CC BY
0Научная статья УДК 658.8
DOI: 10.26118/2782-4586.2023.34.66.001
ОРГАНИЗАЦИЯ ПОСТАВОК ТОВАРОВ НА СКЛАДЫ МАРКЕТПЛЕЙСОВ: К ВОПРОСУ О РАЗРАБОТКЕ АЛГОРИТМА ПОДБОРА ПОСТАВЛЯЕМЫХ ТОВАРОВ
Селявский Юрий Валерьевич
Смоленский филиал РЭУ им. Г.В. Плеханова Дедов Евгений Геннадьевич
Смоленский филиал Финансовый университет при правительстве РФ-Курганова Наталия Юрьевна
Российский государственный социальный университет
Аннотация. Проблема своевременной организации поставок товаров на оптовые региональные склады маркетплейсов в условиях цифровизации набирает обороты. Существует спрос на разработку цифровых инструментов, способных в короткие сроки провести необходимые вычисления и принять правильное решение. Целью статьи является выработка алгоритма подбора поставляемых товаров на склады региональных маркетплейсов, позволяющего определить оптимальный объем поставляемой партии товаров. Достоверность и обоснованность полученных данных обеспечивается теоретическим анализом научной литературы, анализом мнений экспертов, использованием результатов ABC-анализа, ABC-XYZ анализ, метод имитационного моделирования. Результатом проведенного исследования является полученный на основе математических расчетов алгоритм подбора поставляемых товаров на региональные склады и систематизированы его основные аналитические процедуры, необходимые для выработки рекомендаций для принятия решения по поддержанию необходимого объема товаров на региональном складе в регионе присутствия.
Ключевые слова: алгоритм, склад, маркетплейс, малый бизнес, упущенная выгода, транспортно-логистический кластер, фулфилмент, страховой запас.
ORGANIZATIONOFDELIVERIESOFGOODSTO WAREHOUSES OF MARKETPLACES: ON THE ISSUE OF DEVELOPING AN ALGORITHM FOR SELECTING THE SUPPLIED GOODS
Selyavsky Yuri Valerievich
Smolensk Branch of Plekhanov Russian University of Economics Dedov Evgeny Gennadievich
Smolensk Branch of the Financial University under the Government of the Russian Federation
Kurganova Natalia Yurievna
Russian State Social University
Abstract. The problem of timely organization of deliveries of goods to wholesale regional warehouses of marketplaces in the conditions of digitalization is gaining momentum. There is a demand for the development of digital tools capable of performing the necessary calculations in a short time and making the right decision. The purpose of the article is to develop an algorithm for selecting the delivered goods to the warehouses of regional marketplaces, which allows determining the optimal volume of the delivered batch of goods. The reliability and validity of the data obtained is ensured by theoretical analysis of scientific literature, analysis of expert opinions, using the results of ABC analysis, ABC-XYZ analysis, simulation modeling method. The result of the conducted research is an algorithm obtained on the basis of mathematical calculations for the selection of goods supplied to regional warehouses and systematized its basic analytical procedures necessary to develop recommendations for making decisions on maintaining the required volume of goods in a regional warehouse in the region of presence.
Keywords: algorithm, warehouse, marketplace, small business, lost profit, transport and logistics cluster, fulfillment, insurance stock.
