Текущая экономическая ситуация в мире приводит к сильному давлению роста цен во всех секторах экономики. Ритейлеры не могут перекладывать эти риски на плечи своих покупателей, что приводит их к необходимости поиска новых путей сокращения затрат на экземпляр процесса, т. е. на штуку товара. Усиливающаяся конкуренция с e‑commerce требует перестройки процессов и выхода на повышенные скорости доставки в борьбе за клиента.
И кажется, что все имеющиеся инструменты повышения эффективности уже использованы. Но есть ещё один. В этой статье я расскажу о нашем опыте повышения производительности операций в распределительных центрах торговой сети «Пятёрочка» без больших финансовых вливаний и долгосрочных разработок. Я руковожу Департаментом развития аналитики «Цепочки поставок и поддерживающие функции» в Х5 Tech, и моя команда занимается поиском путей повышения эффективности бизнеса через анализ больших данных.
Проблема на первом подходе к снаряду
Для повышения мотивации текущих сотрудников и быстрой адаптации новичков мы начинали с пересмотра концепции оформления складов, как новых, так и текущих. Было привлечено агентство для анализа employee journey map – пути перемещения работника по распределительному центру.
Результатом было изменение организации внутреннего пространства, а именно: перемещение кабинетов сервисных служб для повышения их доступности, пересмотру удобств столовых, обновлению цветового оформления для улучшения восприятия, росту качества отделочных материалов, реорганизации входных групп, раздевалок и т. д. Всё это требует реконструкции текущих складов, что невозможно выполнить в кратчайшие сроки. Новые склады и подавно не появятся ранее 1,5 лет.
Как мы искали другой путь
Мы поняли, что нужно работать с текущей производительностью распределительных центров здесь и сейчас, но абсолютно по-другому, используя новые методы.
Для решения данного вопроса мы разделили персонал на группы: переменный, сервисные службы и администрация, для каждой из которых выбрали инструмент, дающий максимальный эффект.
Для сервисных служб и администрации (например, специалистов документооборота, диспетчеров, планеров отдела маршрутизации и группы управления товарными запасами) целевым инструментом анализа текущей производительности и поиска путей повышения эффективности мы выбрали Task Mining на базе Proceset, который анализирует цифровые следы сотрудников в том или ином процессе. Эти сотрудники большую часть рабочего дня проводят за компьютером: формируют рейсы, оформляют поставки и отгрузки, распределяют товар по складу и т. д.
За два месяца с привлечением трёх консультантов из GlowByte мы разобрали по шагам текущие операции на складах и нашли пути улучшений до 27% затрачиваемого времени за счёт автоматизации рутины, настройки алертинга и исключения действий, которые не несут никакой выгоды для компании.
Но мы не понимали, как подступиться к самой многочисленной группе — переменному персоналу, который составляет порядка 72% от всей численности логистической службы. А это порядка 13 000 комплектовщиков и водителей электроштабелёров на 39 распределительных центрах. Они не сидят за компьютерами и, на первый взгляд, не оставляют цифровых следов. Проводить же хронометраж на всех объектах, бегая за ними с секундомером и тетрадкой — дорого и долго.
Но, посмотрев на процесс комплектации товара под другим ракурсом, мы осознали, что цифровые следы у переменного персонала всё-таки есть, и мы можем проанализировать их по такому же принципу, как в Task Mining, используя лишь Python и усилия одного аналитика данных.
Как же мы решили основную сложность
Процесс сборки товара на распределительных центрах сети выглядит следующим образом. Комплектовщик получает задание, в котором перечислено, из какой ячейки, в какой последовательности и сколько коробок нужно отобрать. Перемещение по складу при этом происходит в формате так называемой «вермишели» или «змейки»:
Цифровой след комплектовщики оставляют в момент подхода к ячейке, сообщая номер ячейки в микрофон голосовой гарнитуры. В системе он фиксируется как номер ячейки и дата и время операции.
Мы смогли собрать такие цифровые следы по всему переменному персоналу на всех складах сети для исследования силами всего одного сотрудника в кратчайшие сроки. Далее потребовался недолгий анализ данных, а именно: вычисление длительности перемещений, поиск экстремумов, неоптимальных маршрутов и т. д.
