Спойлер: за вас это сделает компьютер. Руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин — о том, как математические модели вычисляют лучшее место для открытия нового распределительного центра.
Если вы читали предыдущие статьи в блоге, то уже знаете, как с помощью математики составить сетку спортивных матчей, сократить расходы на ремонт, оптимизировать производство, сформировать сбалансированный инвестиционный портфель или спланировать оптимальные графики и маршруты поставок. Эти задачи в той или иной степени относятся к категории регулярных. Например, производственный план корректируется и пересчитывается каждые сутки. Однако математические модели успешно применяются и для решения разовых задач. Об одной из них — задаче планирования оптимальной локации для нового распределительного центра — я сегодня и расскажу.
Зачем?
Для начала нужно разобраться, почему вопрос местоположения в принципе так важен. Когда мы говорим про логистический бизнес, речь почти никогда не идет о прямом маршруте от продавца до конечного потребителя. Стандартная цепочка поставок имеет большое количество звеньев — логистических плеч.
Рассмотрим для примера «путь» аргентинской говядины: с различных производств замороженное мясо свозится автотранспортом на центральный склад --> со склада оно доставляется на грузовиках к портовому терминалу --> из Южной Америки к берегам Европы мясо попадает на крупнотоннажном морском транспорте --> по прибытии рефрижераторное судно разгружается, и товар консолидируется на складе --> с портового склада сырье перевозится с помощью еврофур на распределительные центры российских мясных производителей-дистрибьюторов --> готовая продукция развозится теми же еврофурами по более мелким складам, в том числе для кросс-докинга (процесс сквозной приёмки и отгрузки товара через склад без размещения в зоне долговременного хранения) --> мясо распределяется по региональным складам на территории всей страны --> уже оттуда продукция развозится с помощью менее крупногабаритного автотранспорта по торговым точкам в пределах города.
Для чего в этой цепочке столько промежуточных пунктов хранения товара? Их наличие позволяет использовать разные виды транспорта на разных логистических плечах, существенно снизить затраты на единицу груза на километр, сократить порожний и суммарный пробег транспорта, выстроить оптимальные графики доставки и обеспечить максимально экономически выгодную логистику.
Дистрибьюторам важно понимать, сколько таких промежуточных складов им необходимо иметь, где они должны быть, какого объема и с каким функционалом. Эта задача относится к числу стратегических. Процесс строительства и комплектации нового склада занимает довольно длительное время. Но даже если помещение арендовано, перед началом его использования нужно установить необходимое оборудование и подключить распределительный центр к ERP-системе. Отмечу также, что договоры аренды обычно заключаются на период от одного года — а значит, пересмотреть решение об аренде можно будет не раньше чем через 12+ месяцев.
Как?
Чтобы решить задачу определения оптимальной локации, компания должна обладать большим объемом исторических данных и фактов: это информация о типах продукции, точках возникновения товара (собственные производственные площадки или оптовая дистрибуция), стандартном грузообороте и структуре грузополучателей (какие потребители, где, в каком объеме и с какой частотой покупают товар). Немаловажной будет также информация о потенциальном росте или падении спроса на тот или иной вид продукции в разрезе регионов и торговых сетей. Получить ее можно с помощью предиктивных моделей предсказания спроса.
Благодаря всем этим данным, мы имеем перед глазами четкую картину текущего распределения грузопотоков и можем сделать прогноз об изменении этих грузопотоков в будущем, с учетом положения основных потребителей и деятельности конкурентов. Компьютер способен сформировать карту, на которой будут отмечены экстремумы грузопотока. Также это может быть тепловая карта, где цветом выделены зоны наибольшего грузооборота компании.
После этого мы заводим данные о фактическом местоположении имеющихся складов, текущем и прогнозном распределении грузопотоков в систему математического моделирования. Задача модели — на основе предоставленной информации просчитать множество вариантов с точки зрения затрат и предложить оптимальное число и расположение складов и количество логистических плеч.
При желании пространство расчетов можно изначально сузить, предложив модели определенное количество конкретных точек на выбор. Это имеет смысл, например, если у компании уже есть на руках несколько предложений по аренде складских комплексов. В противном случае, точки можно задать рандомно — и система сама предложит наиболее подходящие варианты. Затем предложенные варианты можно проработать глубже: собрать информацию по рынку, узнать среднюю стоимость квадратного метра и условия аренды, оценить возможность строительства или стоимость модернизации старых зданий, а также определить транспортную доступность с точки зрения регулярных пробок на дорогах. Выбранные опции можно заново задать в систему на перерасчет с учетом дополнительных данных. Модель не только оценит варианты по заданной целевой функции с учетом текущего грузопотока, но и протестирует их с точки зрения отклонений в вероятностном грузопотоке, после чего и выдаст взвешенное оптимальное решение.
Подобный проект в целом занимает порядка пары месяцев: сюда входят изучение текущей ситуации, обработка фактических и прогнозных данных, настройка модели в системе под конкретного заказчика и выполнение оптимизационных расчетов. Создавать систему с нуля при этом не требуется: все операции выполняются с помощью готовых программ для проектирования и математического моделирования.
На практике
В качестве реального примера подобных расчетов можно назвать кейс торговой сети по продаже электроники и бытовой техники «Эльдорадо». Обладая широким представительством с розничными магазинами в 350 городах России, компания хотела определить оптимальное число и местоположение складов. Оптимизационная модель просчитала 63 000 различных конфигураций складской сети. Затраты на проект окупились уже через два месяца работы по рекомендованной схеме дистрибуции за счет минимизации расходов на доставку и хранение товара.
Впрочем, описанную систему можно применять не только с целью поиска идеальных локаций для открытия будущих распределительных центров, но и для оптимизации имеющейся инфраструктуры. В пример приведу кейс транспортной компании «Деловые Линии» — одного из крупнейших автоперевозчиков в России. Компания хотела оптимизировать доставку грузов в пределах Москвы и Московской области. Проектные задачи — просчитать, на каких малоформатных складах стоит консолидировать груз, где осуществлять техобслуживание, и в каких местах лучше устраивать стоянку транспорта, используемого при доставке на «последней миле». Одним из решений автоматизированный системы было предложение заменить местоположение сразу четырех стоянок. Когда это было сделано, затраты на горюче-смазочные материалы и перевозку сократились на 5%, а порожний пробег транспорта — сразу на 15%. По-моему, результаты впечатляют. А вам как кажется?