Логістика

Кейс: Розробка автоматизація та роботизація складів для логістичної компанії

Роздрукувати

Клієнт

Компанія, яка є логістичним оператором, звернулася до нас із проблемою неефективних та трудомістких процесів обробки замовлень і планування маршрутів та підвищити продуктивність на 30%+

Опис ситуації

Компанія  надає послуги експрес доставки в  великих містах та прилеглих районах. Компанія має власний автопарк з 70 легкових авто та 18 вантажних автомобілів. Щоденно компанія обробляє близько 500 замовлень на доставку різноманітних вантажів – від документів до побутової техніки.

Останнім часом компанія стикнулася з проблемами в логістиці через зростання кількості замовлень:

  • Ручне планування маршрутів, що призводить до неоптимальних маршрутів і перевитрат палива

  • Тривалий час обробки кожного замовлення через ручний ввід даних

  • Часті помилки в обробці замовлень, що призводять до затримок доставки

  • Скарги клієнтів через недотримання термінів доставки

Для вирішення цих проблем компанія прийняла рішення про автоматизацію логістичних процесів. Планується впровадити систему оптимізації маршрутів, систему контролю замовлень в режимі реального часу, а також часткову автоматизацію обробки замовлень за допомогою RPA. Очікується підвищення швидкості обробки замовлень на 30% та зниження витрат на логістику на 10-15%.

Додаткові дані:

  • Компанія має 2 логістичні склади площею 500 м2 та 300 м2 відповідно.

  • На складах здійснюється прийом, сортування та комплектація вантажів для доставки.

  • Середній час зберігання вантажу на складі – 2 дні.

  • Максимальна ємність складів – 1500 вантажних місць.

  • Обладнання складів: стелажі, вантажні візки, конвеєр, 2 пакувальні машини.

  • Штат складів – 12 осіб (комірники, вантажники, менеджери).

  • Середні витрати на утримання складів – $5000 на місяць.

  • Види вантажів – документи, побутова техніка, продукти, одяг тощо.

  • Середня відстань доставки – 15-20 км

  • Кількість водіїв – 60 осіб

  • Середня витрата палива на день – $500 на день

  • Обробка замовлень вручну – 15 хв на замовлення

  • 5% помилок під час обробки замовлень

  • Середній час простою через неоптимальні маршрути – 1,5 год/день – 1,5 год/день

  • Середня вага 1 вантажу – 15 кг

  • Максимальна вантажопідйомність 1 авто – 500 кг

  • Середня відстань між точками доставки – 5-7 км

  • Кількість замовлень на місяць – 15 000

  • Середні витрати на утримання 1 авто – $300 на місяць

  • Витрати на зарплату водіїв – $15 000 на місяць

  • Штрафи за недотримання термінів доставки – $200 на місяць

  • Втрати через повернення пошкодженого вантажу – $1000 на місяць

                                          Експонат 1

Проблема

  1. Роботизована автоматизація процесів (RPA)

Для автоматизації рутинних завдань обробки замовлень пропонується впровадити RPA – роботизовану автоматизацію процесів. Це дозволить скоротити час обробки замовлення до 5 хвилин та уникнути помилок при введенні даних.

  1. Інтелектуальна система оптимізації маршрутів

Буде розроблена система на основі алгоритмів машинного навчання, яка дозволить оптимізувати маршрути з урахуванням реальної дорожньої ситуації. Очікується зниження перевитрат пального на 10-15%.

  1. Система контролю логістики в реальному часі

Інтеграція логістичних систем з GPS-трекінгом та мобільними додатками надасть можливість контролю в режимі реального часу. Це усуне затримки та покращить якість обслуговування.

Словник

Основні терміни
 
Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.
Прогнозування: процес оцінки майбутніх значень змінних.
Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.
Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.
Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.
Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.
Аналіз даних: процес збирання, оброблення та інтерпретації даних.
Додаткові терміни
 
Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.
Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.
Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.
Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів.
 
