О том, как организовать цифровой эксперимент, чтобы улучшить реальный бизнес

«Приветствую, коллеги. Меня зовут Михаил Гладких. Я – руководитель отдела разработки департамента математической оптимизации и моделирования компании BIA Technologies. Мы специализируемся на поставках собственных IT-решений для крупного и среднего бизнеса. Одно из направлений, которым мы занимаемся уже более пяти лет – это создание имитационных моделей складских объектов различного уровня сложности. В данной публикации я постараюсь по порядку рассказать о том, зачем в складской логистике нужно моделирование, а также:

• С чего начинается глобальная перестройка процессов на складе?

• Чем может обернуться доработка складской логистики «на глазок»?

• Каким образом просчитать варианты оптимизации склада, не мешая работе площадки?

• Как сделать так, чтобы погрузка и разгрузка приносили больше прибыли?

• А также, зачем складу агенты и что они умеют при моделировании?

Опыт или эксперимент?

Современный склад – это совокупность сложных процессов, позволяющих осуществлять операции с грузом. От их эффективности зависит как скорость обработки, так и финансовые показатели работы.

Но представьте, например, что у вас лавинообразно вырос объем мелкогабаритных товаров e-commerce. Посылки поступают каждый день, а вы уже полгода как не можете максимально эффективно настроить новую конвейерную линию. Или, например, вы понимаете, что нагрузка на складской персонал распределена не равномерно: пока часть комплектовщиков упаковывают по 12 часов без перерыва, другие работники – больше пьют чай, чем занимаются делом. Как поступить, как исправить ситуацию?

Очевидный ответ – нужно повысить эффективность работы. При этом варианты оптимизации зачастую предлагаются либо «на глазок», либо после проведения опытов на действующем складе. Вот только интуитивные решения, не подкрепленные точными расчетами, – часто бывают ошибочными.

Яркий пример этому привели Джеймс Вумек и Дэниел Джонс в своей книге «Бережливое производство. Как избавиться от потерь и добиться процветания вашей компании». Исходная задача: отправить 10 писем, выполнив четыре операции: сложить письмо, вложить письмо в конверт, заклеить конверт и наклеить марку. У этой задачи есть как минимум два варианта решения. Первый: сначала сложить все письма, потом их вложить в конверты, заклеить все конверты и наклеить все марки. Второй: все те же действия, но для каждого письма в отдельности. Как ни парадоксально, но именно второй вариант эффективнее на 25% с точки зрения потраченного времени. Что и было доказано в ходе реального эксперимента.

Для выбора оптимального варианта в опыте с конвертами потребовалось 10 минут и 10 дополнительных писем. Но, как вы понимаете, для склада с объемом хранения в сотни тысяч SKU1 подобный эксперимент занял бы недели и сотни тысяч рублей. Если бы вовсе не парализовал работу объекта.

Возможности «складского клонирования»

Чтобы проверить варианты оптимизации, не мешая при этом работе склада, можно использовать имитационные модели. Имитационное моделирование – это метод исследования, при котором изучаемая система заменяется цифровой моделью, она и описывает реальность. При этом в качестве модели может выступать как excel-файл, описывающий связь входной и выходной информации о работе склада на основе статистики, так и специальная программа, повторяющая все складские операции в режиме реального времени.

3D-схемы объектов склада

Использование имитационных моделей позволяет просчитать, например, такие складские задачи, как:

• Увеличение грузопотока.

• Изменение специфики груза (например, увеличение объемов негабаритных товаров или, наоборот, мелкогабаритных).

• Изменение топологии склада.

• Выбор конвейера или робота для склада.

• Обустройство мезонина.

• Изменение логики расстановки.

• Корректировка процессов обработки грузов.

Еще один важный момент – эксперименты на реальных объектах позволяют отработать за раз лишь один вариант будущих изменений. Причем делается это зачастую в «низкий сезон», дабы минимизировать риски операционных сбоев на действующем объекте. Следовательно, такой способ может привести к неверной интерпретации полученных результатов, ведь низкий сезон на складе бывает только несколько месяцев в году. К тому же при реальном эксперименте сложно проверить сразу несколько конкурирующих предложений и выбрать лучшее. В то время как имитационная модель – это всегда серия экспериментов и выбор оптимального варианта.

Агент склада

Имитационная модель создается с помощью «агентного моделирования». Данный метод позволяет исследовать склад как систему, функционирование которой определяет активность «агентов».

