Планирование и оптимизация цепи поставок для крупнейшего производителя безалкогольных напитков

ОБЗОР:

Крупнейшая компания-производитель безалкогольных напитков управляет более 500 брендами c общей капитализацией $218 млрд и выручкой более $35 млрд в 200 странах мира. В России компания является одним из крупнейших производителей товаров народного потребления. Ей принадлежат современные заводы по производству безалкогольных напитков и соков в Москве и Московской области, Санкт-Петербурге, Самаре, Екатеринбурге, Ростовской области, Новосибирске, Красноярске и Владивостоке.

Компания NFP входит в список 100 крупнейших консалтинговых компаний России. Одно из направлений работы компании – разработка инструментов для планирования, анализа рисков и оптимизации на основе цифровых моделей логистических сетей.

ЗАДАЧА:

Производитель постоянно увеличивает сеть дистрибуции в России, в том числе благодаря строительству взаимно резервированных производственных площадок. На них можно одновременно производить разные виды продукции. Такой подход даёт бизнесу гибкость и надёжность; однако при комбинированном выпуске продукции в разных регионах сложнее управлять логистическими потоками. На них влияют изменчивые транспортные тарифы в регионах, сезонность и излишняя централизация. Помимо этого, при усложнении логистической сети повышаются затраты на хранение, транспортировку и доставку продукции.

Сложность цепи поставок компании также состояла в многоуровневой схеме логистических потоков. Так, например, доставка с завода могла выполняться напрямую оптовым или розничным клиентам, кросс-докингом или перевалкой через региональный склад.

Схема цепи поставок

Чтобы сократить затраты и оптимизировать поставки по всей стране, компания решила смоделировать текущую логистическую сеть. При этом модель должна была учитывать корпоративную push-pull политику на разных уровнях цепи поставок и помогать оптимизировать уровень товарных запасов на складах.

Задачу по созданию модели поручили специалистам из компании NFP. Модель должна была помочь:

Этот подход позволил бы компании масштабировать современные практики планирования цепей поставок на всю сеть в России, увеличить ее производительность и усилить экспертизу заказчика в управлении инвестициями в логистику.

РЕШЕНИЕ:

На этапе выбора ПО для оптимизации сети руководство компании-заказчика сравнило несколько систем и выбрало anyLogistix. По сравнению с конкурентами он предоставлял больше возможностей для оптимизации, а также позволил бы консультантам детально смоделировать сценарии работы цепи поставок. Консультанты и заказчики также оценили простой в использовании интерфейс программы, встроенный набор отчетов, а также функцию программного расширения возможностей платформы.

С помощью готовой модели и методов сетевой оптимизации anyLogistix консультанты хотели:

  • оптимизировать количество складов второго уровня;
  • оптимизировать местоположение складов второго уровня с целью минимизировать стоимость снабжения клиентов напрямую;
  • выбрать наиболее подходящий вариант перегрузки товаров – кросс-докинг или с хранением на складе;
  • оптимизировать количество и стоимость маршрутов "cклад – склад";
  • определить оптимальные маршруты "склад – оптовый клиент";
  • определить оптимальный размер страхового запаса на складах для поддержания целевого уровня сервиса.

В начале проекта консультанты изучили данные по работе логистической сети и построили концепцию модели, включающую текущие архитектурные решения, иерархию измерений и показателей, а также разработали методику работы с рисками, которые могут повлиять на работу сети.

На втором этапе команда проекта разработала прототип модели и протестировала его на ограниченных данных. Тестовые сценарии позволили оценить риски масштабирования модели при разных горизонтах планирования и правильность работы модели относительно реальных процессов.

Нажмите, чтобы увеличить

Чтобы ускорить тестирование большого количества сценариев, часть из них создавалась автоматически. Для этого консультанты разработали скрипты на языке Python для проверки качества исходных данных, связности списков объектов, а также создания тестовых сценариев из шаблонов.

