{"id":13505,"url":"\/distributions\/13505\/click?bit=1&hash=ca3734639136826288c9056e5c8fa03a05e87c4060ae84df200f2c90f5262470","title":"\u0412\u044b \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a? \u0410 \u043f\u043e\u043d\u0438\u043c\u0430\u0435\u0442\u0435 \u0447\u0442\u043e-\u0442\u043e \u0432 \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435 \u043a\u043e\u0434\u0430?","buttonText":"\u041f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c","imageUuid":"f5f0e11f-fefd-52f5-8712-82164a59b7ce","isPaidAndBannersEnabled":false}

Математика на службе у логистов: как оптимизировать отгрузку готовой продукции

Товар готов — осталось отправить его заказчику. Руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин — о том, как математическая оптимизация решает проблемы логистов.

Фото: freepik, aleksandarlittlewolf

В прошлой статье я подробно разобрал, как осуществляется производственное планирование. В этой статье речь пойдёт о следующей задаче, с которой сталкивается любое промышленное предприятие: отгрузке больших объёмов готовой продукции.

Проблематика

Когда менеджеры смотрят на управление крупным предприятием, они в первую очередь фокусируют своё внимание на оптимизации основного производственного процесса — собственно изготовлении необходимого товара. При составлении производственного плана учитываются имеющиеся заказы и наличие сырья; цель программы-планировщика — сформировать график, при котором производство работает с максимальной эффективностью (то есть так, чтобы за минимальное время изготовить максимальное количество продукции, при этом понеся как можно меньше издержек на единицу выпуска). Последующая отгрузка товара в это уравнение, как правило, не входит.

Перед логистами встаёт задача оптимизации сбыта готовой продукции. И здесь они должны найти ответы на следующие вопросы:

  • Если клиенту нужны разные номенклатурные позиции (например, четыре вида металлических труб разного диаметра), нужно ли ждать, пока вся необходимая номенклатура соберётся на складе, или следует отгружать товар частями?
  • Стоит ли забирать продукцию с производственной линии и сразу отправлять её заказчику, или сперва отвозить товар на склад (и если так, то какой — склад при цехе на самом производстве или удалённый распределительный центр)?
  • Какова максимальная пропускная способность склада (предел крановых мощностей)? Как сделать нагрузку на склад более равномерной?
  • Какова текущая загруженность персонала на складе (ведь у сотрудников могут быть другие задачи, помимо погрузки товаров)?
  • Какая транспортно-погрузочная техника имеется в распоряжении компании?
  • Каковы технические ограничения доступного транспорта (тип, оснащённость, весогабаритные параметры)?
  • Существуют ли какие-либо ограничения со стороны заказчика (временные окна приёмки или ограничения по объёму продукции, которую заказчик в состоянии одномоментно принять)?

При хаотичном ручном планировании учесть все вышеуказанные аспекты и найти оптимальное решение не так-то просто. Задачу осложняет тот факт, что производство в разрезе номенклатурных позиций нередко имеет «всплескообразный» характер, что, в свою очередь, ведёт к всплескам объёмов готовых к отгрузке заказов. Неравномерная нагрузка приводит к росту объёмов хранения готовой продукции на складе и дефициту складских площадей.

Пиковая нагрузка на склад и соответствующая ей пиковая потребность в транспорте также означает неизбежность простоев в ожидании груза в периоды между пиками. А это, в свою очередь, ведёт к штрафам и финансовым потерям. Особенно остро проблема стоит в отношении железнодорожного транспорта.

Дело в том, что многие промышленные предприятия используют не собственный, а наёмный транспорт. Если заявки поступают неравномерно, перевозчикам сложно найти большее количество транспорта за короткий срок и выстроить оптимальные реверсивные маршруты. Чтобы удовлетворить лавинный спрос, транспортные компании поднимают тарифы в 1,5–2 раза (за обратный порожний пробег).

Очевидно, что заказывать транспорт заранее и согласовывать график поставок с перевозчиком было бы выгоднее. Так перевозчик узнает заранее, как будет использован его транспорт, сможет спланировать свою деятельность точнее и дать скидку на рейс. На рынке, конечно, возникают ситуации, когда контрактная цена оказывается выше спотовой. Но это, скорее, следствие конкретного стечения обстоятельств с крайне ограниченным предложением.

Все эти факторы нужно помножить на сотни заказчиков и направлений, а также десятки или сотни видов продукции. Комплекс этих проблем падает на плечи логистов. Планирование графика отгрузки готовой продукции в ручном режиме трудоёмко и не позволяет оптимально учитывать все возможные комбинации из заказов, рейсов и остатков готовой продукции. Затраты на перевозку и складские расходы растут, а общая маржинальность падает.

Решение

Для решения логистической задачи хорошо подходят методы математической оптимизации. Цифровой подход позволяет смоделировать большое количество разнообразных ситуаций, оценить изменение показателей работы, выбрать лучший вариант и реализовать автоматизированный инструмент планирования. Система может учитывать достаточно большое количество входных

параметров:

  • детализация по заказам (какая продукция, кому, куда и в какой срок нужна);
  • остатки на складах;
  • производственный план (какая продукция в какой день будет выпущена) и т. д.

и ограничений:

  • нормативная ёмкость и пропускная способность складов с точки зрения погрузки-выгрузки;
  • нормативы времени погрузки в разрезе цехов и видов транспортных средств;
  • количество доступного транспорта нужной грузоподъёмности;
  • клиентские ограничения по приёмке и многие другие.

