Размещение складов быстрой доставки в онлайн-ритейле с использованием методов и инструментов науки о данных
Разработка модели для размещения современных складов экспресс-доставки в регионе и анализ чувствительности решения к изменению исходных данных. Анализ подходов к размещению логистических мощностей и разработка методики размещения складов быстрой доставки.
| Рубрика | Маркетинг, реклама и торговля |
| Вид | диссертация |
| Язык | русский |
| Дата добавления | 28.08.2020 |
| Размер файла | 3,0 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Приёмка
Цикл обработки заказа начинается с приёмки (см. рис.1.15). Приёмка на складах экземплярная, что значительно увеличивает трудозатраты. Это означает, что приёмка ведётся на уровне каждой единица товара.
Экземплярная приёмка - тут же осуществляется первичный контроль качества, в котором производится контроль на температуру в кузове автомобиля при транспортировке - если есть отклонения от нормы, то весь товар сразу же возвращается поставщику, затем сверяются сроки годности на товаре с указанными в заявке, а если есть отклонения, то информация передаётся в маркетинг с целью получения решения о согласии на реализацию, например, в акции, либо на отказ, в последнем случае вся партия товара бракуется и возвращается поставщику. Приёмка состоит из разгрузки, контроля качества и сортировки товара для дальнейшей транспортировки на места хранения.
Зон хранения несколько - основная зона хранения - туда перемещаются товары после приёмки, и зона подсортировки. Нужно упомянуть, что зон основного хранения тоже несколько, они разделены по требованиям к условию хранения, например, фрукты и овощи должны храниться иначе, нежели, к примеру, тушка курицы или питьевая вода. Зона подсортировки одна, однако она разделена на подзоны также по признаку требований к хранению. Тут размещаются и ящики, и стеллажи, холодильники и морозильные камеры.
Сбор и комплектация
Из зон основного хранения товар согласно последовательности работы комплектовщиков перемещается в зону подсортировки. Когда в зоне подсортировки набирается нужная корзина товаров для определенного заказа, система даёт сигнал и распечатывает задание на сбор и комплектацию заказа к отгрузке. В задании чётко прописаны места хранения каждого вида товаров - подзона, ряд, место.
Упаковка и отгрузка
После сбора заказа он упаковывается в фольгированные пакеты на столах упаковки с помощью специального устройства, упаковщика, и перемещается в зону отгрузки по несколько заказов на транспортной тележке. В зоне отгрузки товар помещается в специальные транспортировочные сумки, похожие на спортивные туристические, для удобства переноса и доставки до двери. В стандартную машину вмещается 10 сумок, при условии, что сумки едут только на «полу» автомобиля и не размещаются одна над другой, что может привести к повреждению упаковок и смятию овощей и фруктов.
Доставка
Процесс доставки организуется на автомобилях-фургонах Lada Largus, в которые вмещается до десяти заказов. В фургонах поддерживается режим пониженной температуры. Планирование заказов происходит таким образом, чтобы в одном и том же автомобиле не доставлялись заказы на одно и тоже время, таким образом, система выдает последовательные заказы и соответствующее адресное задание курьеру.
Мощности и ресурсы
Компания позиционирует доставку от 40 минут, в действительности она может занимать до 80 минут, а в редких случаях и дольше (см.рис.1.16).
Рис.1.16. Цикл обработки заказа
Такое окно позволяет оптимизировать маршруты курьерам, иначе загрузка автомобилей была бы ниже. Нужно сказать, что полная загрузка машин бывает редко, в основном машины загружены от 50 до 80 процентов. Это прежде всего связано с запасом мощности, который поддерживает компания для работы в условиях повешенного спроса. Текущий склад может обрабатывать до 130 заказов в день. Исходя из этого компания планирует свои ресурсы. При 16-часовой смене целевая производительность примерно 20 заказов в час. При средней загрузке автомобилей на 65%, то есть по 6-7 заказов в отгрузке, получается нужно отправлять около 3-4 автомобилей в час. Круг доставки занимает при этом от 40 до 80 минут, в среднем 80 минут с учётом отдыха и заправки. При таком приблизительном планировании выходит, что на один склад приходится около 5-6 автомобилей, 1 всегда должен быть на запасе. При этом для сбора 20 заказов в час, при времени обработки заказа в 15 минут -- один оператор может собрать до 5 заказов. При таком планировании необходимо минимум 4 оператора сборщиков на склад, помимо этого нужно осуществлять приёмку товаров, их распределение по местам хранения, отгрузку. Пример расчёта человеческих ресурсов для склада можно посмотреть в таблице ниже.
Таблица 1.11. Пример планирования ресурсов для склада.
|
Показатель/параметр |
Значения |
|
|
Заказов в день |
130 |
|
|
Заказов в час 1 комплектовщиком |
5 |
|
|
Смен |
2 |
|
|
Часов в день, ч |
8 |
|
|
Комплектовщики, чел/смена |
4 |
|
|
Доля приёмщиков от комплектовщиков |
1.5 |
|
|
Приёмщики, чел/смена |
3 |
|
|
Доля грузчиков от комплектовщиков |
0.25 |
|
|
Грузчики, чел/смена |
1 |
|
|
Начальник смены, чел/смена |
1 |
|
|
Среднее время круга доставки с запасом, мин |
80 |
|
|
Интервал отгрузки, мин |
20 |
|
|
Средняя загрузка машины |
65% |
|
|
Максимальное количество заказов в машине |
10 |
|
|
Среднее количество заказов в машине |
6.5 |
|
|
Машин в час с учётом круга доставки и запасом +1 |
6 |
|
|
Курьеров водителей, чел/смена |
5 |
Заключение по первой главе диплома
По итогам первой главы можно сказать, что компания OZON и сервис «Супермаркет» имеют ряд проблем.
