Анализ компании

Национальный  исследовательский университет Высшая школа экономики

 

 

 

 

 

 

 

 

 

 

НАЗВАНИЕ НАШЕГО ПОТРЯСАЮЩЕГО ПРОЕКТА

 

 

 

 

 

 

 

 

 

                                     Выполнили:

Жучина Яна

Зинина Дана

Лазарева Катя

Рубан Вера

Семенова Наталья

Группа 622

 

 

Проверили:

Лычкина Н.Н.

   Заходякин  Глеб Викторович

 

 

 

 

 

 

 

 

 

 

Москва

2013

 

1. Содержательное описание моделируемой системы

В качестве предметной области для  построения имитационной модели была выбрана цепь поставок компании-производителя чего-то ???. Моделируемый объект представляет собой дистрибутивную сеть, состоящую из завода-изготовителя, склада ГП, (кол-во) региональных складов и торговых точки клиентов, в которые продукция доставляется силами исследуемой компании.

Описание исследуемой  проблемы:

1. Эффект «хлыста», возникающий из-за резкого колебания спроса у конечных потребителей.
2. Дефицит товара на заводе, на региональных складах.
3. Отложенный спрос, нехватка производственных, транспортных, складских мощностей из-за всплеска спроса.
4. Переизбыток мощностей в период низкого спроса.

 

Основными целями моделирования  являются:

1. Оценка эффективности функционирования действующей системы при резком росте спроса:

• Оценка загрузки производственных мощностей
• Оценка загрузки складских мощностей
• Оценка загрузки транспортных мощностей
• Оценка уровня обслуживания конечных потребителей

 

2. Устранение эффекта «хлыста» в цепи поставок:

• Установление взаимосвязи прогноза продаж и необходимых производственных, складских, транспортных мощностей
• Создание резервных производственных, складских, транспортных мощностей на основе установленной взаимосвязи
• Оптимальная загрузка имеющихся мощностей в соответствии с полученными результатами

 

Объекты цепи поставок компании:

• Завод
• Склад ГП
• Региональных склады
• Торговые точки клиентов

 

Входной поток:

Хз

Сырье и материалы для  изготовления ГП

 

Основные логистические операции:

1. Производство ГП на заводе
2. Складирование на складе ГП
3. Комплектация и отправка заказов на региональные склады
4. Доставка ГП на региональные склады транспортом компании
5. Хранение ГП на региональных складах
6. Комплектация и отправка заказов в торговые точки клиентов транспортом компании

 

1. Концептуальное описание моделируемой системы

Основные подсистемы:

 

1. Завод
2. Склад ГП

На складе используется динамическая стратегия управления запасами. Она заключается в том, что заказ товара у изготовителя осуществляется в случае, если текущий уровень запасов ниже Критической точки заказа. Изготовитель осуществляет поставки равными объемами и только целыми паллетами. Возможны задержки при поступлении товара от поставщика. Возможна отгрузка клиентам со склада ГП при заводе ????

 

3. Региональные склады

На трех региональных складах  используется стратегия пополнения запаса через равный промежуток времени (вообще говоря, свой для каждого склада). Возможны задержки при доставке по транспортным причинам.

 

4. Транспорт компании
5. Торговых точки клиентов

На пятнадцати складах  торговых точек также используется стратегия пополнения запаса через  равный промежуток времени (вообще говоря, свой для каждого из четырех городов, включая Москву). Развоз товара в каждом городе производится по всем ТТ данного города в течение одного дня. Значительных задержек не бывает.

 

Схема ЦП:

 

 

 

 

 

 

 

 

 

 

Гипотезы, выдвигаемые  при моделировании реальной системы:

1. Спрос на товар на задается законом распределения Пуассона – ИДЕЯ!!!!
2. Расходы на хранение на складах постоянны (но различны для ЦС, РС и складов ТТ);
3. Расходы на доставку товара постоянны и не зависят от его количества (но различны для каждого из пунктов доставки).

 

Список входных переменных:

Вероятности прописать можно  как у них?

1. Размер партии поставки от изготовителя (20 паллет);
2. Критическая точка заказа товара у изготовителя (273 штуки);
3. Время доставки товара от изготовителя (включая время обработки заказа) – задано дискретной случайной величиной (1-2-3 дня с вероятностью 0,4-0,5-0,1 соответственно);
4. Расходы на одиночную поставку товара от изготовителя (20 у.е.);
5. Стоимость хранения одной паллеты на ЦС (8 у.е. в сутки);
6. Периодичность поставки на каждый из трех РС (СПБ: 3, НН: 4, ЕКБ: 5 дней);
7. Расчетный уровень пополнения запаса для каждого из трех РС (СПБ: 73, НН: 46, ЕКБ: 50 штук);
8. Время доставки товара с ЦС до каждого из трех РС (включая время обработки заказа) – задается дискретной случайной величиной, своей в каждом из трех случаев (СПБ: 1-2-3 дня с вероятностью 0,2-0,5-0,2 соответственно, НН: 1-2-3 дня с вероятностью 0,4-0,5-0,1 соответственно, ЕКБ: 2-3-4 дня с вероятностью 0,3-0,6-0,1 соответствен-но);
9. Расходы на одиночную поставку товара с ЦС для каждого из трех РС (СПБ: 110 у.е., НН: 80 у.е., ЕКБ: 165 у.е.);
10. Стоимость хранения одной единицы товара на РС (1 у.е. в сутки);
11. Периодичность поставки на ТТ в каждом из четырех городов (МСК: 2 дня, СПБ: 3 дня, НН: 4 дня, ЕКБ: 4 дня);
12. Расчетный уровень пополнения запаса для каждой из 15 ТТ (44/29/26/26/20/28/24/ 21/14/24/20/12/20/12/12 штук соответственно);
13. Расходы на одиночный развоз товара с РС (или ЦС – для Москвы) по ТТ для каждого из четырех городов (МСК: 80 у.е., СПБ: 50 у.е., НН: 35 у.е., ЕКБ: 30 у.е.);
14. Стоимость хранения одной единицы товара на ТТ (2 у.е. в сутки);
15. Спрос на товар по каждой из 15 ТТ – в процентах от общего спроса в сети (15/10/9/ 9/7/8/7/6/4/6/5/3/5/3/3 процентов соответственно);
16. Совокупный среднедневной спрос на товар в сети (58 штук для товара группы А);
17. Маржа фирмы от продажи одной единицы товара (36 у.е.).

