TRI разрабатывает и производит клеи, герметики, компаунды и гидроизоляционные покрытия, а рецептуры для них создаёт собственный центр разработки. Компания создала более 500 продуктов, а за пять лет разработала свыше 3 000 рецептур.
К началу нашего проекта у TRI уже были план продаж, складской учёт в 1С и данные о выпуске продукции, но расчёт закупок сырья каждый месяц собирал в Excel один сотрудник. Менеджеры присылали изменения прогноза в личных сообщениях, после чего приходилось возвращаться к таблицам и заново считать потребность в компонентах. Заказчик хотел автоматизировать эту работу, сохранив конфиденциальность рецептур, которые хранились отдельно у специалистов по разработке продуктов.
Мы в Smart Easy BI связали прогноз продаж с фактическим расходом материалов и складскими остатками, чтобы отдел закупок получал готовый расчёт потребности в сырье. Нужные сведения мы нашли в отчёте 1С о выпуске продукции, хотя в начале проекта обсуждали использование закрытых таблиц с рецептурами.
«В самом начале работы над аналитикой в компании сразу стало ясно, что состояние дел сложное: всё делалось, мягко говоря, не самыми эффективными методами. Нужно было прививать людям культуру управления данными», — вспоминает Магомед Ахматов, продуктовый директор TRI, который инициировал проект.
Коротко
TRI ежемесячно рассчитывала закупки сырья в Excel, а каждое изменение плана продаж требовало нового ручного пересчёта. Мы использовали фактические данные о выпуске продукции из 1С, связали их с прогнозом продаж и складскими остатками и вывели проверяемый расчёт потребности в Yandex DataLens. Закрытые таблицы с рецептурами переносить не пришлось, а сотрудники со временем сами отказались от дублирующих Excel-отчётов.
Изменения в плане продаж каждый раз возвращали закупки к ручному пересчёту
Менеджеры TRI планировали продажи по месяцам и товарным группам, причём за разные разделы каталога отвечали отдельные сотрудники со своим прогнозом будущих заказов. Специалист по закупкам переводила их планы в потребность производства: определяла, какие продукты потребуется выпустить, сколько сырья на них уйдёт и что уже есть на складе.
Сложность была в постоянных правках: менеджеры сообщали о своих изменениях и отдельно спрашивали, когда появится нужный материал, а закупщице приходилось учитывать эти сообщения в расчёте. Если прогноз по группе менялся, вслед за ним нужно было пересчитать объёмы отдельных продуктов, расход их компонентов и количество сырья к закупке.
Ручная работа с таблицами занимала время не только у отдела закупок. По словам Магомеда, данные из 1С выгружали и сводили в Excel сотрудники нескольких подразделений.
«Несколько человек из разных подразделений были вынуждены задерживаться после работы порой на несколько часов или отвлекаться от своих основных обязанностей для формирования таблиц вручную и их проверки. У одного из коллег было около шести разных Excel-таблиц: он сам выгружал данные из 1С и переносил их к себе. Весьма сложная, трудозатратная и неблагодарная работа, которую точно можно делать проще и быстрее», — рассказывает Магомед.
Нам требовалось собрать расчёт, по которому закупщик мог бы увидеть потребность по каждому материалу и разобраться, откуда взялось количество к заказу. Для этого прогноз по товарной группе предстояло связать с отдельными артикулами, у каждого из которых был свой состав компонентов.
Упёрлись в формат рецептур, пока не посмотрели на задачу с другой стороны
Исходные рецептуры TRI хранились в закрытых таблицах у разработчиков продуктов, и на старте заказчик предложил использовать для расчёта именно их. После разбора формата стало понятно, что эти таблицы устроены под работу своих специалистов, а извлечение составов скриптами потребует много времени и денег. При этом TRI не была готова переносить исходные рецептуры за пределы компании, поэтому мы стали искать другой источник сведений о расходе сырья.
Мы начали искать альтернативные решения и в какой-то момент обнаружили, что в одном из отчётов 1С о выпуске продукции уже есть данные, с которыми можно работать. В записи о выпуске клея были конкретный артикул, объём изготовленной партии и количество каждого потраченного компонента, то есть сведения о составе можно было получить из фактической работы производства.
Мы рассчитали по этим записям средний расход каждого материала на 1 кг или 1 л готового продукта и использовали его вместе с прогнозом продаж. Исходные таблицы с рецептурами для этого переносить не понадобилось, поскольку состав и расход компонентов мы восстанавливали по данным о выпущенных партиях.
Между партиями встречались различия, в том числе при использовании компонентов разных производителей, поэтому фактический расход давал приближение к будущей потребности. Мы обсудили эти расхождения с TRI и договорились использовать такой подход для закупочного прогноза, дав отделу закупок возможность проверить исходные выпуски и материалы.
План по товарной группе разложили до отдельных компонентов и учли остатки
Сначала мы распределяли прогноз по товарной группе между артикулами, опираясь на то, как эти продукты продавались раньше, и получали ожидаемый объём отдельных продуктов. Затем рассчитывали расход компонентов на этот объём и учитывали складские остатки, чтобы показать количество сырья, которое оставалось закупить.
