Размещение складов быстрой доставки в онлайн-ритейле с использованием методов и инструментов науки о данных

В результате проведения сценарного анализа было выявлено минимальное количество складов и их расположение для покрытия всех районов Москвы, участвующих в прогнозировании продаж, а также максимально отклонение в спросе при котором операционная деятельность продукта «Супермаркет» при предлогаемых конфегурациях сети остаётся всё ещё операционно прибыльной. Для этого проводились расчёты для различной степени отклонения спроса от прогноза продаж с шагом в 10%.

Перед руководством продукта «Супермаркет» стоит задача покрытия спроса клиентов города Москва на товары первой необходимости при быстрой доставке. При этом стратегической долгосрочной целью компании «OZON» в целом является выход на окупаемость. По этой причине основными критериями являются затраты на аренду складов, а также максимальный охват рынка, что выражается в задаче, как требование удоволетворения спроса. Целью исследования является разработка методики по проеткированию складов быстрой доставки. Алгоритм проектирования сети был описан в рамках второй главы. В первой главе был представлен анализ хозяйственной деятельности компании, а также особенностей функционирования складов быстрой доставки, в результе чего были определены факторы и проблемы, влияющие на реализацию подхода. В третьей главе работы будут представлены результаты применения методики размещения складов, в которую входят: подготовка данных для прогнозирования продаж и постановки оптимизационной задачи, прогнозирование продаж на основе регрессии типа «Лассо» с помощью R, и решение оптимизационной задачи в AMPL. Прогнозирование продаж на малом количестве данных может иметь не высокую точность, поэтому дополнительно был проведен анализ устойчивости сети при различных отклонениях спроса от планового. По этой причине принимать решение о необходимом количестве складов необходимо не на основе решения оптимизационной задачи, а в результате анализа сценариев при различной ошибке прогноза. Ниже предствлены результаты применения оставшихся этапов подхода.

Напомню, что целью проекта являлось размещение складов быстрой доставки с целью полного покрытия спроса Москвы при минимальных затратах на аренду складов. Из-за ограниченных ресурсов компании необходимо выбрать наиболее привлекательные с точки зрения продаж районы. Поскольку компания ориентируется не на рентабельность, а прежде всего на охват рынка. Для реализации подобной стратегии необходимо решить ряд задач.

Прежде всего необходимо сформировать требования к исходным данным, то есть понять, какие данные нужны, в каком виде они должны храниться, а также, где их брать. Для достижения поставленной цели необходимы следующие виды информации: данные компании, т.е. статистика продаж каждого вида доставки, конечно, это зависит от используемого подхода прогнозирования, а также от самого специалиста, поскольку выбор факторов для построения прогноза во многом зависит от него; также потребуются данные о населении, т.е. информация о возрасте населения районов, возрастной и гендерной структуре. Для технической реализации агрегирования спроса необходимы данные о границах регионов. Предложения об аренде складов следует искать на специализированных сайтах, тут пригодится информация о расположении склада, площади и стоимости аренды. Визуализация вышеперечисленных данных представлена на рисунках 3.1 и 3.2.

Рис.3.1. Визуализация данных о продажах компании в QGIS и границах районов

Рис.3.2. Визуализация данных о расположении потенциальных складов в QGIS

После сбора первичных исходных данных можно переходить к агрегированию спроса по районам. Поскольку данные о продажах компании интернет-ритейла чаще всего хранятся по координатам, то для решения задачи о размещении складов необходимо привести данные к одному формата для сравнения, другими словами, необходимо пересчитать продажи по районам, т. к. прогнозирование заказов конкретного покупателя не входит в задачи данной работы. Агрегация данных по регионам выполнена с помощью ПО QGIS. В результате в качестве выходных данных мы получаем агрегированный спрос по регионам Москвы в разбивке по виду доставки, то есть в той же самой агрегации. Сведённые данные представлены на рис.3.3 и рис.3.4. К ним относятся данные о продажах с обычной доставкой (Reg_Orders), имеющиеся данные о продажах с быстрой доставкой (Expr_Orders), общее население по районам (DistrictNumber), а также в разбивке половому и возрастному признаку (TotalPopulation, TotalWomen, TotalMen, и другие), отдельно нужно выделить выделенную категорию граждан работоспособного возраста. На основе этой информации дальше проводился отбор значимых переменных и прогнозирование продаж с быстрой доставкой.