Например, неоптимальные маршруты мы смогли выявить путём анализа нумерации ячеек, между которыми перемещались сотрудники. Обычно в задании на комплектацию ячейкам присваивается порядковый номер. Так мы обнаружили возвраты, на которые уходит около 4% от времени выполнения задания.
Вычислив средний тайминг, или норму пробегов между ячейками, который составил около одной минуты, мы смогли отловить простои и перепробеги. То есть по какой‑то причине сотрудники перемещались дольше среднего значения. Таких перепробегов, помимо возвратов, мы насчитали ещё на 18% от времени комплектации. Итого вышло около 22% неоптимальных действий.
Далее потребовалось выяснить, из‑за чего же возникают неоптимальные перемещения. Часть смогли разложить на факторы на основе данных. Мы обнаружили, что параллельно с подходом к ячейке в системе появлялась ещё одна запись с запросом комплектовщика на пополнение ячейки — то есть в этот момент товара на месте не было, его разобрали, но не успели пополнить из хранения. Требовалось ждать водителя электроштабелёра для пополнения товаром с верхних ярусов склада. Таких «ожиданий» набегает порядка 3%.
На анализ простоев или, проще говоря, пробок мы привлекли эксперта от Data Science, который помог нам разложить подходы комплектовщиков к ячейке на временные интервалы с массовым скоплением людей. Так мы обнаружили, что в течение четырех минут сотрудники последовательно друг за другом отбирали товар из ячейки, при этом перед этим за ними всеми по системе числился перепробег. И дополнительно была выполнена операция пополнения водителем электроштабелёра, то есть все они стояли в ожидании появления товара в ячейке. Самое интересное, что в такой момент в пробке может скопиться до десяти комплектовщиков. И на это сотрудники тратят ещё 7% от времени комплектации.
Таким образом, из 22% мы оцифровали по факторам 14%. Всё остальное покрывали в рамках интервью с представителями складов. Среди прочего выяснили, что есть проблемы с заменой батареек для голосовой гарнитуры, которые часто разряжаются. А также с подмоткой паллет из-за низкого качества плёнки или плохой сборки.
Так как основная причина была пустая ячейка отбора, мы проанализировали, с чем это связано и выявили, что всему виной высокооборачиваемый товар (это значит, что он очень быстро раскупается в магазинах и его необходимо постоянно комплектовать). Водители электроштабелёров, в свою очередь, просто не успевают пополнять ячейки.
Для решения таких проблем обычно принято увеличивать количество ячеек отбора – организовывать больше мест для забора товара. Но как это понимать заранее, а не по факту возникновения пробок? Об этом дальше.
Получили потрясающий результат
Поняли, что ничего не мешает нам использовать прогноз входа и выхода товара с распределительного центра, категории оборачиваемости товара, объём и частоту отбора из ячейки. Мы построили простую рекомендательную модель в формате микросервиса для складской системы с визуализацией в QlikSense, которая заранее сообщает специалисту группы управления товарными запасами о том, что необходимо организовать большее количество ячеек на неделю вперёд, а какие-то уже можно сократить.
Более того, мы обнаружили, что у водителей электроштабелёров отсутствует приоритизация задач на пополнение. Поэтому решили дополнить алгоритм складской системы выдачи задач приоритизацией по факту вымывания товара из ячеек.
На самом деле, мы пошли ещё дальше, добавив в анализ следы по смежным операциям:
-
от момента выхода комплектовщика на смену до печати первого задания;
-
от момента получения задания до первого отбора;
-
от момента последнего отбора до вывоза в зону отгрузки;
-
от вывоза в зону отгрузки до печати следующего задания.
Таким образом, мы нашли ещё пару проблем, как, например, неоптимальное расположение принтеров печати заданий и количество печатаемых страниц документов.
Но всё это к чему? Я призываю вас, друзья, анализировать как можно больше цифровых следов, когда вам кажется, что все инструменты повышения производительности уже применены. В них хранится много потенциала, который не виден на поверхности, и на первый взгляд кажется, что не имеет большого эффекта. Но когда переводишь всё это в плоскость цифр, получается существенный объём того, что можно и нужно изменить, тем самым ускорив процесс, сократив на него затраты и повысив ценность результата от него.
А вы уже анализируете цифровые следы? Поделитесь в комментариях.
Автор: aleksakirik
