Расходы на складскую логистику занимают важное место в структуре операционных затрат, поэтому их сокращение может привести к существенному снижению всей себестоимости реализации.
АЛИДИ – одна из крупнейших дистрибьюторских компаний в России, которая специализируется на комплексных логистических услугах, распределении и продвижении потребительских товаров. Компания работает с более чем 120 000 магазинами по всей стране, включая крупные сети, оптовые организации и частных предпринимателей. Оптимизация работы склада и эффективное распределения ресурсов для обработки растущего количества грузов является одним из приоритетных направлений технического развития компании.
Для решения этой задачи BIA Technologies – интегратор, разработчик ИТ-продуктов и сервисов с собственным Центром экспертизы в области Искусственного интеллекта и математической оптимизации бизнеса, предложил создать цифрового двойника: точную виртуальную копию физического склада на основе комплексных математических моделей для тестирования гипотез и оптимизации без рисков. Имитационная модель склада помогает компаниям выявлять «узкие места», оценивает плотность хранения, а затем находит вариант, при котором желаемый результат достигается с минимальными затратами.
Сначала специалисты BIA Technologies провели пилотный проект для отдельного участка склада. «АЛИДИ» смогли высоко оценить компетенции компании-партнера и готовность создать модель, которую можно использовать самостоятельно, при этом подстраивая под постоянные изменения. Эксперимент был признан успешным, поэтому было принято решение масштабировать его на весь склад.
Полученная имитационная модель склада АЛИДИ позволяет проверять гипотезы, определять нормативное время выполнения задач и работы складского персонала, оптимизировать размещение товаров в пикинге, а также находить оптимальное расположение всех позиций на складе. Благодаря ей удалось решить задачу оптимизации мест хранения товара и сократить пробеги техники для сборки заказов до 30%, оптимизировать ФОТ складского персонала на 5-15% и минимизировать общее время подбора продукции.
Кроме того, выявлен значительный потенциал для сокращения пробегов персонала за счет учета неявных зависимостей между контрагентом (товарные матрицы) и группировками товаров в заказе.
