Материально-техническое снабжение на современном предприятии от А до Я

Маков Руслан

Более продвинутый подход – построение причинно-следственных (каузальных) моделей, учитывающих влияние на потребность в ТМЦ не только исторических трендов, но и релевантных внешних факторов – динамики спроса на готовую продукцию, колебаний цен на сырье, изменений в технологиях, действий конкурентов. Эти факторы включаются в модель в виде предикторов (независимых переменных), для которых определяются весовые коэффициенты и функциональные зависимости. Наиболее популярные каузальные модели в сфере прогнозирования МТР – множественная регрессия, авторегрессия, нейронные сети, деревья решений. Их применение требует

хорошей статистической подготовки, углубленного понимания бизнес-процессов, наличия качественных исходных данных.

Для проверки устойчивости прогнозов к изменениям внешней и внутренней среды применяется сценарное планирование – моделирование потребности при различных вариантах развития событий (изменение спроса, цен, технологий, структуры поставщиков). Строится несколько альтернативных прогнозов (оптимистичный, реалистичный, пессимистичный), между которыми распределяется вероятность реализации. Затем проводится анализ чувствительности – оценка того, как изменение отдельных параметров модели (например, нормативов расхода или сроков поставки) повлияет на итоговую потребность. Это позволяет определить наиболее критичные факторы, требующие непрерывного мониторинга и контроля.

Необходимым условием эффективного прогнозирования является использование специализированного программного обеспечения, реализующего передовые модели и алгоритмы, визуализирующего результаты, обеспечивающего коллективную работу планировщиков. Наиболее продвинутые решения в этой области – системы класса SCM (Supply Chain Management), интегрированные с ERP, но обладающие более мощной аналитикой и оптимизационными возможностями (SAP APO, Oracle SCM, Kinaxis, JDA, O9). Они позволяют строить мультиэшелонные модели цепочек поставок, сквозные прогнозы потребности и запасов по всем уровням (сайтам, складам, производственным линиям), сценарии с учетом ограничений мощностей и логистики.

Ключевые функциональные блоки таких систем – статистическое прогнозирование, объемно-календарное планирование MRP/DRP, оптимизация производственных и логистических планов, имитационное моделирование. Они обеспечивают полный цикл построения прогнозов – от сбора и обогащения исходных данных до выбора лучшей модели, генерации заказов на закупку и отслеживания отклонений факта от плана с оповещениями ответственным. Наиболее продвинутые решения используют алгоритмы ИИ (машинного и глубокого обучения) для непрерывной адаптации параметров моделей к меняющемуся поведению рядов, автоматического поиска значимых факторов и зависимостей.

Для повышения точности планирования прогнозирование потребности должно вестись не индивидуально по отдельным позициям, а в разрезе укрупненных категорий и групп взаимозаменяемых продуктов. Это позволяет сглаживать индивидуальные колебания спроса, использовать более длинные и устойчивые исторические ряды, распределять риски дефицита и избытка запасов внутри категории. Для этого применяются различные техники консолидации и агрегирования потребностей – суммирование по периодам (годам, кварталам, месяцам), продуктовым группам, единицам хранения (паллетам, упаковкам), поставщикам, географии.

Выбор оптимального уровня агрегации зависит от специфики МТР, частоты и регулярности потребления. Для дорогостоящих позиций, материалов с длительным циклом поставки,

критичных для качества продуктов, потребность планируется на уровне отдельных SKU (складских единиц). Для дешевых позиций, вспомогательных материалов, канцелярии с высокой частотой потребления разумно укрупнение до уровня категорий или поставщиков. Главное – найти баланс между достаточной детализацией для обеспечения заданного уровня сервиса и приемлемыми трудозатратами на поддержание точности данных в справочниках.

По результатам консолидации прогнозов формируются предложения по объемам и срокам закупок, частоте и способам пополнения запасов в разрезе номенклатурных позиций МТР. При этом учитывается целый спектр логистических и рыночных факторов:

минимальные объемы заказов, кратность партий поставки (вагон, контейнер, паллета);

размер текущих складских запасов, остатки в пути, страховые и сезонные запасы;

ограничения по срокам годности, условиям хранения, транспортировки МТР;

графики планово-предупредительных ремонтов и регламентных работ оборудования;

доступность МТР на рынке, риски дефицита, срыва поставок, роста цен;

оптимальное соотношение затрат на закупку и владение запасами (формула Уилсона);

целевые уровни сервиса по доступности МТР (классификация XYZ, VEN).

На основе этих факторов формируются укрупненные лоты на закупку – консолидированные объемы МТР, выставляемые на тендер для привлечения наиболее выгодных условий от поставщиков. Слишком мелкие лоты ведут к завышенным ценам и транзакционным издержкам, слишком крупные – к риску дефицита и упущенным альтернативам. Оптимальный размер лота зависит от рыночной структуры (числа поставщиков), волатильности цен, стоимости и критичности МТР. Для стратегических материалов практикуется дробление годовой потребности на несколько лотов (квартальных, месячных) для снижения рисков и стимулирования конкуренции. Для некритичных, наоборот, укрупнение под весь объем годовых контрактов.

Ключевой показатель эффективности работы системы прогнозирования и планирования МТР – точность, т.е. процент отклонения прогноза от фактического потребления. Он измеряется отдельно для прогнозов спроса (в натуральных единицах) и денежного прогноза (в закупочных ценах). Целевой уровень точности зависит от волатильности рынка, стабильности производственной программы, надежности поставщиков, и обычно составляет 80-90% для натурального и 95-97% для денежного прогноза (так как ошибки в количестве могут компенсироваться разнонаправленными колебаниями цен). Для повышения достоверности прогнозов применяются механизмы автоматического мониторинга отклонений, генерации управленческих отчетов, эскалации проблем ответственным менеджерам.

Дополнительные КПЭ, характеризующие зрелость системы планирования МТР:

горизонт и гранулярность прогноза (квартал-год, месяц-неделя, SKU/категория);

процент автоматизации, использование продвинутой аналитики;

частота и глубина пересмотра планов исходя из фактических изменений;

наличие сценарного моделирования, оценки рисков, анализа чувствительности;

процент позиций, обеспеченных полными нормативами и спецификациями;

время цикла построения прогноза, загрузка на сотрудника в деньгах/SKU;