Планирование сети дистрибуции и оптимизация складских запасов на основе имитационного моделирования

Описание проблемы:




Diageo – это международная компания со штаб-квартирой в Великобритании, занимающаяся производством алкогольных напитков. Российское отделение компании входит в пятерку крупнейших оптовых дистрибьюторов алкогольных напитков в стране. Такой бизнес традиционно имеет низкую норму прибыли, и прибыль сильно зависит от уровня сервиса и транспортных расходов. Руководство Diageo обратилось к компаниям Logistics Field Audit (консалтинг в области цепей поставок) и "Амальгама" (специалисты по имитационному моделированию) для решения ряда задач. Прежде всего, Diageo волновал тот факт, что рост продаж не приводил к существенному увеличению прибыли из-за высокой стоимости перевозки единицы товара. Также требовалось выяснить уровень сервиса и себестоимость товаров в свете возросших расходов на их закупку и хранение, а также планов по строительству нового склада и расширению бизнеса на Урал и Сибирь. В дополнение к этому, консультанты должны были использовать «большие данные» клиента, чтобы выяснить, как можно уменьшить транспортные расходы и выбрать оптимальную конфигурацию логистики для расширенной сети поставок.


Решение:




Имитационное моделирование в AnyLogic было выбрано за возможность выявлять корреляции и взаимоотношения между многими параметрами, например, уровнем сервиса и транспортными расходами – ключевыми для Diageo характеристиками. Построенная модель позволила контролировать уровень запасов на складе, увеличить точность прогнозов и тестировать различные конфигурации сети дистрибуции. Кроме того, были выявлены взаимосвязи между разными продуктами, а для каждой конфигурации транспортной сети было подсчитано, как точность прогнозов и целевой уровень запасов на складе влияют на транспортные расходы и уровень сервиса.


Модель цепи поставок включала 3 существующих и один планируемый завод, 3 точки пересечения границы, 3 существующих и 5 планируемых складов, 2 таможни и 300 точек сбыта продукции, сгруппированных в 45 сервисных групп. Модель также содержала алгоритм пополнения запасов, алгоритм последовательности выполнения заказов, алгоритм погрузки и разгрузки товаров и задержки на линиях пересечения границы. Кроме того, в расчетах программа учитывала прогнозы спроса и продаж для всех 280 продуктов Diageo в 6 типах складов.


Имитационная модель цепи поставок


Элементы цепи поставок, представленные в модели

Алгоритм пополнения затрагивал сегмент цепи поставок, который работает следующим образом: общий склад – 5 дней доставки до центрального распределительного склада – 5 дней доставки до регионального склада. Алгоритм пополнения, учитывающий диаграмму спроса (диаграмму планируемых продаж), текущие товарные запасы, время доставки и минимальный размер заказа, генерирует требования для пополнения запасов, выявляет пробелы в покрытии товарной сети (периоды времени, когда товара в наличии меньше минимального допустимого уровня) и предлагает варианты действий для предупреждения возникновения таких пробелов в будущем.


Валидация модели была обязательной частью проекта. Полученные результаты сравнили с данными из SAP ERP за прошлый год. Они отличались менее чем на 5%.

Результаты оптимизации цепи поставок

Уровень запасов при разной точности прогнозов

Результат:




Построенная модель помогла Diageo увеличить точность прогноза продаж с 60% до 80%, что окупится менее чем за 2 года. Это увеличение точности, в свою очередь, позволило уменьшить целевой уровень запасов на 40% и, соответственно, уменьшить транспортные расходы на 7% для каждой единицы товара даже с учетом планируемого роста продаж. Результаты моделирования также продемонстрировали отсутствие необходимости в дополнительном месте на складе, т.к. выяснилось, что уровень запасов, требуемых для поддержания целевого уровня сервиса, был необоснованно высоким.


Единичный запуск модели позволяет спрогнозировать уровень запасов для каждого продукта на 15 дней вперед и просчитать себестоимость каждой единицы доставляемого товара. Также модель помогает проанализировать состояние исследуемого сегмента цепи и понять, какое состояние будет оптимальным, и что для этого нужно сделать.


