Как работают экспертные системы оптимизации цепочек поставок на практике

Предположим, это исходная цепочка поставок. Сейчас экспертная система будет её оптимизировать. Вводная: представьте, что вы некая компания, которая производит планшеты и телефоны — майфуны и майпады. Сами вы сидите в Калифорнии, у вас есть несколько своих заводов на Востоке, плюс вы регулярно заказываете кучу всяких комплектующих у тех поставщиков, от которых это выгоднее везти. И ещё у вас есть своя розничная сеть магазинов, где продаются планшеты и телефоны. В топике — про то, как может работать с логистикой производитель техники, собирающий продукты из комплектующих со всего мира. Ну или розничная сеть, у которой тоже поставки не из тривиальных. Есть три проблемы:

• Логистика у нас настолько сложная и разветвлённая, что сейчас над ней работают десятки людей: кто-то занимается распределением майфунов, кто-то раскидывает по магазинам обложки, а производственники просчитывают оптимальные пути сбора комплектующих на заводах со всего мира.

• При этом хочется сэкономить на логистической схеме: вы подозреваете, что умный анализ всех потоков позволит принять решения, например, о месте открытия нового производства или организации дополнительного склада, что в итоге даст вам выгоду.

• И при этом ваши люди постоянно ошибаются с отправлениями – а хочется сделать так, чтобы ничего и нигде не забывалось, всё работало как часы и товары приходили на точки вовремя. Это тоже экономия, но уже за счёт своевременности поставок и отсутствия ошибок.

Базовая схема поставок на карте

При этом предполагается, что вы уже делаете прогнозирование объёмов спроса и поставок и прошли первый шаг внедрения экспертных IT-систем анализа данных по спросу и производству. Благодаря своим закупщикам и маркетологам, вы точно знаете, сколько и какой продукции может потребоваться рынку в целом, и как всё это распределится по вашим магазинам.

В таких случаях:

1. Для начала – обозначаем на карте все источники продукции, склады и свои точки.

Есть места, где продукция берётся (производство материалов и комплектующих), где продукция собирается (заводы, соединяющие алюминиевый корпус, микросхему, аккумулятор и камеру), где продукция складируется (распределительные узлы) и где товар продаётся (магазины). Получается сеть мест, включающая полную цепочку от производства кислоты для аккумулятора до продажи готового планшета клиенту.

2. Теперь накладываем ограничения для каждой точки и каждого вида поставок.

Например, завод А умеет отгружать коробки только партией в 20.000 штук, склад Б не работает по субботам, магазин В имеет вот такой рабочий график для приёма товара, на производстве Д в день можно собрать всего 500 планшетов, хранение в каждой точке стоит столько-то и так далее.

3. Задаём для каждой точки условия поставок.

Например, завод, производящий камеры для планшетов, имеет ступеньки цены в зависимости от объёма партии: 10.000 штук стоят N денег, 30.000 штук – 2N, а 100.000 штук – всего 5N. При этом его склад умеет отгружать не более 100 кубометров продукции за сутки. Ещё пример – бывает, что отгрузка на складе Е возможна только раз в две недели зато всем накопившимся сразу, а вот другой склад может отдавать продукцию каждый день, но надо посчитать оптимальный график для поставок.

4. Теперь задаём транспортные данные.

Отсюда ходят машины такой-то грузоподъёмности и с такой-то скоростью, вот отсюда можно отправить морем на судне, здесь есть вариант с железной дорогой и самолётом и так далее. Для каждого транспорта – возможное расписание, срок доставки товара, объём кузова и другие параметры, включая стоимость.

5. Задаём рецепты сборки на промежуточных точках.

Например, чтобы сделать планшет, нужно соединить кучу микросхем, аккумулятор, камеру, экран и так далее. Все эти части могут производиться на разных заводах: позже система будет просчитывать, откуда оптимальнее поставлять и как делать заказы.

6. Поверх этого всего выгружаются календари различных внешних факторов, в частности, национальных праздников стран.

