Кейс: Автоматизировали работу с площадками e-commerce за счет RPA и Power Automate
Клиент.
Крупный российский производитель безалкогольных напитков
Компания развивает направление e-commerce. Сотрудники данного бизнес-подразделения отвечают за развитие работы с такими маркетплейс- площадками как ozon, wildberries и Яндекс.маркет. В рамках данного функционала менеджеры должны управлять ассортиментом и остатками товара на складах всех торговых площадок. При этом специалистам важно оперативно анализировать динамику продаж, текущие остатки, оборачиваемость товаров, чтобы корректно рассчитывать количество продукции, необходимое для пополнения складов маркетплейсов.
До автоматизации менеджер подразделения еженедельно тратил порядка полутора дней на:
- подготовку и загрузку данных о продажах и остатках по товарам на складах;
- сбор аналитики продаж в разрезе складов, которые обслуживают тот или иной регион, чтобы регулировать затраты на логистику
- консолидацию всех собранных данных по товарам в Excel файлах
- ручное создание заказа в 1C.
Трудоемкость сбора исходных данных не позволяла клиенту обновлять файлы чаще, чем один раз в неделю. Соответственно руководитель не мог быстро управлять остатками и продажами, и у компании возникал высокий риск потери потенциальной прибыли.
Крупный российский производитель безалкогольных напитков
Компания развивает направление e-commerce. Сотрудники данного бизнес-подразделения отвечают за развитие работы с такими маркетплейс- площадками как ozon, wildberries и Яндекс.маркет. В рамках данного функционала менеджеры должны управлять ассортиментом и остатками товара на складах всех торговых площадок. При этом специалистам важно оперативно анализировать динамику продаж, текущие остатки, оборачиваемость товаров, чтобы корректно рассчитывать количество продукции, необходимое для пополнения складов маркетплейсов.
До автоматизации менеджер подразделения еженедельно тратил порядка полутора дней на:
- подготовку и загрузку данных о продажах и остатках по товарам на складах;
- сбор аналитики продаж в разрезе складов, которые обслуживают тот или иной регион, чтобы регулировать затраты на логистику
- консолидацию всех собранных данных по товарам в Excel файлах
- ручное создание заказа в 1C.
Трудоемкость сбора исходных данных не позволяла клиенту обновлять файлы чаще, чем один раз в неделю. Соответственно руководитель не мог быстро управлять остатками и продажами, и у компании возникал высокий риск потери потенциальной прибыли.
Задача.
Компания планировала увеличить количество площадок и оборотов по направлению e-commerce. А ручной сбор данных, в таком случае, стал бы отнимать слишком времени, снижать точность расчета заказа к пополнению и, как следствие, приводить приводить к отсутствию товара на складе.
Кроме того, клиент хотел полностью убрать зависимость данного бизнес-процесса от присутствия конкретного сотрудника на рабочем месте.
Компания планировала увеличить количество площадок и оборотов по направлению e-commerce. А ручной сбор данных, в таком случае, стал бы отнимать слишком времени, снижать точность расчета заказа к пополнению и, как следствие, приводить приводить к отсутствию товара на складе.
Кроме того, клиент хотел полностью убрать зависимость данного бизнес-процесса от присутствия конкретного сотрудника на рабочем месте.
Длительность проекта.
Проект начали в первой половине 2021 года. Полностью работы еще не завершили. На текущий момент разрабатываем дашборды в Power BI, чтобы компания за счет их интерактивности получила возможность глубже анализировать продажи, и тем самым повысила качество принимаемых управленческих решений.
Планируем подключать к системе аналитики еще одну площадку - Сбермегамаркет.
Проект начали в первой половине 2021 года. Полностью работы еще не завершили. На текущий момент разрабатываем дашборды в Power BI, чтобы компания за счет их интерактивности получила возможность глубже анализировать продажи, и тем самым повысила качество принимаемых управленческих решений.
Планируем подключать к системе аналитики еще одну площадку - Сбермегамаркет.
Результат.
1. Исключили OOS по ключевым категориям товара.