Во-первых, они операционно убыточны. Несмотря на цели, компания всё еще остаётся уязвимой, а также терпит репутационные издержки как в лице потребителя, так и в лицах сотрудника и потенциального кандидата. Каждый год на протяжении последних нескольких лет на основе открытой отчетности снижаются показатели чистой прибыли, рентабельность продаж, собственного капитала и активов. Рост затрат связан с уменьшением рентабельности продаж, ростом управленческих и коммерческих расходов. В существенной мере это связано с тем, что компании в том числе в рамках этих статей инвестирует в развитие новых схем ведения бизнеса и технологии, многие из которых всё еще являются убыточными. Например, одним из таких направлений является сервис быстрой доставки «Супермаркет», в котором доставка на последней миле является единственным и ключевым звеном передачи заказа потребителю. По причинам озвученным выше чрезвычайно важно внимательно относиться к использованию ресурсов компании. «Супермаркет» для выхода на окупаемость не хватает продаж, из-за штата по запуску проекта велика доля постоянных затрат. Решением этой проблемы является масштабирование бизнеса на другие районы Москвы.
Во-вторых, в компании отсутствует методика прогнозирования продаж направления бизнеса «Супермаркет», что приводит к фактически случайному способу выбора районов для размещения складов, основанном только на наиболее привлекательных предложениях по аренде складов и экспертной оценке сотрудников компании.
В-третьих, в «Супермаркете» отсутствует понимание того, как закреплять районы за складами быстрой доставки и как определять зону обслуживания.
В-четвёртых, в компании отсутствует методика размещения складов быстрой доставки в условиях ограниченного предложения об аренде и при фиксированном объеме инвестиций.
В-пятых, в организационной структуре отдела логистики наблюдаются существенные недостатки и ошибки по распределению обязанностей между отделами, что приводит к необоснованному принятию решений, к примеру, в структуре отсутствует функция аналитики, выполнение которой перекладывается на сотрудников других отделов или централизованный отдел аналитики логистики, первые из которые плохо понимают специфику логистической деятельности и не могут помочь в выполнении подробной аналитики, а вторые выполняют задачи в порядке общей очереди, что может занимать от двух недель до нескольких месяцев, что является губительным для стартапов такого рода, где задачей номер один на ближайшие год-два является покрытие всей Москвы складами быстрой доставки для максимизации охвата рынка с точки зрения продаж.
В-шестых, компания OZON не имеет опыта масштабирования бизнеса типа «Супермаркет», т. к. это относительно новое направление бизнеса для российского рынка электронной коммерции и абсолютно новое для компании в целом. Введу этого факта важно осторожно подходить к масштабированию бизнеса, открывая склады в наиболее интересных с точки зрения продаж районах и с принятием осознанных решений, основанных на данных.
Глава 2. Анализ подходов к размещению логистических мощностей и разработка методики размещения складов быстрой доставки
2.1 Подходы к решению задач о размещении логистических мощностей
В результате анализа, проведённого в первой главе анализа, можно сформировать ряд требований к проектированию сети складов быстрой доставки. Во-первых, необходимо выдвинуть требование к площади склада. Склад должен располагаться на территории Москвы, быть оборудован всеми необходимыми коммуникациями, иметь погрузочно-разгрузочную рампу, а площадь склада должна быть не менее 400 м2, поскольку склад «Москва-0» при текущей производительности и принятом алгоритме обработки заказа позволяет собирать до 130 заказов в день, что обеспечивает лишь 8% запас финансовой прочности, что накладывает финансовые риски на платёжеспособность сервиса при вариативности спроса. Конечно, при масштабировании бизнеса этот процент будет возрастать даже при открытии складов сравнимой мощности за счёт снижения доли постоянных затрат, поскольку не планируется увеличение штата офисного персонала, тем не менее большая мощность складов, при условии наличия предложений об аренде на рынке и соответствующего спроса, позволит расти компании быстрее. Исходя из целей покрытия спроса на быструю доставку в рамках Московского региона компании необходимо разработать методику по размещению складов быстрой доставки, причём, поскольку доля постоянных затрат велика, необходимо заранее предусмотреть в модели учёт этого фактора, например, за счёт минимизации затрат на аренду.
Другим ограничением является время доставки, как упоминалось в первой главе, допустимо, когда оно занимает от 40 до 80 минут. Подобное требование создаёт ограничение на радиус обслуживания, по этой причине это также необходимо учесть в модели при закреплении клиентов за складами.
Такие конкуренты, как «Яндекс.Лавка» и «Самокат» выбирают для размещения складов густонаселённые районы. В качестве склада подходит любое помещение с наличием коммуникаций, площадью от 100 м2. Другой конкурент «Пятёрочка» совмещает склад типа «тёмный магазин» с обычным распределительным складом в одном помещении, по этой причине к их складам предъявляются повышенные требования, в частности, к площади помещения. Оно должно быть от 2000 до 4000 м2. «Озон» планирует занять промежуточную нишу между первыми, кто ориентируются на импульсные нужды и желания потребителей, и вторых, позиционирующих себя, как доставка для пенсионеров. К тому же из-за отсутствия централизованного склада в Москве компания не может рассматривать склады большие по площади для работы аналогично «Пятёрочке», а открытие подобного склада из-за соображений развития «Супермаркета» займёт длительное время, в то время как одним из главных приоритетов сервиса в подобных конкурентных условиях является быстрый охват рынка. По этой причине «Озон» не подходят склады сравнимой конкурентам мощности, а размещение в густонаселённых районах возможно, но не в спальных районах, поскольку склад не может размещаться в подвале дома или другом помещении на районе сравнимого размера.
Поскольку все поставки будут осуществляться централизовано со склада в Твери, а радиус распределения будет рассчитан на основе требуемого времени доставки, транспортные затраты будут переменной составляющей затрат, а значит будут расти пропорционально количеству заказов, по этой причине, а так же потому, что компании прежде всего нужно стремиться сокращать постоянные затраты для увеличения устойчивости, учётом транспортных затрат на доставку при разработке модели можно пренебречь.
Для компании «Озон» сервис по доставке еды «Супермаркет» является инновационным, по этой причине у компании отсутствует статистика продаж при экспресс доставке. Тем не менее, компания имеет статистику продаж по аналогичным категориям товаров при обычной доставке, которая может быть осуществлена либо день в день, либо от 1 дня. Как утверждает ряд исследователей в своих методиках по проектированию и реорганизации сети, для проектирования необходимо произвести прогнозирование продаж [2,4,7].