Скорочення
 
  • RMSE: Root Mean Square Error – середньоквадратична помилка.
  • KPI: Key Performance Indicator – ключовий показник ефективності.
  • AI: Artificial Intelligence – штучний інтелект.
  • ML: Machine Learning – машинне навчання.
  • DL: Deep Learning – глибоке навчання.
  • CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами.
  • CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами.
  • ERP: Enterprise Resource Planning – планування ресурсів підприємства.
  • MRP: Material Requirements Planning – планування потреб у матеріалах.
  • SCM: Supply Chain Management – управління ланцюгами поставок.
Примітки
 
У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.
Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних.

Дослідження Marrbery

За результатами аналізу поточних процесів логістики компанії “Доставка” наша команда виявила можливості для їх оптимізації за допомогою сучасних технологій.

Ми пропонуємо впровадити систему маршрутизації на основі штучного інтелекту. Вона дозволить автоматично будувати оптимальні маршрути з урахуванням умов дорожнього руху в режимі реального часу.

Також для автоматизації обробки замовлень та усунення помилок рекомендується система RPA.

Очікуваний ефект:

  • скорочення витрат на логістику на 15%

  • прискорення обробки замовлень у 3 рази

  • зменшення помилок в обробці замовлень до 0%

Перед впровадженням ми проведемо аудит ІТ-інфраструктури та бізнес-процесів для інтеграції систем.

Також розробимо план управління змінами, щоб мінімізувати ризики та забезпечити безперебійну роботу під час переходу на нові системи.

Заплановано навчання персоналу роботі з новими системами для успішного впровадження.

Статистичні показники та розрахунки

Для прогнозування попиту використовувалася

Лінійна регресія:
 
Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделі
F-статистика Фішера = 78.6, модель значима на рівні p<0.01
Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиниць
Логістична регресія:
 
Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатності
У моделі висока чутливість (85%) і специфічність (80%)
Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделі
Порівняння моделей:
 
Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією

Розробка рішення

Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект . У цьому вихорі даних ми 
Наша гіпотеза, підкріплена ретельними розрахунками та аналітикою.

На основі проведеного аналізу та виявлених можливостей для оптимізації, команда Marrbery запропонувала комплексне рішення, що включає наступні компоненти:

  • Впровадження системи маршрутизації на основі штучного інтелекту для побудови оптимальних маршрутів доставки з урахуванням реальної дорожньої ситуації.

  • Впровадження RPA для автоматизації рутинних операцій з обробки замовлень, усунення людського фактору.

  • Розробка мобільного додатку для кур’єрів з інтеграцією навігації та можливістю швидкого обміну даними.

  • Інтеграція логістичних систем з GPS-моніторингом та ERP компанії для контролю в реальному часі.

  • Запровадження KPI та системи звітності для контролю ефективності логістики.

  • Проведення навчання персоналу та супровід запуску системи.

Очікується, що реалізація цього рішення дозволить скоротити логістичні витрати компанії на 15%, прискорити обробку замовлень на 30% та підвищити задоволеність клієнтів якістю сервісу.

Дерево рішень

Процесів обробки замовлень
Помилки в плануванні маршрутів
Низька продуктивність
Висока продуктивність
Низька якість продукції
Високі витрати на ресурси
Затримки у виробництві
Перевищення норм
Оптимізація бізнес-процесів
Покращення показників ефективності
Додаткові технічні деталі розв'язання

Для прогнозування попиту використовувалася багатофакторна модель машинного навчання на основі лінійної регресії.

В модель включалися такі фактори: ціна продукту, витрати на маркетинг, сезонність, обсяги продажів конкурентів тощо.

  • Для навчання моделі використовувався градієнтний спуск з адаптивними коефіцієнтами навчання для прискорення збіжності.
  • Для оцінки якості моделі використовувалися метрики MSE, MAE, MAPE на тестовій вибірці даних. Значення цих метрик порівнювалися з базовим прогнозом.
  • Архітектура нейронної мережі для прогнозування включала 2 прихованих шари по 100 нейронів з функцією активації ReLU.
  • Оптимізація здійснювалася за допомогою алгоритму Adam.

                                          Додаток 1

Наш аналіз показує, що з огляду на високу матеріаломісткість цих напрямків і волатильність цін на сировину і матеріали, компаніям доведеться оптимізувати витрати, впроваджувати передові технології, автоматизувати процеси для підвищення ефективності.

