Математическая оптимизация как инструмент совершенствования WMS и TMS

Сегодня на рынке присутствует широкий спектр решений для управления складом и грузоперевозками (WMS- и TMS-системы). Они успешно решают основные логистические задачи, в том числе по товарному учету, планированию маршрутов, оформлению документации и аналитической обработке данных. Эти системы тесно связаны между собой, поскольку логистика перевозок и графики доставок, формируемые TMS, напрямую воздействуют на складские процессы в рамках WMS.

В то же время наличие товаров на складе, контролируемое WMS, влияет на выбор транспорта, его количество, график работы, а значит и стоимость транспортировки. Усилить результативность этих проверенных временем инструментов, а также расшить функционал, позволяет внедрение в их работу методов математической оптимизации. Подробностями делится Михаил Красильников — директор департамента разработки и внедрения систем искусственного интеллекта ИТ-компании BIA Technologies.

Функции современных решений WMS и TMS в логистике

WMS (системы управления складом) автоматизируют все этапы складской деятельности — от поступления товаров и материалов до их отправки клиентам. С их помощью проводится планирование, диспетчеризация и аналитика складских операций: управление запасами, выбор оптимальных зон хранения, учет, инвентаризация, сборка заказов и другие операции.

TMS (системы управления транспортировкой) организуют и оптимизируют все этапы перемещения грузов. Эти решения помогают сократить затраты на транспорт и обеспечивают согласованное управление логистикой в целом. К примеру, TMS позволяет рассчитывать стоимость доставки, которая проводится разными видами транспорта, учитывать таможенные сборы, затраты на погрузку и выгрузку, а также отслеживать сроки поставок и текущее местонахождение грузов.

Зачем внедрять алгоритмы оптимизации в складские и транспортные системы Сейчас к услугам логистических компаний есть сотни WMS и TMS. Некоторые их них уже оснащены встроенными инструментами для прогнозирования, планирования и управления ресурсами. Готовые решения такого типа позволяют быстро запустить систему и ускорить ее настройку. Тем не менее стандартной функциональности не всегда хватает для того или иного конкретного бизнеса. В таких случаях требуется доработка, в частности, за счет внедрения индивидуальных правил и оптимизационных моделей.

Диапазон конфигураций в некоторых системах довольно скромный, что мешает компаниям их внедрять, поскольку инструменты не соответствуют масштабам процессов. Здесь тоже есть аналогичный выход: расширить функционал за счет дополнительных сервисов. Опираясь на данные, которые уже есть в системах, они выполняют расчеты для оптимизации, а дальше выгружают результаты обратно в основную систему. Такой подход позволяет с меньшими рисками реализовать независимый функционал без влияния на основные процессы.

Например, в компанию поступил запрос: требуется перевезти товар из Санкт-Петербурга во Владивосток, при этом на обратный рейс груза нет. Брать такой заказ или не брать? Стандартная ТMS, скорее всего, продемонстрирует убыточность этого плана работы. Однако это может быть не так. Усовершенствованная TMS, опираясь на поступившие из других источников данные, может найти иной выход: отправит транспорт через города, где есть заявки на перевозку, или откорректирует стоимость, взяв во внимание все необходимые детали заказа. Благодаря внедрению дополнительных модулей с методами математической оптимизации, ТMS может рассчитать разные варианты с учетом прогнозов на ближайшее время. Она оценит, что выгоднее: взять дополнительную заявку с отклонением от маршрута или подождать сутки и получить крупный заказ на перевозку, который компенсирует простой транспорта.

Методики обогащения WMS и TMS

Точность инструментов, которыми располагает компания, напрямую влияет на эффективность работы и усиливает ее конкурентные преимущества.

В настоящее время при разработке сервисов для планирования заказов и логистики применяются методы смешанного целочисленного программирования, подходы в рамках ограничений, а также на базе эвристики. Для задач прогнозирования чаще используются алгоритмы градиентного бустинга. Кроме того, все большую популярность обретают технологии глубокого обучения, которые обеспечивают высокий уровень обобщения данных.

Инструменты искусственного интеллекта становятся востребованным дополнением к классическим моделям оптимизации WMS и TMS. Нейросети также учитывают множество факторов, без проблем адаптируются к новым условиям и способны работать даже с некачественными данными.

Одним из наиболее перспективных направлений считается обучение с подкреплением: за успешные действия модель получает «награду», за неудачные — штрафные баллы. Хотя обучение требует продолжительного времени, сам процесс принятия решений происходит быстро. В результате такие системы способны планировать ресурсы с учетом долгосрочных целей, предсказывая последствия своих шагов. Это дает им возможность не только эффективно реагировать на изменения, но и повышать устойчивость и качество решений в быстро меняющихся условиях.

Проблемы при внедрении оптимизационных решений

При разработке модулей для усовершенствования WMS и TMS сложнее всего найти баланс в определении оптимального списка правил, которые будут заложены в решение. На первый взгляд, кажется, что чем их больше – тем лучше будет результат работы и позволит предусмотреть максимум ситуаций. Однако на практике такой подход вызывает противоречия, появляется конкуренция правил внутри системы и, как следствие, сбои, в том числе в бизнес-процессах. Найти выход поможет совместная работа заказчика и ИТ-аналитиков. Вместе они должны определить объем критически важных ограничений, которые обеспечат не только финансовую выгоду, но и стабильную работу всей системы. Для наглядности рассмотрим пример: водитель должен объехать за день 20 адресов. Система выстроила маршрут без задержек в пути, то есть нашла максимально выгодное решение для компании. Однако, если хотя бы в одном из пунктов клиент задержит передачу груза на 10—20 минут, вся логика цепочки доставки разрушается – запас на подобные форс-мажоры не заложен. В итоге компания несет убытки, превышающие потенциальную экономию. Еще один типичный промах, которые допускают компании, — попытка внедрить масштабные изменения сразу во все процессы. Это нередко приводит к перегрузкам и сбоям. Поэтому на начальном этапе применение оптимизационных моделей лучше ограничивать небольшой областью, а уже потом ее расширять.

***

Организации, которые уже интегрировали инструменты математической оптимизации логистических систем, получают ощутимые преимущества перед конкурентами. Использование данных уже накопленных в системах позволяет составлять детальные прогнозы и планировать деятельность с высокой точностью, грамотно выстраивать закупочную стратегию. Такой подход позволяет поддерживать оптимальный уровень складских остатков, снижая издержки на хранение и предотвращая накопление избыточных запасов. В итоге ресурсы расходуются более эффективно, а бизнес работает стабильнее и прибыльнее.