Введение. Динамичное развитие онлайн-торговли на маркетплейсах определяет повышенную актуальность проблематики оптимизации и распределения товаров. Растет в первую очередь уровень сложности организации поставок товаров. Согласно данным маркетинговых исследований, более 70% заказов в онлайн-ритейле приходится на мультикатегорийные маркетплейсы, на площадках которых работает малый и средний бизнес, который из-за сложности управления поставками в значительной степени упускает выгоду от поставок. Поэтому значимым звеном для организации электронной коммерции становятся оптовые региональные склады, уровень наполняемости товарами которых определяет уровень повышения продаж у бизнеса. Анализ опыта онлайн-тор-говли на Ozon показывает, что наличие товара в регионе, где делается заказ, повышает рейтинг карточки товара более чем на 30% и ее ранговое место в поиске [1]. Происходит такое ранжирование на основе модели машинного обучения. При управлении товарными запасами проявляется следующая закономерность: снижение срока доставки товаров повышает привлекательность его для конечного потребителя. На практике это определяет платёжеспособную потребность грузополучателей в формирования на региональном уровне транспортно-логистических кластеров (оптово-региональных складов) для сегмента B-2-B [3]. В качестве послед-
них выступают малые средние предприятия, работающие на маркетплейсах, для которых транспортно-логистические сбои чреваты потерей выручки. По этой причине организация стабильных поставок товаров для бизнеса является основой его устойчивого положения. Малый и средний бизнес, работающего на маркетплейсах, нет достаточной возможности для проведения полноценного маркетингового исследования спроса на все группы товаров, которые необходимо поставить. Одновременно, владеющие цифровой экосистемой маркетплейсы, не спешат делиться результатами анализа больших данных о продажах, видя в них конкурентов. Такая конъюнктура определяет для бизнеса проблему упущенной выгоды, в ситуациях когда существует спрос на товары, а способы узнать сведения о его объемах отсутствуют. Если товары малого и среднего бизнеса и на -ходятся на региональных оптовых складах, то часто бывают ситуации, когда из-за плохо рассчитанного спроса остатки закупленного товара практически не распродаются. В подобных ситуациях целесообразно разграничивать первую и последующие поставки для изучения нового рынка, проведения аналитики и установления степени целесообразности поставок, исходя из существующего спроса. Внимание следует фокусировать на параметрах тестовой поставки.
Анализ тенденций последних лет и оценка мнений экспертов показывает, что в настоя-
щее время растут темпы строительства инфраструктуры региональных оптовых складов - новых участников рынка, строительство которых меняется рынок, формируя новые условия для бизнеса, к которым последний должен адаптироваться [4]. Развитие складской недвижимости - фулфилмент-центров - в перспективе будет оказывать влияние на развитие городской пространственной экономики. По этим причинам заявленная в публикации тема статьи является актуальной.
Целью статьи - выработка алгоритма подбора поставляемых товаров на склады региональных маркетплейсов, позволяющего определить оптимальный объем поставляемой партии товаров.
Методика. Достоверность и обоснованность полученных данных обеспечивается теоретическим анализом научной литературы, анализом мнений экспертов, использованием результатов ABC-анализа, ABC-XYZ анализ, метода имитационного моделирования.
Результаты и обсуждение. Заявленная в статье проблематика находится в фокусе внимания ряда российских и зарубежных ученых (П.А. Дроздов, А.И. Коников, Ng Wan Lung, Yu Min-Chun и др.). Интеграция представлений ученых для задач проектирования алгоритма подбора товаров на региональные склады позволила установить особенное значение для этих целей методов ABC-анализа, XYZ-анализа и имитационного моделирования.
В целом ряде исследований [2; 5; 8; 10; 12] показано, что ABC-матрицы рассматриваются в качестве актуального инструмента ранжирования товаров по степени приоритетности, который доказал эффективность. Возможности XYZ-анализа позволяют проанализировать товарную номенклатуру. Данный метод отличает разнообразие алгоритмов его выполнения. Учет этих вариантов дает возможность проанализировать стабильность спроса на широкую номенклатуру товаров за определенный период времени. Интеграция их возможностей позволяет объединить результаты анализа в форме ABC-XYZ-матрицы, с помощью которой можно получить представление о спросе на товары [6; 7; 9; 11].
Необходимым условием расчета оптимального размера первой поставки и под-
держания должного уровня запасов товара на складе является установление оптимального уровня запасов товаров на складе. Решение этой задачи видится возможным благодаря использованию имитационного моделирования.
Далее следует рассмотреть алгоритмы реализации методов анализа товарных запасов и спроса на них.
Так, сегментация товаров с помощью АВС-анализа выполняется с помощью следующей последовательности выполнения процедур:
1.Выбор классификационных критериев. На этом этапе определяются критерии для анализа (например, среднее значение уровня запасов того или иного товара).