Из-за ограниченных возможностей складов быстрой доставки и высоких требований к срокам критически важно решить задачу о размещении логистических мощностей для покрытия спроса города или района. От успешности выбора конфигурации зависит характер стратегического развития каждой компании. Учитывая темпы роста рынка электронной торговли и трансформации бизнеса, связанные с этим, в нынешних условиях именно срок и качество доставки на последней миле является конкурентным преимуществом, способным обеспечить устойчивый рост. Именно поэтому задача о покрытии спроса с минимальными затратами должна рассматриваться на ряду с другими при планировании стратегического развития компании. Поскольку при быстрой доставке на последней миле, сроки, а также расстояния, на которые доставляется продукция, являются относительно постоянной величиной, рассмотрение затрат, связанных с транспортировкой, выходит за рамки решения поставленной задачи диссертации и цели компании. Ключевыми параметрами сети становятся затраты на открытие (или аренду) и удовлетворенный (покрытый) спрос, что сводит наш фокус рассмотрения проблемы на ключевое противоречие сетей распределения: логистические затраты и уровень сервиса. Понятие сети распределения раскрывается в работах В.В. Дыбской, где предлагается оригинальный подход к проектированию и реорганизации сети распределения. Перед реорганизацией сети выделяет автор, следует ответить на ряд вопросов, связанных с целеполаганием, формой собственности складов, ключевыми метриками для оценки эффективности функционирования сети, анализом уровня логистического сервиса, оптимальностью размещения текущих мощностей и другие. Чтобы ответить на эти вопросы, необходимо провести математические расчёты по формулам и следовать алгоритму по проектированию сети.
В последнее время всё чаще в научной литературе обозреваются более современные и инновационные подходы. Проектирование и реорганизация сети может быть спланирована на основе технологий имитационного моделирования, линейного программирования, путём математической формализации задач, и другие оригинальные подходы с применением последних достижений математики и IT индустрии. В каждом отдельном случае стоит выбирать определенные технологии и инструменты в зависимости от целей и задач, наличия исходных данных и других факторов. Вместе с тем при проектировании сети необходимо следовать определенной последовательности этапов, что обычно освещается как «алгоритм проектирования сети распределения» или алгоритм её организации, но даже на основе автоматических решения алгоритмов нельзя полагаться целиком и полностью на результаты таких расчётов, всегда необходим критический аналитический взгляд человека, за которым остаётся не только принятие конечного решения, но реализация и контроль каждого шага того или иного подхода, кроме того, практически всегда необходим индивидуальный подход. В отечественной литературе различные классические подходы и методы по проектированию сети распределения предлагаются такими авторами, как В.В. Дыбской [2, 4] и В.И. Сергеевым[7], на основе которых можно строить другие более специфические методики с применением современных средств сбора и обработки данных, их визуализации, анализа и так далее для разработки приложений и методик, помогающих принимать сложные стратегические решения. Эти и другие концепции легли в основу разрабатываемой в процессе написания данной диссертации методики по размещению складов быстрой доставки с применением методов и инструментов науки о данных.
Из вышеизложенного можно заключить, что практики масштабирования аналогичного бизнеса конкурентов с точки зрения выбора место расположения складов для организации быстрой доставки не могут быть использованы в модели по причине наличия существенных отличий в мощности складов и позиционировании компании. В тоже время сами процессы организации работы на складах отличаются несущественно. Тем не менее, более общие подходы к проектированию и реорганизацию сети могут быть частично использованы в модели с некоторой модификацией, обусловленной спецификой задачи, так, например, необходимо разработать модель прогнозирования продаж по районам, провести закрепление районов за складами на основе радиуса обслуживания, который в свою очередь также следует рассчитать. К ограничениям, выявленным в процессе работы, можно отнести минимальные мощности складов, которые могут быть рассмотрены, как потенциальные; необходимость учёта стоимости аренды при разработке модели, как существенной составляющей постоянных затрат при масштабировании бизнеса, а также обеспечение заявленного уровня сервиса во всём московском регионе.
Далее будут рассмотрены классические и более специфичные методы и инструменты по решению задач об оптимальном размещении объектов. Также будет разработана оригинальная методика по размещению складов быстрой доставки на основе исследованного материала, будет обоснован выбор методов и инструментов, используемых для реализации подхода.
2.2 Методы и инструменты, используемые при решении задач размещения логистических мощностей
Задачи по оптимизации конфигураций цепей поставок и размещения логистических и других мощностей решаются с помощью теории о размещении мощностей. Теория появилась в 1909 году при формулировании А. Вебером задачи об определении месторасположения фабрики, которая снабжала несколько клиентов, при этом критерием целевой функции была функция общих логистических затрат [3]. Таким образом, теория развивается уже более ста лет, тем не менее все еще не было выбрано оптимального подхода к размещению мощностей.
На текущий момент существует ряд подходов, которыми решаются задачи подобного размещения объектов, к ним относятся такие концепции, как: location-allocation problem, multi-depot-location-allocation problem, generalized Weber problem of warehouse-location problem, p-median problem, multi-Weber problem, standort-einzugsbereich problem, multisource Weber problem, multisource location-allocation problem [3, 24, 26].
Из перечисленных концепций можно выделить три основные категории методов: качественные, методы ранжирования и количественные.
К первым относятся метод Дельфи и метод экспертных оценок, что представляет из себя определение качественных показателей для последующей их оценки экспертами на вариантах и сравнения для выбора наилучшего. Ко второй можно отнести метод аналитически иерархий, метод доминирующих характеристик и метод рейтинговых оценок. Эта группа имеет много общего с первой, поскольку остаётся необходимость прибегать к анализу и оценке опций по количеству индикаторов, но дополнительно содержит расчёт баллов на основе индикаторов для сравнения вариантов, где результирующий рейтинг равен сумме взвешенных оценок по показателям, которые предварительно взвешены. Тем самым получается произвести оцифровку качественных показателей. К третьей группе методов относятся количественные. Они считаются наиболее объективными, хотя и часто требуют произведения некоторого упрощения. К ним относятся методы линейного и целочисленного программирования (ЛЦП), метод центра тяжести, метод совокупных затрат и др. Основной принцип группы сводится к формализации задачи таким образом, чтобы можно было найти математически оптимальное решение при выбранном критерии и ограничения (обычно применяются максимальные затраты, ограничения на мощности, требования удовлетворения спроса или открытия заданного количества объектов). В качестве целевой функции обычно выступают функция совокупных логистических затрат или уровень сервиса, например, охват рынка или среднее время поставки. Это связано прежде всего с двумя основными подходами и зависит от стратегических целей компании и отдела логистики, один из которых направлен на сокращение затрат, а другой - на повышение уровня сервиса. Сравнительная характеристика групп методов приведена в табл.2.1.
