Как оптимизировать работу сервисной компании, обслуживающую локомотивы по всей России

Кейс компании F5Devs, посвященный повышению эффективности стратегических процессов компании

Для исправной работы одному локомотиву требуется более десяти видов техобслуживания и ремонтов. Организация ремонта транспорта усложняется в разы, если речь идет о десятках тысяч локомотивов и регулярном устранении неисправностей каждого. Чтобы организовать своевременное сервисное обслуживание, нужно учитывать постоянно обновляемые нормативы, загруженность ремонтных депо и другие параметры.

Нашим заказчиком выступила компания, которая осуществляет сервисное обслуживание локомотивов с помощью собственной производственной базы, распределенной по всей стране. Им был нужен сервис, который мог бы автоматизировать процесс стратегического планирования, а также оптимизировать программу ремонтов по нескольким критериям. В этой статье расскажем, как мы решали эту задачу.

В этом кейсе ключевым показателем для компании являлся коэффициент технической готовности (КТГ), характеризующий готовность подвижного состава к перевозкам и показывает, насколько хорошо поддерживается техническое состояние активов в парке. Из этого следовало, что основная потребность клиента — автоматизировать процесс стратегического планирования баланса парка локомотивов и программы его технического обслуживания и ремонта (ТОиР).

На момент обращения к нам этот процесс стратегического планирования выполнялся вручную. В процессе сотрудники заказчика сталкивались с рядом трудностей:

• расчеты проводились в Excel, что занимало длительное время из-за объема данных;
• процесс расчета баланса парка и плана ТОиР мог занимать от недели до месяца;
• часть данных необходимых для процесса, находились отдельно от других систем обработки данных и не были интегрированы с внутренними учетными системами
• отсутствие единой методологии расчетов: разные подразделения по-разному подходили к планированию, из-за чего план постоянно расходился с фактом.

Итоговый длительный цикл планирования ограничивал возможность оперативно принимать решения. Остро стояла проблема необъективности данных — в процессах сбора и передачи информации между подразделениями, обработки в системах и промежуточных расчетов присутствовал человеческий фактор, влияющий на достоверность конечной информации.

Решением этих проблем мог стать сервис, который бы точно и быстро делал долгосрочный прогноз данн ых, чтобы рассчитывать несколько сценариев в динамично меняющихся обстоятельствах (перераспределение грузопотоков или изменение их объемов, новые производственные планы, влияющие на парк локомотивов). Сервис также мог заранее предсказать, например, будущий дефицит/профицит ремонтных мощностей, чтобы специалисты заблаговременно принимали управленческие решения.

Проблема заказчика отвечала всем требованиям оптимизации: большой массив данных, на основе которых регулярно принимались стратегические решения. Также была очевидна потенциальная экономическая польза — сокращение прямых и транспортно-заготовительных расходов сэкономило бы сотни миллионов рублей.

Так как у заказчика отсутствовала единая методология расчетов, мы занялись уточнением требований и условий для выполнения задачи.

Мы выделили ключевые параметры, которые должен был рассчитывать сервис:

• долгосрочный баланс парка обслуживаемых активов на основе: -планирования выбытия/списания «старых» активов (в связи с окончанием срока эксплуатации или досрочным списанием); -планирования поступления «новых» активов (закупка на замену выбывшим или в связи с ростом потребности);
• долгосрочную программу ТОиР на основе полученного прогноза баланса парка и регламентных ремонтных циклов;
• оптимальную конфигурацию производственных мощностей (рекомендация целевой конфигурации мест ремонта с учетом сценариев обновления парка).

Такая комплексная система должна позволять рассчитывать сценарии с учетом множества вариаций входящих переменных в реальном времени. В перспективе она сможет удовлетворять потребность в материально-техническом обеспечении (МТО), поскольку на основании долгосрочной программы ремонтов может формироваться перечень регулярно потребляемой номенклатуры.

Какие данные мы учитывали при разработке сервиса:

После получения нужного контекста от заказчика, мы разработали решение, которое позволяло управлять входными данными для расчетов и реализовывать стратегическое планирование баланса парка и программы ТОиР с помощью алгоритмов и сценарного моделирования. Полученная система не только автоматизировала процесс принятия решения по сервисному обслуживанию локомотивов, но также могла в реальном времени ответить на вопросы «Что будет, если...?»

