция числилась под двумя разными кодами. В итоге система, анализируя продажи по одному коду, видела низкий спрос и предлагала не заказывать. А по второму коду история была пустой. Фактически же товар был ходовым. Пока разобрались, потеряли месяц продаж. Поэтому теперь любой наш проект начинается с этапа ?очистки? и консолидации данных. Порой на это уходит до 30% времени, но без этого все последующие расчёты просто построены на песке.

Ещё один бич — это ?ручные? операции. Менеджер по закупкам, который годами заказывает ?на глазок?, потому что не доверяет системе, может свести на нет всю работу алгоритмов. Борьба с этим идёт не через приказы, а через демонстрацию. Мы делаем параллельный прогон: неделю заказы формирует система (но с ручной проверкой), а потом сравниваем результаты с ?ручным? периодом. Часто оказывается, что система, даже неидеальная, даёт меньший уровень дефицита по второстепенным позициям. Это весомый аргумент.

Именно поэтому в задачах оптимизации так важен человеческий фактор. Технологии от ООО Хэнань Цзюйхэ Текнолоджи — это каркас. Но наполняют его жизнью люди, которые работают с этими запасами каждый день. Их интуицию и опыт нельзя игнорировать, их нужно встраивать в систему в виде правил и ограничений. Иногда лучшая оптимизация — это позволить системе генерировать предложения, а человеку оставить право окончательного выбора, но на основе понятной и проверенной аналитики.

Мелкий опт: территория особого риска

Отдельно хочу сказать про сегмент мелкооптовой торговли, где номенклатура может исчисляться десятками тысяч SKU. Тут классические модели типа EOQ (экономичный размер заказа) часто дают сбой. Заказывать каждый болтик экономичной партией? Это кошмар для отдела закупок и склада. Мы применяем подход сегментации, например, по ABC-XYZ анализу, но не в статике, а в динамике. Группа CZ (медленно оборачиваемые позиции с непредсказуемым спросом) — это главный кандидат на выведение в аутсорсингную модель поставки ?под заказ? или на кардинальное сокращение страхового запаса вплоть до нуля, с чёткими рисками по срокам.

Был у нас опыт с клиентом из сектора электронных компонентов. Они держали огромный складской запас редких микросхем ?на всякий случай?. После анализа выяснилось, что 80% этих ?редких? позиций заказывались не более раза в год. Мы помогли им перестроить отношения с ключевым поставщиком на схему Vendor Managed Inventory (VMI) для этой группы. Запасы остались, но уже не на балансе клиента, а у поставщика, который гарантировал поставку за 72 часа. Высвободившиеся площади и средства пошли на расширение запасов по быстрооборачиваемой группе A. Это и есть практическая оптимизация управления запасами — перераспределение ресурсов от малоэффективных активов к высокоэффективным.

Конечно, не всё проходит гладко. Попытка применить ту же схему VMI для другой компании, уже в секторе бытовой химии, провалилась. Их поставщики просто не имели технологической и организационной готовности к такой модели. Пришлось откатиться назад и работать над улучшением точности прогноза и надёжности логистических маршрутов. Неудача? Скорее, урок. Нет серебряной пули. Каждый кейс уникален.

Вместо заключения: постоянная настройка, а не разовое решение

Так к чему же всё это? К тому, что оптимизация управления запасами — это не проект с датой окончания. Это процесс постоянной подстройки. Рынок меняется, цепочки поставок рвутся, появляются новые продукты, уходят старые. Система, которая идеально работала год назад, сегодня может давать сбои. Поэтому так важно не ?внедрить и забыть?, а создать цикл регулярного аудита и корректировки параметров.

Главный вывод, который я для себя сделал за годы работы: самая эффективная модель — та, в которую заложена возможность легко меняться. Не нужно создавать монолитный алгоритм на все случаи жизни. Лучше сделать модульную систему, где под разные категории товаров или разные каналы сбыта можно применять разные правила и модели расчёта. Это сложнее в разработке, но гораздо жизнеспособнее в долгосрочной перспективе.

И последнее. Не стоит гнаться за модными терминами вроде ?искусственный интеллект для прогнозирования?, если не отлажены базовые процессы учёта и планирования. Часто самый значительный эффект даёт не сложный алгоритм, а простое устранение дублирования данных и наведение порядка в процедурах. Иногда, чтобы продвинуться в решении задач оптимизации, нужно не добавить что-то новое, а убрать лишнее. Это, пожалуй, самый ценный, но и самый трудный для реализации принцип.