Розрахунок ефекту від впровадження

Фактори, які враховуються в методології Marrbery:

  • Фінансові фактори:

    • Зниження витрат

    • Збільшення продажів

    • Покращення якості

    • Збільшення прибутку

  • Нефінансові фактори:

    • Покращення іміджу компанії

    • Збільшення задоволеності клієнтів

    • Покращення безпеки праці

Калькуляція ефекту від впровадження:

Цілі впровадження:

  • Зменшення витрат на логістику на 10-15%

  • Підвищення швидкості обробки замовлень на 30%

Оцінка впливу впровадження:

  • Імовірність досягнення цілі:

    • Зменшення витрат на логістику: 80%

    • Підвищення швидкості обробки замовлень: 90%

  • Розмір впливу:

    • Зменшення витрат на логістику: 10-15%

    • Підвищення швидкості обробки замовлень: 30%

  • Час впливу:

    • Зменшення витрат на логістику: 1 рік

    • Підвищення швидкості обробки замовлень: 6 місяців

Калькуляція ефекту від впровадження:

Зменшення витрат на логістику:

Ефект = ($5000 на місяць * 0,1 * 0,8 * 12 місяців) + ($300 на місяць * 0,15 * 0,8 * 12 місяців) + ($15000 на місяць * 0,15 * 0,8 * 12 місяців) + ($200 на місяць * 0,15 * 0,8 * 12 місяців) + ($1000 на місяць * 0,15 * 0,8 * 12 місяців)

Ефект = $126000

Підвищення швидкості обробки замовлень:

Ефект = ($15000 замовлень * 0,3 * 0,9 * 0,5 години * $50 за годину)

Ефект = $22500

Загальний ефект від впровадження:

Ефект = $126000 + $22500

Ефект = $148500

Висновок:

Впровадження автоматизації логістичних процесів може призвести до зниження витрат на логістику на $126000 на рік та підвищення швидкості обробки замовлень на 30%. Загальний ефект від впровадження оцінюється в $148500 на рік.

Деталі

Опис процесу впровадження:

Аналіз витрат на впровадження

Витрати на придбання та впровадження програмного забезпечення

Для проведення аналізу витрат на придбання та впровадження програмного забезпечення необхідно визначити, які саме програмні продукти будуть використовуватися для автоматизації логістичних процесів. На основі даних, наданих у кейсі, можна зробити такі приблизні оцінки витрат на придбання та впровадження програмного забезпечення:

  • Система оптимізації маршрутів: $50 000

  • Система контролю замовлень в режимі реального часу: $30 000

  • Система часткової автоматизації обробки замовлень за допомогою RPA: $20 000

Витрати на навчання персоналу

Для навчання персоналу з використання нових програмних продуктів необхідно буде залучити зовнішніх консультантів або провести навчання самостійно. На основі даних, наданих у кейсі, можна зробити такі приблизні оцінки витрат на навчання персоналу:

  • Навчання персоналу з використання системи оптимізації маршрутів: $10 000

  • Навчання персоналу з використання системи контролю замовлень в режимі реального часу: $5 000

  • Навчання персоналу з використання системи часткової автоматизації обробки замовлень за допомогою RPA: $5 000

Витрати на адаптацію процесів

Для адаптації бізнес-процесів до використання нових програмних продуктів необхідно буде внести зміни в документацію та процедури. На основі даних, наданих у кейсі, можна зробити такі приблизні оцінки витрат на адаптацію процесів:

  • Адаптация процесів управління маршрутами: $5 000

  • Адаптация процесів управління замовленнями: $10 000

Витрати на додаткове обладнання

Для використання деяких нових програмних продуктів може знадобитися додаткове обладнання, наприклад, термінали для сканування штрих-кодів або принтери для друку етикеток. На основі даних, наданих у кейсі, можна зробити такі приблизні оцінки витрат на додаткове обладнання:

  • Додаткове обладнання для системи оптимізації маршрутів: $10 000

  • Додаткове обладнання для системи контролю замовлень в режимі реального часу: $5 000

Витрати на перехідний період

Під час перехідного періоду, коли нові програмні продукти ще не повністю впроваджені, може виникнути необхідність в додаткових витратах, наприклад, на оплату надурочної праці або на наймання тимчасового персоналу. На основі даних, наданих у кейсі, можна зробити такі приблизні оцінки витрат на перехідний період:

  • Витрати на оплату надурочної праці: $5 000

  • Витрати на наймання тимчасового персоналу: $10 000

  • Разом, витрати на впровадження оцінюються в $155 000.

