От прогноза к решению: как крупным распределительным центрам структурировать данные и управлять складами

Проблемы начинаются тогда, когда «вроде бы» и «кажется» превращаются в переполненный склад, срочную аренду дополнительных площадей и вопрос на планерке: «Куда делись деньги?» Современная логистика давно переросла инструменты, которыми ее пытаются удержать. И дело не в том, что в компаниях работают плохие специалисты. Дело в том, что объем данных, скорость изменений и количество взаимосвязанных факторов уже физически не помещаются в таблицу.

Крупные распределительные центры давно работают не с одной программой, а с целой связкой цифровых инструментов. Ключевую роль среди них играют системы управления складом (WMS): они принимают заявки, ведут учет операций и берут на себя базовое планирование.

Тут же – платформы управления транспортом (TMS), отвечающие за доставку. Поверх учетных программ выстраиваются аналитические надстройки, которые собирают информацию из разных источников, прогнозируют изменения и планируют операции. Сложность в том, что объем данных растет быстрее, чем человек успевает его обработать.

Для большого склада объем информации так велик, что справляться с ним приходится целым командам. Поэтому бизнесу выгоднее не наращивать штат, а внедрять инструменты, которые ускоряют расчеты и помогают находить решения точнее и быстрее.

Прогнозирование спроса принято считать ключевым инструментом планирования. И это справедливо, но лишь отчасти. Точность прогноза определяется не только количеством накопленных данных, но и пониманием взаимосвязей между факторами: какие из них влияют на результат и насколько сильно это воздействие меняется во времени.

При этом любой прогноз строится на прошлом опыте и носит вероятностный характер. Он показывает наиболее реалистичный сценарий развития событий — но не гарантирует точного исхода. Модель, обученная на исторических данных о поставках и продажах, найдет похожие ситуации в прошлом и ускорит анализ. Но она не учтет все то, что может произойти в реальном мире.

Поэтому логичный следующий шаг — вычислить оптимальное решение: где хранить товар, как распределить ресурсы, в каком направлении двигать поставки. На эти вопросы отвечает уже оптимизация.

На практике эффективность операций определяется не одним показателем, а множеством факторов, влияющих друг на друга. При последовательном подходе к планированию большинство этих взаимосвязей остаются за кадром, и локальное улучшение одного параметра нередко ухудшает другие.

Пример — крупный распределительный центр в Подмосковье с сетью из более 500 магазинов. Ежедневно компания составляет план развоза, задействует парк из 50-60 сотни автомобилей и обрабатывает до 100 тысяч строк данных. Планирование велось последовательно: сначала ближайшие магазины, потом следующие, с учетом временных окон и ограничений. Даже при частичной автоматизации процесс занимет около двух часов дважды в день.

Когда компания поставила задачу сократить затраты, первым шагом стало уменьшение количества машин на маршрутах — самая очевидная статья расходов. Цель была достигнута: автопарк сократили. Но вскоре выяснилось, что следом вырос километраж, участились рейсы и потянулись вверх несколько других сопутствующих метрик.

Это хрестоматийный пример последовательного планирования: пока компания улучшает один параметр, остальные незаметно ухудшаются. Комплексная же оптимизация позволяет повысить эффективность примерно на 15% в пересчете на общую стоимость эксплуатации парка.

Похожую задачу ИТ-холдинг Т1 решал и в одном проекте, где создали систему распределения потоков между отделениями и сортировочными центрами. Одним из наиболее востребованных инструментов оказался именно сценарный анализ — возможность заранее оценить, как замена ручного труда на автоматизированные линии считывания штрихкодов повлияет на всю цепочку.

Когда речь заходит об искусственном интеллекте в цепочках поставок, чаще всего имеются в виду не большие языковые модели, а алгоритмы машинного обучения (ML, Machine Learning) — инструменты, которые анализируют исторические данные, выявляют закономерности и оценивают взаимосвязи между показателями.

Их ценность состоит не только в повышении точности прогнозирования. Такие алгоритмы позволяют формировать ансамбли прогнозов — наборы сценариев с разной вероятностью и разными входными параметрами.

Развитие аналитики на складе, как правило, проходит одни и те же стадии — вне зависимости от размера компании и отрасли.

• Первый этап — описание текущего состояния: структурирование данных о том, что происходит на складе, какие товары есть в наличии, как они перемещаются, какие операции выполняются.

• Второй этап — аналитика и инструменты бизнес-анализа (BI, Business Intelligence): визуализация закономерностей, выявление проблемных зон, понимание текущей ситуации.

• Третий этап — прогнозная аналитика: когда накоплена качественная историческая база, становится возможным моделировать будущее и оценивать влияние различных факторов на работу системы.

• Четвертый этап — прескриптивная аналитика, или аналитика рекомендаций. Если прогноз отвечает на вопрос «что произойдет», то этот уровень отвечает на вопрос «что делать». Именно здесь система начинает подсказывать, какие позиции пополнить в первую очередь, как перераспределить запасы между складами и какие решения дадут максимальный эффект при имеющихся ограничениях.

По мере развития таких систем у компаний появляется возможность создавать цифровых двойников — имитационные модели, в которых все процессы и взаимосвязи отражаются в режиме, близком к реальному времени. Это может быть как схема потоков внутри склада, так и полноценная трехмерная модель, показывающая движение товаров, загрузку зон хранения и образование очередей. Человеку гораздо проще воспринимать информацию визуально, чем анализировать массивы цифр.

При этом автоматизация не заменяет человека — она меняет его роль. Чем сложнее модель и больше данных в системе, тем важнее становится эксперт, способный правильно интерпретировать результаты. Окончательная ответственность за выбор управленческого решения по-прежнему остается за людьми.