Как имитационные модели помогают выстроить систему логистики: кейс Ozon
Руководитель направления имитационного моделирования Ozon Максим Низамов рассказывает о том, что такое цифровые двойники и как их использовать в развитии физической инфраструктуры логистики.
Кейс был представлен на конференции Ai Stories.
Как работает логистика в e-commerce
Для начала разберемся в том, как устроены процессы, которые предстоит моделировать.
Как выглядит путь заказа в e-commerce: поставщики привозят товары на фулфилмент-фабрики, там их сначала принимают и раскладывают по полкам, а затем собирают в заказы, упаковывают и отправляют в сортировочные центры. Каждая фулфилмент-фабрика обслуживает определенные сортировочные центры, где коробки и пакеты с заказами получают курьеры и развозят в пункты выдачи, постаматы или к самим клиентам.
В сутки на Ozon 2 млн человек выбирают из 2,5 млн товаров и делают более 100 тысяч заказов. И каждый из этих заказов мы должны доставить как можно быстрее, а для этого развиваем инфраструктуру логистики — фулфилмент-фабрики, сортировочные центры, сеть пунктов выдачи заказов и постаматов.
И здесь возникает множество вопросов как очевидных: в каких городах разместить логистические центры, так и тех, которые предусмотреть сложно: хватит ли мест на парковке сортировочного центра, сколько кладовщиков нанять, если четыре часа в сутки должны работать десять, а остальное время справятся и пять — и так далее.
При чем тут модели
Имитационное моделирование — метод исследования, при котором система заменяется моделью, с достаточной точностью описывающей реальную систему (построенная модель описывает процессы так, как они проходили бы в действительности), с которой проводятся эксперименты с целью получения информации об этой системе.
Именно возможность анализировать модель в действии отличает имитационное моделирование от других методов, например, от использования Excel или линейного программирования.
Мы моделировали процессы в четырех областях: фулфилмент-фабрика, первая миля — путь посылок с фулфилмента на сортировочные центры, работа сортировочного центра, последняя миля — доставка посылок в постаматы, пункты выдачи заказов и к клиентам. Нам необходимо было учесть ограничения фулфилмента, перевозок первой мили, сортировочного центра и последней мили — сделать это в рамках excel-таблиц сложно, и всегда остается риск не учесть какие-либо факторы.
Как строится модель
Для построения модели, что очевидно, нужны данные — и в основе имитационной модели лежит информация о процессах. Поскольку все процессы на фулфилмент-фабриках Ozon отражаются в ИТ-системах, мы выгрузили логи по каждой операции.
Один и тот же процесс, например, подбор товара, может занимать пять минут, а может — 15, поэтому мы строили распределения по времени для каждого процесса. Когда в модели создастся задание подобрать что-то — этот процесс займет сколько-то времени с вероятностью, заданной распределением.
В своей работе мы использовали AnyLogic — один из самых продвинутых инструментов имитационного моделирования. Мы выбрали именно его из-за гибкости, наличия готовых отраслевых библиотек, интеграции с ГИС-картами и возможности запускать модели в облаке.
Несмотря на то что большая часть процессов регламентирована, чтобы понять физические ограничения — например, ширину проходов между стеллажами или размер парковки, и максимально точно отразить их в модели, мы ездили на фулфилмент-фабрики и сортировочные центры и развозили заказы вместе с курьерами.
После того как модель готова, нужно проверить, насколько ее поведение соответствует реальному — чтобы модель можно было использовать для принятия решений, точность совпадения должна составлять 95%.
И как ее использовать
Теперь можно менять вводные. Например, увеличить количество посылок, которые должен обработать фулфилмент (в реальности такой эксперимент провести сложно и рискованно).
Дальше вступает в действие теория ограничений: как только исчезает одно узкое место, растет нагрузка на других этапах и появляются сложности, о которых раньше никто и не думал, потому что оно никогда не болело. Модели полезны как раз тем, что помогают увидеть такие проблемы и предусмотреть их решение.
На следующем этапе модель можно оптимизировать — задать целевую функцию (все, что можно оцифровать) и разные способы оптимизации могут сказать, какой реальный максимум при текущих процессах и распределении времени может сделать склад или сортировочный центр.
Кейс: как мы делили Москву
Год назад в Москве у Ozon было шесть сортировочных центров: два больших площадью 2-3 тысячи кв. м., и четыре маленьких — по 200-400 кв. м. Сейчас их семь, а через месяц будет девять — причем новые сортировочные центры будут площадью 4-5 тысяч кв. м.
В сезон площадь сортировочного центра будет утилизирована на 95%, поэтому нужно иметь сбалансированную систему, которая будет равно пропорционально загружена, чтобы потом не пришлось что-либо менять. Любое изменение инфраструктуры влечет за собой перенастройку множества систем — от работы фулфилмента до маршрутов курьеров.
Цель моделирования — минимизация расстояния до клиента, если сортировочный центр далеко от точек доставки, курьер потратит время и бензин впустую. При этом важно привезти заказы вовремя — как только показатель онтайм снижается, повышается нагрузка на кол-центр, растет доля возвратов, расходы на обратную логистику и так далее.
Важная особенность большого города — распределение заказов по районам и дням недели. Если в будние дни в бизнес-центры заказывают часто, то на выходных большая доля заказов приходится на спальные районы. Кроме того, сотрудники офисов выбирают время с 9 до 18, а вот дома заказ удобнее получить вечером в будний день или утром в субботу и воскресенье.
Это значит, что, во вторник в Москва Сити поедут два курьера на фургонах, а в субботу туда можно отправить одного на легковом автомобиле. И если отдать сортировочному центру центр Москвы, то по будням он будет перегружен, а по выходным — простаивать, а нагрузка ляжет на остальную инфраструктуру.
Чтобы построить модель логистики в Москве, мы взяли распределения заказов по времени и геозонам, описание процессов работы курьера с учетом их длительности и даже вероятность, с которой курьер не успеет доставить заказы вовремя.
Чтобы распределить зоны доставки между сортировочными центрами, курьеры ездили впустую меньше, а процент вовремя доставленных заказов был выше, мы меняли в модели зоны обслуживания, искали компромиссы. Насколько мы были правы, увидим в сезон — новый сортировочный центр откроется как раз к его началу.
При каких условиях полезны модели
Моделирование можно использовать:
- когда учесть все ограничения в рамках простых инструментов невозможно и когда есть большой процент случайности. Так, со случайностями всегда связано человеческое поведение — в зависимости от опыта специалиста один и тот же процесс может занимать 5 или 25 минут;
- когда нужно протестировать сценарий, а в реальности сделать это слишком дорого или невозможно. Например, как изменятся пассажирские потоки, если изменить расписание рейсов в аэропорту — достаточно ли терминалов, стоек регистрации и зон досмотра;
- когда одни и те же люди в течение суток выполняют разные задачи. В грузовых терминалах портов одни и те же люди заняты на разгрузке, прибывающих по железной дороге контейнеров и загрузке судов;
- когда есть пиковая загрузка. Например, как должен работать светофор на перекрестке, если утром и вечером поток машин выше, причем утром большая их часть движется в одном направлении, а вечером — в противоположном.