Атрибуты Четвертой промышленной революции — машинное обучение и искусственный интеллект большие данные и интернет вещей — заложили фундамент нового подхода к управлению цепочками поставок — Supply Chain 4.0. Точкой роста в 2016 году стали начальные разработки российскими компаниями технологий маршрутизации грузов на основе ИИ.
Самообучающиеся цифровые экосистемы
Цепочки поставок состоят из звеньев. Таких логистических звеньев у компании множество: поставщики компонентов (сырья), производители, логистические компании, дистрибуторы, склады, перевозчики, торговые сети и т.д. Они могут быть разбросаны по всему земному шару. Все звенья Supply Chain обмениваются информацией. От скорости этого обмена и качества передаваемых данных зависит эффективность бизнеса всех участников цепи поставок.
С наступлением эры Supply Chain 4.0 логистика компаний стала более предсказуемой — на первое место вышли факты, а не субъективное видение человека. Более того, ИИ находит такие взаимозависимости, которые человек построить не может, потому что прямой связи между данными нет, а объемы данных — огромны.
Чтобы в полной мере воспользоваться преимуществами Supply Chain 4.0. компании приступили к созданию самообучающихся цифровых экосистем. Сегодня это главный драйвер развития цепей поставок. В отличие от систем прошлого поколения, самообучающие экосистемы не просто анализируют движение сырья и товаров, а строят достоверные прогнозы по расходованию ресурсов, конечному спросу, болевым точкам и источникам будущей оптимизации.
Источники больших данных в логистике:
- автоматизированные системы управления складом, транспортом, закупками, продажами, и персоналом;
- RFID-метки (ими маркируют транспортные средства, складскую технику, продукцию, чтобы «оцифровать» товародвижение. Оптимально, когда метки наносят еще на производстве, чтобы быстро идентифицировать товар на складе и контролировать его движение по всей цепи поставок);
- маршрутизация грузовых потоков.
Данные для анализа эффективности операций и предикативных мер:
- расположение производства, складов дистрибуции и точек продаж;
- движение складских запасов;
- количество, технические характеристики транспорта, маршруты доставки;
- объемы продаж в торговых точках, графики и объемы поставок от контрагентов, временные окна доставки продукции в магазины;
- ситуация на дорогах, метеоусловия и др.
Алена Ковальчук, директор дивизиона операционной логистики и клиентского сервиса пивоваренной компании «Балтика», рассказала, что к цифровой экосистеме «Балтики» в России и Белоруссии подключен как собственный, так и привлеченный транспорт от более 250 партнеров. Это 3PL-операторы, дистрибьюторы и транспортные компании. Компания видит, почему задержалась доставка, а где, наоборот, эффективно оптимизировали ресурсы. Анализ времени доставки позволят выявлять закономерности и принимать меры для снижения затрат и улучшения сервиса. В «Балтике» видят большой потенциал в создании глобальной цифровой экосистемы, которая будет включать данные от всех участников процесса — клиентов, партнеров, других FMCG компаний с большими транспортными и складскими потоками.
«Чем больше участников, тем больше информации, и система начинает обучаться на этих данных. Это приведет не только к более точным прогнозам поставок и оптимизации, но и создаст условия для развития грузовой «uber» доставки, пулинга, совместного кросс-докинга с клиентами», — уверена Алена Ковальчук.
Моделирование процессов
Использование «умных» технологий в логистике давно вышло за рамки отчетов, аналитики и мониторинга текущей ситуации. Интегрированные между собой системы не просто обмениваются информацией, а строят прогнозы складских запасов, загрузки склада и транспорта, расходов на логистику. В итоге загрузка склада и транспорта становится более равномерной, а бюджет на логистику расходуется более оптимально. Но самая большая ценность — не прогнозирование, а моделирование определенного бизнес-процесса.
Источником для моделирования служат большие данные. Модель не просто покажет, как, например, изменение объемов продаж повлияет на загрузку склада, но и что нужно сделать в конкретном случае, чтобы максимально использовать складскую площадь, технику, персонал.
Игорь Алюшин, директор по логистическим операциям и транспортной логистики «Леруа Мерлен Восток», рассказал, что его компания использует моделирование Supply Chain на микро- или макроуровне. Макроуровень — это вся цепочка поставок от поставщика до магазина, микроуровень — это, например, процесс приемки товара на складе. Моделирование дает максимальный эффект в логистике компании. Если говорить о складе, то сократилось количество перемещений персонала по складу при подготовке заказов, число касаний с товарами и т.д.
Еще один эксперт из области логистики, Андрей Мажаров, руководитель направления разработки и стандартизации ПО компании Tablogix, пояснил, что аналитика больших данных незаменима там, где кажется уже достигнута предельная производительность труда.
Искусственный интеллект реагирует на изменения внешней среды и обеспечивает расчет модели, приближая результат к реальному времени. Он позволяет централизованно управлять всеми складами компании (центральными и региональными), находить области для улучшения процессов, фиксировать проблемные места и рассчитывать загрузку каждого склада на 12 часов вперед.
Благодаря данным из интернета вещей, мобильных устройств (включая терминалы сбора данных), системы контроля доступа, видеофиксации, RFID-меткам и датчикам GPS можно поминутно оцифровать рабочее время младшего складского персонала и водителей, которое они тратят на выполнение каждой задачи. Экономический эффект в среднем составляет 15%.
