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.

Имитационная модель цепи поставок

Элементы цепи поставок, представленные в модели

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.

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.:

Похожие проекты

Другие истории успеха