«Однажды продавца увезли на скорой — переутомление»: что бывшие кибернетики предложили М.Видео и другим сетям

Выпускник факультета кибернетики Дмитрий Шеходанов еще более десяти лет назад понял очевидную сегодня вещь: при помощи сложных математических алгоритмов, решений в сфере hi-tech можно решать задачи компаний из реального сектора. Но наука и бизнес в то время существовали в разных плоскостях. В прошлом году Дмитрий Шеходанов осуществил свое желание: запустил с партнерами проект, который помогает компаниям планировать ежедневную работу персонала, и таким образом оптимизировать затраты и количество сотрудников. Вот первые результаты.

— В 2004 я учился на факультете кибернетики российском НИЯУ МИФИ. Я знал, что с помощью методов математического моделирования и ИT-технологий можно решать задачи со множеством переменных. Но в то же время прекрасно понимал и то, что бизнес и наука живут в параллельных мирах.

---

Собственники и генеральные директора зачастую просто не знают, как с помощью алгоритмов можно увеличить эффективность их предприятий, а ученые не понимают, как применять их открытия для решения бизнес-задач.

Моя гипотеза подтвердилась, когда я устроился на позицию разработчика программного обеспечения для HR в одну из крупнейших компаний по продаже бытовой техники и электроники. Действительность оказалась даже суровее ожиданий. Для кого-то Новый год и Рождество — счастливое время, но не для директора розничного магазина и его подчиненных. Недостаточное количество сотрудников для огромного потока покупателей, поиск дополнительного персонала, кто согласился бы в короткие сроки выйти, связанные с этим дополнительные расходы, длинные очереди и недовольные клиенты — вот краткий список того, с чем ритейлеры сталкиваются в горячий сезон. Однажды коллегу увезли на скорой — он просто упал в обморок от переутомления. Тогда мне и стало ясно: если бы нужное количество сотрудников рассчитывалось автоматически в зависимости от планируемого числа покупателей, а не вручную, то этого бы можно было избежать.

Идея не сразу оформилась в конкретное решение. После университета я работал в сфере консалтинга, прошел путь до партнера. Но продолжал изучать опыт ритейлеров в Европе и США, которые работают с системами по автоматическому планированию рабочих графиков персонала. В России их тоже пытались внедрять, однако они были предназначены для западных бизнес-процессов и не учитывали особенности нашего рынка. Например, они ориентировались на недельный цикл планирования. Прогнозные блоки при этом могли обеспечить только базовые потребности. В интерфейсах было очень сложно разобраться, а лицензии нужно было оплачивать в долларах, что с нестабильной экономической ситуацией могло стоить заказчику очень дорого.

Так мне окончательно стало ясно, что нужно создавать продукт, разработанный специально для России и стран СНГ.

Поняв это, я совместно с двумя партнерами, с которыми учился еще в МИФИ, основал компанию. У Дмитрия Бельского был большой консалтинговый опыт внедрения HR-проектов в ритейле. Он был одним из первых специалистов, который выводил на рынок России западное облачное решение SAP. Евгений Визгалов — технарь с опытом создания высоконагруженных систем, принимал участие в разработке электронного правительства Казахстана. В 2016 году мы создали Verme, проект в области бережливого планирования рабочих графиков персонала.

Старт

Долгие поиски решения стоили нам $ 180 000 собственных инвестиций — они были потрачены на разработку продукта.

Проблемы начались уже в самом начале. Мы знали, что взялись за очень амбициозную задачу, понимали направление, требования. Однако как именно их реализовать, не знали. Не было учебника, где было бы написано, что нам делать и куда двигаться.

Нам пришлось вести научно-исследовательскую работу. Мы сменили три команды математиков, прежде чем удалось создать работающий алгоритм. Он демонстрирует высокую точность прогнозирования бизнес-драйверов и учитывает большое количество дополнительных факторов (сезонные тренды, местоположение магазинов, акции, погоду и др.). Люди просто приходили и говорили, что смогут решить эту задачу. Однако этого нельзя сделать перебором или использованием стандартных методов — алгоритм слишком сложный и многогранный, нужно было совместить креатив и математику.

В результате пришлось совместно с командами прорабатывать проблему и выдвигать гипотезы по ее реализации. Мы сделали два важных вывода:

1. Задумывая такой масштабный проект, вы, как основатели, должны понимать, как все работает. Не стоит рассчитывать, что люди со стороны сделают все за вас. Мы не ожидали гарантированных результатов, но нам помог большой опыт в консалтинге, а также физико-техническое образование.

