Оптимизация производственной программы малых и средних машиностроительных предприятий с учётом потенциала заказчика

Поддержка и развитие малого и среднего бизнеса является одной из задач национальной экономики. В 2019 году утвержден национальный проект «Малое и среднее предпринимательство и поддержка индивидуальной предпринимательской инициативы», согласно которому к концу 2024 года необходимо довести долю малого и среднего бизнеса в ВВП страны до 32,5 %, а численность занятых в данном секторе – до 25 млн человек. Для сравнения: доля малого и среднего бизнеса в ВВП развитых стран составляет 50–60 %. Так, в Великобритании это 51 %, в Германии – 53 %, в Финляндии – 60 %, в Нидерландах – 63 % (данные Института экономики роста от 05.02.2019 г.). В России к началу пандемии, по данным Росстата, доля малого бизнеса составляла около 30 % по объему валовой добавленной стоимости.

Первоначально рост малых и средних предприятий был связан с реструктуризацией крупных предприятий и выводом на аутсорсинг непрофильных подразделений (ремонтные и инструментальные подразделения), с развитием стартапов при высших учебных заведениях. В настоящее время наблюдается создание независимых предприятий. Например, по данным сайта в Свердловской области зарегистрировано 103 машиностроительных предприятия, из которых малых предприятий – 24, средних – 42. Из общего числа малых предприятий аффилированных предприятий – 34,8 %, из общего числа средних предприятий – 26,2 %. Увеличение числа независимых малых и средних предприятий обусловлено тенденциями сетизации и кастомизации производства [1–7], что, в свою очередь, диктует ограниченность применения традиционных методов управления производственной программой. Продукцию малых и средних предприятий можно разделить на два вида. Продукция первого вида является конечной готовой продукцией для рын- ков В2В или В2С. Для данного варианта подходят существующие методы отбора клиентов. Продукция второго вида является составляющей разнообразных более сложных готовых изделий. В связи с чем невозможно сегментировать рынок по конечным клиентам. Выбор клиентов производится по экономическим критериям, недостатком которых является их краткосрочный характер. Как отмечается в работе [8], гораздо важнее прибыльности клиента наличие у него перспектив к дальнейшему увеличению объема продаж.

Постановка проблемы

Цифровые технологии имеют двоякое влияние на деятельность средних и малых предприятий. С одной стороны, внедрение информационных систем типа ERP является затратным и неэффективным для них [9]. С другой стороны, позволяют использовать возможности открытых данных Интернета, в том числе для оценки клиентов.

Целью данной статьи является разработка модели оптимизации производственной программы и определение критериев отбора заказчиков для малых и средних машиностроительных предприятий с использованием открытых данных Интернета.

Методический подход к исследованию

Алгоритм формирования производственной программы сводится к двум основным этапам. На первом этапе формируется пул потенциальных клиентов (портфель заказов), на втором этапе, в зависимости от уровня загрузки производственных мощностей проводится оптимизация портфеля заказов по различным критериям. В рамках первого этапа для поддержки малого и среднего предпринимательства исследователи предлагают размещать государственные заказы на конкурсной основе, обеспечивая кредитные льготы и государственное регулирование. Это характерно для развивающихся стран [10]. Применительно к большинству российских малых и средних предприятий размещение государственного заказа, а также работа в качестве кооператоров государственных заказов не является наиболее выгодной из-за правовых ограничений в сфере закупок, а также в силу действия конкурентной силы «умения покупателей торговаться» в связи с большой разницей уровня концентрации производства.

В качестве методической основы выбора заказчиков предлагается использовать методики прогнозирования объемов продаж [11–13]. Существующие методики прогнозирования объемов продаж ориентированы на работу с большим объемом статистических данных или экспертных оценок. Разработанные модели применимы для товаров массового спроса, большого количества клиентов и ограничены для малых и средних предприятий, работающих в условиях кастомизации. Мы согласны с авторами статьи [14], что особенностью МСП является их быстрая приспособляемость к меняющимся условиям, и производственная программа должна быть более гибкой.

В рамках второго этапа различными исследователями предлагаются методические подходы к оптимизации производственной программы.

