2023 год поставил производителей перед новыми вызовами: сырье дорожает, привычные цепи поставок рушаться или становятся нестабильными, проверенные поставщики уходят с рынка, вынуждая искать альтернативу. В этих агрессивных условиях, компании постоянно ищут компромисс между сохранением качества и адекватной ценой товара на полке, порой даже за счет маржи.

Наш клиент, небольшое хлебопекарное производство, вынужден искать ответы на непростые вопросы: что позволит оптимизировать себестоимость? А что повлияет на рост прибыли?

Бесконечная смена переменных превратила в прошлом прозрачный и понятный рабочий процесс в хаос. Как изменится себестоимость при замене ингредиентов в рецептуре? Что выгоднее: работать с новым поставщиком или заказать сырье у старого, но в большем объеме?

Ошибочный выбор обернется еще большими убытками. Управление производством теперь напоминает поездку на экстремальных аттракционах: крутые, непредсказуемые виражи и постоянный выброс адреналина. Чтобы вернуть контроль и предсказуемость в рабочие процессы, было принято решение изменить подход в работе с данными и управленческой аналитикой.

Модель в Excel для аналитики на производстве 

Чтобы оценить, каким путем можно снизить себестоимость, на предприятии разработали модель в Excel. В ней планировали делать расчеты различных путей оптимизации расходной части. 

Первые несколько месяцев казалось, что проблемы позади, но уже через полгода работы с моделью, вскрылись недостатки инструмента. Во-первых, по мере наполнения таблиц новыми и новыми данными сотрудниками из разных отделов, стало понятно, что поддержание актуальной версии датасета – задача не из простых. Ведь если, к примеру, склад сырья обновлял данные по своему сегменту, это означало, что и все другие отделы должны подключиться и скорректировать свои блоки ответственности. Объемные Excel-файлы пересылались и вручную приводились к единому знаменателю. На актуализацию модели уходило по полнедели, а иногда и больше.

Во-вторых, начали появляться ошибки. Любая мелочь – слетевшая формула или неверно поставленная запятая – могла сделать некорректной всю аналитику в целом. К сожалению, такие небольшие ошибки не всегда удается отловить – единожды пропущенная неточность (банальный человеческий фактор!) с каждой новой неделей росла, как снежный ком, масштабируя неточность всего документа.

Можно ли уверенно принимать решения, опираясь на аналитику, выведенную из таких данных? Нет. Рассчитать what-if сценарии и вовсе невозможно, любая из версий будет нереалистичной. 

Выбор в пользу автоматизированных платформ для аналитики

Когда проблема неточности данных заявила о себе финансовыми потерями из-за неверного расчета потребности в объеме выпуска продукции, стало понятно, что для аналитики нужен автоматизированный инструмент. Инструмент, который избавит от ручного ввода данных и сведет к минимуму человеческий фактор.

Движение в сторону автоматизации встретило сопротивление со стороны руководства. Дело в том, что на любом производстве регулярно пересматривается методология, хлебопекарная отрасль не исключение. Владелец бизнеса задал директору производства разумный вопрос: стоит ли инвестировать в автоматизацию процессов, если подходы в работе будут обновляться? Ведь это означает неизбежные доработки и постоянные расходы на апдейт. 

Оценив потенциальные риски от работы с моделью в Excel, и прикинув средний расход на доработки с учетом частоты пересмотра методологии, было принято решение о переходе на специализированный сервис аналитики. Потенциальные выгоды превышали и затраты на внедрение, и расходы на обновления. Выбор был сделан в пользу Corplan – платформы бизнес аналитики семейства Optimacros, созданной специально для малого и среднего бизнеса.

Анализ бизнес-процессов, последующая адаптация и перенос датасета из Excel на платформу заняли 4,5 недели. В основу модели легли фактические данные за полгода, на их основе на последующие 6 месяцев моделируется план в нескольких сценариях. Их сравнение позволяет выбрать лучший путь снижения себестоимости.

«Когда наши аналитики начали собирать модель для хлебопекарного производства, они столкнулись с огромным количествов различных артикулов для одного и того же SKU, – рассказывает Алексей Шумаков, старший аналитик Corplan, – К примеру, «Пирожное Картошка» на производстве маркируется артикулом PK007, у розничных продавцов этот же SKU может быть занесен в систему как угодно: «Пирож. Карт.», арт.2304, «Картошка Пирожное» с артикулом КП-97823, «Картошка Добрый Пекарь» арт. KARTOSH78 и так дальше. Когда нужно настроить интеграцию сквозной аналитики данных из разных источников (CRM или 1C), несовпадение артикулов становится проблемой для автоматизации.

На «Корплане» это легко преодолеть: мы предусмотрели в проекте маппинг – сопоставление данных, при котором они приводятся к единой версии правды. В нашем случае, ориентиром стали изначальный артикулы производства, так как заказчик и пользователь решения – директор производства». 

Важным условием от клиента была возможность выбирать варианты просмотра данных, чтобы отображение информации было адаптивным под запросы различных отделов, не только производства. Чтобы это реализовать в модели продумана система маркеров, позволяющих преобразовать данные и аналитику в привычный для пользователя вид.

Отдельное преимущество решения на Corplan – аллокация расходов. В модели мы реализовали распределение и анализ расходов деятельности организации в зависимости от запроса пользователя: по объемам производства, с учетом трудовых ресурсов, складской себестоимости. объемов продаж и так далее.   

Переключение между тем или иным вариантом сценария возможен по клику. Как смена ингредиентов повлияет на себестоимость и маржу? А новая рецептура или смена поставщика? Точные эффекты наглядно отображены на едином дашборде.

Результат автоматизации расчетов и внедрения системы аналитики

• Скорость формирования аналитики выросла в разы: вместо 3-4 дней для сборки единого файла в Excel, буквально 5 минут для расчета различных вариантов в моделе Corplan.
• Быстрые расчеты дают гибкость при планировании: теперь производство может рассчитать потребность в сырье на более долгий срок. За счет этого можно закупать популярные ингредиенты, такие как мука или сливочное масло, большими объемами и претендовать на более выгодные условия от поставщика. 
• Объединение закупок и увеличение количества закупаемого сырья привели к снижению себестоимости на 15%. Это, в свою очередь, снизило давление на маржу, подрастив показатель на 5,4%.

Производственный отдел клиента полностью автоматизировал расчет фактической себестоимости. За первые три месяца работы сотрудники отметили положительные эффекты. Пилотный проект, стартовавший с автоматизации расчетов с себестоимостью на производстве, стал прочной основой для поэтапного наращивания модели Corplan и подключения к ней бизнес-процессов смежных отделов.

Рынок по прежнему не дает заскучать, но теперь работать и встречать новые вызовы можно уверенно и спокойно, опираясь в своих действиях на данные. Точно зная, какие решения станут лучшими для бизнеса.