На третьем этапе команда начала масштабировать разработанные сценарии. Для этого они создали логистическую сеть из 200 000 клиентов и с помощью эксперимента Гравитационный анализ объединили тех, кто был расположен рядом друг с другом, в кластеры. При анализе маршрутных сетей до клиентов алгоритмы исключали экономически неэффективные маршруты. Для подходящих маршрутов рассчитывалось нужное количество ТС (транспортных средств) и их загрузка.

В рамках этого этапа команда из специалистов заказчика и консультантов решали 5 бизнес-задач:

Выбор стратегии производства
Команда хотела понять, как изменение работы взаимно резервированных производственных площадок повлияет на операции во всей логистической сети. Для этого она отразила в модели производственные ограничения для каждого предприятия, в том числе по номенклатуре и по производительности линий, и зафиксировали значения ключевых показателей работы сети в этих условиях. Затем консультанты воспользовались оптимизационными возможностями anyLogistix: позволили алгоритмам рассчитать оптимальные ограничения для предприятий в зависимости от производительности предприятий и уровня спроса.

Выбор стратегии снабжения
Для решения этой задачи консультанты оптимизировали товарные потоки на разных уровнях цепи поставок, учитывая при этом производственные ограничения, вместимости складов и транспортных средств, страховой запас, частоту доставки и другие показатели. Они также сравнивали разные варианты снабжения клиентов: прямого разными типами транспорта, с накоплениями на производственных складах, локального с 3PL складов, перевалкой через кросс-доки и непрямого, через дистрибуторов.

Тестирование обновленной сети складов
Эксперименты с моделью позволили рассчитать оптимальное количество складов второго уровня и их расположение. Но чтобы доказать эффективность результатов экспериментов, консультанты сравнили затраты на текущую и обновленную топологии складов, учитывая возможность транспортировки с помощью дистрибуторов и кросс-докингом.

Доставка в розничные сети
Раньше заказчик снабжал магазины ритейлеров напрямую, но анализировал возможности поставок продукции через региональные и федеральные распределительные центры (РЦ) розничных сетей. На основе модели консультанты рассчитали экономию затрат от перехода на новую стратегию обслуживания ритейлеров и количество грузовиков, которое понадобится для поставок по новой схеме.

Тестирование Push-Pull стратегии и расчет страхового запаса
Команда проекта разработала в модели расширенную MRP логику товародвижения на основе прогноза спроса и протестировала уровень загрузки складов 3PL партнёров при поддержании уровня целевых запасов согласно pull-политике. При этом неравномерности производства сглаживались использованием push-политики буферного хранения на заводских складах. Команда также рассчитала детальный уровень товарного запаса на каждом складе и пиковые периоды загрузки, а также проверила, как изменится уровень сервиса при изменении целевых значений страхового запаса, доступных видов транспорта и степени его загрузки.

Logistics

РЕЗУЛЬТАТЫ:

Модель, созданная на базе anyLogistix, позволила консультантам управлять работой цепи поставок на разных горизонтах планирования. Для заказчика она стала системой поддержки принятия решений, которая позволяет за несколько часов проверять большое количество гипотез по изменению логистических и производственных стратегий, пересчитывая схемы логистических потоков, необходимое количество ТС и их оптимальную загрузку. Менеджеры компании, которые планируют логистику и управляют ЦП, теперь могут выбирать наиболее выгодные точки для прямой доставки, используя детальный расчёт затрат по каждому магазину сети.

Модель легко перенастраивается, поэтому специалисты компании-заказчика смогут использовать ее для проверки новых конфигураций цепи поставок и при этом:

  • сокращать количество складов второго касания, в т.ч. с заменой на кросс-докинг;
  • снижать время доставки продукции клиентам;
  • снижать удельную стоимости перевозок;
  • регулировать страховой запас и сохранять целевой уровень сервиса.

Опыт, полученный компанией-заказчиком в результате российского проекта, планируется распространить на отделения компании в других странах.

Другие примеры проектов