Ключевую роль в обеспечении качества планирования играет актуальная и достоверная нормативная база – нормы расхода материалов на единицу продукции, учитывающие плановые и фактические показатели отходов и потерь. Нормативы формируются на основе конструкторско-технологической документации, опытных или статистических замеров, экспертных оценок технологов. Важно контролировать полноту и актуальность нормативов для всех выпускаемых изделий, своевременно пересматривать их при изменении продуктов, технологий, поставщиков комплектующих. Передовая практика предполагает интеграцию процессов нормирования с общим циклом разработки изделий, совместную работу снабженцев, конструкторов, технологов по оптимизации норм расхода еще на этапе проектирования продукта. Также необходимо отслеживать отклонения факта от нормативов и анализировать причины перерасходов (брак, сверхнормативные отходы, нарушения технологии).

Наконец, качественное планирование невозможно без наличия полных и актуальных справочников (каталогов, перечней) всех закупаемых позиций, построенных по категорийному принципу. Задача таких справочников – обеспечить унификацию наименований ТМЦ, устранить дублирование позиций, задать правила кодирования, единицы измерения, атрибуты описания. Они позволяют быстро находить взаимозаменяемые аналоги, выявлять возможности для стандартизации спецификаций, консолидировать потребности различных подразделений. Работа со справочниками – зона совместной ответственности службы снабжения, ОМТС, конструкторских и технологических служб, ИТ и НСИ. Ее регламентация, контроль полноты и качества данных, интеграция со смежными системами (ERP, СЭД, PLM) – необходимое условие эффективного планирования и управления запасами.

Следующий этап после сбора и анализа исходных данных – собственно прогнозирование потребности в ТМЦ, т.е. моделирование будущего профиля спроса с определенным горизонтом упреждения (обычно квартал-год) и уровнем детализации (номенклатурные группы, подкатегории МТР). Наиболее распространен метод прогнозирования на основе анализа временных рядов – ретроспективных данных о расходе МТР с заданной периодичностью (день, неделя, месяц). К этому ряду применяются различные статистические модели – скользящего среднего, экспоненциального сглаживания, сезонной декомпозиции, выявляющие исторические закономерности и проецирующие их в будущее.

Более продвинутый подход – построение причинно-следственных (каузальных) моделей, учитывающих влияние на потребность в ТМЦ не только исторических трендов, но и релевантных внешних факторов – динамики спроса на готовую продукцию, колебаний цен на сырье, изменений в технологиях, действий конкурентов. Эти факторы включаются в модель в виде предикторов (независимых переменных), для которых определяются весовые коэффициенты и функциональные зависимости. Наиболее популярные каузальные модели в сфере прогнозирования МТР – множественная регрессия, авторегрессия, нейронные сети, деревья решений. Их применение требует хорошей статистической подготовки, углубленного понимания бизнес-процессов, наличия качественных исходных данных.

Для проверки устойчивости прогнозов к изменениям внешней и внутренней среды применяется сценарное планирование – моделирование потребности при различных вариантах развития событий (изменение спроса, цен, технологий, структуры поставщиков). Строится несколько альтернативных прогнозов (оптимистичный, реалистичный, пессимистичный), между которыми распределяется вероятность реализации. Затем проводится анализ чувствительности – оценка того, как изменение отдельных параметров модели (например, нормативов расхода или сроков поставки) повлияет на итоговую потребность. Это позволяет определить наиболее критичные факторы, требующие непрерывного мониторинга и контроля.

Необходимым условием эффективного прогнозирования является использование специализированного программного обеспечения, реализующего передовые модели и алгоритмы, визуализирующего результаты, обеспечивающего коллективную работу планировщиков. Наиболее продвинутые решения в этой области – системы класса SCM (Supply Chain Management), интегрированные с ERP, но обладающие более мощной аналитикой и оптимизационными возможностями (SAP APO, Oracle SCM, Kinaxis, JDA, O9). Они позволяют строить мультиэшелонные модели цепочек поставок, сквозные прогнозы потребности и запасов по всем уровням (сайтам, складам, производственным линиям), сценарии с учетом ограничений мощностей и логистики.

