Проблема
Один из крупнейших в мире дистрибьюторов книг столкнулся со значительным увеличением количества складов, что привело к усложнению и удорожанию их модели доставки.
Дистрибьютор предполагал, что неопределенность и изменчивость будущего спроса могут привести к чрезмерному или недостаточному использованию складов. Кроме того, возросшие затраты на аренду недвижимости и высокая конкуренция на рынке труда среди водителей привели к тому, что существующая схема поставок стала нестабильной.
Два предыдущих исследования, проведенные консалтинговыми компаниями, показали, что использование метода «drop-and-hook» (водитель выгружает полный контейнер на терминале, а затем сразу берет новый, не дожидаясь разгрузки, вместе с 40-футовыми прицепами) может сократить количество складских помещений на 25-30%. Чистая стоимость реализации (NPV — ожидаемый будущий доход проекта за вычетом его первоначальной стоимости) этого проекта оценивалась примерно в 18 миллионов долларов.
Компания Goldratt Research Labs в ходе проекта проанализировала, насколько целесообразно было бы такое операционное и финансовое решение. Кроме того, им нужно было понять, будут ли результаты отличаться при более детальном анализе, включая альтернативные конфигурации цепочки поставок и состава автопарка.
Решение
Для достижения поставленных целей инженеры Goldratt Research Lab создали самонастраиваемую имитационную модель, которая учитывает важные системные зависимости, ограничения, сложности и изменчивость. Модель показывает ряд вероятных результатов для одного сценария, проводит анализ чувствительности и прямое сравнение сценариев для различных конфигураций цепочки поставок.
Модель также позволяет тестировать изменения как в операционных, так и в финансовых показателях с низкими рисками. Это помогает избежать дорогих и сложных проверок гипотез сразу в реальной жизни.
AnyLogic был выбран для моделирования этого решения как лучшее программное обеспечение для анализа цепочки поставок. Сложность структуры можно легко смоделировать с помощью агентного и дискретно-событийного методов моделирования. В результате за короткое время можно создать самонастраиваемую модель с широким диапазоном системных конфигураций.
Другим преимуществом является возможность экспортировать модель в отдельное приложение, чтобы клиент мог запустить ее самостоятельно, проверить результаты и сверить их со своими собственными данными. Кроме того, использование AnyLogic Cloud для запуска ресурсоемких моделей помогло сгенерировать некоторые данные, необходимые для моделирования. Наконец, стандартные библиотеки Java в интеграции с другими приложениями, такими как программное обеспечение для оптимизации маршрутов, расширяют возможности моделирования.
Структура модели включает в себя входные данные, выходные данные, различные параметры для анализа и анализ сценариев. В результате пользователь получает отчеты и логи модели. Модель полностью управляется данными из файла Excel, что позволяет легко вносить изменения в сценарии внутри файла. Файлы сценариев содержат следующие входные данные:
- географическую информацию;
- параметры транспортного депо;
- данные заказа клиента;
- состав автопарка и назначение;
- финансовые и операционные параметры.
Оптимизация распределения клиентов по разным складам в модели показывает результаты, которые обрабатываются на следующем этапе генерации маршрута. Наконец, на этапе выполнения маршрута появляется подробная визуализация всей цепочки поставок.
Интерфейс имитационной модели
Результат
Результаты моделирования в AnyLogic позволили сделать несколько важных выводов для этого проекта. Эта модель выявила несколько неверных предположений в предыдущих исследованиях. Например, метод «drop-and-hook» оказался неэффективным с точки зрения затрат. Прежняя чистая стоимость реализации была пересчитана с 18 миллионов долларов до -5.
Кроме того, возможность менять параметры внутри модели позволила проверить предположения относительно:
- необходимых классов водителей (для малых или больших грузовиков);
- необходимого количества водителей (в зависимости от сезонности; в месяц и по каждой локации);
- количества грузовиков в день;
- количества ночных маршрутов, часов работы водителей и сверхурочной работы.
Эта модель продолжает использоваться для принятия стратегических решений.
Goldratt Research Lab представила свой проект на конференции AnyLogic 2021.
