Колонки

Как имитационные модели помогают выстроить систему логистики: кейс Ozon

Колонки
Максим Низамов
Максим Низамов

Руководитель направления имитационного моделирования Ozon

Полина Константинова

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 имитационные модели помогают выстроить систему логистики: кейс Ozon

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 в 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 колл-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 распределение 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.

Фото в материале: Unsplash

Фото на обложке: Rusbase


Благодаря сервису Penxy мы можем поделиться с вами презентацией Максима, которую можно не просто посмотреть, но и послушать. 

После выступления аудитория задавала спикерам вопросы. Мы публикуем «публичное интервью» с Максимом.

Использовали ли опыт Amazon? Какие решения дают больший эффект, а какие оказались неприменимы в силу российского менталитета?

Опыт Amazon мы, конечно, используем – то есть смотрим, что они делают. Их решения связаны с темой моего доклада «Как развивать инфраструктуру». Заказ в Amazon, может разбиться на десять частей, и они поедут отдельно. Эту логику мы использовали у себя. А вот использовать технологии, заменяющие ручной труд, не получается. Из-за того что в Америке стоимость людей очень высока, у них получается быстрая окупаемость автоматизации. У нас пока что она окупается слишком долго. 

Можно ли разместить сервисный центр на барже и перемещать его на рабочих днях в центр, а на выходных на окраину?

Можно, но вряд ли это будет выгодно. Особенно, если ты приехал на эту баржу на машине. Туда ты едешь в одно место, а оттуда – в другое. 

Почему возникают ситуации, когда в один день два заказа «Озона» приносят два разных курьера?

Отличный вопрос. Такие ситуации могут возникать, если человек заказывает еду. Доставка еды не совпадает с доставкой обычных товаров. Вторая причина: у нас есть маркетплейс, где селлеры продают наши товары. Они могут предоставить груз чуть позже, поэтому, чтобы успеть, мы вынуждены отправлять второго курьера. Но со временем таких случаев становится меньше. 

Как выстроен бизнес-процесс взаимодействия вашего подразделения с бизнес-заказчиком и кто определяет приоритеты. Что сейчас исследуем?

Вообще это моделирование не очень в IT. С аналитической стороны мы отвечаем за инфраструктуру. Этот сценарий оптимальный, когда инвестиционное моделирование находится внутри бизнес-юнита, и у тебя нет заказчика.

Учитываются ли пробки?

У нас есть курьерские приложения, которые трекают, сколько времени курьер тратит на перемещения от склада до каждой зоны. На основе этих данных мы делаем прогноз, сколько времени курьер будет тратить на то, чтобы переместиться.Фактическое время учитывает пробки и то, как курьер ехал. В режиме реального времени учет пробок не моделируется, это делает курьер, когда сам строит себе маршрут. 

До Подмосковья курьеры тоже из центра едут?

Сейчас – да. За «Бетонку» сейчас едем из хабов, которые находятся в Красногорске, Люберцах, до некоторых зон едем из Москвы. 

Связаны ли с внедрением изменений недавние проблемы «Озона» с доставкой? Были ли они заранее спрогнозированы и ожидаемы?

На самом деле все лето у нас были рекорды своевременности доставки за всю историю компании. Понятно, что запуск нового объекта – это проблемы одного-двух дней.

Кейс был представлен 4 октября 2019 года на конференции Ai Stories, организованной Rusbase. Все выступления и подробный отчет доступны тут. Организационный партнер: Deworkacy Big Data.


Материал дополнен 16 октября в 9:40

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 35 самых успешных предпринимателей в сфере AI
  2. 2 Почему морская нефтяная платформа – лучшее место для ИИ. Кейс BCG Gamma Moscow
  3. 3 Зомби-апокалипсис в IoT, или как мы помогли сети гипермаркетов спасти миллионы рублей
  4. 4 Как большие данные помогают в поиске пропавших людей: кейс компании «МегаФон»
AgroCode Hub
Последние новости, актуальные события и нетворкинг в AgroTech-комьюнити — AgroCode Hub
Присоединяйся!