Машинное обучение на приемке товара

Михаил Гариянц, руководитель продукта в компании «Леруа Мерлен» Сергей Шульгин, руководитель проектов цепей поставок в магазины сети «Леруа Мерлен» В крупном ритейле количество уникальных артикулов, проходящих через один магазин за месяц, достигает десятков тысяч. Значительная часть этого объема приходит в магазин напрямую от поставщиков. С ростом продаж объем прямых поставок достигает величин, превышающих возможности команд приемки в магазинах. Достигнув предела пропускной способности по линии прямых поставок, ритейлеры встают перед необходимостью создания инструментов, сокращающих время приемки без потери качества. Рассказываем об опыте автоматизации прямых поставок, основанной на методах машинного обучения. Лидер российского рынка DIY-ритейла «Леруа Мерлен» управляет сетью из 114 гипермаркетов в 66 городах. Партнерская сеть компании насчитывает около 1700 поставщиков, среди которых 1180 — российские производители и дистрибьюторы. Как товар попадает в магазины? Часть заказов поступает в магазины через распределительные центры (РЦ). Основу логистической системы «Леруа Мерлен» составляют 6 распределительных центров, обеспечивающих товарооборот в разных регионах. Поставки в магазины центрального региона организуют два распределительных центра в Московской области. Потребности магазинов в других регионах закрывают четыре распределительных центра — в Санкт-Петербурге, Самаре, Новосибирске и Хабаровске. Приемку поставок, проходящих через РЦ, осуществляют команды центров. Однако ежедневно в каждый магазин «Леруа Мерлен» дополнительно поступают прямые поставки от поставщиков. Доля прямых поставок в грузообороте сети составляет 30%. Задачу приемки прямых поставок решают команды магазинов. Стандартный процесс приемки прямых поставок в магазине проходит в три этапа. Первый — административная приемка. Второй этап — первая приемка, во время которой производится разгрузка и пересчет грузовых мест. Третий этап — вторая приемка, во время которой фактическое количество поставленного товара сравнивают с заявленным. У команды магазина есть два варианта действий: принять заказ доверительно или пересчитать товар. В первом случае возникает риск понести убытки, если в поставке присутствуют расхождения. Проверка поставки в большинстве случаев влечет риск неэффективно потратить время сотрудника на пересчет заказа, в котором нет проблем. У «Леруа Мерлен» есть руководство для поставщиков, в котором перечислены все требования, связанные с комплектованием заказов магазинов. Требования разработаны для всех стандартных процедур и материалов, начиная от наличия упаковочных листов и заканчивая качеством поддонов, на которых размещен товар. Однако даже с учетом стандартизированного процесса приемки и наличия детальных требований к поставщикам эффективность ручного пересчета остается крайне низкой и высокозатратной. Кроме того, практика показала, что поставки с расхождениями по количеству товаров — довольно редкое явление, поэтому пересчитывать вручную каждую поставку не только дорого, но и нецелесообразно. Мы подсчитали и выяснили, что для поиска расхождений на один рубль команда гипермаркета затрачивала в среднем около десяти рублей. Это стало решающим импульсом к поиску путей модернизации схемы приемки. Что мы имели? Очень много времени и ресурсов тратилось на проведение приемки. Товар попадал в торговый зал с задержкой. Ресурс приемки магазина по увеличению объемов был крайне ограничен. Мы не видели эффекта от пересчета на наших неизвестных потерях (когда товар попадает в категорию «Пропажа»). К чему хотели прийти? Проводить приемку быстрее на 2–3% от существующего норматива в 97% и уделять больше ресурсов и времени сбору заказов для клиентов, а не пересчету товара. Важно, чтобы приемка могла оперативно масштабироваться и реагировать на сезонные увеличения объема поставок до 40%, но чтобы своевременность разгрузки автомобилей при этом не падала больше чем на 2–3%. Пересчитывать только те заказы, в которых есть потенциальные расхождения. Решение Решением стала разработка продукта под названием «Светофор 3.0». Инструмент позволяет предсказать вероятность расхождений в определенной поставке на основе накопленных исторических данных и выдает рекомендацию о способе приемки этой поставки. Система может рекомендовать один из двух вариантов приемки для входящего заказа. Первый — доверительная приемка, при которой производится только пересчет грузовых мест. Второй — недоверительная приемка, при которой осуществляется переборка всего заказа и проводится оценка качества и количества всех позиций. Поставленные цели и ход разработки На первом этапе создания системы были поставлены цели: увеличить процент доверительных приемок по прямым поставщикам с 42% до 85%; перевести до 100 человек на уровне всей компании из подразделений приемки в подразделения обработки клиентских заказов; обеспечить оперативное масштабирование приемки и возможность гибко реагировать на увеличение объема поставок до 40%; в 85% случаев пересчитывать только те заказы, в которых есть ошибки; сократить затраты магазинов на пересчет товаров по прямым поставкам на 20% в течение года. Было решено разработать ML-модель, созданную методами машинного обучения. Целевой аудиторией проекта стали сотрудники сектора приемки в 113 магазинах. Задачу реализации проекта взяла на себя группа разработчиков, сформированная из штатных сотрудников компании. Осенью 2020 года «Светофор 3.0» — процесс