2.Расчет нарастающего итога по всем группам товарам.
3.Выделение классификационных групп по выделенным критериям в зависимости от их влияния на целевые показатели, и последующая их группировка (товары группы А, В, С).
По итогам анализа вырабатываются подходы к каждой отдельной группе товаров. К товарам наиболее востребованной группы следует уделять особое внимание, применяя инструменты контроля и аналитики; к наименее востребованным - процедуры оценки и контроля будут применяться по остаточному принципу. Использование этого метода дает возможность правильно расставить приоритеты между различными товарными группами, и без особых рисков выбирать товары для первой поставки.
После подведения итогов АВС-анализа целесообразно XYZ-анализ, возможности которого позволят сегментировать тот или иной товар посредством вычисления коэффициента вариации, вычисление которого производится по следующей формуле:
V = *-2-,........(1).
где V - коэффициент вариации; х - среднее арифметическое количество заказов за исследуемый период; ж, - количество заказов за месяц: п - общее количество заказов.
На основе установления величины коэффициента вариации в процентах происходит категоризация товарных запасов на основе критериев отнесения их группам X (< 10%), Y (от 10-25%) и Z (> 25%) соответственно. Однако, установлено, что такие границы могут быть нечеткими, поэтому их необходимо корректировать. Решить эту прикладную задачу можно посредством объединения результатов АВС-анализа и XYZ-анализа в матрицу, в рамках которой номенклатура товаров состоит из 9 основных категорий, значимость которых будет определяться по диагональному принципу: по мере удаления от левого верхнего угла к правому нижнему значимость
товара и возможность прогнозирования спроса на него будет снижаться. Соответственно, в первую поставку на региональные оптовые склады маркетплейсов должны входить актуальные категории товаров из верхнего левого угла, так как от их реализации можно прогнозировать высокий и стабильных уровень продаж. Иллюстрирующим примером является деятельность маркетплейса МИЬеп^ (См. Таблицу 1). Для повышения качества анализа были изменены принятые границы XYZ-анализа для определения значения коэффициента вариации для X группы (диапазон от 0-0,5); Y группы - (диапазон от 0,5 - 0,75); Z группы - (диапазон от > 0,75).
Таблица 1. Результаты АВС-анализа и XYZ-анализа по запасам 17 товарных групп
Товары Накопительный процент ABC коэффициент вариации XYZ
1 48% А 0,72 Y
2 55% А 0,53 Y
3 67% А 0.41 X
4 71% А 0,59 Y
5 74% А 0.62 Y
6 77% А 0.61 Y
7 80% А 0.54 Y
8 83% В 0.48 X
9 86% В 0.69 Y
10 89% В 0,74 Y
11 92% В 0.6 Y
12 95% В 0.84 Z
13 96% С 0,78 Z
14 97% С 0,55 Y
15 98% С 0.67 Y
16 99% С 0,8 Z
17 100% С 0.67 Y
[Источник: составлено автором на основе данных МИЬеп^]
Следующей процедурой было определение артикулов наиболее актуальных товаров, рекомендуемых для поставки на региональные оптовые склады маркетплейсов. Для этого данные по товарным группам из
Таблицы 1 были перенесены в сводную АВС-XYZ-матрицу (См. Таблицу 2): сюда вошли соответственно артикулы товаров из групп АХ, АХ ВХ, ВУ.
Таблица 2. - Сводная АВС-ХУ7-матрица: определение артикулов актуальных групп товаров для организации их поставок на склад
A B C
X №3 №8 -
Y №1,2,4,5,6,7 №9,10,11 №14,15,17
Z - №12 №13,16
[Источник: составлено автором]
Данные Таблицы 2 позволили установить и принять решение о том, что один из немногих групп товаров, имеющих отношение к группе АХ, является артикул №3. Поэтому экономически целесообразно принять ре-
шение отправить его на региональный оптовый склад маркетплейса. Такое решение подтверждается статистикой продаж за один месяц (период ноябрь-декабрь 2022 г.) по данному артикулу (См. рис. 1).