Таблица 2.1. Сравнительная характеристика групп методов концепций по решению задач по оптимальному размещении объектов
|
Группа методов |
Достоинства |
Недостатки |
|
|
Качественные |
Возможность учёта качественных факторов и рисков, а также опыта профессионалов и экспертов |
Субъективность в оценке, сложность научной интерпретации и доказательства оптимальности варианта размещения |
|
|
Методы ранжирования |
Возможность учёта важности того или иного фактора, возможность оцифровки любого параметра, интегральный подход к оценке. |
Субъективность в оценке не только параметров, но и весов, сложность научной интерпретации и доказательства оптимальности варианта размещения |
|
|
Количественные |
Наличие чёткого и понятного результата, который является оптимальным в рамках сформулированной задачи. |
Упрощение при формализации, ограниченный учёт качественных факторов. |
Возвращаясь к двум подходам в решении задач о размещении логистических и других объектов с помощью количественных методов, которые являются наиболее понятными и объективными, нужно сказать, что подход, нацеленный на логистический уровень сервиса, может быть разделен еще на несколько направлений. С одной стороны при таком подходе может преследоваться цель минимизации времени обслуживания, что будет способствовать размещению объектов снабжения, как можно ближе к своим клиентам при ограничениях на логистические затраты, с другой стороны целью может быть максимизация охвата рынка или удовлетворенности спроса при аналогичных ограничениях. Также к ограничениям может относиться и максимально возможное количество складов. Ниже представлено несколько базовых классических формулировок задач о размещении мощностей, в том числе с расчётом расстояния между клиентом и складом на основе координат. После чего будет представлен обзор современных работ, посвященных схожим проблемам.
Так среди классических выделяют следующие математические формализации задач, с применением методов которых, можно провести расчёт расстояний для закрепления клиентов за складами при кластеризации
Максимизация удовлетворения спроса при ограничении на количество складов. При этом в задаче уже задано максимальное количество складов, поэтому нет необходимости определения их оптимального количества, а задача сводится исключительно к их расположению, которое будет оптимальным с точки зрения покрытия спроса или территории, при этом добавляется ограничение на расстояние обслуживания или время поставки [1, 3].
1. Целевой функцией задачи служит максимизация продаж:
(1)
Где ;.
(2)
где , отвечающая за открытие склада,
набор разрешенных назначений,
, (3)
где
2. Целевой функцией задачи служит минимизация максимального допустимого расстояния между складами и точками сбыта (другие названия mini-max или p-center model):
(4)
где
,
, (5)
, (6)
, (7)
, (8)
, отвечающая за открытие склада,
, отвечающая за закрепление клиента за складом., (9)где .
Эта постановка была предложена Альфредов Вебером в начале зарождения теории и стала основой для класса моделей непрерывной оптимизации при размещении объектов (в задачах УЦП). Бывают и другие модификации моделей. Чаще всего в качестве целевых функций могут выступать минимизация логистических затрат, максимизация продаж, минимизация количества открытия объектов, минимизация суммарного или максимального расстояния между клиентами и складами, и некоторые другие.
За срок более ста лет разработки теории были выработаны многочисленные вариации целевых функций и ограничений, процедуры расчётов, методов и т.д.. Тем не менее выбор нужной постановки задачи должен всегда исходить из реальных целей, а метод из имеющихся в распоряжении данных и необходимой точности расчётов. В общем, большую часть моделей в задачах оптимизации для оптимального размещения объектов на плоскости можно объединить в 3 группы.
К первой группе относятся сетевые модели, которые представляют из себя представление цепи поставок в виде ориентированного графа, где дуги означают маршруты, а узлы - производственные мощности или точки сбыта. Возможные варианты размещения ограничены количеством вершин и точками на его дугах (обычно это середины дуг или точки их пересечения). В таком случае в качестве целевой функции выступает сумма логистических затрат, что приводит к такой конфигурации сети, когда расстояния между вершинами графа и ближайшими соседними объектами наименьшая. В дополнение к целевой функции могут добавляться ограничения на количество объектов, складов, максимальный размер затрат на их строительство. С точки зрения математической постановки задачи текущая группа очень схожа с моделями смешанной дискретной оптимизации расположения объектов. К методам, относящимся к теории графов, можно отнести: кратчайший путь, принцип решения задачи о максимальном потоке, покрывающее дерево и другие. По причине специфики формата представления переменных и параметров задачи, другими складами, элементов цепи поставок в виде графов и схем, а также специфики математического аппарата, эти методы чаще всего применяются в решении задач оптимизации транспортных потоков с уже имеющимися координатами расположения объектов на плоскости, но не для задач их определения.
Ко второй группе моделей можно отнести аппарат непрерывной оптимизации для вычисления оптимального количества объектов и их размещения. Названием группы моделей обуславливается возможностью размещения объектов логистической инфраструктуры и других объектов в любой точке. Существуют разные способы оценки расстояния между складами и потребителями, к ним относятся:
· манхэттенское расстояние (сумма длин отрезков, соединяющих координаты объектов по вертикали и горизонтали),
· евклидова длина (корень суммы квадратов разностей координат объектов)
В общем виде формула выглядит как:
, (10)
Для евклидового расстояния t = 1, для манхэттенского расстояния t = 2. Для проектирования сети распределения в крупном масштабе применяется манхэттенская длина.
При разработке подхода по размещению складов быстрой доставки для решения задач диссертации данные методики расчёта расстояния обслуживания не подходят по причине того, что спрос в результате прогноза получается агрегированным до районов, поэтому для применения подобных расчётов расстояний при оптимизации было необходимо дополнительно равномерно рассеивать спрогнозированный спрос пропорционально площади района и находить координаты этих точек или находить центр массы каждого района. В данной работе был предложен альтернативный подход, который будет изложен позже.
