Один из наших клиентов — крупный хлебобулочный холдинг. В его составе 20 функциональных подразделений. Среди них 4 завода, торговая сеть и транспортная компания. Общая численность персонала — 1 600 человек.
На масштабы холдинга накладывается специфика отрасли: короткие сроки хранения продукции, подневное планирование без возможности точно спрогнозировать спрос, возвраты нереализованного товара. А ещё — пересортица и штрафы от торговых сетей. Автоматизация здесь не просто желательна — она критически необходима.
К нам компания обратилась с запросом решить отраслевые проблемы на базе «1С:Управление производственным предприятием». На тот момент это был самый современный продукт для создания комплексной информационной системы управления крупным производством.
Как мы выполняли поставленные задачи? Рассказываем по шагам.
Шаг 1. Перевели подразделения на единую информационную базу
Изначально разные подразделения компании работали в разных базах. Это серьёзно затрудняло учёт и управление. Вот почему нашей первой задачей стала консолидация данных.
Основная сложность при миграции на единую базу — бесперебойная работа персонала в две смены и высокая загруженность производства, особенно ночью: тысячи документов, двести машин, всё рассчитано по таймингу. Выделить свободное время для плавного перехода невозможно. Цена ошибки пользователя при этом слишком велика: отсрочка отгрузки на 15 минут приводит к веерным опозданиям по всей смене, а опоздания — к штрафам от ритейл-сетей на сотни тысяч.
Решение
Чтобы снизить риски и нагрузку на сотрудников, сделали новый пользовательский интерфейс максимально похожим на привычный и переводили службы по одной — сначала логистов, потом склад. Последнее реализовали благодаря бесшовной интеграции: когда пользователи вбивали данные в текущую систему, те автоматически дублировались в старой — и наоборот.
Но даже с учётом этих мер гарантии от непредвиденных ситуаций не было. Поэтому первые четверо суток наши специалисты на протяжении дня и ночи сопровождали диспетчеров и обучали их работе с интерфейсом. Это помогло «переехать» на новую базу безболезненно и исключило финансовые потери.
Шаг 2. Выровняли статистику спроса
80% продукции холдинга — хлебобулочные изделия со сроком годности 1–3 дня. Клиенты — тысячи торговых точек — заказывают хлеб регулярно, малыми порциями. Объём заказов переменный: зависит от того, сколько магазины распродали накануне. Утром на основе статистики по дням недели рассчитывается примерный план на сутки, но окончательные цифры становятся известны лишь в 20–21 час. В это время приходят последние заявки, а на производство даётся корректировка по выработке.
В рамках такой производственной модели компания не может планировать объёмы поставок, принимать заказы заранее и отгружать продукцию большими партиями. Но это не значит, что спрос нельзя сделать более предсказуемым.
Решение
Ввели типовые заказы и соответствующий справочник. С частью клиентов условились: если в день отгрузки они не корректируют заказ по телефону или почте, им по умолчанию отгружается фиксированный объём.
Доработали систему, чтобы она автоматически подсказывала оператору, какие позиции точка брала прошлый раз. Оператор мог предложить их клиенту или подобрать альтернативные варианты. Всё это способствовало стабилизации спроса.
Шаг 3. Формализовали работу с производственными потерями
Представим, что вечером от нескольких точек приходят не совсем стандартные заказы. Утренние прогнозы не сбываются, для выработки отсутствующей продукции остаётся всего 5 часов — производство вполне может не успеть. В итоге компания потеряет лояльность клиентов и деньги.
Решение
Ввели автоподрезку — механизм, который автоматически вычислял оптимальное распределение имеющихся товаров по точкам. Во избежание штрафов алгоритм учитывал, что сетевые клиенты должны получить заказ в полном объёме.
Примерно в 1 час ночи система предлагала оператору скорректировать некоторые отгрузки в меньшую сторону и сохраняла историю изменений с указанием причины (например «подрезка по причине производственных проблем»). Если во время отгрузки что-то не нашли, пропустили, а потом исправили заявку, система так же это фиксировала.
Утром каждого дня составлялся отчёт по подрезкам заказов. Условные потери классифицировались по причинам. Далее на уровне менеджмента шла работа по приоритизации действий, необходимых, чтобы минимизировать подрезки.
Шаг 4. Помогли сотрудникам меньше ошибаться
Помимо финансовых потерь, вызванных коротким циклом реализации товаров, мы выявили и другие узкие места. Они оказались связаны с человеческим фактором. В условиях интенсивной работы операторы и водители время от времени ошибались:
- путали единицы измерения при оформлении заказов — например, могли вбить в заявку в десять раз большее количество.
- не различали стандартную и индивидуальную упаковки — из-за этого сетевым клиентам вместо «частной марки» отгружалась обычная партия.
Поодиночке такие ошибки значили мало, а в совокупности наносили бизнесу заметный урон.
Решение
Во-первых, установили границы адекватных значений при приёме заказов. Теперь, если объём запрашиваемой продукции отличался от предыдущих поставок более чем в 2 раза, система оповещала об этом оператора. Тот мог перепроверить, не закралась ли в заявку неточность вроде лишнего нуля. Это помогало избежать перерасходов сырья и прочих ресурсов.
Во-вторых, отредактировали форму погрузочного листа, выделив «частную марку» жирным шрифтом, привлекающим внимание. В результате небольшой доработки ошибки при отгрузках стали реже, пересорты снизились, а штрафы уменьшились.
Шаг 5. Избавились от воровства на складе
Ещё одна частая ситуация: у клиента остался залежавшийся товар («черствяк»). По негласным законам отрасли, он имеет право вернуть его поставщику. Каждый раз составлять накладные на возврат неудобно, поэтому нераспроданные единицы просто вычёркивались из отгрузочных документов задним числом. На бумаге это выглядело так, будто их и не существовало. Если магазин заказал 30 булок и 5 из них вернул, в старой накладной 30 корректировалось на 25.
Такой механизм учёта становился «лазейкой» для недобросовестных водителей и товароведов: они могли присвоить часть продукции, а потом списать её как возврат. Решить проблему с воровством вручную не получалось: если свежий хлеб отгружался в лотках, которые легко пересчитать визуально, то черствяк возвращался поштучно. Пересчитывать его было ещё затратнее, чем закрывать глаза на кражи.
Решение
Для приёма черствяка выделили отдельное помещение. К окну подвели конвейерную ленту. Водитель, прибывший с точки, брал талон с индивидуальным номером и сгружал остатки в окно. Они падали на ленту и проходили через простой фотодатчик, который фиксировал количество продукции, не различая конкретные позиции. Если водитель вернул не весь товар, с него взыскивалась стоимость самого дорогого изделия из недостающих, умноженная на потери. Это сделало учёт более прозрачным и почти полностью пресекло воровство.
***
Общий эффект автоматизации в нашем примере — комплексное сокращение издержек на 6% от годового оборота компании.
