Современные системы управления складом (WMS) и грузоперевозками (TMS) эффективно справляются с задачами логистики — учетом товаров, построением маршрутов, ведением документооборота и аналитическими задачами. Данные системы рассматриваются в комплексе, так как транспортировка и расписание, управляемые TMS, оказывают непосредственное влияние на процессы хранения и обработки грузов в WMS. В свою очередь, доступность груза в WMS определяет необходимость подбора транспортного средства, что делает интеграцию этих систем крайне важной для оптимизации логистических операций.
Когда возникает необходимость решать более сложные вопросы — например, адаптировать управление складскими запасами к сезонному спросу — их возможностей зачастую не хватает. И здесь на помощь приходит обогащение WMS/TMS методами математической оптимизации, которые превращают их в гибкие самообучаемые системы. Подробнее об этом рассказывает Михаил Красильников — директор департамента разработки и внедрения систем искусственного интеллекта ИТ-компании BIA Technologies.
Возможности современных систем WMS и TMS
WMS (warehouse management system) — информационная система, обеспечивающая автоматизацию управления складской работы. Ее функциональность охватывает все процессы от приемки товара, продукции или сырья до отгрузки потребителю. С помощью системы можно диспетчеризировать, планировать и анализировать операционную деятельность, в т.ч. управлять товарными запасами, подбирать оптимальные места складирования, вести учет и инвентаризацию товаров, организовывать комплектацию заказов и т.д.
В свою очередь TMS (transportation management system) — программное решение для управления и оптимизации транспортной логистики, охватывающей все этапы перемещение грузов. Система помогает улучшить координацию и снизить затраты на транспортировку и таким образом обеспечивает комплексный подход к логистическому процессу.
Например, с ее помощью можно рассчитывать стоимость перевозок с использованием различных видов транспорта, а также объединить данные о таможенных расходах и информации о погрузочно-разгрузочных операциях. Она обеспечивает мониторинг сроков доставки и местоположения грузов.
Зачем обогащать WMS/TMS методами математической оптимизации?
На рынке сотни различных систем TMS и WMS, некоторые из них уже включают в себя встроенные модули для планирования, прогнозирования, управления и распределения ресурсов. Готовые решения могут быть полезны для быстрого внедрения и минимизации времени на настройку. Однако, в ряде случаев, такие системы требуют доработки, добавления локальных правил и оптимизационных алгоритмов, чтобы соответствовать специфическим требованиям бизнеса.
Некоторые системы могут иметь ограниченный диапазон конфигураций, что способно стать препятствием для их адаптации к уникальным процессам компании. В таких случаях есть возможность расширения функционала за счет интеграции дополнительных сервисов. Они используют данные, уже содержащиеся в системах, для выполнения сложных расчетов и оптимизаций, а затем передают результаты обратно в основную систему. Такой подход позволяет более безопасно реализовать выделенный независимый функционал, без влияния на основные процессы.
В качестве примера работы такого сервиса приведу следующий кейс. У компании возникает вопрос: взяться ли за перевозку груза, который необходимо забрать с торговой площадки из Москвы и отправить в Находку, но обратно в столицу заказа нет. Имеющаяся ТMS зафиксирует убытки, но не предложит вариант для их минимизации, и перевозчик скорее всего откажется от рейса. Однако в системах содержатся данные о потенциальных заявках или о статистике их появления, которые в принципе могут быть использованы для поиска оптимального решения. Доработанная TMS сможет перестроить маршрут, сокращая простой транспортного средства, например, направит его через город, где есть заявки на перевозку, или скорректирует стоимость доставки для привлечения дополнительных клиентов.
Более того, с использованием методов математической оптимизации, такой сервис сможет просчитать различные сценарии, учитывая прогнозы по заказам на ближайшие дни. Он определит, что выгоднее для бизнеса: отправиться за заказом в другой город или же принять во внимание, что издержки простоя транспортного средства будут компенсированы крупной заявкой, которая поступит в течение суток.
Методы, используемые для обогащения WMS и TMS функциями планирования использования ресурсов и прогнозирования спроса
Чем более точные инструменты имеются в арсенале компании — тем выше ее конкурентоспособность и экономические показатели. Такие ИТ-решения позволяют выстраивать и реализовывать бизнес-стратегии, опираясь на верные прогнозы и планы.
