Ассортимент в моделировании цепочек поставок в ритейле

Чтобы избежать риска потери доли рынка и прибыли, ритейлеры должны постоянно модернизировать цепочки поставок, приспосабливаясь к изменяющимся рыночным условиям. Технология моделирования позволяет создать цифрового двойника своей цепочки поставок. Так, например, в виртуальной модели на базе платформы LLamasoft Supply Chain Guru легко экспериментировать с новыми идеями в безрисковой среде и выявлять возможности для экономии средств. Ключевое значение в этом процессе будет иметь подготовка данных.

Крупные розничные сети насчитывают до 20 тысяч магазинов по всей стране, в которых представлены от 3 до 30 тысяч наименований товаров. Поэтому ритейлеры завалены данными о своих клиентах, поставщиках, запасах, транспорте и т.д. При этом в системах отчетности и прогнозирования могут отсутствовать детализированная информация. В этих условиях ключом к созданию эффективной модели цепочек поставок становится определение того, какой уровень агрегации должен быть использован при подготовке данных, и в первую очередь это касается ассортимента магазинов.

Зачастую в компаниях уже существует ряд классификаторов, которые либо не отражают характеристики товаров, и потому не влияют на результат моделирования, либо являются избыточными. Например, разделение на продовольственные и непродовольственные продукты, охлажденные мясо и птицу, а также разграничение категорий товаров по их стоимости. Во всех этих случаях цепочки поставок не отличаются и такое распределение не оказывает влияния на результат, а только усложняет процессы подготовки данных и моделирования.

В зависимости от цели моделирования цепи поставок мы используем данные либо по крупным категориям, которые объединяют признаки товаров, важные для заказчика, либо по каждому из наименований. Условно можем разделить такие модели на стратегические и тактические. Рассмотрим каждую из них.

Стратегические модели определяют оптимальную конфигурацию логистической инфраструктуры для удовлетворения спроса клиентов. Они наименее чувствительны к детализации ассортимента сети. Как правило, для построения такой модели достаточно 5-10 категорий товаров. Основным критерием агрегации будут условия хранения, которые предполагают создание отдельных помещений склада с различными температурными режимами или лицензируемых зон. Такой подход позволяет учесть ограничения существующих объектов сети и определить долгосрочную стратегию размещения и размеров объектов.

Следует также отметить мультиэшелонные модели, целью которых является оптимальное распределение товарного запаса по всей логистической сети и сокращение необходимых складских площадей. При построении таких моделей большое значение имеют оборачиваемость запасов и уникальность товаров в отдельных регионах. Так низкооборачиваемая продукция, представленная в нескольких регионах страны, может храниться на крупном центральном складе, а уникальный для одного региона высокооборачиваемый товар должен быть размещен как можно ближе к потребителю.

Модели для принятия тактических решений зачастую требуют большей детализации данных вплоть до конкретных SKU. К примеру, задача по определению оптимального уровня централизации поставок отвечает на вопрос, какой ассортимент выгодно поставлять через собственные цепочки, а не напрямую от поставщика в магазин. Такая модель должна учитывать не только логистические объекты самого ритейлера, но и местонахождение и пропускные способности поставщиков или производителей. Для построения необходимы подробные данные о товарах, однако дополнительная детализация может сказаться на производительности модели, связанной не только с вычислительной сложностью, но и с мощностями оборудования, на котором установлено программное обеспечение. При решении такого типа задач мы всегда ищем баланс между необходимой детализацией и производительностью.

Прежде чем приступать к созданию модели цепочки поставок, необходимо определить цели моделирования и соответствующий уровень агрегации данных. Чем выше уровень задачи, тем более высокий уровень агрегации целесообразно использовать. Такой подход позволяет сокращать время на сбор данных и моделирование и при этом получить оценку стоимости решения с более высокой точностью.