Задача:

Procter & Gamble – американская международная компания по производству потребительских товаров. Представительство P&G в Юго-Восточной Азии столкнулось с проблемой – структура сети поставок и политика управления запасами не удовлетворяла текущий спрос и была недостаточно эффективной для ассортимента продукции компании, представленного в местных торговых точках. Это, в свою очередь, могло привести к негативным финансовым последствиям и, в перспективе, оказать неблагоприятное влияние на деятельность компании в регионе в целом.

Распределительный центр компании P&G В связи с этим компания хотела пересмотреть структуру своей сети поставок, а также оптимизировать политику управления запасами. Зная о возможностях оптимизации цепочки поставок с помощью современных цифровых технологий, они поручили разработку и тестирование новой сети поставок консультантам из компании SupChainEra. Специалисты SupChainEra должны были создать компьютерную модель существующей сети и протестировать новые возможные бизнес-стратегии в безрисковой цифровой среде, чтобы создать план по реализации наиболее эффективных из них в реальной жизни.

Решение:

Для создания модели оптимизации сети поставок разработчики использовали ПО anyLogistix. Их цель – совместно использовать преимущества сетевой аналитической оптимизации и динамического имитационного моделирования, чтобы изучить все аспекты работы цепи поставок и обеспечить лиц, принимающих решения, точной и понятной информацией. Набор готовых экспериментов, входящих в пакет ПО, позволил бы разработчикам гораздо быстрее тестировать и анализировать новые стратегии.

Сначала команда консультантов создала базовую модель, в которой были отражены все 20 000 площадок компании P&G в регионе, где производились, распределялись или закупались товары: от крупных производств до небольших розничных магазинов. anyLogistix поддерживает создание моделей крупных логистических сетей, и консультанты воспользовались этим преимуществом.

В базовой модели товары перемещались с фабрик P&G в распределительные центры (первый этап, фиксированная стоимость доставки), между распределительными центрами и из центров – к конечным потребителям (второй этап, стоимость зависит от расстояния). Для повышения эффективности конфигурации базовой модели разработчики провели оптимизацию сети поставок с помощью anyLogistix. Для оценки результата использовались следующие показатели:

  • расчётное время поставки товаров и выполнения заказов;
  • количество транспортных средств, задействованных в поставках товаров;
  • коэффициент использования транспортных средств;
  • уровень товарных запасов в центрах распределения.

Оказалось, что стоимость перевозки значительно возрастает, если товары перевозятся между распределительными центрами. Консультанты проанализировали статистику, полученную на основании выходных данных модели, и предложили преобразовать два из наиболее загруженных центров распределения в транспортные узлы. Таким образом товары перевозились бы не напрямую из одного распределительного центра в другой, а накапливались в узлах и затем отправлялись в другие распределительные центры. В результате снижалась стоимость транспортировки и обеспечивалась более эффективная работа цепи поставок.

Благодаря возможностям ПО anyLogistix консультанты смогли разработать структуру сети поставок, протестировать и оптимизировать её, в том числе используя прямые и составные маршруты между распределительными центрами. Результаты расчетов показали, что при переходе к новой структуре сети поставок транспортные расходы компании снизятся на 20%.

Следующим шагом для оптимизации цепи поставок P&G был переход к стратегии планирования материальных ресурсов. Новая стратегия должна была помочь сохранить высокий уровень сервиса при транспортировке товаров между звеньями цепи поставок. Для разработки этой стратегии консультанты компании SupChainEra использовали имеющеюся данные о спросе со стороны конечных потребителей. На основании этих данных с помощью алгоритмов машинного обучения они прогнозировали нагрузку на распределительные центры. Полученные результаты использовались в качестве исходных данных для настройки стратегии планирования материальных ресурсов в базовой модели. В итоге удалось снизить средний уровень товарных запасов в распределительных центрах, однако это повлияло на уровень сервиса в некоторых из них. В частности, в двух распределительных центрах, расположенных на островах, уровень обслуживания снизился с 98% до 94%, что было неприемлемо для компании. Чтобы улучшить этот показатель, консультанты использовали возможности anyLogistix для оптимизации страхового запаса. Таким образом им удалось сбалансировать уровень обслуживания при сокращении уровня товарных запасов на 40%.

На заключительном этапе моделирования консультанты внедрили в оптимизированную сеть поставок разработанную стратегию планирования материальных ресурсов, запустили модель и сравнили текущие результаты с теми, которые они получили при эксперименте с базовой моделью.

Результат:

Новая конфигурация сети и предложенные стратегии показали более высокие результаты по качеству обслуживания и экономии средств, чем базовая модель. Средний уровень товарных запасов снизился на 35%, а расходы – на 20%. Разработанные решения для цепочки поставок были представлены руководству компании, получили положительные отзывы и были рекомендованы к внедрению.

Другие примеры проектов