Последовательность выполнения процесса приемки груза от клиента в исполнении «агентов» модели
Установка в зоне FIFO

«Агентами» на складах могут выступать рабочие, погрузчики, стеллажи, зоны, клиенты, паллеты и так далее. Их участие в моделировании позволяет точно описать все операции с объектами склада, процессы взаимодействия и тайминги выполнения операций. Так как «агенты» действуют с привязкой к реальной топологии склада, осуществляя перемещения только по доступным площадям и рассчитывая время перемещения исходя из скорости и положения.

Приведу в пример кейс, который мы реализовали для крупной транспортно-логистической компании.

Кейс №1

Проблема: большие порожние пробеги транспорта и сотрудников склада.

Задача: рассчитать порожние пробеги для текущей расстановки груза и ворот.

Цель: оптимизировать время обработки грузов.

Решение: сначала мы провели расчеты данных по пробегу и времени обработки груза в целом. После чего была смоделирована серия what-if экспериментов. Это простой, но эффективный метод анализа рисков, который используется либо на ранних этапах проектирования объекта, либо при внесении небольших изменений в существующий процесс.

В частности, в процессе what-if экспериментов мы варьировали разные параметры: меняли места расстановки грузов, положение грузовых машин, маршруты работников склада и так далее. А компьютер просчитывал, как все это отражается на скорости обработки.

На основе этих данных был выбран оптимальный алгоритм назначения заданий складским работникам через терминалы сбора данных. Данный алгоритм помогает определить, какой груз нужно обработать первым, исходя из параметров, местоположения ближайшего сотрудника и так далее.

В результате внедрения данного решения скорость обработки на складе выросла в среднем на 10%.

Альтернативные складские реальности

При помощи агентного моделирования на основе данных WMS или ERP-систем создается AS-IS-модель. Проще говоря, это цифровая модель текущего состояния склада. Она описывает объект и все процессы в нем такими, какие они есть на данный момент. Что в конечном счете и позволяет сделать вывод о корректном или некорректном учете процессов работы склада, а также выявить причины расхождения. В качестве примера хотел бы привести реализованный кейс.

Кейс №2

Проблема: на складскую обработку грузов уходило сверхнормативное время.

Задача: проверить на соответствие требованиям клиента модель складского управления.

Цель: найти причины расхождения расчетной и фактической скорости обработки груза.

Решение: с помощью данных из WMS-системы компании мы составили AS-IS-модель. Было смоделировано текущее положение дел на складе, чтобы понять, где находятся возможные проблемные зоны. В итоге обнаружили расхождение более 10% во времени обработки машин на загрузку и выгрузку. Чтобы локализовать ошибку, мы более детально проанализировали данные за неделю работы.

Допустим, согласно AS-IS-модели, на погрузку должно уходить 120 минут, а на выгрузку – 140. По факту же на эти операции уходило 150 и 180 минут соответственно. Оказалось, что проблема заключалась в YMS, то есть в системе управления грузовым двором, предназначенной для автоматизации процессов управления транспортом на территории складского комплекса. А именно в ошибке алгоритма выбора ворот. Когда ошибку исправили, процессы удалось ускорить в среднем на 15%.

Отметим, что AS-IS-модели используются при проведении анализа рисков с помощью серии what-if экспериментов. Они позволяют ответить на вопрос «А что будет, если…?». Если мы изменим расположение грузовых ворот, увеличим их количество, изменим маршруты передвижения по складу грузчиков, сократим количество складских работников и так далее.

Параметры могут быть самыми разными. Но суть в том, что их варьирование в ходе эксперимента, помогает найти «бутылочные горлышки» в складских процессах и аргументированно выбрать сценарий решения проблемы.

Кейс №3

Проблема: склад не справлялся с объемами грузов в пиковый сезон.

Задача: скорректировать алгоритм назначения заданий через терминал сбора данных.

Цель: повысить скорость и объемы обработки грузов на складе в пиковый сезон.

Решение: Мы провели три итерации, учитывали параметры работы склада в обычном и пиковом режимах, чтобы оптимальным образом настроить терминал сбора данных. ТСД – это, по сути, многофункциональный портативный мини-компьютер, используемый работниками склада. Основные задачи терминала – получение заданий (на прием, отгрузку, инвентаризацию) и передача актуальной информации в учетную систему по результатам выполнения. На складе, куда нас пригласили, стартовая версия алгоритма назначения заданий внедрялась долго и чуть не привела к остановке работы. Так как эта версия не учитывала пиковых нагрузок.

В результате был выбран оптимальный алгоритм. Он учитывал и особенности пиковых нагрузок, и плановый рост оборотов. Все итерации в сумме заняли порядка трех недель.

