Подготовка данных для моделирования цепей поставок

Один из основных и самых непростых шагов в процессе построения математической модели цепи поставок – подготовка данных. Выполнение этой задачи требует немало времени и большой вовлеченности специалистов.

Разберемся детальнее, как упорядочить процесс подготовки данных для моделирования цепочек поставок. Мы подготовили несколько советов, как подойти к данной задаче.

Данные должны иметь наиболее простой и краткий из возможных форматов: агрегируйте информацию, используйте сокращения и откажитесь от детализации там, где это возможно. Ваш датасет должен отвечать на вопрос, как выглядят цепочки поставок, но при этом не быть избыточным. Это упростит дальнейшую валидацию загружаемой информации и поможет однозначно её интерпретировать другим пользователям.

Если нет необходимости в результатах с детализацией по продуктам, разделите продукты в справочнике по категориям и производите дальнейшие действия в рамках категорий. Таким образом, вы понизите вычислительную сложность и уменьшите время расчёта.

Если данные о клиентах детализированы вплоть до нескольких объектов внутри города, а количество точек доставки превышает 1000 - есть смысл задуматься над целесообразностью подобной детализации. Агрегация близлежащих объектов в таком случае скажется положительно не только на скорости расчёта, но и упростит визуальную интерпретацию результатов распределения.

Лучше всего использовать в модели одну единицу измерения продуктов для всех звеньев. В случае, если в бизнесе для транспортировки используются короба разного размера, их можно привести к какой-либо одной метрике – паллеты, килограммы или кубометры.

Структура тарификации транспорта зависит от множества аспектов: сезон, расстояние, тоннаж и тип транспортного средства, его утилизация, стоимость рейса и другое.

Для моделирования зачастую не требуется подобная детализация. Рекомендуется усреднить стоимости перевозок по направлениям в зависимости от расстояний, чтобы не рассчитывать их индивидуально для каждого рейса.

Если у вас есть возможность заменить многопериодную модель однопериодной – воспользуйтесь ей. Например, если построение многопериодной модели обусловлено сезонностью спроса, лучше произвести расчёт однопериодной модели для двух наборов данных: для высокого сезона и для средних значений за остальные периоды.

Примеры случаев, когда построение многопериодной модели обосновано:

• Необходимо продемонстрировать сравнение текущих цепей поставок за год (или иной набор периодов) и результаты оптимизации, содержащие время открытия и локации потенциальных объектов и/или время закрытия текущих объектов и их влияние на распределение.
• Требуется продемонстрировать изменение утилизации складских и транспортных мощностей внутри года (или иного набора периодов) для проектов с сезонностью спроса.

Использование рецептов добавляет сложности не только в процесс обработки данных моделью, но и в интерпретацию полученных результатов. Советуем по возможности строить модель без использования данного инструмента.

Однако, есть случаи, когда производственные рецептуры могут быть необходимы:

• расчёт стоимости и распределения как конечных продуктов, так и исходных материалов,
• принятие решения об открытии нового производства, или о переносе производства на новую локацию,
• принятие решения о вводе объекта хранения, на котором будут производиться операции, добавляющие стоимость продукции (например, упаковка или сборка наборов, распаковка контейнеров или смешивание компонентов на производстве), объекта, на котором будет производиться обработка промежуточных продуктов (например, химических компонентов или составляющих набора).

Использование групп при моделировании значительно упрощает процесс обработки данных.

Например, если у вас 20 продуктов, 10 складов и 1000 клиентов, понадобится 200 000 строк, чтобы указать стоимость перевозки для каждой связки отправителя, получателя и продукта. Вместо этого Вы можете создать группу продуктов "All products", группу складов "All warehouses" и группу клиентов "All customers" и сформировать единый транспортный тариф для всех складов, клиентов и продуктов с использованием данных групп.

Во время подготовки первого набора данных мы фокусируемся на базовом сценарии, однако, не упускайте из виду и будущие более сложные сценарии, содержащие правила, используемые в бизнесе.

Вы можете смоделировать данные правила как ограничения, чтобы в процессе оптимизации модель не выдала невыполнимый в реальности результат. Некоторые из них в последствии возможно снять как ограничение, чтобы продемонстрировать потенциал оптимизации при отмене данного правила.

Если у вас есть вопрос или вы хотите больше узнать о математическом моделировании для решения ваших задач, напишите нам на адрес supplychain@korusconsulting.ru или заполните форму «Задать вопрос». Наши эксперты вас проконсультируют.