Когда данные о продажах агрегированы до районов закрепление клиентов за складами стандартными методами на основе расчёта евклидового или манхэттенского расстояний становится невозможным. С одной стороны программные решения позволяют распределить спрогнозированный спрос равномерно в пределах районов пропорционально их площади, а затем закрепить их центры масс за складами с лучшей арендной ценой в пределах заданного расстояния, но в данной диссертации был выбран альтернативный упрощенный способ закрепления складов за районами на основе средней скорости движения и требуемого времени доставки. Для закрепления складов рассчитывается уменьшенный радиус, скорректированный на коэффициент надёжности. Средняя скорость движения принята 35 км/ч, максимальное требуемое время доставки 80 минут. При доставке курьерская машина двигается по заранее оптимизированному маршруту, в идеале - петле, немного упрощая её до окружности можно рассчитать длину окружности, которая равно пути движения курьерской машины по маршруту доставки. Для повышения надёжности модели и конфигурации сети используется коэффициент надёжности К_н, принятый в данном примере за 1,5, что повышает надёжность условно на 50%. В результате расчётов по формулам 13-14 радиус окружности обслуживания R_max вышел равным 15 км (умножение на 2 необходимо для нахождения диаметра окружности, по которой следует курьерская машина, что является радиусом обслуживания склада), а уменьшенный с учётом коэффициента надёжности R_у составил 10 км. В действительности это означает, что радиус обслуживания уменьшается для того, чтобы после закрепления складов за районами он точно покрыл большую их часть. 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.

Визуализация уменьшенных зон обслуживания представлена на рисунке 3.3.

Рис.3.3. Визуализация уменьшенных зон обслуживания для закрепления складов

Затем с помощью функционала QGIS найдём пересечение уменьшенных зон обслуживания с районами. Графические результаты представлены на рисунке 3.4.

Рис.3.4. Потенциальные зоны обслуживания складов

Кроме задачи агрегации спроса и закрепления районов за складами, необходимо реализовать алгоритм предобработки данных на языке программирования R, а также выполнить отбор переменных для прогноза, поскольку их потенциально может быть бесчисленное множество, поэтому следует использовать научные критерии для определения «полезных» переменных. В результате отбора переменных были оставлены следующие:

· Reg_Orders - заказы с обычной доставкой,

· Expr_Orders - заказы с быстрой доставкой,

· TotalPopulationUnder18 - население моложе 18 лет,

· TotalMen18to27 - население от 18 до 27 лет,

· TotalPopulationWorkingAge - общая численность работоспособного населения.

Напомню, что в данной работе для прогнозирования продаж была выбрана регрессия типа «Лассо» для прогноза продаж по быстрой доставке в других регионах на основе статистики продаж товаров первой необходимости со стандартными требованиями к доставке и статистики продаж товаров первой необходимости с повышенными требованиями к срокам доставки в освоенных регионах, а также на основе возрастно-демографической структуры населения регионов.

После реализации прогноза продаж следует сформулировать поставку задачи оптимизации. С учётом долгосрочных и тактических целей компании в качестве целевой функции выбрана минимизация затрат на аренду складов при требовании обслуживания каждого района, для которого спрогнозирован спрос, хотя бы одним складом.

В начале задаются множества, среди которых районы и склады. Также, в качестве исходных данных модель загружает данные о спросе по районам, данные о складах, а именно, затраты на аренду и мощность в штуках за тот же период, за который представлен спрос. Подгружается множество допустимых закреплений, которое было представлено в виде бинарного множества из всевозможных комбинаций складов и районов на этапе подготовки данных в R, где единица означает, что определенный склад может потенциально обслуживать соответствующий район.

