Как математика может починить логистику

На сегодняшний день каждый слышал про разрыв цепочек поставок. С одной стороны, это происходит не впервые: подобное уже происходило в 2019-2021 году в связи с COVID-19, когда были закрыты границы. С другой — контекст текущей проблемы иной, и на ситуацию влияет не пандемия, санкции и рост цен на топливо, смена направлений снабжения. В текущих реалиях российским компаниям нужно быстро перестроить каналы цепей поставок, найти новых поставщиков, спланировать новые маршруты для сырья и продукции, продумать новую стратегию в масштабе огромной страны. Директор по проектам F5Devs Антон Ларин подробней расскажет про вызовы в цепях поставок, а также объяснит, как их преодолеть с помощью математики.

Что происходит в цепочках поставок

Запреты на импорт и экспорт категорий товаров, закрытие воздушного пространства и портов для российских судов, уход международных перевозчиков и контейнерных фирм и общемировые вызовы привели к следующим проблемам:

1. возросшая непредсказуемость. Переход от моделей «точно в срок» до моделей «на всякий случай» (накопление запасов связано с особой неопределенностью снабжения);
2. инфляция товаров, труда и услуг, что влечет за собой также пересмотр всех взаимоотношений;
3. перебоям в поставках закупленного оборудования;
4. дефициту в некоторых категориях, от оборудования до упаковки;
5. потеря прибыли — чтобы достичь Европы, российским грузам нужно сначала добраться до нейтральной территории и перегрузиться на ее транспорт;
6. необходимости перестройки маршрутов, поиска новых поставщиков и новых рынков сбыта — здесь фокус преимущественно на страны Азии.

Особую роль здесь играет неопределенность. Сроки поставок затягиваются не только из-за частичного закрытия европейского направления для экспорта и импорта, но также из-за того, что ситуация постоянно меняется, что влияет на отправку груза, его пропуск на границах. В результате грузопоток тормозится, а цепочки поставок разрываются.

3 тренда в решении актуальных проблем логистики

В контексте российских реалий мы видим, что бизнес наиболее обеспокоен вопросом, как выжить в моменте. В связи с этим намечаются несколько тенденций:

1. Внимание к отечественной разработке. Этот тренд распространяется на все сферы бизнеса, не только на логистику. Например, компания инвестировала несколько миллионов в решение SAP, а сейчас эти системы и решения невозможно развивать. Поэтому компании ищут российские аналоги, способные хотя бы частично заменить решения зарубежных ИТ-поставщиков, покинувших рынок этой весной.
2. Спрос на быстрые и эффективные решения. На данный момент компании не заинтересованы в решении задач, результат от которых может сказаться в перспективе нескольких лет. Допустим, есть компания с определенным количеством контейнерных перевозок. А клиенты, которыми этими перевозками пользовались, направляли их в Европу. Сейчас спрос идет с Востока — это означает, что там нужно развивать инфраструктуру, причем делать это нужно как можно быстрее. Помимо этого, компания сталкивается с другой проблемой: проще всего увеличить количество контейнеров, но это несет дополнительные убытки, следовательно, конкретно сейчас нужно умело управлять теми контейнерами, которые есть. И вот эта задача — наиболее эффективно распоряжаться тем, что есть сейчас, в настоящем контексте — является настоящим вызовом для бизнеса, поскольку оптимальное решение нужно принимать быстро и с учетом множества факторов.
3. Запрос на создание софта для прогнозирования цепочек поставок. Например, есть крупный перевозчик. У него был определенный вид перевозок, спрос на которые был в европейской части страны, а в восточной грузопоток был меньше. И когда нужно стратегически подумать, какие склады нужно закрывать, какие и где открывать, тут возникает необходимость в стратегических решениях. Сейчас вопрос спроса поменялся, но необходимость в прогнозировании сохранилась.

Часто под такие задачи привлекают управленческих консультантов, и они считают сценарии и варианты на несколько лет вперед. Есть и другой выход: сэкономить на услугах консультантов и разработать собственные системы, связанные со стратегическим планированием, чтобы каждый год делать стратегию развития управления логистическими активами на несколько лет вперед. Сейчас такой софт актуален, потому что он помогает принимать оптимальные масштабные решения в долгосрочной перспективе. Санкции с нами надолго, а перестройка и отладка новых логистических цепочек нуждается в тщательном планировании.

Все эти тенденции связаны со сложными ИТ-технологиями, разработкой и оптимизацией процессов. Ниже расскажем про подходы, которые используются в такого рода задачах.

Два инструмента для решения проблем логистики

Задачи, в которых речь идет о регулярном принятии решений с учетом множества параметров, лучше всего доверить алгоритмам. Они могут безошибочно подсказать оптимальное решение в сжатые сроки, практически исключив влияние человеческого фактора. Подобные задачи можно решать с применением двух подходов: Machine Learning и Operations Research.

Machine Learning (ML) — это класс методов автоматического создания прогнозных моделей на основе данных. В машинном обучении алгоритм учится действовать самостоятельно, ища закономерности в предоставленных данных.

Operations Research (OR) — часть науки о математической оптимизации, в которой происходит проблема представляется в виде уравнения. Для уравнения определяется целевая функция, которая описывает все параметры задачи. Итоговое решение показывает, что нужно сделать, чтобы улучшить процессы и понять, почему нужно сделать именно так.

Как правило, ML используется, чтобы предсказывать что-то: берутся исторические данные, в них определяется некая закономерность и по ним создается модель прогнозирования. Например, прогнозирование спроса.

OR же предполагает некую модель принятия решений, которая из всего многообразия возможных решений выбирает лучшее.

В контексте текущих логистических задач ML и OR отвечают ключевым потребностям отрасли: необходимости спрогнозировать развитие ситуации и принять наиболее эффективное решение, которое будет понятно не только алгоритму, но и человеку.

Например, у железнодорожного оператора есть необходимость перестроить маршрут доставки грузов. При этом нужно учесть количество вагонов, тип груза, расписание, емкость станций, ограничения в виде скорости и обслуживания — десятки параметров. Для уточнения неопределенности, влияющей на принятие решений, используется ML-модель, которая на исторических данных говорит, как с учетом сезонности и прочих факторов доставлять грузы, а затем создается оптимизационная модель, которая в огромном количестве вариаций подбирает оптимальное решение по доставке — наиболее быстрое и с минимальными затратами.