Из сравнительно «свежих» подходов, тем не менее основанных на классических постановках, некоторые из которых были представлены выше, имеющих отношение к размещению мощностей, и непосредственно к разработке подхода в текущей работе, можно выделить следующие, обзор которых представлен в таблице ниже.
Таблица 2.2. Исследование методов решения задач размещения мощностей
|
Задача |
Краткая характеристика |
Целевая функцияи ограничения |
Применимость для решаемой задачи |
|
|
Задачи о закреплении клиентов за объектами на основе минимальной сумма расстояний между ними [22, 24] |
Мат.модель, определяющая оптимальное размещение мощностей из возможных локаций с целью минимизации дистанции между ними и клиентами. Для закрепления клиентов за складами используется предварительное применение алгоритма K-средних. Модель с применением бинарных переменных. Модель реализована на языке Python. |
Множества: Клиентские кластеры Потенциальные места размещения мощностей Подмножество возможных закреплений Параметры: Максимальное расстояние до клиента Макс-е кол-во отрытых мощностей Количество клиентов в кластере Матрица расстояний между клиентами и мощностями Переменные: Бинарная переменная открытия Бинарная переменная закрепления Целевая функция (ЦФ): Минимизировать суммарное расстояние от мощностей до кластеров Ограничения: На количество открытий На закрепление кластеров за объектами (только, если объект открыт и пара в подмножестве допустимых закреплений) Кластер обслуживается только одним объектом |
Одним из варианта закрепления клиентов за складами может быть кластеризация, однако в данной работе спрос прогнозируется на уровне региона, а его разбиение пропорционально площади района потребует дополнительных действий. В модели также необходимо сгенерировать подмножество разрешенных закреплений. Ряд ограничений могут быть применены к модели. Единственное, нет необходимости ограничивать количество мощностей, поскольку цель минимизировать постоянные затраты на аренду, кол-во складов и так окажется минимальным с учётом возможного ограничения на бюджет. |
|
|
Задача о покрытии территории вышками телефонной связи (задача о максимальном обеспечении клиентов возможностью связи) [23] |
Модель о том, как построить сеть вышек сотовой связи, чтобы обеспечить покрытие сигнала как можно большему числу людей. Решена с помощью Python (Gurobi) |
Множества: Потенциальные объекты к открытию Районы Подмножество возможных закреплений Параметры: Затраты на открытие вышки Население района Переменные: Бинарная переменная открытия Бинарная переменная покрытия района Целевая функция (ЦФ): Максимизация обеспеченного связью населения Ограничения: Бюджет на открытия На то, что минимум 1 вышка, покрывающая район, должна быть открыта. |
В модели использован механизм, необходимый для «замыкания» модели, а именно ограничение, когда хотя бы одна вышка, которая обслуживает район должна быть открыта. Благодаря этому можно гарантировать, что если район должен быть обеспечен связью, что минимум 1 вышка будет назначена на его обслуживание, причём, их количество может быть и большим. Также использовано ограничение на бюджет. |
|
|
Задача о размещении объекта с ограниченной мощностью [21,26] |
Модель предполагает наличие одного множества, которое имеет спрос, и другого, которое ограниченно по мощности. В модели рассмотрены как постоянные зарыты на открытие, так и переменные затраты на транспортировку. |
Множества: Клиенты Потенциальные места размещения мощностей Параметры: Спрос клиентов Мощности объектов Постоянные затраты на открытие Переменные затраты на транспортировку Переменные: Бинарная переменная открытия Переменная грузопотока Целевая функция (ЦФ): Минимизировать максимальное расстояние до клиента Ограничения: Спрос должен быть удовлетворён Грузопоток с объекта не должен превышать его мощность Грузопоток должен быть неотрицателен Клиент не должен быть переснабжён |
В задачи отсутствует ограничение на закрепление, но имеется ограничение на мощности, которое будет необходимо использовать при разработке модели оптимизации. В данной работе также рассмотрена переменная грузопотока, которая позволяет создать требование полного удовлетворения спроса. При этом каждый объект может быть загружен не на полную мощность, а одного клиента могут снабжать несколько объектов. Это также может быть использовано в модели. |
|
|
Задача «k-Center» о нахождении такой конфигурации сети, при которой максимальное расстояние от точки обслуживания до клиента минимально [24] |
Задачи о закреплении клиентов за объектами на основе минимизации максимального расстояния до клиент. Разновидность решения задачи о k-медианах. |
Множества: Клиенты Потенциальные места размещения мощностей Параметры: Макс-е кол-во отрытых мощностей Переменные: Бинарная переменная открытия Бинарная переменная закрепления Целевая функция (ЦФ): Минимизировать максимальное расстояние до клиента Ограничения: На количество открытий На закрепление кластеров за объектами (только, если объект открыт) Кластер обслуживается только одним объектом Расстояние до закреплённого клиента должно быть не более минимизируемой величины |
В нашей задачи необходимо производить закрепления на основе максимального допустимого расстояния, к тому же спрос агрегирован до уровня районов. Кроме этого, необходимо проводить закрепления только в рамках подмножества допустимых закреплений. Также в модели не рассматриваются затраты. |
Помимо рассмотренных выше бывают и более специфичные решения подобных задач, например: задача «k-Cover» - разновидность решения задачи «K-Center», в которой вместо условия минимального максимального расстояния используются бинарные переменные [24], задача о расположении пунктов выдачи для доставки товаров на последней мили [20] (другой вариант реализации модели «K-median», задача о максимальном покрытии спроса, путём размещения объектов с ограниченной мощностью при обслуживании клиентов дронами, имеющими ограниченный радиус обслуживания (задача о поиске количества необходимых объектов и закреплении дронов между клиентами и объектами) [21].
В результате анализа теории по формализации задач линейного программирования, возможных целевых функций, а также классических и современных статей, посвященных освещаемой проблеме, была формализована математическая постановка задачи об открытии объектов логистической инфраструктуры для полного покрытия спроса при минимальных затратах на открытие складов и их ограниченной мощности. До презентации разработанной методики необходимо определиться с методами и инструментами для прогнозирования продаж и решения задачи линейного программирования. Полная оригинальная методика будет представлена в 3 части текущей главы после освещения поставленных выше вопросов.