В качестве переменных были объявлены бинарная переменная об открытии складов, бинарная переменная, которая «замыкала» бы модель и сообщала о том, что открытый склад может обслуживать конкретный район, т.к. матрица разрешенных назначений задана в модели, как множество параметров. Также для требования удовлетворения спроса введена целочисленная переменная грузопотока, это означает, что спрос того или иного района может быть удовлетворён более, чем одним складом в том случае, если какой-то склад не справляется, однако в этом случае нужно внимательнее анализировать экономические результаты и получившуюся загрузку складов, иногда открытие склада нецелесообразно. Для исключения подобной ситуации можно задать минимальную требуемую загрузку складов или смягчить требования к удовлетворению спроса, однако в данной реализации подобная постановка проблемы оказалась допустимой, что подтверждается экономическими расчётами в 3 части.

К ограничениям относятся: ограничение на мощности, на спрос, на не отрицательность грузопотока, а также на ограничение суммарного грузопотока в район и со склада, ограниченные мощностью складов и спросом. Другие ограничения накладываются для «замыкания модели», если точнее, то открытый склад может обслуживать только конкретные районы, причём грузопоток в какой-то район с данного склада может быть нулевым, а может занимать и всю мощность склада. Для реализации подобного механизма были включены в модель подобные ограничения. Информация, описанная выше, включается в файл с расширением «.mod», в котором происходит постановка задачи на языке AMPL, для запуска модели также необходимо прописать код чтения и записи данных «.dat» и файл запуска скрипта «.run»,в котором происходит алгоритм ввода, чтения, решения и вывода информации в консоль и файлы. В качестве решателя использовался решатель Gurobi, подробнее о которым было написано в пункте 2.2. В результате решения модели было получено оптимальное решение задачи размещения складов быстрой доставки с помощью AMPL. Код модели вынесен в приложения 1, 2 и 3. Результаты по загрузке складов перенесены в раздел 3.3 для обоснования поэтапной реализации проекта. Результаты визуализированы в QGIS с построением в дополнение к уменьшенным зонам обслуживания еще и действительных зон (рис 3.5).

Из визуального представления результатов видно, что преимущественно все районы покрыты предложенным количеством складов. Если на этом этапе по мнению проектной команды оказывается, что количество складов всё-таки недостаточно, то можно увеличить коэффициент надёжности при расчёте уменьшенного радиуса обслуживания и повторить решение задачи. В этом случае для каждого склада допустимых районов для сбыта должно оказаться меньше, что спровоцирует открытие дополнительных складов и повысит надёжность сети с точки зрения уровня логистического сервиса для клиента. Также можно проиграть сценарии вариативности спроса, чтобы также может склонить в решении открытия дополнительного склада.

Рис.3.5. Оптимальное решение задачи о размещении складов с точки зрения модели в AMPL при 100% спросе

В следующей части работы будет представлен сценарный анализ чувствительности модели по размещению складов к возможной вариативности спроса.

3.2 Сравнение сценариев размещения складов быстрой доставки в зависимости от вариативности спроса

В текущей части работы будет начат завершающий этап алгоритма размещения складов быстрой доставки, а именно анализ чувствительности модели и оптимального решения к ошибке прогноза. Закончен он будет в результаты подтверждения его экономической целесообразности в результате расчётов в третьей части. Для проведения анализа модель проигрывалась несколько раз с изменением спроса от 10% от спроса до 200%, чтобы определить, во-первых, минимальное количество складов для сохранения возможности поставлять во все целевые районы, а во-вторых, определить характер роста потребности в складах при постепенном увеличении спроса, это необходимо для оценки рисков и ресурсов, необходимых для увеличения продаж в будущем. Результаты проигрывания моделей представлены в табл.3.1.

Таблица 3.1. Количество необходимых складов в результате вариативности спроса.