Как математические модели оптимизируют производство корма для животных

Бизнес растёт, и перед ним рано или поздно встаёт задача - оптимизировать производственные процессы и пересмотреть цепь поставок, для чего нужно учесть массу факторов и условий, составить сценарии развития.

Можно, конечно, попытаться сделать всё вручную, используя электронные таблицы и экспертные мнения, годами накапливаемые в аналитических отделах. Но всё чаще компании передают эти задачи цифровому двойнику – математической модели реально существующих цепей поставок, которая учитывает производственные, ценовые и логистические параметры.

Эксперт направления Supply Chain Design в «КОРУС Консалтинг» Артём Гусаренко рассказывает о тонкостях разработки цифрового двойника цепочек поставок в производстве кормов для животных.
По данным агентства РБК, российский рынок кормов для домашних животных оценивается в более чем 200 млрд рублей, а их количество у россиян за последние 3 года увеличилось на 23%. Соответственно, растёт и рынок – на 10% ежегодно.

Производители кормов для животных сталкиваются с особенностями логистики — необходимостью проводить ветеринарный контроль, работать с большими партиями штучной продукции и множеством видов уникального сырья и производственных локаций.

Корма для животных имеют уникальные свойства, которые влияют на построение логистической модели. С одной стороны, это длительный срок годности и нетребовательность к хранению и перевозкам.

С другой:

• на одного крупного производителя приходятся разные торговые марки с уникальной рецептурой, уникальным сырьём,
• большая производственная инфраструктура: заводы, склады сырья и готовой продукции, распределительные центры,
• необходимость единовременной доставки конечному потребителю группы товаров.

Производителям кормов для животных необходимо тщательно продумывать логистическую цепочку от закупки сырья до производства и доставки конечному потребителю. Многие компании делают это вручную с помощью электронных таблиц, или полагаясь на экспертное мнение.

Другой вариант планирования цепей поставок — использование математического моделирования, или создание цифровых двойников. Алгоритм рассчитывает, как лучше везти сырьё на производство, выбирать оптимальный уровень загруженности производства, какие склады и распределительные центры стоит использовать и каким типом транспорта осуществлять доставку готовой продукции.
Если компания выбрала для себя второй путь, ей необходимо учитывать несколько важных нюансов на каждом из этапов построения цифровой модели.

Самый коварный момент этого этапа – рецептура кормов, включающая в себя большое наименование исходных материалов животного и растительного происхождения, добавки. У каждого компонента свой срок годности и способ хранения. Более того, один и тот же используемый материал, например, пшеница, может быть разных сортов. И чтобы избежать возможных проблем, при детальном моделировании стоит использовать унифицированные рецептуры.

Также не стоит забывать, что всё используемое в рецептуре сырьё должно поставляться в необходимом количестве, чтобы обеспечить требуемую загруженность производства.

При работе с одним из наших клиентов, крупнейшим производителем кормов для животных на российском рынке, мы столкнулись с большим количеством рецептов и используемых в них ингредиентов, часть из которых подвергалась операционным изменениям уже в процессе производства. Иногда некоторых видов сырья нет в наличии, и тогда их заменяют, внося новые позиции в модель всех возможных вариантов рецептуры. Это приводило к излишней оптимизации и нелогичным результатам. Чтобы их избежать, мы унифицировали рецепты, не разделяя один и тот же вид сырья на категории (свежее или замороженное) и не выделяя отдельные сорта ингредиентов.

На данном этапе на первый план выходит максимально корректное отображение всех производственных процессов и соблюдение баланса между точностью цифрового двойника и отсутствием излишней детализации.

Например, отдельные производственные процессы можно объединять в производственные линии, которые позволяют учитывать мощности производства и финансовые затраты, но при этом игнорируют нерелевантные детали технологического процесса.

На этом этапе наш клиент также столкнулся с особенностями построения модели для производства кормов — это многообразие упаковки и связанные с этим ограничения.