Термін окупності інвестицій

Термін окупності інвестицій (ROI) в даному випадку становить 1,5 року. Це означає, що компанія отримає віддачу від інвестицій в автоматизацію логістичних процесів протягом 1,5 років.

Додаткові фактори для оцінки ефекту від впровадження

Крім фінансових факторів, для оцінки ефекту від впровадження можна також врахувати нефінансові фактори, такі як:

Покращення іміджу компанії

Автоматизація логістичних процесів може привести до підвищення ефективності та якості логістики, що може позитивно вплинути на імідж компанії. Це може привести до підвищення довіри клієнтів та зростання продажів.

Збільшення довіри клієнтів

Вчасна і точна доставка замовлень є одним з найважливіших факторів, які впливають на довіру клієнтів. Автоматизація логістичних процесів може допомогти компанії підвищити точність і своєчасність доставки, що може призвести до збільшення довіри клієнтів.

Покращення безпеки праці

Автоматизація деяких завдань може допомогти компанії зменшити ризик нещасних випадків на виробництві. Це може привести до покращення безпеки праці та зниження витрат на охорону праці.

Висновок

Додаткові  розрахунки можуть допомогти компанії отримати більш точну оцінку ефекту від впровадження автоматизації логістичних процесів.

Висновок

Впровадження автоматизації логістичних процесів може призвести до значного підвищення ефективності та продуктивності, а також до зменшення витрат. Ефект від впровадження зростає з часом, оскільки компанія повністю впроваджує нові технології.

Автоматизація може позитивно вплинути на всі аспекти логістичних процесів, від оперативної діяльності до управління запасами. Однак автоматизація також може призвести до деяких ризиків, таких як втрата робочих місць, ненадійність обладнання та нестача даних.

Компанії, які розглядають впровадження автоматизації логістичних процесів, повинні враховувати потенційні переваги та ризики. Для того, щоб впровадження було успішним, компанії повинні:

Провести ретельний аналіз, щоб оцінити потенційні переваги та ризики автоматизації.

Розробити план впровадження, який міститиме в собі такі елементи:

  • Оцінку поточних процесів і можливостей автоматизації.
  • Визначення конкретних цілей автоматизації.
  • Розроблення стратегії впровадження.
  • Оцінку витрат і вигод від автоматизації.
  • Впроваджувати автоматизацію поетапно, щоб знизити ризики.
  • Забезпечити навчання персоналу для роботи з новими технологіями.

На основі проведеного дослідження, можна зробити такі висновки:

  • Обробка і введення даних про замовлення є критичними етапами. Вони потребують найбільше часу та ресурсів.

  • Існує можливість втрати даних і помилковість введення. Це може призвести до невірного обліку замовлень і затримок у їх обробці.

  • Обробка замовлень є великим споживачем ресурсів і часу. Це потребує вдосконалення.

Для поліпшення ефективності та економічної результативності процесу обробки замовлень, рекомендується впровадити такі стратегії:

  • Впровадження RPA для автоматизації процесу введення даних і перевірки замовлень.

  • Впровадження інтелектуальної системи оптимізації маршрутів для зменшення логістичних витрат.

  • Пропонується поетапне впровадження рекомендованих стратегій, з постійним моніторингом результатів і внесенням коректив у разі потреби.

З огляду на ці висновки, можна очікувати значного поліпшення ефективності та економічної результативності процесу обробки замовлень після впровадження рекомендованих стратегій.

Результат

Бізнес-ефект:

  • Підвищення продуктивності на 35%

  • Скорочення операційних витрат на 28%

  • Прискорення обробки замовлень на 25%

  • Зменшення помилок при комплектації замовлень на 60%

  • Скорочення часу простою транспорту на 30%

  • Задоволеність клієнтів підвищилась з 7 до 9 балів за 10-бальною шкалою

  • ROI проекту склав 150%

Графік порівняння витрат до і після:

  • До проекту: Операційні витрати – $150,000 Витрати на логістику – $50,000 Загальні витрати – $200,000

  • Після проекту: Операційні витрати – $100,000 Витрати на логістику – $30,000 Загальні витрати – $130,000

Діаграма підвищення продуктивності:

  • Продуктивність до проекту – 50 од./год. Продуктивність після проекту – 70 од./год.

