Автоматизация в логистике: новые вызовы

Уход иностранных вендоров заставил ИТ-сферу развивать новые продукты и направления, внедрять новые подходы в свою деятельность. Изменения не обошли стороной и сферу логистики. О том, какие задачи стоят перед логистическими компаниями и как они с ними справляются, рассказывает генеральный директор компании BIA Technologies Григорий Безрукин.

Ключевой вызов для логистики сейчас — это не просто изменение цепочек поставок, а их постоянное перераспределение. Данный процесс начался ещё с пандемии, и за последние годы этот тренд набирает обороты. Цепочки поставок переместились с запада на восток и юг, и здесь выиграет тот, кто сможет быстро перестроить свои процессы. Для российского бизнеса способность к быстрым изменениям — это необходимое условие для выживания.

Основные запросы компаний сегодня — это системы прогнозирования спроса и продаж, системы расширенного производственного планирования, системы класса ERP, системы мониторинга прибытия товара, цифровые склады. Наблюдается также спрос на математические решения. Математическая оптимизация позволяет рассчитать кратчайший и самый эффективный путь к цели (например, сокращение затрат, повышение прибыли, максимизацию загрузки оборудования или производственных ресурсов) при тех ограничениях и особенностях, которые имеются у компании, и помогает повышать прибыль.

Как снижать затраты в логистике с помощью автоматизации

Автоматизировать необходимо все повторяемые процессы, чтобы избежать ручного труда, так как любая обработка данных вручную влияет на вероятность ошибки. Автоматизация процессов управления складом, транспортом, грузопотоками позволит снизить не только риск ошибки, но и затраты.

Если рассматривать логистику, то идеальная схема в ней — это ситуация, близкая к телепортации, то есть перемещение груза мгновенно и самым прямым путём. Оптимизация в логистике — это совершенствование процесса, чтобы приблизиться к мгновенной доставке груза из одной точки в другую.

В первую очередь необходимо спланировать логистические маршруты. Обычно доставляется большое количество грузов одновременно, и необходимо сделать так, чтобы оптимизационная модель позволяла наименьшим количеством транспорта развезти грузы наибольшему количеству клиентов.

Такие математические модели называются прогнозными. Они также должны учитывать складские мощности для быстрой обработки груза: если весь груз доставить в одну точку слишком быстро, то склад может стать «узким» местом.

Построение цифровых двойников на складе — это один из элементов умной логистики, когда, прежде чем построить новый склад или рассчитать логистические маршруты, создаётся цифровая модель, позволяющая проанализировать сотни параметров: сколько груза этот склад сможет обработать, сколько потребуется персонала, какие нужны подъездные пути и какой ширины складские ворота, чтобы разгружать одновременно несколько машин. Таким образом, цифровой двойник склада помогает оценить окупаемость инвестиций в строительство новых объектов и быстро просчитать влияние любых изменений на операционные и финансовые показатели.

Вместе с автоматизацией также неразрывно идёт математическая оптимизация. Математическая оптимизация — это следующий этап развития автоматизации, когда есть задача, состоящая из нескольких подзадач, таких как сбор данных из учётных систем или датчиков, построение математической модели, где искомая функция — это сокращение затрат, повышение производительности, увеличение прибыли.

Например, партнёр BIA Technologies, компания ООО «Деловые линии», с помощью математической оптимизации снижает затраты огромного автопарка. А внедрение цифровых двойников в работу складов позволяет снизить время обработки операций на 35%, уменьшить операционные затраты на 15% и повысить пропускную способность склада на 25%.

Каких результатов можно достичь, используя оптимизацию бизнес-процессов

У каждой компании есть потенциал для оптимизации, и часто компании даже не подозревают, что он составляет десятки миллионов рублей ежегодно.

Например, одним из кейсов предприятия была задача по оптимизации производственной линии кабельного производства в Санкт-Петербурге. Компания была ограничена физическим пространством, и, когда наблюдался рост заказов, ей приходилось пересобирать производственные линии под тот или иной тип кабеля. Поэтому они обратились с запросом: как преобразовать последовательность своих производственных процессов таким образом, чтобы сократить сроки и повысить эффективность. Благодаря разработанной математической модели время производства снизилось на 15%.

Ещё одним успешным кейсом стала разработка прогнозной модели по остаткам топлива на АЗС и оптимизации доставки топлива для бензовозов на АЗС для крупной нефтяной компании, то есть так называемая вторичная логистика, когда уже переработанное топливо поступает на заправки. Эксперты составили прогнозную модель остатков топлива на каждой АЗС в разрезе видов топлива, сезонности, выходных дней и затем построили новые логистические маршруты, чтобы развозить топливо по станциям. Эффективность модели составила 84% на практике, оптимизация — около 15%. В итоге экономия совокупных логистических затрат — около 1 млн рублей в месяц на один бензовоз, проект окупился менее чем за год.

Обычно при внедрении оптимизационных решений срок их окупаемости составляет не более года. Все последующие годы компания пользуется результатами оптимизационных изменений. Так как в целом уровень цифровой зрелости в России достаточно высокий, для того чтобы конкурировать и поддерживать растущие темпы экономики, без оптимизации не обойтись. Поэтому стоит говорить не столько о стоимости оптимизации, сколько об эффектах, которые она даёт, и о возврате вложенных инвестиций.

По мнению спикера, в ближайшие несколько лет в логистике, помимо базовых запросов на автоматизацию и математическую оптимизацию процессов, компании будут внедрять интеллектуальные TMS-системы, цифровых двойников складов и цепей поставок. Кроме того, будет происходить частичная роботизация складских операций и транспорта для эффективного ответа новым вызовам и сокращения себестоимости.