Ключевые функциональные блоки таких систем – статистическое прогнозирование, объемно-календарное планирование MRP/DRP, оптимизация производственных и логистических планов, имитационное моделирование. Они обеспечивают полный цикл построения прогнозов – от сбора и обогащения исходных данных до выбора лучшей модели, генерации заказов на закупку и отслеживания отклонений факта от плана с оповещениями ответственным. Наиболее продвинутые решения используют алгоритмы ИИ (машинного и глубокого обучения) для непрерывной адаптации параметров моделей к меняющемуся поведению рядов, автоматического поиска значимых факторов и зависимостей.

Для повышения точности планирования прогнозирование потребности должно вестись не индивидуально по отдельным позициям, а в разрезе укрупненных категорий и групп взаимозаменяемых продуктов. Это позволяет сглаживать индивидуальные колебания спроса, использовать более длинные и устойчивые исторические ряды, распределять риски дефицита и избытка запасов внутри категории. Для этого применяются различные техники консолидации и агрегирования потребностей – суммирование по периодам (годам, кварталам, месяцам), продуктовым группам, единицам хранения (паллетам, упаковкам), поставщикам, географии.

Выбор оптимального уровня агрегации зависит от специфики МТР, частоты и регулярности потребления. Для дорогостоящих позиций, материалов с длительным циклом поставки, критичных для качества продуктов, потребность планируется на уровне отдельных SKU (складских единиц). Для дешевых позиций, вспомогательных материалов, канцелярии с высокой частотой потребления разумно укрупнение до уровня категорий или поставщиков. Главное – найти баланс между достаточной детализацией для обеспечения заданного уровня сервиса и приемлемыми трудозатратами на поддержание точности данных в справочниках.

По результатам консолидации прогнозов формируются предложения по объемам и срокам закупок, частоте и способам пополнения запасов в разрезе номенклатурных позиций МТР. При этом учитывается целый спектр логистических и рыночных факторов:

минимальные объемы заказов, кратность партий поставки (вагон, контейнер, паллета);

размер текущих складских запасов, остатки в пути, страховые и сезонные запасы;

ограничения по срокам годности, условиям хранения, транспортировки МТР;

графики планово-предупредительных ремонтов и регламентных работ оборудования;

доступность МТР на рынке, риски дефицита, срыва поставок, роста цен;

оптимальное соотношение затрат на закупку и владение запасами (формула Уилсона);

целевые уровни сервиса по доступности МТР (классификация XYZ, VEN).

На основе этих факторов формируются укрупненные лоты на закупку – консолидированные объемы МТР, выставляемые на тендер для привлечения наиболее выгодных условий от поставщиков. Слишком мелкие лоты ведут к завышенным ценам и транзакционным издержкам, слишком крупные – к риску дефицита и упущенным альтернативам. Оптимальный размер лота зависит от рыночной структуры (числа поставщиков), волатильности цен, стоимости и критичности МТР. Для стратегических материалов практикуется дробление годовой потребности на несколько лотов (квартальных, месячных) для снижения рисков и стимулирования конкуренции. Для некритичных, наоборот, укрупнение под весь объем годовых контрактов.

Ключевой показатель эффективности работы системы прогнозирования и планирования МТР – точность, т.е. процент отклонения прогноза от фактического потребления. Он измеряется отдельно для прогнозов спроса (в натуральных единицах) и денежного прогноза (в закупочных ценах). Целевой уровень точности зависит от волатильности рынка, стабильности производственной программы, надежности поставщиков, и обычно составляет 80-90% для натурального и 95-97% для денежного прогноза (так как ошибки в количестве могут компенсироваться разнонаправленными колебаниями цен). Для повышения достоверности прогнозов применяются механизмы автоматического мониторинга отклонений, генерации управленческих отчетов, эскалации проблем ответственным менеджерам.