Оцифрованные поставки

Как с помощью алгоритмов решить проблему разрыва логистических цепочек

Сегодня каждый слышал про разрыв цепочек поставок продукции. В текущих реалиях российским компаниям нужно быстро перестроить логистику, найти новых поставщиков, спланировать маршруты для сырья и продукции, продумать стратегию в масштабе огромной страны. Директор по проектам F5Devs Антон Ларин рассказал читателям RSpectr про новые вызовы в цепях поставок и как их преодолеть с помощью математики.

ТРИ ТРЕНДА ЛОГИСТИКИ

Санкции в отношении логистики привели к возросшей непредсказуемости. Переход от модели «точно в срок» до «на всякий случай» вызвало накопление запасов из-за неопределенности в снабжении. В довесок растут цены на товары и услуги. В итоге растущий ком проблем влечет за собой пересмотр всех взаимоотношений. Особую роль здесь играет неопределенность. Сроки поставок затягиваются не только из-за частичного закрытия европейского направления для экспорта и импорта, но также из-за того, что ситуация постоянно меняется, это влияет на отправку груза, его пропуск на границах. В результате грузопоток тормозится, а цепочки поставок разрываются.

В контексте российских реалий мы видим, что бизнес наиболее обеспокоен вопросом, как выжить в моменте

В связи с этим намечается несколько тенденций:

1. Внимание к отечественной разработке

Этот тренд распространяется на все сферы бизнеса, не только на логистику. Например, компания инвестировала несколько миллионов в SAP, а сейчас эти системы и решения невозможно развивать. Поэтому все ищут российские аналоги, способные хотя бы частично заменить решения зарубежных IТ-поставщиков, покинувших рынок этой весной.

2. Спрос на быстрые и эффективные решения

На данный момент организации не заинтересованы в решении задач, результат от которых может сказаться в перспективе нескольких лет. Допустим, есть компания с определенным количеством контейнерных перевозок, а клиенты, которые этими перевозками пользовались, направляли их в Европу. Сейчас спрос идет с Востока – это означает, что там нужно развивать инфраструктуру, причем делать это нужно как можно быстрее.

Помимо этого, компания сталкивается с другой проблемой: проще всего увеличить количество контейнеров, но это несет дополнительные убытки, следовательно, сейчас нужно умело управлять теми, что в наличии. Эффективно распоряжаться имеющимися ресурсами – это вызов для бизнеса, поскольку оптимальное решение нужно принимать быстро и с учетом множества факторов.

3. Запрос на создание софта для прогнозирования цепочек поставок

Например, есть крупная логистическая компания. У нее был определенный вид перевозок, спрос на которые приходился на европейскую часть страны, а в восточной грузопоток был меньше. И когда нужно просчитать, какие склады закрывать, а какие и где открывать, тут возникает необходимость в стратегических решениях. Сейчас вопрос спроса поменялся, но необходимость в прогнозировании сохранилась.

Часто под такие задачи привлекают управленческих консультантов, и они считают сценарии и варианты на несколько лет вперед. Есть и другой выход: сэкономить на услугах консультантов и разработать собственные системы, связанные с долгосрочным планированием. Это позволит каждый год формировать стратегию развития управления логистическими активами на несколько лет вперед. Сейчас такой софт актуален, потому что он помогает принимать оптимальные масштабные решения в долгосрочной перспективе.

Санкции с нами надолго, а перестройка и отладка новых логистических цепочек нуждаются в тщательном планировании

Все эти тенденции связаны со сложными IТ-технологиями, разработкой и оптимизацией процессов. Какие же подходы используются в такого рода задачах?

ПРОГНОЗ ОТ УМНЫХ МАШИН

Задачи, в которых речь идет о регулярном принятии решений с учетом множества параметров, лучше всего доверить алгоритмам. Они могут безошибочно подсказать оптимальное решение в сжатые сроки, практически исключив влияние человеческого фактора. К наиболее эффективным можно отнести два подхода: Machine Learning (машинное обучение) и Operations Research (исследование операций). В контексте текущих логистических задач ML и OR отвечают ключевым потребностям отрасли: необходимости спрогнозировать развитие ситуации и принять наиболее правильное решение, которое будет понятно не только алгоритму, но и человеку.

Например, железнодорожному оператору нужно перестроить маршрут доставки грузов. При этом важно учесть количество вагонов, тип груза, расписание, емкость станций, ограничения в виде скорости и обслуживания – десятки параметров. Для уточнения неопределенности, влияющей на принятие решений, используется ML-модель, которая на исторических данных говорит, как с учетом сезонности и прочих факторов доставлять грузы. Затем создается оптимизационная модель, которая в огромном количестве вариаций подбирает оптимальное решение по доставке – наиболее быстрое и с минимальными затратами.