2. Повысили точность формирования заказа. Например, свели к нулю ситуации, когда компания размещает слишком большие заказы на складах маркетплейсов. Таким образом, снизили затраты на возврат непроданных товаров со складов площадок и списание продукции с истекшим сроком годности. Теперь когда менеджер формирует заказ, он учитывает не только остатки и средние продажи товаров, но и рекомендуемое системой аналитики количество продукции к заказу. Поэтому таких проблем как Out-Of-Stock и Over Stock больше не возникает.
3. Смогли учитывать остаточный срок годности при расчете заказа.
4. Оптимизировали объем ручного труда и полностью ликвидировали зависимость бизнес-процесса от присутствия конкретного сотрудника.
5. Вывели одну позицию товара в категорию “бестселлер”.
6. За счет косвенного влияния автоматизации на развитие направления e-commerce, компания в 2021 году получила прирост выручки 50%.
1. Исключили OOS по ключевым категориям товара.
2. Повысили точность формирования заказа. Например, свели к нулю ситуации, когда компания размещает слишком большие заказы на складах маркетплейсов. Таким образом, снизили затраты на возврат непроданных товаров со складов площадок и списание продукции с истекшим сроком годности. Теперь когда менеджер формирует заказ, он учитывает не только остатки и средние продажи товаров, но и рекомендуемое системой аналитики количество продукции к заказу. Поэтому таких проблем как Out-Of-Stock и Over Stock больше не возникает.
3. Смогли учитывать остаточный срок годности при расчете заказа.
4. Оптимизировали объем ручного труда и полностью ликвидировали зависимость бизнес-процесса от присутствия конкретного сотрудника.
5. Вывели одну позицию товара в категорию “бестселлер”.
6. За счет косвенного влияния автоматизации на развитие направления e-commerce, компания в 2021 году получила прирост выручки 50%.
Что сделали.
С помощью Python настроили автоматизированный сбор информации со всех маркетплейсов в базу данных. Создали интерфейс в Power BI для анализа продаж, мониторинга остатков и расчета рекомендованного объема заказа для пополнения складов на площадках. Кроме того, синхронизировали интерфейс BI с учетной системой, чтобы менеджер не тратил время на ручной ввод заказа в ERP системе.
Шаг. 1 Автоматизировали сбор данных с площадок
Разработали скрипты отдельно для каждой площадки, которые собирают данные о продажах и остатках товаров на складах через интерфейс API. Часть данных мы не могли получать через API по причине отсутствия нужного функционала на стороне маркетплейса. Чтобы решить эту проблему, разработали новые RPA-скрипты, в которых робот в точности воспроизводит действия менеджера: подключается напрямую к личному кабинету, скачивал пользовательские отчеты, приводил их к единой структуре и сохранял результаты в базу данных. На выходе получили достоверный массив данных, который осталось только вывести в Power BI.
Шаг. 2 Настроили интерфейс для работы в Power BI
Чтобы визуализировать в BI данные для расчета заказа к пополнению мы выбрали табличный формат, где система подсвечивает конкретные товары, которые нужно дозаказать.
Клиент предоставил нам алгоритм расчета рекомендованного заказа, который мы перенесли в Power BI. Метод учитывает текущие остатки, средние продажи в день и ABC-классификацию товара. Кроме того каждая категория продукции имеет свой страховой запас - количество дней, на которое хватит текущих остатков при средних продажах.
Технические возможности на данный момент не позволяют заложить в алгоритм расчета заказа все факторы. Поэтому мы предусмотрели возможность ручной корректировки предложенного системой количества товара в заказе. Реализовать подобный функционал в Power BI напрямую нельзя, а клиенту было важно продолжить работу именно в данном ПО. Чтобы учесть требование заказчика ручной ввод данных настроили через отдельный сервис Microsoft Power Apps. Он позволяет
позволяет усиливать функционал Power BI. Например, сделать нативную табличную визуализацию с возможностью редактирования данных.
В BI клиент может сам задавать глубину анализа продаж: один или два месяца. На основе этой информации система анализирует, насколько хватает текущего количества товаров при неизменности динамики средних продаж. А далее сравнивала остаток с тем страховым запасом, который менеджер заложил для каждой категории товаров. Если остаток был меньше, система подсвечивала данные позиции. В итоге менеджер в понятной табличной форме сразу видел, по каким товарам ему нужно сделать дозаказ.