Например:

• Что будет, если увеличить количество обслуживаемых активов на 10%?
• Что будет, если оптимизировать персонал на местах ремонта?

И другие вопросы с различными комбинациями внешних и внутренних факторов.

Также мы предложили научить систему отвечать на вопрос «Что нужно, чтобы?».

То есть, самой искать оптимальный сценарий с минимальным/максимальным значением KPI (например, минимальная общая себестоимость ремонтов и т.д.).

Разберем принцип работы получившейся системы стратегического планирования. Система состоит из следующих модулей:

1. Блок интеграций для получения данных из различных учетных систем. Мы получаем данные по расписанию, т.к. планирование на длительный период не требует максимально оперативной информации.
2. Блок модели данных. Спроектировали и разработали хранение и обработку данных в одном месте, чтобы клиент получал всю необходимую информацию для расчетов из системы.
3. Блок математических моделей. Реализовали логику расчётов баланса парка и программы ремонтов по методикам, применяемым у заказчика. В том числе это включает оптимизационные модели поиска оптимальных сценариев баланса парка и программы ремонтов с точки зрения максимизации финансовых KPI, а также модели генерации рекомендаций по оптимизации ремонтных мощностей.
4. Блок сценарного моделирования. В пользовательском интерфейсе были реализованы: настройки параметров и ограничений, создание сценариев и проведение расчётов, командная работа над расчётами, сравнение результатов расчётов, дашборды и графики. В общем, все, с чем необходимо взаимодействовать пользователю для эффективной аналитики.

Разработанная система нацелена прежде всего на автоматизацию процессов долгосрочного планирования. Однако, чтобы стратегия компания могла быть реализована на практике, мы связали её с процессом оперативного планирования. В оперативном мы предусмотрели точное указание даты и времени проведения ремонта конкретного актива. Также это коснулось дополнительных параметров при постановке актива на ремонт: текущего технического состояния оборудования, прогноза дислокации актива, оперативных данных о доступности ремонтных позиций, МТР, спец. оборудования и персонала.

Финальный вариант сервиса имеет следующие функции:

1. Работа с планом закупки новых активов. Система, когда это возможно, выбирает активы с наименьшей ставкой себестоимости на км (в которую включена себестоимость ремонтов на протяжении всего жизненного цикла актива).
2. Ускоренное списание. Система может определить локомотивы, у которых крупный ремонт стоит незадолго до его списания, предложив данную группу активов к списанию.
3. Более эффективная программа ремонтов. Например, система может предложить один ремонт вместо нескольких, если это позволяют пересекающиеся регламентные допуски (поглощение младших видов ремонтов старшими). А также сокращает программу ремонтов, если выбран сценарий планирования с допустимым в рамках регламентного допуска перепробегом.
4. Система может определить недостаток или избыток ремонтной мощности. Также она может предложить сценарий по реструктуризации мест ремонта (добавить или сократить ремонтные позиции, специализированное оборудование, количество смен персонала и т.д.). Рекомендации по реструктуризации или даже закрытию нерентабельного места ремонта предлагаются только в случае долгосрочно стабильного перегруза или недогруза.
5. Разглаживание нагрузки. В случае, когда перегруз носит пиковый характер (когда недостаток мощности появляется эпизодически, а не стабилен) система предлагает перераспределить часть ремонтов на соседние места ремонтов, чтобы не допустить длительных простоев активов.
   

По итогам сотрудничества заказчик получил готовую систему долгосрочного прогнозирования ремонта локомотивов, благодаря которому:

1. Скорость расчетов увеличилась в 10 раз.
2. Ремонтные депо получили возможность совместного использования расчета сервиса, что ускорило взаимодействие между заказчиком и подрядчиками.
3. Появилась возможность в реальном времени пересчитать баланс парка и программу ремонтов с вариативными параметрами. Например, проверить, что произойдет, если изменится пассажиропоток, объем перевозок или программа закупок, а также проверить, какой эффект будет получен при изменении таких параметров, как межремонтные пробеги в рамках допустимых норм.
4. Снизилось влияния человеческого фактора при расчетах.

Если ваш бизнес столкнулся с похожими задачами, обращайтесь к нам. Мы поможем найти оптимальное решение, сформулируем и протестируем гипотезы, а также просчитаем возможный экономический эффект от каждой. Почта для связи: [email protected]