Исходно математическое моделирование ставит целью снижение удельных затрат на перевозку. Оно достигается за счёт выравнивания графика подачи транспорта: система старается отгрузить продукцию таким образом, чтобы ежедневное количество отправляемого транспорта было примерно одинаковым. Таким образом формируется некий транспортный грузооборот и растёт ритмичность поставок на основе регулярности и максимально эффективного использования транспорта. Выравнивание отгрузок, в свою очередь, выравнивает нагрузку на складские службы (отпадает потребность в дополнительном персонале). Система также следит за тем, чтобы соблюдались пропускные способности на стороне предприятия и на стороне заказчика. Наконец, учитываются приоритеты по отгрузке («горящие» и не очень заказы).

Нужно понимать, что идеальная картина недостижима даже при внедрении сложной системы. Но, в целом, компьютерная система может перебрать гораздо большее количество вариантов, по сравнению с ручным планированием графика отгрузки. Цифровая модель позволяет без труда проводить what-if-анализ («что если») и вносить корректировки. Скорость автоматизированных расчётов очевидно выше, что снижает трудоёмкость процесса планирования.

Ещё одно преимущество использования математического моделирования: система постоянно анализирует изменения и работает с ними. Жизнь непредсказуема, и планы имеют свойство меняться (в любой момент может случиться поломка на производственной линии, произойти авария и остановка погрузочной техники, обнаружиться проблема с транспортом или внезапно измениться последовательность производства продукции). Система работает в режиме ежедневной корректировки созданного плана, помогая логистам оперативно реагировать на ситуацию и находить оптимальное решение при изменении внешних условий.

Как и в случае с производственным планированием, система работает на двух уровнях детализации:

  • исходный план на длинный горизонт: базовый месячный/декадный план отгрузок для формирования графика поставок транспорта на заданный период; актуализируется минимум раз в неделю;
  • уточнённый план на короткий горизонт: ежедневный (или даже более частый) точный пересчёт базового плана с учётом изменений в поставке транспорта, выхода с производства, поломки кранов и прочего.

Отмечу, что система отгрузки готовой продукции может быть частью интегрированной системы планирования цепочки поставок, работающей по принципу обратной связи и позволяющей синхронизировать планы каждого подпроцесса цепочки, а также выполнять задачу оптимизации процесса в целом. Но углубление в эту тему оставим для другой статьи.

Напоследок приведу данные из личной практики. В настоящий момент мы пилотируем подобную систему оптимизации с одной из российских металлургических компаний. Целевые эффекты внедрения такие:

  • Сокращение логистических затрат. Как говорилось выше, тариф на перевозку зависит от специфики заказчика услуги. Если перевозчик в 40–50% случаев сталкивается с тем, что поданная к установленному сроку машина простаивает сутки под погрузкой или выгрузкой, то в следующий раз эти риски будут включены в базовый тариф. Кроме того, если разовая потребность перевозок по направлению существенно превышает текущий грузооборот по направлению, то для её удовлетворения необходимо привлекать дополнительных поставщиков, ещё не выстроивших эффективные реверсивные рейсы и закладывающих холостые обратные пробеги в стоимость. Минимизация указанных рисков перевозчиков позволяет снизить тарифы до 15–25% в зависимости от направления.
  • Соблюдение графиков отгрузки. Система планирования учитывает имеющиеся ресурсы склада, что позволяет сократить количество случаев срыва графика погрузки по причине нехватки крановых мощностей или персонала минимум на 60–80%. Отдельно отмечу, что до внедрения системы большая часть таких инцидентов может быть не зафиксирована, что снижает оценку масштабности проблем.
  • Снижение трудоёмкости процессов планирования и оперативного формирования графиков. Оценочно можно сократить время, затрачиваемое специалистами на процесс планирования, не менее чем на 25%.

Эти показатели достижимы при грамотном внедрении на предприятии математических методов, автоматизации процесса планирования, чётком онлайн-управлении графиками отгрузок и цифровом моделировании складов готовой продукции.

(function(w, d, id) { var h = 5000; var a = d.querySelector('#volvo-head'); var b = d.querySelector('[data-content-id="'+id+'"]'); var i = []; if (a && b) { a.style.display = 'block'; startSlideShow(); } var c = 0; var id = 0; function startSlideShow() { i = [].slice.call(a.querySelectorAll('.volvo-head__text span')); nextSlide(); }; function changeSlide() { var p = c; c += 1; if (c >= i.length) { c = 0; } if (i[p]) { i[p].classList.remove('volvo-head__active'); } if (i[c]) { i[c].classList.add('volvo-head__active'); } }; function nextSlide() { id = setTimeout(function() { var a = d.querySelector('#volvo-head'); if (a) { changeSlide(); nextSlide(); } }, h); }; }(window, document, 137185));
0
2 комментария
Bakhtiyor М. Khuja

Звучит очень круто! Я далек от этой сферы, посоветуете посмотреть какие-то инструменты, способные решать такие задачи? Спасибо!

Ответить
Развернуть ветку
Станислав Воронин
Автор

Готовых решений не подскажу. Мы как раз работаем над созданием продукта с описываемым функционалом. А если говорить про само математическое ядро, которое может решать такие задачи, то, на мой взгляд, на рынке два явных лидера - Gurobi и IBM CPLEX ILOG.

Ответить
Развернуть ветку
Читать все 2 комментария
null