выборочного контроля заказов, получаемых в магазине от прямых поставщиков, — был принят в работу. Следующим этапом стала доработка складской системы и адаптация под новый инструмент. В процессе были интегрированы данные о скоринге из ML-модели в WMS. Для этого мы описали целевой бизнес-процесс, чтобы полностью встроить его в систему магазина. В процессе разработки была поставлена задача встроить решение модели машинного обучения в систему, с которой работают сотрудники приемки магазина, с минимальными изменениями в привычном для пользователей интерфейсе. В соответствии с разработанным решением, сотруднику приемки не обязательно вникать в принципы работы системы и понимать, что за простым выбором «Да» (считать товар) или «Нет» (не считать товар) стоит сложная алгоритмика. Его задача — увидеть сигнал «Да» или «Нет» в интерфейсе и совершить соответствующие действия по приемке (принять доверительно или проверить заказ). При поступлении в WMS-систему магазина заказа с информацией о планируемом к отгрузке наполнении, а также о дате и времени приезда транспорта поставщика в магазин WMS-система автоматически отправляет сообщение в ML-модель. Далее ML-модель забирает сообщение, обрабатывает согласно заданному алгоритму и отправляет обратное сообщение с результатом скоринга — считать или не считать заказ. Эта информация в течение нескольких секунд попадает в складскую систему, которая записывает данные и отображает их в виде короткого сообщения сотруднику приемки. Результаты Летом 2021 года мы провели масштабное тестирование на шести магазинах, которое показало на порядок большую эффективность алгоритма по сравнению с приемкой вручную, даже с учетом случаев, когда ее осуществляли опытные сотрудники, у которых были собственные методики выбора поставок для пересчета. Внедрение системы позволило сократить количество заказов, подлежащих детальному пересчету, до 14%, а также снизить затраты на один рубль найденных расхождений в 2,5 раза. Приблизительно через полгода, как ожидается, затраты на поиск расхождений на 1 рубль станут меньше 1 рубля. В сентябре и октябре 2021 года мы совместно с коллегами провели обучение и организовали работу по «Светофору 3.0» во всех магазинах сети. При этом с организационной точки зрения механизм взаимодействия с магазином для поставщиков не изменился. Изменился уровень ответственности: если раньше можно было рассчитывать на то, что ошибка в поставках не будет замечена, то теперь такая возможность практически исключена. Когда выявлена ошибка в поставках контрагента одному магазину, система выдает команду на пересчет всем магазинам сети, и это также влияет на уровень ответственности поставщиков, работающих с несколькими или со всеми гипермаркетами «Леруа Мерлен». Планы развития В настоящее время готовится обновление, которое даст возможность довести уровень доверительных приемок до 90% и более, что с учетом перераспределения ресурсов внутри магазина даст значительный экономический эффект на уровне компании. С учетом новизны продукта далее мы будем очень плотно мониторить ход работы по нему в магазинах, изучая процент выполненных проверок по рекомендациям системы и среднее время просчета заказов. Это позволит устранить формальный подход к пересчету. Также предполагается настраивать соответствующие KPI для достижения 100% выполнения рекомендаций системы, помогать в индивидуальном порядке тем, у кого что-то пошло не так, находить слабые места и оперативно исправлять их, так как цель в 90% очень амбициозна и значима для всей компании. Кому полезен продукт? Продукт может быть использован в операционной деятельности крупного и среднего бизнеса, но его актуальность зависит от объема статистических данных, которые ML-модель может анализировать, чтобы на основании такого анализа выдавать скоринг. Основное требование к поставщикам заключается в корректной и своевременной отправке информации по заказам. Точность предоставления информации напрямую влияет на корректность расчетов и качество накапливаемых системой данных статистики. Если бизнес не крупный или достаточно новый, то такой подход может быть не оправдан, потому что попросту у модели не будет шанса обучиться, а здесь крайне важна история поставок за долгий период времени. Если оценивать полезность модели по рыночным сегментам, то по большей части можно сказать, что она подойдет для любого сегмента, в котором поставка товара осуществляется не напрямую до клиента (покупателя), а через какой-нибудь объект (склад, магазин и т. д.). Рекомендации по разработке для ритейла При создании системы «Светофор 3.0» компания ставила перед собой следующие задачи: обеспечить оперативный транзитный путь от момента прихода заказа от поставщика в магазин до момента, когда товар доступен на полках; высвободить часть сотрудников и усилить команду, обрабатывающую заказы клиентов, в условиях роста продаж. При реализации этого проекта важную роль сыграла поддержка магазинов. Это вызвано сложностью в перестройке отлаженных масштабных процессов. Важную роль играет предварительное планирование и отслеживание KPI, связанных с сокращением времени на выполнение процессов. Также после интеграции системы автоматизации важно установить целевые параметры эффективности, например количество ресурсов, перераспределенных для выполнения других задач внутри магазина. Спустя определенное время после интеграции системы необходимо оценить соответствие достигнутых результатов целям и, при необходимости, скорректировать процессы.