GoodsForecast: когда прогноз становится стратегией

Сергей Котик, директор по развитию GoodsForecast, — о том, как математическая школа Журавлёва легла в основу современного IT-продукта, зачем производственным компаниям прогнозировать спрос и почему автоматизация планирования — это уже не поддержка, а конкурентное преимущество.

 

Чем занимается GoodsForecast? Что это за компания?

Наша компания занимается разработкой и внедрением решений для бизнес-планирования. Мы работаем в первую очередь с производственными компаниями, но также реализуем проекты в тяжелой промышленности и ритейле.

Мы – «фокусная» компания в том смысле, что не распыляемся. Мы действительно фокусируемся только на решениях, связанных с планированием: от прогнозирования спроса – когда производителю или ритейлеру необходимо понять, какие товары и в каком объёме будут востребованы, – до закупки или производства нужных объёмов.

Далее – планирование самого производства, включая графикование – вплоть до часов, а иногда даже до минут — какие товары, на каких линиях и в какой последовательности производить, чтобы обеспечить максимальную эффективность.

Наши клиенты – это компании с годовой выручкой от 5 миллиардов рублей.

 

Расскажите об истории создания GoodsForecast? С чего всё началось?

У нас нестандартная история для стартапа. В 2000 году на базе Вычислительного центра Российской академии наук была создана компания «Форексис». Её основали выпускник МФТИ и его преподаватели. Помимо МФТИ, у них была и остаётся кафедра Математических методов прогнозирования на ВМК МГУ.

Компания создавалась для коммерциализации научных наработок школы Юрия Ивановича Журавлёва – выдающегося математика, академика РАН. Именно он ещё в 1950–60-х годах в Советском Союзе начал исследования в той области знаний, которую сегодня называют искусственным интеллектом и машинным обучением.

«Форексис» с самого начала занималась заказными проектами для государственных структур и бизнеса, связанными с анализом данных. Тогда ещё не существовало распространённых сегодня терминов «искусственный интеллект» или «машинное обучение», но суть задач уже во многом соответствовала их современному пониманию.

В компании развивались разные направления, и со временем «Форексис» стал своего рода мини-инкубатором: успешные направления «взрослели» и выделялись в отдельные компании. «Форексис» продолжает функционировать в таком формате и сегодня.

Собственно, в 2004 году был первый проект, связанный с прогнозированием спроса. Это был проект «Перекрёстка», который тогда ещё не входил в состав X5. С него началось развитие внутри «Форексиса» отдельного направления, связанного с задачами прогнозирования спроса и управления товарными запасами. Чуть позже к этому добавилось и планирование производства.

Это направление постепенно развивалось, и в 2012 году мы приняли решение выделить его в отдельную компанию GoodsForecast. Попали в Сколково – и с 2013 года компания существует как отдельное юридическое лицо. Тем не менее, мы сохраняем тесные связи с научным сообществом.

Изначально GoodsForecast была «дочкой» «Форексиса», но позже доли были распределены между физическими лицами. А в 2022 году в капитал вошла KAMA FLOW.

Мы, по сути, не шли по пути классического стартапа, мы похожи на спин-офф. Была компания «Форексис», мы из неё выделили «дочку» и перераспределили в ней собственность. До прихода KAMA FLOW у нас не было внешних инвестиций, мы жили на те деньги, которые зарабатывала сама компания. Где-то помогали текущие акционеры, также мы привлекали гранты.

Ребята из KAMA FLOW сами пришли в «Форексис», компания была им интересна сразу по нескольким направлениям. В итоге сфокусировались на GoodsForecast. Сделку мы готовили больше года и финализировали всё в мае 2022-го. KAMA FLOW участвует в жизни компании на уровне совета директоров. Они действительно помогают: например, выстроить правильную финансовую и управленческую отчётность. Кроме того, у KAMA FLOW на рынке много контактов – с их помощью мы выходим на нужных клиентов и партнёров.

 

А как ваши технологии помогают конкретной компании? Можете привести пример? То есть, условно: у меня есть компания, и я думаю — как её оптимизировать? Допустим, у меня кондитерскя фабрика, и регулярно тонна карамелек остаётся непроданной. Вы как раз можете решить эту проблему? Я правильно понимаю?

Да, совершенно верно. За счёт правильного, более точного прогнозирования спроса строятся планы продаж. Это, конечно, не одна единственная цифра – сколько мы в этом году всего продадим и какая будет выручка. В крупных компаниях, как правило, есть географическое распределение – например, если они работают в нескольких федеральных округах. Есть разбиение и по товарной иерархии: условно ­– барбариски, ириски, карамельки и т. д.

Кроме того, есть деление по каналам продаж: где-то товар продаётся напрямую в крупные сети, а где-то – особенно если у продукта большой срок годности – он может быть продан дистрибьютору, который уже распространяет его по маленьким торговым точкам в разных регионах.

И вот во всех этих разрезах – география, иерархия, каналы – компании должны понимать, какой именно товар нужно произвести, в каком объёме и когда. Чтобы не оставалась та самая тонна нераспроданных карамелек. И чтобы не получилось так, что на барбариски высокий спрос, а мы их не произвели.

Вот, собственно, как раз наш софт помогает выполнять планирование оптимальным образом. В нём зашиты и прогностические математические модели, и оптимизационные модели, и модели машинного обучения, и искусственный интеллект.

 

Ну, вот смотрите. У меня есть какой-то отдел, который этим занимается на условной фабрике. Есть все эти мои таблички, отчёты –поквартальные, годовые. Я смотрю: «Так, барбарисок нужно нарастить объём, а производство солёной карамели, наоборот, прекратить». Раньше всё это делалось вручную, да? А вы помогаете этот процесс ускорить? Или даёте качественно новый уровень анализа?