Существующие подходы базируются на использовании различных математических методов. Задача оптимизации сводится к определению такого сочетания объема и ассортимента, при которых целевая функция достигает своего экстремума. Предлагаемые исследователями модели различаются учитываемыми ресурсными ограничениями, постановкой целевых функций и учетом фактора неопределенности.

В качестве ресурсных ограничений используются ограничения по производственным мощностям, трудовым ресурсам и другим параметрам производственной системы. Это традиционный подход, используемый многими исследователями [11, 15]. Модели с неопределенным спросом рассматриваются в [12, 13, 15, 16].

Широкое разнообразие наблюдается среди предлагаемых целевых функций. Среди них встречаются как однокритериальные [11, 15], так и многокритериальные [12, 13, 17, 18]. Некоторые авторы предлагают комплексные условия оптимизации, учитывающие не только производственные, но и смежные затраты, например, затраты на хранение продукции [11, 15].

Большинство моделей в качестве оптимизируемого параметра рассматривают количество изделий. При этом остается нерешенной задача целостности заказа. Частично ее рассматривает Н.И. Бабкина для формирования производственной программы для предприятий оборонно-промышленного комплекса, используя модель целочисленного программирования [19]. Учет степени удовлетворенности клиентов при формировании производственной программы введен в [12, 13]. Вместе с этим вопрос о включении или отказе от дополнительного заказа, например, в рамках вы- полнения уже сформированной производственной программы, остаётся нерешённым.

Представленный ниже методический подход уже был частично описан в [20]. Критерием отбора заказов был выбран сводный аналитический показатель, учитывающий следующие аспекты: маржинальный доход от заказов, которые будут включены в оптимизируемую производственную программу; будущий прогнозируемый маржинальный доход от последующих заказов со стороны тех клиентов, заказы которых будут включены в оптимизируемую производственную программу; и возможные потери от тех заказов, которые в результате оптимизации будут исключены из производственной программы.

Ключевым элементом модели является использование в составе её целевой функции будущего прогнозируемого маржинального дохода от возможных последующих заказов со стороны текущих клиентов. Наличие данного элемента обусловлено объективной практикой отношений типа B2B, в рамках которой компании-потребители, получив первичный положительный опыт сотрудничества с некими компаниями-поставщиками, стараются продолжить его в целях стабилизации снабжения своей собственной основной деятельности. Целевая функция имеет следующий вид:

MT = MP(p) + MF(p) - L(c) ^ max,    (1)

MP(p) = Р1У1Ш1 + —+ pivimi, MF(P) = (kiPi + - + kiPi)vsms,

L(c) = Ci li + "' + Ci l 1 _ (1,если p1 = 0 с1 = {0,если pi = 1

где MT – совокупный маржинальный доход с учётом возможных убытков; MP(p) – маржинальный доход от заказов, которые будут включены в оптимизируемую производственную программу; MF(p) – будущий прогнозируемый маржинальный доход от последующих заказов со стороны тех клиентов, заказы которых будут включены в оптимизируемую производственную программу; L(c) – возможные потери от тех заказов, которые в результате оптимизации будут исключены из производственной программы; pi – булева переменная, отражающая включение (1) или не включение (0) i-го заказа в ПП; с1 - булева переменная, обратная pi, отражающая наличие (1) убытков по причине отмены i-го заказа или их отсутствие (0).

Для определения данной составляющей в рамках конкретного предприятия-поставщика было введено понятие «коэффициент потенциала клиента» (далее КПК) как отношение суммы продаж в последующие 12 месяцев с момента первой успешной продажи к выручке от стандартного заказа для данного конкретного предприятия-поставщика.

Стандартный (эталонный) заказ каждый производитель выбирает для себя индивидуально. Это может быть условное (приведенное) изделие, либо стандартное изделие в стандартном исполнении и при стандартной комплектации.

Авторский алгоритм прогнозирования данного показателя представлен на рисунке.

На первом этапе необходимо провести исследование данных по продажам за последние несколько лет и определить фактические значения

КПК по всем клиентам за данный период. Например, подобное исследование на ООО «Гидронт» данных по продажам за 2015–2016 гг. обнаружило следующие результаты (табл. 1).