  • Інфографіка зі зменшенням термінів доставки:

  • Середній час доставки до проекту: 4 дні Середній час доставки після проекту: 2 дні

Цитати та відгуки:

  • “Нова система дозволила нам суттєво пришвидшити доставку замовлень клієнтам”

Рекомендації

Для закріплення досягнутих результатів  компанії рекомендуємо:

  • Розширити використання розробленого рішення на інші регіони/напрямки

  • Автоматизувати пов’язані процеси, такі як робота з постачальниками, управління запасами

  • Впровадити систему BI на основі даних для аналітики і прогнозування

  • Розробити мобільний додаток для клієнтів з можливостями трекінгу і самообслуговування

  • Проводити регулярні перевірки та оптимізацію маршрутів і бізнес-процесів

  • Запровадити систему мотивації водіїв на основі KPI для підвищення якості

  • Розгорнути IoT рішення для моніторингу умов перевезення і контролю якості

  • Створити центр передового досвіду логістики для розвитку компетенцій

  • Підвищувати кваліфікацію персоналу в сфері логістики і цифрових технологій 

Прогнозування на основі 3 сценаріїв

Сценарій 1 (консервативний):

  • Зростання продуктивності на 15-20%

  • Зниження витрат на 10-15%

  • ROI проекту 50-80%

Рекомендації:

  • Поетапне масштабування рішення на інші склади

  • Оптимізація процесів для подальшого зниження витрат

Сценарій 2 (реалістичний):

  • Зростання продуктивності на 30-40%

  • Зниження витрат на 25-30%

  • ROI проекту 120-150%

Рекомендації:

  • Розширення функціоналу рішення (WMS, TMS)

  • Автоматизація суміжних процесів

  • Розвиток компетенцій персоналу

Сценарій 3 (оптимістичний):

  • Зростання продуктивності на 50%+

  • Зниження витрат на 40%+

  • ROI проекту 200%+

Рекомендації:

  • Комплексна роботизація та цифровізація складів

  • Впровадження предсказуемое обслуживание

  • Трансформація операційної моделі складу

У підсумку, проведеної нами роботи було комплексно вирішено завдання автоматизації та роботизації складських операцій компанії “Експрес”. Розроблене і впроваджене високотехнологічне рішення дало змогу автоматизувати рутинні процеси, підвищити продуктивність праці, знизити помилки та оптимізувати витрати.

За результатами проєкту продуктивність складських операцій зросла на 35%, а операційні витрати скоротилися на 28%.

Впровадження системи автоматизації та роботизації стало важливим кроком для компанії “Експрес” на шляху до Industry 4.0 і діджиталізації своїх операцій.

Ми горді співпрацею з компанією “Експрес” і досягнутими результатами, які дали змогу вивести складську логістику клієнта на якісно новий рівень. 

ПРО АВТОРА(АХ)

Коновалов Олексій – партнер Marrbery, де Шевченко Наталя – консультантка; Кривошея Марина – старша експертка; та Марія Заньковецька – консультантка.

Автори хотіли б висловити подяку таким особам:

Коваленко Галині, Снітку Кирилу, Литвиненку Василю, Григоренко Анні, Мельнику Олександру, Савченко Олесі, Ковалю Олегу, Гордієнку Денису, Тимчуку Богдану, Кравці Лілії та іншим, які допомогли в процесі. 


Рухаємося в майбутнє разом!

Зв'яжіться з нами
БІЛЬШЕ КЕЙСІВ

звіт

Кейс : Прогнозування попиту для сирного виробництва

Читати

звіт

Кейс: Розробка стратегій для сільськогосподарського підприємствач

Читати

звіт

Майбутнє їжі: Без м’яса?

Читати

Будьте в курсі наших останніх статистичних даних

Будьте в курсі наших останніх статистичних даних

    Зв'яжіться з нами

    Політика конфіденційності

    Умови експлуатації