Если у вас всего 2–3 наименования – карамельки, барбариски – и вы продаёте их в 10 магазинах в одном городе, один сотрудник с Excel вполне справится: и с анализом спроса, и с построением плана продаж, и даже с управлением запасами и планом производства. Но чаще всего ситуация совсем другая. Речь идёт о десятках, сотнях, а то и тысячах наименований. Это работа по различным регионам, с разными каналами продаж — и вот здесь ручного подхода уже недостаточно.

Тут нужна автоматизация процесса и возможность с помощью настроенных математических моделей:

• рассчитывать более точные прогнозы,


• правильно определять объёмы нужного производства,


• продумывать расписание производственных линий —

по сути, позволяет компаниям расти дальше.

Потому что вручную такие объёмы информации становится всё сложнее обрабатывать. Можно, конечно, продолжать работать в Excel, но в какой-то момент объём данных, необходимый для эффективного планирования, просто начинает превышать возможности таблиц. И тогда компания уже готова задуматься о внедрении специализированных систем.

 

Компания к вам пришла, дала все данные. А какие бывают слабые места? Как вы с этим работаете? Программируете какие-то риски?

Эти проекты достаточно длительные, и реализуются совместной командой – со стороны заказчика и с нашей стороны, как поставщика программного обеспечения. То есть это не так, что к нам пришли, заплатили, вернулись через месяц – а у них уже всё готово и работает. Нет, конечно. Это всегда совместная работа.

Одна из основных сложностей – качество данных на стороне заказчика. Во всех проектах мы так или иначе с этой проблемой сталкиваемся. И решаем её вместе, в процессе – шаг за шагом, в тесной работе с командой клиента.

В рамках интеграции с IT-решениями заказчика и встраивания нашего продукта в их цифровой ландшафт крайне важно, чтобы на входе были качественные данные. Только тогда система сможет работать корректно, рассчитывать точные прогнозы и формировать реалистичный план производства.

Процессная составляющая не менее важна. Правильно выстроенные бизнес-процессы планирования –  это ещё один ключ к успеху. Зачастую мы помогаем заказчикам на этом этапе, потому что, как говорится, можно автоматизировать бардак, но вряд ли это приведёт к нужным результатам.

Автоматизация эффективна тогда, когда процессы уже выстроены корректно и логично. Она позволяет компании строить действительно работающие сценарии планирования. В последние годы все чаще оперируют новым термином – интегрированное планирование. Это подход, при котором все планы внутри компании взаимосвязаны, «прошиты» в единую систему. Не так, что отдел продаж посчитал одно, а производство спланировало совсем другое — и выяснилось, что их расчёты вообще не «разговаривают» между собой.

 

Но вот, условно, есть GPT, нельзя просто ему данные отдать на анализ? Или это гораздо более сложная история?

Мы не делаем сам прогноз – мы предоставляем инструменты для его построения и корректировки. Допустим, давайте возьмём какого-нибудь планировщика на заводе. Вот ему нужно произвести определённый объём продукции, который на него «спускают» сверху. При этом есть много производственных линий, каждая из которых может выпускать разные товары в разных сочетаниях.

Он приходит на работу, открывает нашу систему – и там уже автоматически рассчитано расписание: на первой линии с 10 до 12 производим барбариски, потом час уходит на переналадку, затем с 13 до 18 – ириски. На второй линии всё время делаем карамельки, потому что под них пришёл большой заказ, и мы туда перенаправляем ресурсы.

Там, конечно, много нюансов. Но планировщик может посмотреть на всё в визуальном, удобном интерфейсе – и, если считает нужным, сам внести коррективы в расписание. Это можно сделать буквально мышкой: передвинуть блоки, отредактировать последовательность.

Зачастую данные не полностью отражают реальное положение дел – например, мощность линии могла снизиться, или возникли другие обстоятельства. Поэтому человек вручную может быстро скорректировать то, что посчитала модель. После утверждения план отправляется в производство – и уже в цеху изготавливают нужный объём барбарисок, ирисок, карамелек и прочих сладостей. Автоматические модели учитывают праздники, сезонность, особенности спроса в выходные дни – множество факторов. И эти прогнозы становятся все более точными.

Но если мы строим прогнозы на достаточно далёкие горизонты, всегда остаются экспертные знания, которые модель просто не может учесть. Поэтому в рамках процесса эксперты должны обогатить результат, выданный моделью, и сделать его более точным. Правильное выстраивание процессов позволяет планировать наилучшим образом. Это значит: сокращать издержки, делать дополнительные продажи,увеличивать прибыль.

 

А в цифрах – как меняются показатели в компаниях после внедрения ваших технологий?

Мы можем называть только относительные цифры, потому что абсолютные, как правило, запрещено раскрывать. Вот, например, точность прогнозирования в одном из проектов улучшилась на 15–20%. Выручка – на несколько процентов за счёт более качественного планирования. А прибыльность производственных компаний увеличивается примерно на 5% – благодаря точному объёмному и календарному планированию производства. Это, естественно, даёт прямой экономический эффект.

У подобных внедрений есть понятная окупаемость, которую при желании можно просчитать уже на старте. С помощью таких решений компания существенно повышает свой КПД.

 

Какие планы у вас на ближайшие годы?

По тем оценкам, которые есть – в том числе по оценкам рынка решений для планирования – мы стали лидером рынка по итогам 2024 года. В наших планах – развивать продукт функционально, потому что есть спрос и, безусловно, потенциал роста. Также хотим проводить как можно больше внедрений – как самостоятельно, так и с партнёрами. Наша цель – помогать российским компаниям выстраивать эффективные процессы.

GoodsForecast продолжает расти – и по выручке, и по количеству клиентов. Мы сохраняем положительную динамику и надеемся, что этот тренд будет только укрепляться.