Команда Applied Intelligence HSA (подразделение компании Accenture) разработала систему прогнозирования полного цикла доставки заказов для американского производителя спортивных тренажеров, которая столкнулась со сбоями в работе цепи поставок во время COVID-19. Система прогнозирования с помощью цифрового двойника повысила точность планирования операций «заказ-доставка» на 57% и снизила затраты на 20%.
Архитектура системы прогнозирования доставки заказов, результаты и планы дальнейшего развития подробно изложены в этой статье. Проект выполнил группа специалистов Applied Intelligence HSA из компании Accenture Argentina: руководитель группы Пабло Родригес Варело и инженер Патрисио Иван Пипп.
Команда специализируется на аналитике цепи поставок и операционной деятельности. Для этого они используют прикладной искусственный интеллект ― подход к решению задач, в котором искусственный интеллект анализирует данные и помогает автоматизировать бизнес-процессы для лучшего масштабирования.
Задача: избежать длительных задержек в выполнении заказов
Американский производитель спортивных тренажеров хотел спрогнозировать поведение цепи поставок велотренажеров в США и обеспечить ее бесперебойную работу.
Во время пандемии COVID-19 спрос на велотренажеры значительно вырос, и срок выполнения заказов вырос с пяти до шестидесяти дней. Производитель хотел сократить этот срок и улучшить планирование.
Необходимо было ответить на пять основных вопросов, которые можно разделить на две категории:
- Планирование
- Какая стратегия пополнения складских запасов будет наиболее эффективной?
- Какая пропускная способность ожидается в разных звеньях цепи поставок в течение 12 месяцев?
- Каков предполагаемый уровень складских запасов на разных объектах цепи поставок?
- Выполнение
- Какая стратегия пополнения запасов будет наиболее эффективной?
- Следует ли направлять товары, которые в ближайшее время поступят в порт, в разные распределительные центры, учитывая данные о задержках доставок?
Решение: цифровой двойник на основе динамического моделирования
Команда Accenture выбрала нетривиальный подход для решения задачи – создание цифрового двойника цепи поставок. Их ждала сложная и кропотливая работа. Им также необходимо было тесно сотрудничать с клиентом, чтобы в точности отобразить работу системы.
Цифровое решение для оптимизации цепи поставок помогло бы точнее спрогнозировать сроки доставки, сократить их и улучшить планирование за счет грамотного распределения товарно-материальных запасов. Цифровой двойник также позволил бы разобраться в поведении системы и использовался бы для тестирования различных сценариев «что, если». Цифровой двойник – это динамическая модель системы, основанная на реальных данных: наблюдаемых и проверяемых. Благодаря этому поведение и результаты запусков модели просты для понимания и интерпретации.
Для создания цифрового двойника специалисты выбрали AnyLogic из-за его гибкости и возможности интеграции с платформами для машинного обучения. С помощью дискретно-событийного метода моделирования команда воссоздала в AnyLogic процессы между всеми элементами цепи поставок: производителями материалов и заводами по сборке, распределительными центрами и розничными магазинами.
Поставщики ввозили в США 40 000 единиц товара из Азии каждую неделю, а заводы, расположенные в США, собирали 4 000 велотренажеров в неделю. У сети было 150 розничных магазинов, где клиенты могли получить свой заказ.
Основными элементами модели были заказы, логистические узлы цепи поставок и грузовые автомобили. Каждый элемент обладал набором связанных данных:
- Заказы: дата создания заказа, продукт, логистический узел, дата доставки заказа.
- Логистические узлы: местонахождение, тип (поставщик, распределительный центр или розничный магазин), уровень запасов, время обработки заказа.
- Грузовые автомобили: грузоподъемность, время выполнения заказа.
Цифровой двойник цепи поставок мог выдавать прогноз на период от одного дня до одного года. Запуск эксперимента Монте-Карло позволил получить прогнозные диапазоны времени полного цикла «заказ-доставка». Для каждого запуска эксперимента требовалось ввести ключевые входные параметры, а на выходе инженеры получали следующие данные:
- местоположение и пропускная способность локации (входящий-исходящий трафик);
- состояние товарно-материальных запасов;
- задолженность по отправке заказов;
- планируемую суточную норму поступления товара;
- длительность перевозок между логистическими узлами, прогнозы по спросу и производству.
Основные результаты: прогноз полного цикла выполнения заказа и задержки доставки заказов в конечные пункты назначения, состояние запасов с разбивкой по узлам сети, загрузка грузовых автомобилей.
Чтобы созданный инструмент работал как цифровой двойник, необходимо было соединить имитационную модель с источниками операционных данных.
В этом проекте данные передавались с помощью сервисов Amazon и электронных таблиц, связанных через облачное хранилище Amazon S3. Кроме того, для анализа выходных данных к модели была подключена система интерактивной бизнес-аналитики Tableau. Структура системы отражена на диаграмме информационных потоков.
Цифровой двойник был создан на основе текущего состояния цепи поставок и прошел верификацию. Он продемонстрировал ожидаемое поведение системы и помог определить области, в которых можно добиться улучшений.
После тестирования и анализа текущего состояния цепи поставок специалисты применили модель для эвристической оптимизации работы цепи.
Так, некоторые динамические показатели, например страховой запас, больше не зависели от общих правил логистической сети, а вычислялись индивидуально для каждого элемента цепи поставок отдельно. Кроме того, запасы распределительных центров могли пополняться исходя из потребностей связанных с ними конечных пунктов доставки.
Результаты: польза цифрового двойника цепи поставок
Разработка цифрового двойника принесла значительную пользу для прогнозирования полного цикла цепи поставок (от поступления заказа до его доставки клиенту) и эффективного распределения запасов. Подход позволил повысить точность прогнозов относительно доставки товаров на 57% и сократить на 20% расходы при распределении товарно-материальных запасов.
Кроме того, точность времени выполнения перевозок увеличилась с 40% до 76%.
Все эти результаты можно получить с помощью 30-минутного запуска модели, который необходимо проводить всего раз в неделю.
Трудности в работе над проектом
При выполнении проекта разработчики столкнулись с рядом трудностей. Изначально сотрудники компании-клиента не поддержали идею разработки цифрового двойника. Чтобы преодолеть это сопротивление, разработчикам пришлось тесно сотрудничать с заинтересованными сторонами.
Наглядность динамического отображения работы цепи поставок и возможности, которые давал цифровой двойник, помогли заручиться поддержкой клиента в выборе этого подхода.
Еще одной проблемой был дефицит данных и запутанная логика работы цепи поставок. С помощью цифрового двойника эти проблемы удалось преодолеть, заменив недостающие данные и связи принятыми допущениями.
Теперь цифровой двойник станет ядром работы цепи поставок, что сделает процесс принятия решений целостным и более обоснованным.
Следующие шаги
На следующих этапах проекта разработчики планируют провести интеграцию двойника и искусственного интеллекта, который будет работать на основе машинного обучения с подкреплением. Это позволит продолжить оптимизацию цепи поставок и обеспечить планирование в условиях форс-мажора. Предполагается, что по мере развития цифрового двойника его возможности будут применяться на всех организационных уровнях: стратегическом, операционном и тактическом.
Этот проект был представлен Патрисио Иваном Пиппом и Пабло Родригесом Варелой из Accenture Applied Intelligence HSA на конференции AnyLogic 2021.
Подробнее о разработке цифровых двойников в AnyLogiс →