250
200
150 \
100
50
0-
2022-11-20 2022-11-27 2022-12-04 2022-12-11 2022-12-18
Рис. 1 - Динамика продаж по товарной группе АХ (по артикулу №3) за период ноябрь-декабрь 2022 год [
Составлено автором]
Следующей процедурой был расчет необходимой партии товара, относящейся к артикулу №3. Для этого применялся такой метод имитационного моделирования как метод Монте-Карло для имитации процесса с применением случайных величин. Данный метод позволяет получить широкий набор данных для анализа, при отсутствии таких данных в реальности, либо протестировать
влияние нововведений. Для использования этого метода следует знать закон распределения имитируемой величины, для чего определяется коэффициент вариации, вычисляемый как отношение среднеквадрати-ческого отклонения к среднему значению количества заказов.
Рассчитаем для наших данных необходимые величины. Обозначим как х, количество
продаж в день. Тогда:
и
V = -
(2),
Где: V - коэффициент вариации, а - сред-неквадратическое отклонение, х -среднее значение количества продаж.
Для исследуемой выборки значение среднего квадратического отклонения составляет а = 47,09, а среднее значение величины продаж составляет х = 112,4. Тогда: V = 47,09/112,4 = 0,419 В соответствии с таблицей 3, делаем выбор подходящего распределения.
Таблица 3 Выбор подходящего распределения
Пределы изменения коэффициентов вариации Закон распределения случайной величины
v<0,3 Нормальный
V<1 Гамма-распределение
0,4^<3 Вейбулла
V=1 Экспоненциальный
Таким образом мы можем сделать вывод, что приходится иметь дело со случайной величиной, подчиненной гамма-распределению. Тогда значение количества заказов в каждый день будет рассчитываться по формуле:
,
(S),
где: - имитируемое значение количества
за
казов, Л,п - вычисляемые коэффициенты, ^ - случайная величина, распределённая равномерно.
В этом случае нам необходимо рассчитать параметры п и Л. Они определяются по формуле:
В нашем случае они будут равны:
Произведём моделирование процесса расходования запасов. Согласно проведенным расчетам, среднее время поставки товара (Тп) составляет 10 дней. Примем, что страховой запас составляет 2000 штук. Расчёт представлен в таблице 4.
Таблица 4.Моделирование процесса расходования запасов товара
Номер дня Случайное число, Значение потребления, Размер остатка
1 0,65 126 2 000,00
2 0,46 73 1 874,07
3 0,63 118 1 800,91
4 0,20 26 1 682,76
5 0,79 187 1 656,28
6 0,02 3 1 468,94
7 0,13 16 1 466,01
8 0,61 112 1 449,75
9 0,74 162 1 337,54
10 0,64 121 1 176,02
11 0,96 377 1 055,05
12 0,28 39 677,78
13 0,02 2 638,72
14 0,70 141 636,29
15 0,99 542 495,10
16 0,71 147 -47,31
17 0,17 23 -193,99
18 0,62 116 -216,51
19 0,53 90 -332,34
20 0,91 280 -422,29
21 0,41 63 -702,61
22 0,20 26 -765,56
23 0,35 50 -791,43
24 0,02 2 -841,84
25 0,19 25 -843,92
26 0,73 155 -869,29
27 0,31 44 -1 024,32
28 0,41 63 -1 067,94
29 0,24 32 -1 131,19
30 0,53 89 -1 163,17
31 0,62 113 -1 252,57
[Источник: составлено автором на основе вычислений в Excel]
Как видно из данных таблицы дефицит на- позволит с высокой точностью определить
ступает на 16 день. Но пРи этом стоит учиты- величину страхового запаса, который смо-
вать, что одна итерация не даёт достоверной жет обеспечить целевой уровень сервиса.