На текущий момент сервисы для усовершенствования планирования заявок, транспорта часто разрабатываются на основе методов смешанного целочисленного программирования или в ограничениях, а также эвристических методов. Для доработки систем возможностями прогнозирования чаще всего применяется градиентный бустинг. Однако новым трендом становится переход на методы глубокого обучения. Предполагается, что они обеспечивают более высокий уровень генерализации.
Прогнозирование и планирование с помощью искусственного интеллекта дополняет традиционные методы оптимизации WMS и TMS. Преимущество нейросетей состоит в том, что они способны анализировать влияние сотен факторов — от локальных событий до погодных аномалий, — легко адаптироваться к изменениям и работать даже с неполными данными.
Среди перспективных методов, развитие которого ожидается в самое ближайшее время, обучение с подкреплением (reinforcement learning, RL). При данном подходе в машинном обучении система учится принимать решения самостоятельно, взаимодействуя с окружающей средой. Алгоритм выстроен так, что за действительно хорошие решения система получает «вознаграждение», а за ошибки «штрафы». Он характеризуется долгим временем обучения, но быстрым инференсом (конечный результат обработки данных).
Обогащенные RL системы обучаются планировать ресурсы так, чтобы достигать выгодных целевых показателей с учетом долгосрочной перспективы. Это позволяет им не только гибко реагировать на текущие условия, но и предсказывать последствия своих действий в будущем и за счет этого повышать собственную эффективность и устойчивость в процессе принятия решений, что особенно важно в динамичных и изменяющихся средах.
В настоящий момент реализованных на 100% кейсов с данной технологией нет, однако экспертное сообщество возлагает большие надежды, что в обозримом будущем кто-то из технологических гигантов сможет интегрировать такую разработку в бизнес.
Распространенные трудности внедрения оптимизации
Одна из основных сложностей внедрения — это поиск баланса при определении достаточного количества бизнес-правил для оптимизационного решения. На первый взгляд кажется, что нужно учесть все возможные условия, ограничения, частные случаи, которые однажды внесли существенные корректировки в работу. Однако на практике такой подход может приводить к противоречиям в системе, когда разные правила начинают конкурировать между собой, снижать эффективность работы алгоритма, делать ее излишне тяжелой, а также негативно влиять на смежные бизнес-процессы.
Особое значение здесь приобретает командная работа заказчика разработки и ИТ-аналитика. Им необходимо найти золотую середину: определить оптимальный набор ключевых правил и ограничений, которые обеспечат не только экономическую выгоду, но и устойчивость системы.
Проиллюстрируем, на сколько важно найти компромисс между выгодой и стабильностью ИТ-решения следующим примером. Представим, что у водителя на рабочий день построен оптимальный маршрут, который включает 30 адресов доставки, он рассчитан с максимальной выгодой для компании, минимизированы все простои и задержки в пути, нет ни одной свободной минуты. Однако в одной из промежуточных точек происходит заминка, и клиент отдает груз на 15 минут позже. Далее рейсы начинают срываться по цепочке, если в рамках маршрута не заложено возможное перераспределение. В это время по всей дальнейшей последовательности происходит смещение, и компания несет еще большие убытки, чем если бы заложила время на форс-мажор при составлении расписания.
Также важно избегать распространенной ошибки — чрезмерного опирания на личный опыт в ущерб математическим моделям. Субъективные оценки и игнорирование статистических закономерностей могут существенно исказить результаты оптимизации. Важно учитывать, что случайные события могут оказывать временное влияние, поэтому необходимо использовать математические модели для адекватной оценки рисков и неопределенности.
Еще один ошибочный подход — внедрение масштабных изменений сразу во все или в большую часть процессов. Во избежание глобальных сбоев и перегрузки систем, на первое время сфера действия оптимизационной модели должна быть достаточно локальной.
***
Обогащение WMS/TMS методами математической оптимизации — это не просто апгрейд ПО, а переход систем на новый уровень управления логистикой. Компании, которые внедряют эти решения, уже сегодня получают заметное преимущество перед конкурентами. Работа с данными, уже имеющимися в этих системах, за счет роста детализации планов и прогнозов, позволяет точно понимать потребности бизнеса. Например, компания, торгующая мебелью, знает, что в среднем в месяц клиенты заказывают 40 диванов, однако есть и сезонные колебания. Система WMS позволяет точно планировать закупки, заказывая именно то количество товаров у поставщиков, которое, согласно собранным данным, понадобится. Это позволяет компании держать на складе требуемое количество продукции, минимизируя затраты на хранение и избегая избыточных запасов, что, в свою очередь, оптимизирует управление ресурсами и повышает эффективность бизнеса.
