BRINEX: 56% → 98%
last-mile SLA за 4 месяца.
E-commerce-дистрибуция автотоваров. Самая быстрорастущая компания сегмента. Я пришёл Head of SCM в мае 2021, last-mile service level держался 56%. Каждый второй заказ опаздывал или доезжал не туда. К сентябрю 2021, 98%. Компания за это время вышла в #1 e-commerce-платформу сегмента по DataInsight. Главный урок, это не про склад. Это про last-mile, и про то, что 90% удержания клиента решается там.
- // SLA было56%каждый 2-й заказ опаздывал
- // SLA стало98%через 4 месяца
- // рынок#1по DataInsight в сегменте
- // период4 месосновной effect window
BRINEX в 2021 году рос на десятки процентов в квартал. Это был классический «hyper-growth с операционной слепотой», sales побеждали в категории, но клиентский опыт деградировал. NPS не рос, повторные покупки стагнировали. На P&L это пока не било, но руководство понимало, это вопрос месяцев.
SLA по доставке держался 56%. Это значит, каждый второй заказ или опаздывал, или приходил в неполной комплектации, или вообще не находил адресата. В e-commerce-дистрибуции автотоваров это смертельно: клиент уже едет в сервис менять масло, у него запланирована суббота, и если запчасть не приехала, он перешёл к конкуренту навсегда.
Мандат был жёсткий: довести SLA до 95%+ за квартал. Все предыдущие попытки упирались в «надо нанять больше курьеров» или «надо платить им больше». Это не помогало.
Метрику видел только один человек.
-
01 · disconnect
SLA-метрику видел COO. Курьер о ней не знал
Первые две недели я делал одно, гонял на gemba. Ехал с курьерами, сидел в диспетчерской, смотрел на работу cut-off-менеджеров на складе. И увидел простую вещь: каждый из 800 человек в last-mile цепочке работал по своему KPI, который не был связан с финальным SLA клиента.
Cut-off-менеджер на складе оптимизировал «сколько посылок ушло за смену». Курьер оптимизировал «сколько адресов проехал за день». Диспетчер оптимизировал «сколько маршрутов построил». Никто не оптимизировал «сколько клиентов получили заказ вовремя в полной комплектации». Эту метрику считал один человек, COO, раз в месяц по сводному отчёту.
-
02 · ключевой инсайт
В e-commerce 90% удержания клиента решается на last-mile
Аналитика повторных покупок показала: клиент, у которого первый заказ опоздал хотя бы раз, имел 4× меньше шансов сделать второй. Склад мог работать идеально, цены могли быть лучшими, но если last-mile не работал, ничего из этого не имело значения.
Это не теория. Это математика, которая поднимала last-mile в стратегический приоритет, а не оставляла его как «операционную деталь». Понимание этого изменило тон всех последующих разговоров с board.
KPI-cascade сверху до смены.
-
Шаг 1 · мес. 1
Каскадирование SLA до уровня каждой роли
Сверху вниз: COO видит SLA-компании 95%. Head of Logistics видит SLA своего региона. Manager DC видит SLA своих cut-off-окон. Cut-off-менеджер видит SLA своих заказов сегодня. Курьер видит SLA своего маршрута за смену. Диспетчер видит SLA своих ETA-подтверждений.
Каждый видел: свою долю в общем результате. Не агрегированную метрику начальника, а ту часть, на которую он реально влияет. Это убрало «это не моя проблема» как стандартный ответ.
-
Шаг 2 · мес. 1–2
Real-time dashboards для каждого уровня
Не «отчёт за вчера», а текущий SLA сегодня, обновляемый каждые 15 минут. Курьер видит в приложении: «у тебя сегодня 4 доставки в окне, 3 уже сделаны, 1 риск опоздания». Это превратило SLA из abstract метрики в operational signal.
Эффект через 3 недели: SLA вырос с 56% до 71%. Без увеличения штата. Без новых процессов. Просто за счёт того, что метрика стала видимой в моменте.
-
Шаг 3 · мес. 2–3
Перепроектирование last-mile end-to-end
Когда метрика стала видимой, мы увидели реальные узкие места. Перепроектировали:
(а) Warehouse cut-off, сместили на 2 часа ранее, что дало курьерам время на normalization маршрутов.
(б) Диспетчеризация, переход с ручной на алгоритмическую с учётом traffic-данных в режиме реального времени.
(в) KPI исполнения, добавили «client confirmation» как обязательный шаг к закрытию доставки. Не «курьер сказал что доставил», а «клиент подтвердил».
Эффект к концу мес. 3: SLA, 89%.
-
Шаг 4 · мес. 3–4
Optimization warehouse operations под повышенный объём
Параллельно, переразмышлили warehouse processes под новый темп, без расширения площадей. ABC по weight × velocity (тот же фреймворк, что в Lamoda), переконфигурация подбора, новая система мотивации.
Эффект к мес. 4: SLA, 98%. Distribution network и warehouse operations переведены под единую операционную модель. Компания вышла в #1 по DataInsight в сегменте.
В e-commerce 90% удержания клиента решается на last-mile, не на складе. 98% service level, это не «хорошо», это минимум, при котором клиент простит одну ошибку. Этот стандарт сегодня заложен в Decision Engine SellerOS, выбор ФФ-оператора идёт на основе real-time delivery KPI, не на основе цены.
Главное, KPI должны быть видны тому, кто на них влияет в моменте. Не агрегированный отчёт начальника, не дашборд для board, а текущий показатель руки курьера. Это меняет физику работы быстрее любых процессных интервенций.
Этот кейс работает если: вы e-commerce с собственным last-mile или с подрядными курьерскими сетями; SLA доставки ниже 90%; повторные покупки стагнируют при росте новых; есть подозрение, что разные звенья цепочки оптимизируют разные метрики.
Это центральный кейс модуля 3 OP-01 Operational Turnaround за 90 дней. Если вы перед похожей задачей, приходите.
30 минут о вашем last-mile.
Если SLA доставки висит ниже 90% и не понятно почему, разберём за 30 минут. Какие 3 типичные ошибки, какие 5 быстрых интервенций, нужен ли вам глубокий cohort-формат или хватит точечного аудита.