5 шагов к повышению точности и автоматизации планирования сырья

О том, как повысить точность и автоматизировать планирование сырья, рассказала компания Datanomics.

Глобальный рынок готовой еды продолжает демонстрировать впечатляющий рост, подталкиваемый изменениями в потребительских предпочтениях и образе жизни. С 2019 по 2023 годовой темп роста продаж готовой еды составил 7,1%.  Рынок готовой еды в России также динамично развивается и его объем увеличится в три раза к 2025 году относительно 2022 года, достигнув 800 тысяч тонн. Это свидетельствует о постоянном интересе потребителей к удобным и готовым к употреблению продуктам и заставляет производителей продуктов питания адаптировать свой ассортимент под потребности рынка.

Традиционно вопрос заказа ингредиентов для производства готовой еды решается исходя из среднего расхода продуктов с помощью несложных алгоритмов в учетных системах или таблиц Excel. Но с ростом ассортимента и объемов в категории готовой еды подобное планирование становится трудоемким и неточным, что влияет на уровень сервиса или повышает списания и убытки.

Задачу оптимизации поставок сырья и материалов для производства готовой еды можно решать с применением автоматического прогнозирования методами машинного обучения.

Пример автоматизации заказа сырья и материалов для производства готовой еды

Суммарное количество номенклатур готовой еды составляет 80 позиций, прогнозировать необходимо в разрезе торговой точки на каждый день с горизонтом шесть недель. Количество точек для прогнозирования 1260.

Шаг 1. Прогнозирование спроса в разрезе номенклатуры и торговой точки

Прогнозирование осуществляется методами машинного обучения и учитывает такие параметры, как история заказов, продаж, акций, сезонность, тренд продаж, дни недели и праздники. Кроме того, модель машинного обучения может прогнозировать спрос с учетом прогноза погоды, что вручную делать на каждодневной основе для каждой позиции очень трудозатратно.

Шаг 2. Перенос прогноза спроса конечного продукта на ингредиенты

Для каждой номенклатуры производства существует технологическая карта ее изготовления. Технологические карты должны содержать состав ингредиентов и количество. Получив прогноз на конечную номенклатуру производства, можно перейти к прогнозу ингредиента.

Шаг 3. Сопоставление ингредиенту номенклатуры для заказа (сырье и материалы)

Каждому ингредиенту могут соответствовать различные продукты для заказа. Справочники соответствия помогают перевести ингредиент в конкретную позицию для заказа у поставщика.

Шаг 4. Расчет потребности для каждой номенклатуры заказа

Технологические карты позволяют рассчитать потребность в каждом ингредиенте, перевести ингредиент в конкретную номенклатурную позицию для заказа и исходя из расхода, указанного в рецепте, получить прогнозируемую потребность сырья и материалов для производства.

Шаг 5. Автоматическое формирование заказа на покупку у поставщика

Расчетное значение прогнозируемой потребности номенклатур для целей производства передается через API в учетную систему, где формируются централизованные заказы на покупки у поставщиков.

Для ускорения и оптимизации расчетов используются облачные вычислительные мощности.

Прогнозирование расхода ингредиентов методами машинного обучения снижает трудоемкость за счет автоматизации процесса планирования. Результатом внедрения стало снижение трудозатрат в два раза. Точность прогнозов повысилась, что позволило сократить уценки и списания на 25%.

Внедрение передовых решений позволяет не только сократить расходы, увеличивать уровень сервиса и эффективность, но также успешно реагировать и адаптироваться к изменениям в потребительском спросе.