«Большие данные» для больших складских задач

Использование модели, чтобы проверить изменения по 1-2 процессам занимают немного времени, зачастую для проверки гипотезы достаточно просто изменить входные данные склада или тайминги операций. Однако, иногда необходимо провести глобальные изменения работы склада. Так, например, от одного из клиентов поступил запрос на изменение системы работы распределительного центра.

Кейс №4

Проблема: склад не справлялся с возросшим объемом входящих грузов.

Задача: изменить систему работы распредцентра.

Цель: ускорить и улучшить эффективность обработки входящих товарных потоков.

Решение: один из распределительных центров столкнулся с ростом объема входящих грузов и соответственно доставляющих эти товары машин. В связи с чем нам нужно было решить две задачи: первая – оптимизация обработки грузов и транспортных потоков, вторая – оптимизация грузовых ворот и увеличение скорости погрузки машин.

Изначально склад использовал принцип обработки товара FIFO. Напомню, он подразумевает следующее: то, что прибыло первым, будет первым и отгружено. Мы построили модель AS-IS и проверили, что она соответствует текущим показателям склада. После этого были сделаны еще две модели: одна просчитывала переход на адресное хранение, то есть способ оптимизации размещения груза в помещении, предполагающий присвоение каждому месту хранения индивидуального номера, другая – на хранение с использованием ABC-анализа товарных запасов, то есть метод ранжирования товарных запасов по заданным факторам.

В итоге компания выбрала адресное хранение. Оно позволило в среднем на 15% сократить время, которое каждая из прибывших с грузом машин проводила в распредцентре.

При этом важно, что все изменения, в том числе и варианты оптимизации складских процессов, можно подвергнуть тесту на устойчивость прямо в модели. Под оптимизацией мы понимаем повышение производительности, которое может быть реализовано с помощью базового метода Монте-Карло. Суть метода заключается в следующем: процесс описывается математической моделью с использованием генератора случайных величин, модель многократно обсчитывается, на основе полученных данных вычисляются вероятностные характеристики рассматриваемого процесса. Метод универсален и применим к любой модели.

Интерфейс программы, с помощью которой проводится оптимизация загрузки складского персонала на складе

Кейс №5

Проблема: неравномерная загрузка дневной и ночной смен.

Задача: оптимизировать смены выхода складского персонала.

Цель: максимально эффективно распределить нагрузку сотрудников.

Решение: компания, обратившаяся к нам, изначально знала, что часть ее сотрудников не загружена полностью. Поэтому нас попросили дать ответ на вопрос: «Можно ли выровнять уровень загрузки дневных и ночных смен?». Для того, чтобы оптимизировать процесс нам нужно было решить математическую задачу. Для этого мы создали AS-IS модель и провели серию оптимизационных экспериментов на компьютере. Просчитывая возможные сценарии работы склада, программа учитывала и ряд ограничений: максимальное и минимальное время работы складского персонала, установленные перерывы, штат сотрудников, регламентное время погрузки машин и так далее.

В результате мы получили оптимальные параметры расписания рабочих смен, учитывающие все KPI компании.

Четыре контрольных вопроса до старта

Создание имитационной модели возможно для склада любого уровня сложности. Это мы можем утверждать точно. Но при этом нужно понимать, что «серебряной пули нет». Вера в то, что кардинальное изменение подхода или технологии магическим образом решит все проблемы организации, ошибочна.

Имитационная модель – это инструмент, который позволяет оптимизировать показатели работы. Его нужно встраивать в процессы изменения складской логистики, нужно следить за получаемыми данными и правильно интерпретировать их. Без всего вышеперечисленного имитационная модель превратится в обычную 3D-модель склада.

Поэтому перед тем, как принять решение об использовании инструмента имитационной модели, ответьте внутри компании на следующие вопросы:

1. Какие проблемы есть у склада?

2. Как вы хотите попробовать решить существующие проблемы? Потому что имитационная модель лишь просчитывает эффект от внедрения вашего решения.

3. Сможете ли Вы внедрить предложенные варианты оптимизации? Для этого необходим соответствующий уровень компетенций и управления.

4. Готовы ли вы к росту? Так как прорыва можно будет достичь, если изначально встроить предложенную нами модель в структуру изменений компании.

Но если вы все-таки твердо решили «прокачать» свой склад, то не стоит делать его подопытным. Экспериментируйте на цифровых моделях, не подвергая опасности свой бизнес!

Источник: https://logirus.ru/articles/solution/chto_v_kopii_tebe_skladskoy.html

Актуально

Решения BIA

bia-tech.ru использует cookie-файлы для корректной работы и анализа использования сайта согласно политике использования файлов cookie. Отключить cookie можно в настройках браузера.

Понятно