Если на производстве есть необходимое оборудование для фасовки кормов, то цепочка становится максимально простой и опирается на дальнейшую оптимизацию затрат последующих транспортных плеч.

Если же производство не предполагает упаковку готовой продукции, то при построении цифрового двойника необходимо учитывать дополнительный этап производства, включающий в себя доставку полуфабрикатов на другую производственную локацию для фасовки.

Усложнением при таком варианте может стать необходимость распределения полуфабрикатов по нескольким производственным площадкам, что повышает вариативность решения и вычислительную сложность модели.

Для компании клиента характерно смешанное производство: выпускает как готовые упакованные корма, так и полуфабрикаты с последующей сортировкой и отправкой на другие производственные локации для дальнейшей фасовки. Поэтому мы разработали модель, которая могла выбирать между прямой цепочкой «производство-хранение» и многоступенчатой, включающей в себя не только эти этапы, но и распределение по другим производственным локациям, например, для фасовки.

Конечный потребитель кормов для животных – это магазин зоотоваров или ретейлер, осуществляющий розничную продажу кормов. Он заинтересован в получении доступа к максимальному ассортименту товаров от одного поставщика в одном месте.

У крупного производителя кормов для животных количество таких клиентов может достигать тысячи уникальных точек отгрузки, что, в свою очередь, затрудняет расчёт оптимальных схем поставки классическими методами. Особенно, если учитывать такие факторы как подъездные пути для различных типов транспорта и часы работы точки.

При этом крупный производитель может изготавливать несколько торговых марок кормов на разных производственных локациях, не говоря уже о том, что одна торговая марка часто включает в себя несколько линеек товаров.

Это наделяет ключевой ролью распределительные центры (РЦ), принимающие на хранение корма с производственных складов и осуществляющие сбор, комплектацию и доставку заказов конечному потребителю. В частных случаях функцию РЦ могут выполнять склады при производстве.

Важной особенностью цифрового двойника нашего клиента стало отсутствие больших складов при производстве: для длительного хранения они используют собственные распределительные центры.

Поэтому при моделировании требовалось уделить особое внимание взаимодействию производства и РЦ между собой. Каждый склад мог выполнять как функцию отгрузки клиентам, с необходимой для этого комплектацией потоков от различных объектов инфраструктуры, так и функцию снабжения товаром для других распределительных центров, что многократно увеличивало вариативность решения.

Также следовало учитывать, что конечным потребителем кормов компании являются распределительные центры контрагентов (крупные локальные торговые сети, оптовые дистрибьюторы) и экспортные каналы продаж, каждые имеют свои правила и требования к поступающим на них отгрузкам.

Когда модель построена и отражает реальные цепочки поставок, наступает этап поиска конфигурации с минимальными логистическими и производственными затратами с возможностью тестирования различных гипотез.

При работе с цифровым двойником на этом этапе следует обращать внимание на появление противоречий между различными ограничениями в модели: мощностей производства и складов, объёмов спроса и транспортных возможностей.

Они могут показать, что необходимы глобальные изменения цепочек поставок: например, нужно открыть дополнительные склады или производственные площадки, найти новых поставщиков и т.д.

Например, у заказчика мы проводили поиск оптимальных будущих локаций для складов и производства в случае прироста будущего спроса. Также оценивали оптимальность использования будущих объектов инфраструктуры.

Несмотря на сложность создания цифрового двойника, построенная математическая модель обладает необходимой гибкостью и широким инструментарием для проработки и визуализации различных сценариев развития бизнеса. Это особенно актуально в нашей постоянно меняющейся экономической действительности.

Для компании, чей пример мы описывали выше, за 9 месяцев был разработан цифровой двойник, который помог построить уникальную цепь поставок компании. Она наиболее эффективно использует производственные мощности, оптимизирует количество и расположение объектов инфраструктуры, обладает необходимой гибкостью и умением подстраиваться под текущую экономическую ситуацию и, что немаловажно, существенно экономит затрачиваемые денежные средства компании.


Источник: Retail-loyalty