2. Разбивайте задачу на много маленьких подзадач и двигайтесь поступательно. Даже если вы совершите ошибку на каком-то этапе, вы сможете ее оперативно исправить, и не придется начинать с самого начала.

3. Чтобы дать жизнь сложному продукту, члены вашей команды должны быть не только креативными и иметь широкую техническую экспертизу, но и быть немного бюрократами. Потому что любой креатив нужно переводить в четкие планы.

Как планируется загрузка персонала

Наше решение способно планировать рабочее время в основном для линейного персонала — людей, которые выполняют повторяющиеся действия. Например, это консультанты, сотрудники склада, мерчендайзеры, кассиры и др. По каждой из должностей в систему вносятся данные, среди которых:

• Список операций
• Время выполнения каждой из них
• Возможные ограничения рабочего расписания и др.

Далее программа анализирует исторические данные по каждому магазину по чекам, в разрезе товарных категорий. И прогнозирует количество покупателей на каждый день и на каждый час.

Программа также создает модель расчета численности персонала, чтобы оценить потребность в нем. Например, для этого она оценивает нормы времени на выполнение операций (время на консультирование, выкладку товаров, регламентные работы: смену ценников, переоценку, приемку поставки и т.д.). В системе также заложен блок по учету и анализу исполнения работ. Полученные данные используются для дальнейшего планирования.

В результате предсказать количество персонала можно вплоть до часа.

Модель монетизации: платная подписка. Мы находимся практически в партнерских взаимоотношениях с клиентами, они могут в любой момент отказаться от нашего решения.

Поиск клиентов

Работа в стартапе — это, конечно, целая битва за доверие. Когда работаешь в уважаемой и известной компании и внедряешь продукты, в эффективности которых никто не сомневается, — это одно. А когда ты создал стартап, то все обнуляется и ты должен заново доказывать, почему тебя должны слушать. Нам приходилось звонить и звонить без остановки.

Когда ты наконец дозванивался до лица, принимающего решение, у тебя всего 12 секунд, чтобы убедить продолжить разговор, и одна минута, чтобы подтвердить, что человек не ошибся в те 12 секунд.

Так, совершая бесконечное количество звонков и добиваясь встреч, мы вышли на первого клиента — сеть супермаркетов «Оливье». На переговоры с ними ушло более трех месяцев — помогло, что клиент уже тогда понимал, что планирование с помощью Excel неэффективно, но не искал альтернативных решений. Результат был неплохой — по итогам тестового периода фонд оплаты труда снизился на 15%, а производительность — на 7%.

После «Оливье» пошли заказы — сейчас мы сотрудничаем М. Видео, «Леруа Мерлен», «Ральф Рингер», Zenden и многими другими.

Сегодня мы не ведем активный поиск клиентов, работаем по входящим запросам — новые заказы приходят по рекомендациям существующих клиентов. Как и везде, сначала ты работаешь на репутацию, затем репутация работает на тебя.

Наши выводы в поиске клиентов:

1. Уже первым клиентам вы должны доказать, что идея в минимальном исполнении дает пользу, а далее вкладывать в продукт большие ресурсы. Нам приходилось буквально обучать бизнес, рассказывая, как такая простая вещь, как рабочие графики персонала, может напрямую влиять на обороты.

2. Да, вы должны сделать MVP (минимально жизнеспособный продукт). И если ваш проект связан со сложными алгоритмами, то в MVP основные алгоритмы уже должны быть, иначе вы рискуете не реализовать задуманное.

Результаты и планы

В консультационной модели (с участием продавца-консультанта) бережливое планирование графиков увеличивает конверсию в среднем на 5−10%, выручку на 5−7%. В сети «Эконика» прирост конверсии составил 40%, а выручки — 19%. В сети М. Видео увеличилась точность планирования до 90% (рост на 20%).

За счет оптимизации графиков, минимизации сверхурочных и сокращения внешних сотрудников решение сокращает и фонд оплаты труда. В модели ритейла с выкладкой товаров (например, в продовольственных магазинах) можно снизить расходы на ФОТ на 7−15% и повысить доступность товаров на полке на 2−5%.

Сейчас мы работаем с более чем 10 торговыми сетями. До конца года планируется подключить еще несколько десятков в России, Беларуси, Украине и Казахстане. Для этого мы будем расширять команду. Пока в ней около 30 человек — это разработчики, аналитики, эксперты по внедрению, консультанты по нормированию, служба поддержки, маркетинг и продажи.

Мы планируем удвоиться в этом году и, кроме активного продвижения по розничным сетям, где уже есть сильная экспертиза, хотим начать работу с распределительными центрами (складами) и банками, с планируемым ростом клиентской базы в этих направлениях.