7. Система находит оптимальные источники поставок, производства и маршруты доставки с учетом таких критериев оптимизации, как минимизация совокупных затрат или максимизация прибыли. 8. В итоге получается совокупность данных о том, как работает каждая точка в нашей сети поставок и выполняются расчёты оптимального расписания заказов и перемещений. При этом система считает все перемещения с точностью до минуты, что часто оказывается излишним — поэтому поверх всего этого накладывается фильтр, дающий понять, что оперировать нужно немного в другой плоскости точности, более применимой к реальности.

Оптимизированная схема

Этим решается три важных задачи:

• Во-первых, собирается план по тому, что, когда и куда должно двигаться и когда что запускается в продажу.

• Во-вторых, вы можете включать в сеть новые точки (например, новый удалённый завод, предлагающий производство дешевле, новый магазин или новый промежуточный склад) чтобы понять, как это будет менять стоимость всех операций и сроки.

• И, в-третьих, вы можете подгрузить в этот логистический модуль данные прогнозирования объёма спроса своей розничной сети (или любые другие входные данные) – это определит план по производству и поможет вам понять, как в какой период точно работать. Например, может оказаться, что дешевле останавливать один из заводов и возить всё через центральный склад полсезона, ещё три месяца равным образом нагружать оба завода и возить с одного из них напрямую в какое-то место, а в конце сезона подключать ещё и третье производство для новогоднего пика и возить оттуда товары самолётом.

Итоговый план содержит информацию о нарушении «мягких» ограничений: например, система может выявить «узкое» место производственного процесса или рекомендовать закупать в меньшем объеме (будут штрафы, но они обеспечат меньший убыток, нежели длительное хранение товара), фрахтовать самолёт не в стандартном расписании и так далее. Эта же система используется для прогнозирования оптимальной дистрибуции ограниченного товара. Представим, что на одном из наших производств произошло ЧП типа землетрясения, и до конца года мы получим только 70% от ожидаемого количества планшетов. Нужно понять как их оптимально раскидать между своими магазинами и сколько отдать другим сетям: можно задать вручную ограничения вроде «вот им нужно грузить не меньше 1.000 штук», «у этих в витрине 30 штук, поэтому всегда должно быть не меньше» и «вот это приоритетный магазин», а затем получить прогноз того, куда и сколько стоит отправить с учётом всех логистических факторов, заданных ограничений и ожидаемой прибыли.

Сборочные циклы

Резюме

Система умеет прогнозировать спрос, выстраивать оптимальную цепочку распределения продукции, помогает принимать стратегические решения, позволяет просчитывать сценарии появления новых точек, маршрутов и так далее, оценивает каждое изменение внешних факторов и даёт возможность строить маркетинговые прогнозы. Если посмотреть на эту систему шире, то становится понятно, что она автоматизирует все трудоёмкие и сложные для аналитики процессы, выделяет задачи с высочайшими приоритетами или с невозможностью алгоритмической обработки и задаёт по ним вопросы людям. На самом деле шутка, что закупщики и логисты – это биомодули данной системы, вполне правдива. Экспертная система действительно работает в своего рода симбиозе с человеком: обрабатывает большое количество данных и корректно строит все планы (человек не способен на такую точность и производительность), но при этом выделяет сомнительные решения и даёт их на обработку наружу, где есть «биосистема», которая в курсе всего того, что нельзя предсказать впрямую. Итог – получается инструмент, который экономит очень много средств, даёт контроль над происходящим в логистике и позволяет прозрачно принимать решения. Обычный результат в сочетании с модулем прогнозирования спроса выглядит вот так:

• Точность прогноза растёт на 15-20%.

• Серьёзно снижается трудоёмкость процесса.

• Складские запасы уменьшаются на 10-15%.

• Уровень обслуживания (доступность товара) растёт на 5-10%.

• Уменьшается количество ошибок, вызванных человеческим фактором.

• Транспортные издержки уменьшаются на 10-30%.

• Появляется возможность работать в едином информационном пространстве с одними и теми же исходными данными.

• Руководитель контролирует и видит каждый поток: это прозрачность и управляемость структуры.

На примере компании Крок. Источник: habrahabr.ru