Как оптимизировать логистику в условиях возрастающей сложности цепей поставок
Статус: «всё сложно»
Раньше было достаточно просто перевезти товар из точки А в точку В. Но в XXI веке маршруты требуется оптимизировать по множеству параметров: требуемому времени доставки, типу транспорта, условиям хранения, экономически выгодной дистанции и даже геополитическим факторам. Доля логистических затрат в стоимости каждого товара растет.
В России в 2022-2023 гг. добавился большой спектр проблем со своими причинами и следствиями:
- Приостановили работу крупные судоходные компании (например, MSC и Maersk), а отечественные перевозчики не могут заходить в европейские порты. Как следствие, произошло перераспределение грузооборота между морскими портами, в том числе изменилось распределение видов груза. Так, по данным «РБК Петербург», Большой порт Санкт-Петербурга оказался самым пострадавшим в России от международных санкций: за первый квартал 2023 года его грузооборот упал на 24,4% по отношению к аналогичному показателю 2022 года в первую очередь из-за сокращения контейнерных перевозок.
- Повысилась сложность автомобильных и железнодорожных перевозок, а также физического перемещения товаров с пересечением границ из-за дополнительных ограничений и проверок, в том числе со стороны таможенных служб. Многие европейские страны полностью закрыли транзит грузов в Россию.
- Многие международные компании, работающие в России, прошли через трансформационный переход и смену собственников, а также отключение от привычных логистических поставок в рамках глобальных компаний.
- Проблемы с доступностью сложного оборудования, тары для перевозки, программного обеспечения для диагностики и ремонта всех видов транспорта.
При этом в рамках параллельного импорта произошло увеличение использования железнодорожных и автомобильных перевозок, что значительно усложнило и удлинило цепочки поставок. Понадобилось нарастить инвестиции в инфраструктуру с учетом произошедших изменений: склады, логистические хабы, технологии автоматизации и цифровизации, что в конечном счете отразилось на стоимости для конечных потребителей.
Задача оптимизации логистики становится все более важной. Компании ищут способы оптимизации на каждом этапе: от управления складскими запасами до выбора оптимального маршрута доставки. Повышение эффективности цепочки поставок даже в диапазоне 2–5% может сэкономить огромные суммы на больших объемах перевозок. Развитие систем управления данными, применение искусственного интеллекта для анализа и прогнозирования, программное обеспечение для оптимизации складского грузооборота — всё это активно пробуется компаниями.
Дизайн цепочек поставок
Традиционный подход в отрасли — концепция проектирования цепочки поставок (Supply Chain Design). Он предполагает сбор информации, анализ тарифов, операционных и капитальных затрат, а также оптимизацию всех аспектов работы, начиная от выбора транспортных средств и заканчивая управлением складами. Ключевой момент здесь — индивидуализация. Каждый бизнес-кейс уникален, и подход к нему формируется на основе сбора данных, прогнозов спроса и математических моделей, рассчитанных на выполнение конкретного уровня обслуживания (SLA).
Например, крупные игроки, особенно в секторе FMCG, сегодня стремятся оптимизировать работу складов, учитывая специфические требования к температуре и скорости доставки различных товарных групп. Такие условия требуют уточнения при расчетах модели, чтобы избегать распространенных ошибок (например, переполнения или недозаполнения складов) и фокусироваться на максимизации прибыли или минимизации убытков.
«Волшебной пули» для решения всех проблем, к сожалению, не существует. Точнее, в каждой ситуации она будет уникальной. В нашей стране, к примеру, есть развитые железнодорожные и водные маршруты, которые можно и нужно использовать для оптимизации цепочек поставок.
Роль ИТ и моделирования
Современная логистика стоит на перепутье множества технологических и экономических факторов. Она требует комплексного и индивидуализированного подхода, сочетающего технологии с пониманием специфики рынка и потребностей клиентов. Только так можно добиться эффективности в условиях постоянно растущей сложности и динамичных изменений.
Тем не менее моделирование цепочки поставок сегодня предоставляет широкие возможности для экспериментов и прогнозирования. Современные программные решения позволяют «играть» с различными параметрами — стоимостью, скоростью, рисками,— чтобы понять, к каким компромиссам нужно прийти для оптимизации ключевых показателей.
Однако стоит быть осторожными: самые умные модели не всегда способны определить заведомо ложные решения. Отсюда необходимость в работе аналитиков: людей, способных проверить адекватность автоматически сформированных решений. Кроме того, аналитик настраивает логику моделей и принимает ключевые решения: какие данные пойдут «на вход», какие предпосылки и ограничения учесть, какие правила создать.