Расчёт мы уточняли вместе со специалистом по закупкам TRI, сравнивая разные способы усреднения и статистику за 3 и 6 месяцев. Она сопоставляла полученные количества со своей оценкой потребности, а мы по результатам этих проверок дорабатывали расчёт, пока не выбрали подходящий для работы вариант.
Для проверки мы сделали отдельное представление: по продукту можно было открыть дату последнего выпуска, объём партии и расход компонентов, а по материалу — увидеть продукты, в которых он используется. Так закупщица могла проследить, на каких производственных данных основан расчёт, и разобраться в расхождении до оформления заказа поставщику.
Данные из 1С выгружались ежедневно, а расчёт закупок показывали в Yandex DataLens
Отдельный подрядчик разработал расширение для 1С, которое ежедневно по расписанию выгружало файлы в S3 — файловое хранилище. Оттуда мы загружали данные в ClickHouse, где выполняли преобразования и расчёты, а результат показывали сотрудникам TRI в отчёте Yandex DataLens.
Для расчёта сырья использовали отчёты об остатках и выпуске продукции из 1С, связывая их с прогнозом и историей продаж. В TRI также работал Битрикс24, данные которого мы использовали в отдельном отчёте для сравнения плана и факта продаж по товарным группам.
Если менеджер менял прогноз, на дашборде появлялся индикатор, который обращал внимание отдела закупок на изменившуюся часть расчёта. Индикатор показывал сам факт правки, а направление и величину изменения сотрудница разбирала по данным, чтобы решить, увеличить закупку или уменьшить ранее запланированный объём.
Внедрение пришлось продавливать, но от старых таблиц сотрудники отказались сами
Новый инструмент менял привычный порядок работы сразу в нескольких подразделениях, и поначалу сотрудники TRI встретили его без энтузиазма. Магомед лично обсуждал проект с директорами по производству и снабжению, начальником склада и руководителем группы координации производственных процессов.
«Я буквально продавливал это решение. Приходил к каждому линейному директору и объяснял: это нужно сделать, даже если вам сейчас не хочется. Сегодня вы не понимаете необходимость этих изменений, но в итоге скажете спасибо. Мы часто отвлекали людей после рабочего дня, это никому не нравилось. Но в итоге сильно облегчили им работу и формализовали всю аналитику. Теперь вместо критики — спасибо», — говорит Магомед.
Работать в дашборде никого не обязывали: старые таблицы можно было вести и дальше. Сотрудники перешли на новый инструмент, когда сравнили затраты времени.
«Люди примерно на четвёртый-пятый месяц поняли, что таблицы — это атавизм и пустая трата времени. Раньше было долго и неэффективно, а теперь — готовый инструмент: кликнул на нужную ссылку, посмотрел и пошёл дальше. И таблицы сами собой ушли в небытие», — отмечает Магомед.
Закупки получили расчёт, который можно проверить перед заказом поставщику
При проверке специалист по закупкам TRI сравнила рассчитанные количества со своей оценкой и сказала, что в целом заказала бы примерно столько же. Отдельные позиции она увеличивала или уменьшала с учётом своего опыта, а мы получили подтверждение, что расчёт подходит для подготовки закупок.
При очередной правке прогноза сотруднице больше не требовалось заново собирать весь расчёт в Excel, поскольку потребность по материалам пересчитывалась в системе с учётом остатков. Вместе с итоговыми количествами были доступны исходные производственные данные, поэтому коллеге при передаче работы можно было показать и сам расчёт, и записи, на которых он построен.
Экономический эффект в TRI оценили по трудозатратам: сотрудник, который вёл аналитику в таблицах, в течение квартала засекал время на эту работу, а затем часы соотнесли с зарплатой.
«Посчитали, и оказалось, что в среднем выходит примерно 250 тысяч рублей в месяц по нескольким сотрудникам, занятым этой аналитикой. Теперь время на таблицы мы, прямо скажу, больше не тратим. Прямой эффект от точности планирования тоже есть, но он косвенный, и посчитать его сложнее», — говорит Магомед.
В случае TRI мы смогли использовать данные, которые производство уже фиксировало в 1С, и обойтись без переноса закрытых таблиц с рецептурами. Поиск этого источника позволил автоматизировать расчёт закупочной потребности, сохранив за сотрудницей проверку результата и окончательное решение о заказе.
Следующий шаг — планирование запасов и производства
После расчёта сырья TRI поставила новую задачу: планировать закупки и производство в краткосрочном и среднесрочном периоде по отдельным категориям продукции. Первой станут однокомпонентные герметики.
«Однокомпонентные герметики стали уходить очень быстро, мы даже не успеваем их производить. Узкое место — невозможность оперативно спланировать хотя бы на месяц-два вперёд. Нам нужен дашборд, который будет не просто статистикой, а системой планирования: что есть на складе сейчас, сколько уйдёт клиентам в ближайший месяц и сколько нужно произвести, чтобы поддерживать запас», — объясняет Магомед.
Для этого остатки из 1С предстоит связать со сделками, которые менеджеры заводят в Битрикс24, чтобы видеть ожидаемое списание продукции ещё до отгрузки.