Как видно из табл. 1, полученные значения КПК довольно сильно варьируются. Их значения и распределение сильно зависят от индивидуальных

Алгоритм прогнозирования и последующего использования КПК

Таблица 1

Результаты исследования КПК за следующие 18 месяцев по данным о продажах за 2015–2016 гг. на ООО «Гидронт»

Значение КПК = 0 > 0 <= 1 > 1 <= 10 > 10 <= 100 > 100 ВСЕГО клиентов Кол-во клиентов 172 31 45 26 3 277 % от общего числа 62 % 11 % 16 % 9 % 1 % 100 % особенностей конкретного предприятия-поставщика.

На втором этапе после отсева неперспективных заказчиков (КПК < 1) методом множественной регрессии определяется зависимость фактических значений КПК клиентов от общедоступных данных за соответствующий период. В исследовании использовалась информация сайта List-org.

Для ООО «Гидронт», которое специализируется на производстве гидрораспределителей, окончательный вид зависимости с R-квадрат 0,72:

Y = 1,02691262 Х 1 + 0,00000480 Х 2 , (2) где Y– КПК, рассчитанный по данным о продажах за 2015–2016 гг.; Х 1 – количество лет заказчика на рынке, лет (P-значение = 0,00000032); Х 2 – прибыль от продаж, тыс. руб. (P-значение = 0,00000414).

Аналогичное исследование на ООО «ДебитЕ», которое специализируется на производстве установок для депарафинизации нефтяных скважин, привело к получению следующей зависимости (R-квадрат = 0,68):

Y = 0,00000023 Х 1 + 0,00011742 Х 2 , (3) где Y– КПК, рассчитанный по данным о продажах за 2018–2020 гг.; Х 1 – выручка за год, тыс. руб. (P-значение = 0,00000072); Х 2 – выработка на одного работающего, тыс. руб. (P-значение = 0,00614107).

Как видно из приведённых зависимостей, состав переменных в моделях у них совершенно различен, что обусловлено различными особенностями соответствующих отраслей.

На третьем этапе полученная зависимость используется для прогнозирования КПК клиентов при формировании очередной или пересмотре уже выполняемой производственной программы в случае появления новых срочных заказов. Для этого используется целевая функция (1) и стандартная система ограничений:

(i+1

^r„

i+1

у lf=1

^ei < ^Re

где R1,..e – общее количество имеющихся в распоряжении ограниченных ресурсов конкретного вида.

Данный подход позволяет сконцентрировать внимание конкретного предприятия-поставщика на тех клиентах, по отношению к которым просматривается перспектива долгосрочного сотрудничества.

Результаты

Апробация модели на двух исследуемых предприятиях методом ретроспективы показала достоверность модели для принятия решения о корректировке производственной программы. Результаты апробации приведены в табл. 2 и 3.

Для ООО «Дебет-Е» клиент под номером 31 предпочтительней клиента под номером 3 и обеспечивает в следующем году больший маржинальный доход (см. табл. 2).

Для ООО «Гидронт» также было выгоднее привлечь двух новых потенциальных клиентов и отказаться в данном периоде от заказа клиента под номером 269 (см. табл. 3).

Дальнейшее развитие методического подхода планируется в направлении расширения объема статистических данных для создания общих моделей предприятиям, сгруппированным по отраслевой принадлежности и масштабам производства.

Таблица 2

Фрагмент результатов оптимизации производственной программы ООО «Дебет-Е»

Номер заказа	Клиент	MP – текущий маржинальный доход от заказа	MF – будущий прогнозируемый прирост маржинального дохода от последующих заказов	p фактический	p оптимальный
Ш016	3	220 000	232 522	1	0
Ш022	31	135 000	6 408 661	0	1

Таблица 3

Фрагмент результатов оптимизации производственной программы ООО «Гидронт»

Номер заказа	Клиент	MP – текущий маржинальный доход от заказа	MF – будущий прогнозируемый прирост маржинального дохода от последующих заказов	p фактический	p оптимальный
П134	269	69 534	772 743	1	0
П321	19	31 134	976 141	0	1
П369	45	24 870	1 183 733	0	1