Для решения поставленных задач по реализации поставленного подхода специалисту необходимо уметь работать в различных современных программных продуктах. Для задач сбора и подготовки данных нужно быть способным написать SQL запрос к базе данных компании для формирования исходных данных о продажах, координатах точек сбыта и расположении складов. Различные базы данных требуют знания нюансов, «диалектов» языка. Так, например, к наиболее известным относятся: T-SQL, PostgreSQL, SQLite и другие. Выбор того или иного диалекта зависит от источника данных компании. По этой причине для реализации подхода необходимо иметь в штате опытного аналитика данных или обратиться в специализированное агентство. Кроме этого, необходимо уметь агрегировать данные по полигонам, районам и городам для последующего прогноза спроса, введу того, что продажи розничных интернет ритейлеров разбросаны по адресам пунктов выдачи, поставтоматов, а при реализации бизнес модели быстрой доставки товаров от 40 минут, чаще всего это конкретные координаты, привязанные к определенному зарегистрированному адресу, что делает прогнозирование продаж на уровне координат затруднительным, по этой причине необходимо сгруппировать данные по кластерам. Самым простым способом группировки в данном случае согласно цели является агрегирование данных о продажах до уровня районов, чтобы в последующем использовать для прогнозирования продаж быстрой доставки не только данные о продажах с обычной доставкой, но и информацию о демографическо-гендерной структуре района, например, количество женщин и мужчин определённого возраста, работающее население, количество детей, количество людей на пенсии и другую информацию. В решении этой задачи могут помочь такие программные продукты, как QGIS, ArcGIS, библиотеки языков Python и R, и другие продукты. В качестве инструмента агрегирования спроса по районам Москвы, а также средства визуализации данных о продажах и расположении складов в результате решения задачи о размещении мощностей был выбран программный сервис QGIS введу его простоты и богатой функциональности [11].
Отдельной задачей является закрепление клиентов за складами или в текущей работе и методике - районов за складами, которые они могут обслуживать. Вариант решения этой задачи зависит от наличия исходных данных, степени агрегации прогноза продаж и других особенностей. В реальных условиях необходимо провести ручной поиск или парсинг данных о предложениях об аренде на доступных интернет площадках с объявлениями об аренде, стоимости и мощностях. Поскольку написание парсера выходит за рамки разработки подхода, а также по причине того, что парсеры чаще всего являются платными разработками отдельных физических лиц, которые предлагают платные услуги по парсингу или продажу инструмента в сети интернет, что не может гарантировать факта предоставления услуги, а также отсутствия вирусов в программном продукте, данные о размещении складов были подготовлены путем равномерного покрытия исследуемой территории точками, представляющими из себя места расположения складов, а информация о стоимости и мощности каждого подобрана с помощью генератора случайных чисел в заданных пределах, выявленных на основе анализа предложений об аренде складских мощностей требуемой мощности в Москве на сайте Авито.
Для решения описанной задачи о закреплении районов за складами, то есть определения подмножества допустимых закреплений была предложена оригинальная методика, представленная в 3 части текущей главы.
Упомянутая в начале части задача по прогнозированию продаж может быть реализованы различными подходами. В общем случае все методы можно разделить на две группы [12]: интуитивные методы и модели на основе суждений, формализованные методы на основе математических моделей.
К первой группе можно отнести различные методы экспертных оценок, организованные разными способами, например, метод «Дельфи» (относится к коллективной группе интуитивных методов), интервью (к индивидуальным), метод генерации идей и другие.
Ко второй группе относятся две подгруппы: методы экстраполяции (работа с временными рядами), методы моделирования (направлены на поиск зависимостей).
К методам по работе с временными рядами можно отнести такие известные методы, как: метод наименьших квадратов (НМК), экспоненциальное сглаживание, скользящие средние, а также модели, созданные путем применения алгоритмов машинного обучения, нейронных сетей, классификационных деревьев и прочие.
Ко второй подгруппе относятся эконометрические модели, имитационное моделирование, модели системной динамики и т. д.
Выбор метода и модели зависит от наличия исходных данных, требований к точности и интерпретируемости. Для наших целей наилучшей опцией для прогнозирования продаж оказывается построение регрессии, поскольку есть доступ ко всей необходимой информации, а также по причине относительной простоты интерпретации процесса и результатов моделирования руководству и акционерам компании. Нужно заметить, что подходов к построению регрессии тоже несколько, что зависит от специфики прогнозируемой величины и влияния различных факторов. Так бывают регрессии следующих типов: линейная, многофакторная, логистическая, «хребет», «лассо» и другие.
В качестве типа регрессии для прогнозирования продаж быстрой доставки была выбрана модель регрессии типа «Лассо», поскольку позволяет избежать некоторых недостатков классических моделей, а также провести регуляризацию параметров. Зачастую в моделях встречаются зависимые переменные, так регрессия типа «Лассо» служит альтернативой процедуре отбора переменных за счёт ограничения их влияния. Несмотря на схожесть упомянутого типа регрессии с регрессией «Хребет» она имеет преимущество, поскольку кроме регуляризации параметров позволяет прировнять некоторые коэффициенты к нулю, что служит лучшим решения при необходимости отбора переменных [6]. В данной работе при прогнозировании целевых продаж несмотря на перечисленные преимущества регрессии «Лассо» предварительно проводился отбор переменных на основе критерия adj R^2, позволяющего сравнивать между собой модели с разным количеством предикторов, за счёт добавления к классическому индикатору точности линейной модели R^2 пенальти. Аналогами adj R^2 могут быть AIC и BIC, выбор которых зависит от количества переменных и размера исходных данных, но конечное решение по применению того или иного критерия находится в полномочиях аналитика, выполняющего прогнозирование продаж, исходя из его опыта, мнения и предпочтений, поскольку требует индивидуального подхода. В качестве инструмента для прогнозирования продаж при быстрой доставке по причине удобства работы с данными, анализа данных и простой загрузки пакетов был выбран язык программирования R и его пакеты [10]: mlr - фреймворк для машинного обучения, library(leaps) - отбор переменных для модели, glmnet - построение прогнозных моделей на основе регрессий типов «Lasso» и «Ridge», и др.