информации. Для получения достоверного Для демонстрации того, в каком виде получа-
результата необходимо провести порядка ются данные, были проведены 30 итераций
50000-100000 итераций в результате будет расчётов. Результаты приведены в Рис. 2. полученэ тэблицэ рэспределения, которэя
Распределение частоты "дефицитного" дня
Рис. 2. - Распределение дефицита товарной продукции на региональных складах маркетплейса по дням
[Составлено автором]
В результате получили, что при стартовом уровне запаса в размере 2000 штук и фиксированном времени поставки, появляется возможность обеспечить уровень сервиса, то вероятность дефицита товара уменьшается на 93,3%. При проведении дальнейших расчётов это число будет уточняться, но уже на данном этапе можно сказать, что даже такой показатель пользователя алгоритма не будет устраивать. Повышение степени надежности прогнозирования поставок товаров влечет издержки на хранение продукции, в то время как фактический ее дефицит приведет к снижению продаж, рейтинга карточки, даже после пополнение необходимого уровня запасов.
Похожим образом происходит моделирование и других величин, например, времени поставки товара на склад. Для моделирования процессов применялись электронные таблицы Excel, но для проведения более точных расчётов, лучше воспользоваться языками программирования, например Python или R.
Алгоритм должен учитывать ряд входящих данных об артикулах, продажах и ценах на товар за последние два месяца (номенклатура артикулов, оптимальный период доставки, издержки на распределение товарных запасов, необходимый страховой запас по каждому артикулу, вероятный период обо -рачиваемости товаров).
Также для работы с алгоритмом следует учитывать данные о транзакциях за два месяца (продажи артикулов цены артикулов, в том числе и по дням; и в географическом раз -резе по регионам), которые потом алгоритм и агрегирует, выявляя посредством ABC-XYZ анализа по каждому артикулу товары с высокой маржинальностью. Следующим шагом будет выявление текущего спроса в региональном разрезе, от чего будет зависеть время доставки, и соответственно интерес к товару. Потом оценивается с помощью индексов покупательская способность населения. Не менее важное значение для оценки экономической эффективности имеет учет транспортно-логистических затрат, которые в разных регионах сильно дифференцируются: стоимость хранения одной и той же единиц товара может сильно отличаться.
После проведения таких расчетов определяется номенклатура артикулов для первой поставки. С учетом того, что желательный период поставки составляет примерно 14 дней, рассчитывается размер поставки с помощью мультипликации среднего числа продаж на региональном оптовом складе и понижающих (либо повышающих) коэффициентов покупательской способности населения (его пропорциональности) в разрезе географии регионов. При этом расчеты желательного страхового запаса производятся на основе поставки и вариантов спроса с применением метода имитационного моделирования.
Выводы. Таким образом, алгоритм подбора поставляемых товаров на оптовые региональные склады маркетплейсов учитывает следующие шаги:
-сбор сведений о всех транзакциях продавца;
-агрегирование данных по ряду критериев; -составление матриц покупательской способности, матриц пропорциональности населения и сводных ABC-XYZ-матриц;
-расчет оптимального количества товаров для первой поставки;
-расчет экономической эффективности поставок товаров в регионы и составление матрицы транспортно-логистических затрат;
-расчет желательного запаса по каждому артикулу;
-и выработка системы рекомендаций по поставкам товаров на региональных склады (с учетом страхового запаса).
Таков в исходном виде алгоритм подбора поставляемых товаров на региональные оптовые склады маркетплейса. Выработка такого алгоритма требует взаимодействия специалистов разного профиля. Применение такого алгоритма не дает универсальных показателей, но дает рекомендации, упрощающие и позволяющие автоматизировать принятие решения по распределению запасов товаров.
Перспективу дальнейших исследований составляют вопросы развития цифровых технологий группы искусственного интеллекта, возможности которых позволят автоматизировать эффективную организацию поставок товаров на региональные оптовые склады маркетплейсов.
Список источников
1. Алгоритм поиска на Ozon / Ozon. - [Электронный ресурс]. - Режим доступа: https://docs. ozon.ru/legal/algorithms/search-algorithms/ (дата обращения: 8.07.2023).
2. Арнаут М.Н. Малый бизнес как главный детерминант динамичного роста экономики России // Актуальные вопросы современной экономики 2019г. № 5 с. 100-104
3. Дроздов П.А. Основы логистики / П.А. Дроздов / Учебное пособие. - Минск: Вышэйшая школа, 2019. - 433с.