Шаг 3. Автоматизировали обработку заказа
Не смотря на то, что мы автоматизировали расчет товара к пополнению, оставалась еще одна рутинная задача: создание бланка заказа в учетной программе. Если бы мы остановились только на разработке интерфейса в Power BI, менеджеру нужно было скачать данные заказа к пополнению из Power BI в Excel. А после этого вручную сформировать заказ в складской программе. Мы смогли автоматизировать и эту рутинную задачу благодаря сервису Microsoft Power Аutomate. Теперь в отчете Power BI пользователю необходимо только нажать на кнопку «Создать заказ». Power BI забирает все данные и автоматически передает их в ERP-систему, а та в свою очередь после завершения операции отправляет в Power BI ответ, что заказ сформирован. Так, Power BI перестал быть просто инструментом визуализации, а превратился в универсальный рабочий стол.
С помощью Python настроили автоматизированный сбор информации со всех маркетплейсов в базу данных. Создали интерфейс в Power BI для анализа продаж, мониторинга остатков и расчета рекомендованного объема заказа для пополнения складов на площадках. Кроме того, синхронизировали интерфейс BI с учетной системой, чтобы менеджер не тратил время на ручной ввод заказа в ERP системе.
Шаг. 1 Автоматизировали сбор данных с площадок
Разработали скрипты отдельно для каждой площадки, которые собирают данные о продажах и остатках товаров на складах через интерфейс API. Часть данных мы не могли получать через API по причине отсутствия нужного функционала на стороне маркетплейса. Чтобы решить эту проблему, разработали новые RPA-скрипты, в которых робот в точности воспроизводит действия менеджера: подключается напрямую к личному кабинету, скачивал пользовательские отчеты, приводил их к единой структуре и сохранял результаты в базу данных. На выходе получили достоверный массив данных, который осталось только вывести в Power BI.
Шаг. 2 Настроили интерфейс для работы в Power BI
Чтобы визуализировать в BI данные для расчета заказа к пополнению мы выбрали табличный формат, где система подсвечивает конкретные товары, которые нужно дозаказать.
Клиент предоставил нам алгоритм расчета рекомендованного заказа, который мы перенесли в Power BI. Метод учитывает текущие остатки, средние продажи в день и ABC-классификацию товара. Кроме того каждая категория продукции имеет свой страховой запас - количество дней, на которое хватит текущих остатков при средних продажах.
Технические возможности на данный момент не позволяют заложить в алгоритм расчета заказа все факторы. Поэтому мы предусмотрели возможность ручной корректировки предложенного системой количества товара в заказе. Реализовать подобный функционал в Power BI напрямую нельзя, а клиенту было важно продолжить работу именно в данном ПО. Чтобы учесть требование заказчика ручной ввод данных настроили через отдельный сервис Microsoft Power Apps. Он позволяет
позволяет усиливать функционал Power BI. Например, сделать нативную табличную визуализацию с возможностью редактирования данных.
В BI клиент может сам задавать глубину анализа продаж: один или два месяца. На основе этой информации система анализирует, насколько хватает текущего количества товаров при неизменности динамики средних продаж. А далее сравнивала остаток с тем страховым запасом, который менеджер заложил для каждой категории товаров. Если остаток был меньше, система подсвечивала данные позиции. В итоге менеджер в понятной табличной форме сразу видел, по каким товарам ему нужно сделать дозаказ.
Шаг 3. Автоматизировали обработку заказа
Не смотря на то, что мы автоматизировали расчет товара к пополнению, оставалась еще одна рутинная задача: создание бланка заказа в учетной программе. Если бы мы остановились только на разработке интерфейса в Power BI, менеджеру нужно было скачать данные заказа к пополнению из Power BI в Excel. А после этого вручную сформировать заказ в складской программе. Мы смогли автоматизировать и эту рутинную задачу благодаря сервису Microsoft Power Аutomate. Теперь в отчете Power BI пользователю необходимо только нажать на кнопку «Создать заказ». Power BI забирает все данные и автоматически передает их в ERP-систему, а та в свою очередь после завершения операции отправляет в Power BI ответ, что заказ сформирован. Так, Power BI перестал быть просто инструментом визуализации, а превратился в универсальный рабочий стол.
Пример интерфейса Power BI для расчета заказа к пополнению