В современном мире используется множество различных инструментов для решения задач линейного программирования, к ним относятся, например: пакет «Поиск решений» программного продукта MS Excel; специально предназначенный для решения задач такого типа язык программирования AMPL; язык программирования Python (библиотеки pupl cvxopt, scipy.optimize); язык программирования R (пакет «lpSolv»); и более специфичные Visual Math, Gurobi, GAMS, CPLEX, Lingo и другие.
Несмотря на преимущество в простоте использования пакет «Поиск решений» в Excel позволяет решать относительно несложные задачи оптимизации со сравнительно небольшим количеством ограничений и строк исходных данных в модели. Языки программирования R и Python помимо знания формализации математических моделей требуют знаний синтаксиса и структур языков, способов и методов загрузки и записи данных, а также её обработки, что предполагает определенное время на практику. Некоторые продукты имеют ограниченные бесплатные лицензии, что даже делает их менее предпочтительными по сравнению с Excel введу функциональности и технического барьера. По этим причинам наилучшим решением для сложных задач оптимизации с большим объемом данных служит язык программирования AMPL, имеющий относительно простой интерфейс и стандартные конструкции для ввода и вывода данных. Нужно отметить, что для решения задач линейного программирования AMPL использует решатель «Gurobi» [9].
Для визуализации и представления результатов использовались средства QGIS, Power BI, MS Power Point, MS Excel, вывод результатов AMPL.
2.3 Разработка методики размещения складов быстрой доставки
В первой и второй частях первой главы были представлены различные подходы к проектированию сети распределения на основе решения задач линейного программирования как зарубежных, так и отечественных авторов. В результате анализа можно заключить, что описанные подходы применимы для практической реализации, но в результате специфики и новизны бизнеса, а также особенностей целей и задач каждой компании для оптимального размещения логистических мощностей быстрой доставки необходима разработка индивидуального отдельного подхода. Обоснование выбора инструментария было представлено выше. Ниже представлена разработанная методика по размещению складов быстрой доставки с целью покрытия спроса целевых районов (рис.2.1).
Рисунок 2.1. Этапы реализации методики размещения складов быстрой доставки. Далее подробно описан каждый шаг алгоритма:
1. Анализ функционирования текущей складской сети и определение требований к целевой логистической сети.
На данном шаге проводится подробный анализ процессов, показателей и характеристик текущей складской сети. Анализируется спрос, логистические ресурсы и мощности. Определяются цели и задачи проектирования или реорганизации складской сети.
2. Прогнозирование объема заказов с экспресс-доставкой в разрезе районов
Следующим этапом применения подхода служит анализ необходимой информации, разработка требований к виду и типу данных, непосредственный сбор данных о продажа, о предложениях аренды складов, о населении (демографии, гендерной структуре, возрастной структуре и прочее) для прогнозирования спроса и её предобработка, агрегирование.
Прогноз продаж при быстрой доставке производится на основе данных о населении и статистики продаж товаров первой необходимости с обычной доставкой. Также проводится выбор методов и модели для прогнозирования продаж. Определяется набор переменных. При необходимости выбирается критерий отбора переменных, анализируется точность прогноза при возможности и прочее. В результате этого шага мы имеем опорный прогноз продаж в разрезе районов для решения оптимизационной задачи.
3. Определение потенциальных местоположений для складов быстрой доставки и определение зон обслуживания
Поскольку курьерская доставка обычно осуществляется по оптимизированному маршруту - петле, то небольшое её упрощение до окружности может позволить нам посчитать путь, как длину окружности (см. формулу 11), который с другой стороны равен средней скорости на маршруте помноженной на максимальное требуемое время доставки (см. формулу 12). Для упрощения экспериментов примем постоянными среднюю скорость на маршруте и максимальное требуемое время доставки. В действительности в разных районах они могут отличаться. Данный шаг предполагает расчёт действительного (см. формулу 13) и уменьшенного (см. формулу 14) на коэффициент надёжности радиуса обслуживания на основе средней скорости движения и требуемого максимального времени доставки, это необходимо для дальнейшей реализации подхода. Увеличение коэффициента надёжности ведёт к росту надёжности высокого логистического сервиса для клиента, поскольку, уменьшая радиус для закрепления районов, тем самым провоцируется открытие дополнительных складов в результате моделирования. Коэффициент подбирается опытным путем на основе тестового первичного моделирования, в качестве рекомендуемого для Москвы предлагается значение 1,5. На основе этого радиуса будет производиться закрепление районов за складами, а точнее определяться подмножество возможных закреплений. Район считается закреплённым за складом, если уменьшенная зона обслуживания склада «накладывается» на территорию района. Однако закрепление еще не означает факта обслуживания, а лишь формирует подмножество допустимых закреплений. Виды радиусов представлены на рис.2.2.
(11)
,(12), (13)
(14)
Рис 2.2. Виды радиусов при расчёте радиуса обслуживания склада быстрой доставки
Далее необходимо определить пересечение полигонов районов с зонами обслуживания складов на основе рассчитанного уменьшенного радиуса обслуживания. Если окружность обслуживания такого радиуса, построенная от координат расположения определенного склада, пересекает какие-либо полигоны районов, то необходимо считать возможным обслуживание данного района фокусным складом. Подобное закрепление проводится для всех складов в исходных данных.
4. Решение задачи об оптимальном размещении складов
Происходит формализация концептуальной и математической постановки задачи, определяется целевая функция, входные параметры и переменные, ограничения. После этого задача формализуется и решается. Математическую постановку задачи текущего исследования можно представить так:
Целевая функция по минимизации затрат на аренду складов:
, (15)
при следующих ограничениях:
.(16)
На неотрицательный поток заказов . (17)
На объём заказов (18)
На мощности складов .(19)
Требование удовлетворения спроса каждого района
.