4. Еремеева А. И. Маркетплейс: факторы, влияющие на кризисные процессы//Актуаль-ные вопросы современной экономики. - 2021.- №3.- С..118-122
5. Малышева К.Б. Предпосылки формирования транспортной кластеризации в Российской Федерации / К.Б. Малышева // Экономика. Право. Инновации. - 2022. - №3. - С.31-38.
6. Маркетплейсы строят все больше складов в регионах. Как это меняет рынок / РБКРго. -[Электронный ресурс]. - Режим доступа: https://pro.rbc.ru/demo/63c802eb9a79473f76a3c977 (дата обращения: 8.07.2023).
7. Томашева, Е. В. Управление распределением в цепях поставок / Е. В. Томашева // Перспективы развития инвестиционно-строительного комплекса в странах Восточной Европы: сборник научных трудов / Министерство образования Республики Беларусь, Брестский государственный технический университет ; под общ. ред. А. Г Проровского. - Брест : БрГТУ, 2016. - С. 173-177.
8. Управление запасами в цепях поставок в 2 ч. Часть 1 : учебник и практикум для вузов / В. С. Лукинский [и др.] ; [общ. Ред. В. С. Лукинского] / Учебно-практическое пособие. — М.: Издательство Юрайт, 2023. — 329 с.
9. Aktung, Esra Agca et al. "Inventory Control Through ABC/XYZ Analysis." Lecture Notes in Management and Industrial Engineering (2019): n. pag.
10. Alexander Konikov The method of iterative use of the ABC-XYZ analysis in the construction industry January 2019. E3S Web of Conferences 110:01073. D0l:10.1051/e3sconf/201911001073
11. Dmitriev Y. G. Statistical estimation with a known quantile and its application in a modified ABC-XYZ analysis / Y. G. Dmitriev, Z. N. Zenkova, W. Musoni // Eighth International conference on risk analysis and design of experiments, Vienna, April 23-26, 2019 : book of abstracts. Vienna, 2019. P. 143-144. URL: http://vital.lib.tsu.rU/vital/access/manager/Repository/vtls:000674330
12. Ng, Wan Lung. "A simple classifier for multiple criteria ABC analysis." Eur. J. Oper. Res. 177 (2007): 344-353.
13. Scholz-Reiter, Bernd et al. "Integration of demand forecasts in ABC-XYZ analysis: practical investigation at an industrial company." International Journal of Productivity and Performance Management 61 (2012): 445-451.
14. Yu, Min-Chun. "Multi-criteria ABC analysis using artificial-intelligence-based classification techniques." Expert Syst. Appl. 38 (2011): 3416-3421.
Сведения об авторах
СЕЛЯВСКИЙ ЮРИЙ ВАЛЕРЬЕВИЧ, к.э.н., доцент, кафедра экономики и торгового дела, Смоленский филиал РЭУ им. Г.В. Плеханова, Смоленск, Россия
ДЕДОВ ЕВГЕНИЙ ГЕННАДЬЕВИЧ, к.п.н., доцент, кафедра экономики и менеджмента, Смоленский филиал Финансовый университет при правительстве РФ, Смоленск, Россия КУРГАНОВА НАТАЛИЯ ЮРЬЕВНА, старший преподаватель кафедры человеческого капитала и управления персоналом, Российский государственный социальный университет, Москва, Россия
Information about the authors SELYAVSKY YURI VALERYEVICH, Candidate of Economics, Associate Professor, Department of Economics and Trade, Smolensk Branch of Plekhanov Russian University of Economics, Smolensk, Russia
DEDOV EVGENY GENNADIEVICH, PhD, Associate Professor, Department of Economics and Management, Smolensk Branch of the Financial University under the Government of the Russian Federation, Smolensk, Russia
KURGANOVA NATALIA YURIEVNA, Senior Lecturer of the Department of Human Capital and Personnel Management, Russian State Social University, Moscow, Russia