Расчет рисков
ИИ открывает возможности для снижения рисков и, как следствие, финансовых потерь. Персонал способен более гибко реагировать на ситуацию и принимать оптимальные решения.
Игорь Алюшин разъяснил, в чем фишка с рисками. Например, вы знаете, что часть заказов от поставщиков содержат недостачи, но вы не хотите пересчитывать все контейнеры от всех поставщиков. В этом случае ваши затраты по пересчету будут выше, чем экономия на устранении выявленных ошибок. Большие данные помогают предсказать наличие проблем в определенном заказе, чтобы его пересчет имел экономический смысл. Только ИТ-платформа, сопоставив большое число данных, может выявить, что у поставщика каждый второй и четвертый вторник месяца ваши заказы комплектует не очень добросовестная команда. Однако, если заказ не превышает десять коробок, то проблем, скорее всего, не будет.
Оптимизация транспортного парка
Какие задачи решает ИИ:
- Распределение заказов по машинам и построение оптимальных маршрутов — чтобы доставка в торговую точку была максимально экономичной, необходимо учесть огромный массив данных;
- Прогнозирование пробок — система аккумулирует среднюю скорость движения на каждом дорожном отрезке каждые 15 минут в течение дня и строит лучшие варианты маршрутов.
Интеллектуальные технологии используют не все. Многие до сих пор строят маршруты вручную с учетом массы параметров — от разных интервалов доставки и совместимости грузов до дорожной ситуации, которая меняется сотни раз за день. Преимущество ИИ в том, что он быстро и оптимально строит маршруты, по которым можно проехать в реальной жизни.
Павел Распутин, эксперт из платформы «Яндекс.Маршрутизация», объясняет, что ИИ за 15 минут строит модель доставки в несколько тысяч точек — при этом полезность использования транспорта вырастет на 15-20%.
Например, что у вас 200 машин и 6 тыс. торговых точек. У каждой точки есть определенное временное окно для выгрузки товара. У каждой из 200 машин — определенная грузоподъемность и стоимость использования. Собственный транспорт всегда должен быть в приоритете, а большие машины не могут проехать в центр города из-за законодательных ограничений. Дорожная ситуация в течении дня также меняется.
В компании с 200 автомобилями прямые затраты на транспорт составляют до 300 млн руб. в год. Использование алгоритмов ИИ позволит сократить затраты на 30-60 млн руб. в год. Если говорить о b2c-доставке, то для расчета маршрутов курьеров на 5 тыс. точек требуется огромный массив данных — это 325 млн маршрутов, посчитанных по реальному графу дорог, в котором 165 млн ребер. Это сотни миллионов комбинаций, которые нужно перебрать в ограниченное время и максимально приблизиться к оптимуму.
Алена Ковальчук, директор дивизиона операционной логистики и клиентского сервиса пивоваренной компании «Балтика» также подтверждает, что за счет преимуществ аналитики больших данных и алгоритмов маршрутизации выгрузка транспорта у клиента сократилась на 30 минут.
В «Балтике» используют систему моделирования Route-to-Market, которая позволяет на основе огромного количества вводных данных выстраивать оптимальную End-to-End стратегию. На основе данных — об изменение спроса, волатильности рынка, роста доли клиентов современной торговли — компания уже сейчас планирует, где должны быть расположены склады «Балтики», площадки партнеров, чтобы это принесло экономический эффект для всех сторон.
Сейчас система аналитики использует информацию только из собственной базы данных и собственных прогнозов, и учитывается текущее расположение распределительных центров (РЦ), торговых точек. Но «Балтика» планирует обогащать свои данные данными клиентов и партнеров — организовать непрерывный поток данных от клиентов, их планов по изменениям своего RTM (например, переход на РЦ вместо отгрузки напрямую в торговые точки и наоборот, перенос РЦ из одного места в другое и пр.).
Доставка «до двери»
Объем данных в логистике постоянно растет. Алгоритмы ИИ анализируют параметры доставки на всем ее протяжении, показывая закономерности. Результаты анализов служат базой для оптимизации абсолютно всех процессов в цикле доставки.
Системы управления складом и программы отслеживания позволяют получить информацию о сроках подготовки заказов к доставке. Датчики геолокации на грузовиках и морских судах, являются источником данных о времени доставки, расстояниях и производительности транспортных средств. Анализ также опирается на данные метеорологических агентств, федеральных дорожных служб и даже социальных сетей.
Янина Ноэль, куратор аналитики клиентских данных, российского вендора «Полиматика», привела пример использования ИИ в курьерских компаниях — смартфон курьера передает GPS-сигнал в режиме реального времени, предоставляя отчет, сколько времени ушло на доставку заказа до двери клиента. Оборудование GPS-слежения на грузовиках, портативные мобильные устройства водителя передают данные о маршруте движения, а также времени холостого хода.
Благодаря установке множества датчиков клиент имеет мобильный доступ к своим заказам в любое время, может выбрать интервал доставки, перенаправлять заказы, менять адрес и дату. Такой продвинутый сервис положительно влияет на лояльность клиентов.
Подписывайтесь на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.