Умное расположение товаров может облегчить жизнь сотруднику склада и сократить издержки 3PL-оператора. Руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин — о том, как оптимизация меняет логистику.
Проблематика
Развитие современной экономики, бум e-commerce и тренд на аутсорсинг различных вспомогательных функций в логистике способствует развитию функций операторов 3PL (Third-Party Logistics) в цепочках товародвижения российских компаний. Логистические компании повышают свою ценность и оказывают всё более широкий спектр услуг. Чтобы справиться с возрастающим объемом заказов, компании стали арендовать не просто распределительные склады, а складское оборудование и персонал, который выполняет работы на складе и осуществляет приемку, подбор, комплектацию, кросс-докинг и отправку заказов в сторону конечного потребителя. Производители перестали ломать голову над организацией хранения продукции и передали обработку клиентских заказов посредникам — 3PL-операторам.
Один 3PL-оператор может одновременно обслуживать десятки клиентов и владеть распределительной сетью складов по всей стране. Основные статьи расходов понятны — это затраты на погрузочно-разгрузочную технику и персонал. С ростом бизнеса и увеличением числа клиентов и заказов, компания может пойти экстенсивным путем и просто увеличить количество сотрудников и единиц техники. Однако беспредельно раздувать штат не получится — сотрудники начнут мешать друг другу. При увеличении численности персонала придётся оптимизировать как бизнес-процессы, так и расстановку грузов, иначе склад начнёт работать только хуже. Поэтому рациональное управление в цифровом веке предполагает оптимизацию работы с помощью автоматизированных инструментов: повышение производительности и сокращение издержек позволяют сохранить текущий объем ресурсов при растущем объеме заказов.
Что же нам оптимизировать? Производительность работников склада измеряется строчками подобранных заказов на единицу времени. Совокупное время, которое сотрудник тратит на подбор заказа, зависит от того, насколько близко и правильно расположены товары на складе. Добиться идеальной расстановки невозможно, однако математическая модель может регулярно формировать рекомендации по более оптимальной расстановке товаров на полках с учетом товарного соседства, соблюдения правил комплектации заказа, а также статистики поступающих заказов. Следование рекомендациям позволит минимизировать совокупное время на переход сотрудника от стеллажа к стеллажу и движение техники при транспортировке и снятии товара с многоярусных этажерок и мезонинов.
Устройство автоматизированной системы
Система оптимизации расположения товаров на складе состоит из трех блоков. Первый блок — аналитическая модель на базе машинного обучения, которая обрабатывает накопленную статистику сформированных заказов в отношении каждого поставщика и выделяет устойчивые зависимости номенклатурных позиций в накладных. Система базируется на логике, что при заказе товара А, с высокой долей вероятности будут также заказаны товары В и С. Таким образом, задача первого модуля системы — составить матрицу корреляционных связей по вероятности нахождения каждой попарной группы товаров в листе заказов.
Второй блок — имитационная модель, которая воссоздает все бизнес-процессы на складе и формирует матрицы перемещений в случае решения оптимизационной задачи. Подробнее об имитационных моделях я рассказывал в одной из предыдущих статей.
Третий блок — оптимизационная модель, которая перебирает все возможные комбинации расположения товаров и предлагает такой вариант выкладки, который обеспечит минимизацию «пробега» людей и техники на статистически значимом промежутке. Отмечу, что модель учитывает не только возможность товарного соседства на полках, но и правила компоновки сборного заказа (первыми берутся самые тяжелые товары в жесткой упаковке, на которые затем ставятся более хрупкие и легкие номенклатурные позиции).
Ключевой эффект внедрения подобной трехмодульной системы — повышение производительности персонала и погрузочно-разгрузочной техники на внушительные 10–15%. Приятный бонус — система также позволяет проводить оперативный план-факт анализ и вовремя замечать отклонения от намеченного графика работ.
Будущее
Конечно, существует более «глобальный» путь повышения производительности склада — это внедрение роботизированных технологий, которые сокращают или даже полностью исключают участие человека в обработке заказов и автоматически осуществляют подбор товаров.
Передовые компании активно задействуют технологии pick-by-voice (голосовые подсказки по нахождению товара) и pick-by-light (подсветка нужных позиций на полке), которые эффективно сокращают время комплектации заказа.
В 2020 году французские компании Geodis и Delta Drone совместно разработали автоматизированное решение GEODIS Countbot для инвентаризации склада с помощью дрона и наземного робота с телескопической мачтой, оснащенной камерами высокого разрешения.
Но подобные проекты характеризуются дороговизной и довольно длительным сроком окупаемости, не являясь при этом панацеей в ситуации неоптимальных бизнес-процессов, поэтому они еще не стали общим местом в индустрии. Несмотря на разговоры о том, что роботы скоро полностью заменят живых людей, статистика говорит об обратном: сейчас на складах работает даже больше сотрудников, чем в допандемийные времена. Математическая модель не поможет им найти иголку в стоге сена — она заранее подскажет, что иголки лучше хранить на видном месте, подальше от сена и рядом с нитками.
Публикации по теме
14 февраля, 2024 г. 12:55
BIA Technologies выпустила мобильное приложение для «БИА. УдобнаяСмена»9 февраля, 2024 г. 10:20
S&OP обеспечивает рост операционных показателей до 10%5 декабря, 2023 г. 10:50
«БИА. Помощник логиста» сокращает время на поиск водителей до 10 раз