Модели помогут решить сложные вопросы, такие как выбор между строительством одного большого склада или размещением нескольких меньших складов в различных регионах. Однако следует помнить, что эффективность модели напрямую зависит от качества входных данных и реальных операционных практик. При моделировании цепочки поставок обычно проводят калибровку, учитывая все возможные параметры: предпосылки, тарифы, сроки, операционные и капитальные затраты, целевые показатели и так далее. Итоговая эффективность исследуется через P&L (прибыль и убыток), и только после этого принимаются окончательные решения.
При этом очень важно учитывать и уровень детализации. Аналитик задает его отдельно для разных уровней процессов. На стратегическом уровне нет смысла оптимизировать маршруты отдельного транспорта: используется упрощение на весь поток. Продукты объединяют в категории и группы, и поэтому пропускная способность считается по группе продуктов. В отличие от стратегического, на тактическом уровне уже учитываются окна приемов транспорта, детализация продуктов становится более подробной.
Это критично, учитывая объемы ресурсов, затрачиваемых на логистику. На бумаге всё может выглядеть идеально, но на практике многие стратегии могут «рассыпаться», если не пройдут должной калибровки и адаптации к реальным условиям.
![](/upload/iblock/8b8/nal2jd960ftvb6wzgsgdd93rzqtz0fyh.jpg)
Цифровое моделирование — мощный инструмент для оптимизации логистических процессов, но его эффективность критически зависит от качества данных и соответствия реальным операционным условиям.
Выбор инструментов для оптимизации
Для создания моделей оптимизации логистики существует три основных подхода: использование нейросетей и искусственного интеллекта, разработка собственного программного обеспечения и применение готовых «коробочных» решений, таких как AnyLogistix или Llamasoft Supply Chain.
Искусственный интеллект
Искусственный интеллект и нейросети предлагают самообучаемые модели, которые способны анализировать большое количество данных и прогнозировать различные сценарии. Они особенно полезны при работе с нелинейными и сложными системами. Однако настройка и подготовка таких систем требует высокой экспертизы и может быть дорогостоящей.
Оптимизация на базе инструментов искусственного интеллекта подойдет в первую очередь крупному бизнесу, в распоряжении которого уже есть большие массивы логистических данных. К плюсам этого подхода можно отнести широкий ассортимент инструментов машинного обучения и возможность создать работающую модель оптимизации без досконального понимания бизнес-логики.
Самописные модели
Создание собственного программного обеспечения, обычно на языках С и С++, позволяет гибко настроить систему под свои потребности. Преимущество этого подхода в том, что компания сама может создать системы уравнений и неравенств, максимально отвечающие ее задачам. Однако этот путь требует значительных инвестиций в разработку и поддержку.
Кроме того, при этом сценарии возникает зависимость от сотрудников, которые создают такие решения: в случае их ухода из компании существует риск исчезновения компетенций по работе с ними, потому что проще переписать код, чем разбираться в таком самописном продукте.
В отличие от инструментов искусственного интеллекта самописные модели не требуют обучения и не зависят от исходного набора данных — а значит, их могут применять компании независимо от объема и состояния накопленных датасетов. Подобные модели легко масштабируются и адаптируются при изменении внешних условий. Кроме того, сам факт написания подобной модели часто помогает управленцам лучше осознать, как работает бизнес.
Коробочные решения
Готовые решения типа AnyLogistix или Llamasoft Supply Chain предлагают стандартизированные инструменты для управления логистическими процессами. Они менее гибки, но проще в эксплуатации и обычно быстрее внедряются в бизнес-процессы. Однако стоимость лицензий и обслуживания также может быть высокой (а сегодня инструменты в России и вовсе недоступны для легальной закупки и первичной установки). Таким образом, прежде чем идти по этому пути, стоит тщательно взвесить все риски.
В отрасли, где многие до сих пор работают в Excel, любая цифровизация процессов является шагом вперед. Выбор подхода зависит от множества факторов, включая доступные ресурсы, потребности и стратегические цели компании.
Тем не менее, несмотря на различные плюсы и минусы каждого метода, главное, что объединяет их все, — стремление к оптимизации. Цель остается прежней: сделать логистические операции более эффективными, экономичными и адаптивными к быстро меняющимся рыночным условиям.
Опубликовано 22.11.2023