Смотрите полную версию презентации Андрея Малыханова, представленную во время конференции AnyLogic в 2013 г.:


Другие проекты

  • Проектирование системы морской транспортировки нефти в арктических условиях
    Новопортовское – крупное нефтегазоконденсатное месторождение, разрабатываемое компанией «Газпром нефть». Нефть с месторождения поступает по 100-километровому трубопроводу к морскому терминалу, откуда после отгрузки перевозится до потребителей на арктических танкерах. Главная проблема при организации морских перевозок с месторождения – тяжелые ледовые условия, затрудняющие судоходство.
  • Исследование автопотока возле проектируемого транспортно-пересадочного узла “Волоколамская”
    Территория строящегося транспортно-пересадочного узла станции метро "Волоколамская" расположена в районе Митино Северо-Западного административного округа Москвы. Компания "ИТС-консалтинг" получила задачу проверить работоспособность проектируемой улично-дорожной сети при пиковых нагрузках в утренний и вечерний часы с учётом перспективного роста автопотока до 2025 года. Заказчиком проекта выступило ГУП "Московский метрополитен".
  • Развитие сети складов компании «Эльдорадо»
    Компании «Эльдорадо», владеющей сетью магазинов бытовой техники и электроники в 350 городах РФ, требовалось определить оптимальное количество складов и города их расположения для лучшего удовлетворения спроса покупателей и минимизации затрат на доставку и хранение товара. Анализ показал применимость для этой проблемы решения anyLogistix.
  • Выбор оптимальных решений в транспортной логистике
    Транспортная сеть одной из крупных российский пивоваренных компаний включает в себя крупный парк вагонов и грузового автотранспорта, а также собственные склады в нескольких регионах России. Компания планировала снизить себестоимость продукции за счет сокращения издержек на перевозку продукции от заводов до клиентов.
  • Моделирование прокладки тоннеля с использованием тоннелепроходческого комплекса
    Цена часа простоя тоннелепроходческого комплекса обычно очень высока, и менеджеры делают всё возможное, чтобы избежать его остановок. Целью моделирования, проведенного в Рурском университете, стало создание инструмента для определения узких мест в процессах при прокладке туннелей, помогающего снизить потери при простоях.
  • Моделирование железнодорожных перевозок в порту
    Перед заказчиком стояла задача проектирования нового мультимодального терминала на территории порта. Мультимодальный терминал предназначен для обработки импортного и экспортного контейнерного грузопотока, перевозимого железнодорожным и речным транспортом. Для организации взаимодействия мультимодального и морских терминалов заказчик планировал использовать челночные отправки железнодорожных составов.
  • Оптимизация железнодорожной сети Франции
    Оператор железнодорожной сети Франции хотел узнать, смогут ли железнодорожные грузовые перевозки конкурировать с автомобильными грузоперевозками. Заказчик хотел повысить эффективность перевозок способом «автодорога-железная дорога-автодорога».
  • Моделирование железнодорожного депо
    Aurizon – крупнейший оператор железнодорожных перевозок Австралии. Компании принадлежат более 700 локомотивов и 16000 вагонов. Один из основных грузов Aurizon – полезные ископаемые, транспортируемые от мест добычи до портов. С целью увеличения оперативной эффективности компания приняла решение перенести депо по ремонту локомотивов и вагонов из одного города в другой.
  • Моделирование эффекта кнута в цепи поставок
    Управление цепочек поставок в компании Infineon, крупном производителе полупроводников, хотело исследовать эффект кнута в цепочке поставок с целью снижения расходов и улучшения качества прогнозов поведения рынка. Они использовали AnyLogic для построения модели цепочки поставок от поставщика сырья до конечного потребителя.
  • Выбор лучшей политики хранения запасов с Gojii
    Существующие инструменты для управления цепями поставок и планирования продаж и операций (S&OP) позволяют удовлетворять план, соответствующий выбранному прогнозу. Однако не существует единого верного прогноза будущего спроса, и существующие инструменты не в состоянии выбрать лучший уровень спроса. Gojji – инструмент, который помогает выбирать лучший прогноз.