Проблема
Одна из крупнейших в мире добывающих компаний с годовым оборотом свыше $80 млрд. приняла решение о выходе на новый рынок. В планах была разработка нового месторождения калийной руды с долей экспорта добываемого сырья более 90%. Компания хотела спроектировать надёжную цепь поставок с высокой скоростью пополнения запасов в точках продаж и способностью быстро восстанавливать поставки после сбоев из-за погодных факторов, забастовок в портах и задержки морских судов. Эту задачу взяли на себя компании Amalgama и Goldratt. Они разработали настраиваемую имитационную модель адаптивной логистической сети по доставке готовой продукции потребителям.
У заказчика уже была имитационная модель этой логистической сети. Разработчики решили изучить её и определить основные недостатки. Они выяснили, что модель работала как «чёрный ящик» и не показывала процессы, происходящие внутри цепи поставок. С помощью новой модели разработчики хотели:
- визуализировать внутренние процессы логистической сети;
- рассчитать вместимость хранилищ в местах добычи, портах и транзитных терминалах;
- понять, сколько товарных вагонов потребуется для перевозки грузов;
- повысить уровень сервиса и в то же время снизить капитальные инвестиции при планировании сети.
Эти шаги должны были помочь консультантам выбрать оптимальную стратегию сбыта: проталкивание (push), вытягивание (pull) или комбинированная стратегия (hybrid). Неверное решение на этой стадии могло стоить компании-заказчику сотен миллионов долларов на горизонте 15-20 лет.
Решение
С помощью AnyLogic консультанты создали гибкую и легко изменяемую модель цепи поставок. Она детально повторяла процессы, происходящие внутри узлов цепи: на складах, в портах и терминалах. Также модель наглядно демонстрировала взаимодействие процессов внутри узлов.
Логистические процессы в модели начинаются в местах добычи и на обогатительных предприятиях. Когда сырьё готово к отгрузке, принимается решение: оставить его на внутреннем рынке или отправить на экспорт. Далее сырьё перевозится по железной дороге в грузовой терминал или порт. Оттуда оно отправляется по морю за границу или грузовым автотранспортом в точки хранения и реализации внутри страны.
Составные части логистической сети — порты, заводы, месторождения, а также грузовики, поезда и морские суда — спроектированы в модели в виде агентов, взаимодействующих друг с другом. Чтобы понять, как случайные события отразятся на работе сети, консультанты учли в модели возможность имитировать забастовки в порту, задержки из-за погоды, сбои на предприятиях добычи и переработки, скачки спроса и другие события.
Для определения оптимальной стратегии сбыта консультанты провели анализ цепи поставок. Для этого они запускали модель с разным количеством железнодорожных вагонов (от 2.5 до 5.5 тыс. шт.) и разной ёмкостью хранилищ (от 150 до 500 тыс. тонн). При этом отслеживался уровень сервиса: если он превышал 98%, то попадал в зелёную зону (уровень мирового стандарта), если был ниже – оказывался в жёлтой или красной зонах.
Модель показала, что push-стратегия не даёт положительных результатов. Их удалось достичь, применив pull-стратегию: она предполагала использование от 3.5 до 4.5 тыс. вагонов с хранилищами на 250-300 тыс. тонн груза. Система оказалась чувствительной к изменениям ёмкости хранилищ.
Чтобы увидеть, как будет изменяться уровень сервиса при нагрузке на систему, разработчики провели стресс-тестирование модели: они усложняли структуру сети, увеличивали изменчивость спроса и ухудшали точность планирования. Модель цепи поставок с использованием push-стратегии негативно реагировала на изменения: введение новых продуктов, появление новых клиентов, терминалов и портов. Pull-стратегия в этой ситуации обеспечила высокий уровень сервиса.
Разработчики также оценили, как рыночные колебания влияли на стоимость тонны груза в случае разных стратегий сбыта. При выборе push-cтратегии удельная стоимость доставки тонны продукции повышалась сразу же после начала колебаний, в то время как pull-стратегия обеспечивала плавный рост удельной стоимости по мере усиления колебаний.
В результате разработчики оценили результаты моделирования по различным параметрам (уровень обслуживания, уровень операционных затрат, объем запасов в терминалах и портах и т.п.) и выбрали оптимальную конфигурацию цепи поставок и стратегию сбыта.
Результат
До начала проекта компания использовала push-стратегию для управления цепью поставок с несколькими товарными группами. При этом нужный для поставки товар мог отсутствовать, так как его место на складе занимал другой товар. Эта стратегия сбыта не учитывала изменчивость спроса, поэтому была причиной низкого уровня сервиса.
С помощью AnyLogic разработчики создали модель, которая позволяла:
- легко добавлять, удалять и настраивать узлы и связи в цепи поставок;
- моделировать изменчивость спроса и предложения, а также перебои в работе на участках цепи;
- визуализировать зависимости между составными частями системы;
- анализировать финансовые и операционные показатели работы цепи поставок;
- проводить эксперименты, сравнивать сценарии и анализировать чувствительность сети к колебаниям.
Эксперименты с моделью показали, как повлияет изменение количества грузовых вагонов и объём хранилищ в портах на уровень сервиса, и как увеличение ёмкости хранилищ приведёт к увеличению прибыли компании.
Используя результаты моделирования, разработчики доказали оптимальность pull-стратегии. Она предполагает ориентацию на уровень спроса и снижает неэффективное использование добывающих мощностей за счёт сокращения перепроизводства. В модели эта стратегия обеспечила высокий уровень сервиса при наименьшей удельной стоимости доставки тонны продукции, наименьшим операционными затратами и минимальными капитальными инвестициям. Pull-стратегия также позволила достичь:
- гибкости к изменениям рыночной ситуации и количеству товарных групп;
- приоритета отгрузки в случае низкого товарного запаса на складах;
- низкой потребности в товарном запасе в порту, что предотвратило образование очередей поездов под разгрузку и снизило затраты на хранение.
Благодаря сравнению сценариев работы логистической сети консультанты получили детальные финансовые результаты по различным параметрам модели. Например, разница добавленной стоимости на тонну проданного товара для товарных стратегий push и pull составила $3 за тонну. В масштабе годового оборота 13 млн. тонн это даёт увеличение чистой прибыли на $39 млн. Объем продаж при этих стратегиях различался на 4.1 млн. тонн. Поэтому неверный выбор стратегии при стоимости тонны в $300 привёл бы к убыткам в $1.2 млрд.
Когда выводы аналитиков были представлены на уровне топ-менеджмента компании, выбор стратегии сбыта был очевиден.
Выступление Алана Барнарда и Андрея Малыханова на конференции AnyLogic-2015