Где
,
стоимость аренды склада j,
- бинарная переменная, означающая, может ли открытый склад j обслуживать район i,
- подмножество допустимых закреплений,
,
,
5. Сценарный анализ, разработка рекомендаций по развитию складской сети
После определения целевой конфигурации происходит визуализация решения для проверки корректности постановки модели, а также оценки правильности выбора коэффициента надёжности. Кроме этого, можно провести анализ чувствительности или сценарный анализ для определения уровня спроса, когда количество складов перестанет меняться, то есть будет являться минимально необходимым для полного покрытия регионов. Выбор финальной модели базируется не только на основе решения оптимизационной задачи, но также и на основе сценарного анализа в результате вариативности спроса, а также определения рисков и коэффициента запаса устойчивости при выбранной конфигурации.
6. Экономическое обоснование предложенных изменений
Принятие конечного решения должно быть основано на экономических расчётах с понимаем необходимых инвестиций и финансовых рисков, в результате чего может потребоваться повторная реализация какого-либо шага алгоритма.
Глава 3. Проектирование сети складов быстрой доставки продукта «Супермаркет»
3.1 Выбор размещения складов быстрой доставки OZON.ru с использованием предложенной методики
На основе проведенного исследования и в результате выявленных проблем их оптимальным решением будет являться проектирование сети складов быстрой доставки на основе прогнозирования продаж с помощью методов линейного программирования.
Предложенный подход к проектированию сети позволит компании получить стратегическое преимущество в результате оптимального распределения ресурсов обеспечения заявленного уровня сервиса во всём московском регионе, а также позволит подготовиться к различным сценариям развития ситуаций при отклонении продаж от прогноза в результате внешних и внутренних факторов. Оптимальное распределение складов быстрой доставки приведёт не только к широкому охвату рынка относительно нисшевой бизнес модели, что является тактическим преоритетом руководства и инвесторов компании, но и позволит сэкономить существенные ресурсы, что в свою очередь согласуется с долгосрочными стратегическими планами компании по выходу на окупаемость. Кроме расчёта различных сценариев модель позволяет провести анализ чувствительности количества необходимых складов к вариативности спроса.
Оптимизационная модель на основе прогнозирования продаж позволит получить опорное и оптимальное решения на основе анализа сценариев. В моделе будут учтены как затраты на аренду складов, так и их мощности, а также спрос агрегированный до районов Москвы.
Цель разработки подхода - нахождение оптимальной конфигурации складов быстрой доставки с целью полного покрытия спроса города Москва при минимальных затратах на аренду.
К задачам разработки подхода можно отнести следующие составляющие:
· Сбор и подготовка данных для прогнозирования продаж.
· Расчёт радиуса обслуживания.
· Закрепление складов за районами.
· Прогнозирование продаж в среде разработки RStudio с применением языка программирования R. Для прогнозирования продаж использовалась регрессия типа «Лассо», а отбор переменных проводился с помощью критерия сравнения моделей с разным количеством переменных R^2.
· Математическая формализация и постановка модели линейного программирования для оптимизации затрат по размещению складов быстрой доставки в ПО AMPL при требовании полного удовлетворения спроса.
В рамках исследования будут рассмотрены районы и клиенты районов города Москва. В результате прогнозирования продаж и решения оптимизационной задачи линейного программирования будет предложена оптимальная конфигурация складов быстрой доставки, покрывающая весь спрогнозированный спрос с учётом мощностей складов и затрат на их аренду.
Подобные документы
Условия обеспечения рационального варианта механизации погрузочно-разгрузочных работ. Склады в системах доставки грузов, их роль и место в транспортной сети. Структура простейшего транспортного процесса. Цель создания складов в логистических системах.
реферат [37,7 K], добавлен 30.11.2013Этапы развития логистики как экономической науки. Анализ роли и значения складов в логистическом процессе. Оценка эффективности организации единого технологического процесса функционирования баз и складов на примере ООО "Торговый Дом "Библио-Глобус"".
реферат [614,5 K], добавлен 31.08.2013Бесперебойное функционирование логистических цепей различной длины. Анализ основных показателей финансово-хозяйственной деятельности, подходов к организации доставки и обработки товаров в ЗАО "Проспект". Программа совершенствования системы управления.
дипломная работа [2,1 M], добавлен 26.09.2010Транспортная характеристика грузов. Совместимость грузов при хранении. Определение эксплуатационных нагрузок, создаваемых грузами на складах. Расчёт пропускной способности причала. Расчёты по рациональной загрузке складов. Анализ работы складов.
курсовая работа [216,2 K], добавлен 08.06.2011Логистическая цепочка для торговых предприятий. Характеристика материальных и информационных потоков гипермаркета. Логистическая инфраструктура, состояние складов, стоимость перевозок. Обзор вариантов логистических схем перевозок и размещения товара.
курсовая работа [580,6 K], добавлен 25.10.2012Транспортно-логистическое проектирование и управление системами доставки продукции. Системный анализ и его роль в организации логистики. Разработка мероприятий по совершенствованию системы грузоперевозок для промышленных предприятий Краснодарского края.
дипломная работа [3,2 M], добавлен 16.02.2016Рассмотрение вариантов доставки продукции от промышленных площадок предприятия к потенциальным потребителям. Составление маршрутов доставки продукции и выбор оптимальных путей доставки. Составление маршрута с минимальным расстоянием транспортировки.
контрольная работа [3,6 M], добавлен 11.01.2021Понятие и классификация предприятий размещения. Особенности маркетинга предприятий размещения. Специфика развития индустрии размещения в мире и в РФ. Анализ внешней и внутренней среды ЗАО "Редуктор+". Выполнение методики К. Камерона и Р. Куина.
курсовая работа [405,6 K], добавлен 20.06.2015Анализ алгоритма формирования складской сети. Планирование объема продаж и регионов сбыта. Разработка программы размещения складской сети. Выбор системы товароснабжения складов. Определение объема товарного запаса, который планируется иметь на складе.
курсовая работа [739,8 K], добавлен 26.09.2014Понятие и сущность электронной торговли в сети Интернет. Правила и способы доставки покупателю заказанных им в интернет-магазине предметов торговли. Основные виды организации доставки товаров. Проблема сбытовой политики в электронной коммерции.
реферат [27,4 K], добавлен 09.01.2011