 

 

Список выходных переменных:

1. Средний товарный остаток на ЦС;
2. Средний товарный остаток на каждом из трех РС;
3. Средний товарный остаток на каждой из 15 ТТ;
4. Ожидаемый уровень обслуживания в каждом из четырех городов;
5. Ожидаемые расходы на хранение;
6. Ожидаемые транспортные расходы (отдельно учитываются расходы на межгородские перевозки, включая поставки на центральный склад, отдельно – расходы на доставку товаров на торговые точки);
7. Совокупная маржа от реализации продукции
8. (= Количество реализованной продукции * Маржа от продажи одной единицы);
9. Прибыль фирмы
10. (= Совокупная маржа – Расходы на хранение – Транспортные расходы).

 

А дальше идет жесть…….

 

1. Поиск оптимального набора параметров

 

Для поиска оптимального сценарного набора значений входных параметров используется инструментарий Anylogic.

 

Управляющие параметры:

• Размер партии поставки от изготовителя;
• Критическая точка заказа товара у изготовителя;
• Периодичность поставки на каждый из трех РС;
• Расчетный уровень пополнения запаса для каждого из трех РС;
• Периодичность поставки на ТТ в каждом из четырех городов;
• Расчетный уровень пополнения запаса для каждой из 15 ТТ.

 

Оптимальным набором параметров является тот, где годовая прибыль фирмы максимальна.

 

2. Результаты первого прогона модели

 

Москва: продано 10587 из 10597 возможных, уровень обслуживания = 99,91%

Санкт-Петербург: продано 5153 из 5289 возможных, уровень обслуживания = 97,43%

Нижний Новгород: продано 2867 из 2911 возможных, уровень обслуживания = 98,49%

Екатеринбург: продано 1338 из 2267 возможных, уровень обслуживания = 59,02%

 

Затраты на межгородской транспорт (включая поставки на ЦС): 36605 у.е.

Затраты на развоз товара по ТТ: 26525 у.е.

Затраты на хранение: 273656 у.е.

Доход (совокупная маржа): 718020 у.е.

Прибыль: 381234 у.е.

 

Бросается в глаза очень большие  затраты на хранение по сравнению  с транспортными расходами. Почти наверняка это свидетельствует о завышенном уровне запасов в складской сети (как и предполагалось изначально). Об этом же свидетельствует очень высокий уровень обслуживания всюду, кроме Екатеринбурга (там пониженный уровень обслуживания может быть объяснен транспортной удаленностью и, как следствие, замедленной реакцией на спрос). Можно предположить, что прибыль может быть повышена за счет заметного снижения уровня складских запасов (при некотором увеличении транспортных расходов).

 

3. Результаты оптимизации параметров

 

С помощью инструментария Arena 9.0 OptQuest была проведена оптимизация параметров с целью максимизации годовой прибыли.

 

Полученные значения (в скобках  – исходные значения этих же параметров):

 

• Размер партии поставки от изготовителя: 16 (20) паллет;
• Критическая точка заказа товара у изготовителя: 161 (273) штук;
• Периодичность поставки на каждый из трех РС: СПБ: 2 (3), НН: 3 (4), ЕКБ: 3 (5) (все – в днях);
• Расчетный уровень пополнения запаса для каждого из трех РС: СПБ: 50 (73), НН: 45 (46), ЕКБ: 10 (50) (все – в штуках);
• Периодичность поставки на ТТ в каждом из четырех городов: МСК: 2 (2), СПБ: 2 (3), НН: 3 (4), ЕКБ: 3 (4) (все – в днях);
• Расчетный уровень пополнения запаса для каждой из 15 ТТ:

Москва: 27 (44) / 19 (29) / 17 (26) / 17 (26) / 14 (20);

Санкт-Петербург: 16 (28) / 14 (24) / 18 (21) / 11 (14);

Нижний Новгород: 16 (24) / 16 (20) / 8 (12)

Екатеринбург: 14 (20) / 9 (12) / 7 (12).

 

Несмотря на то, что различия в  параметрах не кажутся кардинальными (за исключением большой ошибки в  «ручном» определении расчетного уровня пополнения запасов на региональном складе в Екатеринбурге), различие в прибыли весьма впечатляет! При оптимальных параметрах годовая прибыль составила 459133 у.е., что на 77899 у.е. больше, чем при значениях параметров, найденных «вручную».

 

(ПРИМЕЧАНИЕ: оптимизация на  OptQuest сохранена в файле KKOptimization.opt, а ее результаты – в файле Results.txt).

 

4. Выводы

 

Несмотря на то, что мы использовали программную среду Arena для решения не совсем типичной задачи, нам удалось получить прекрасные результаты. Усилия, потраченные на моделирование бизнес-процессов фирмы, многократно окупятся дополнительной прибылью, полученной фирмой в результате переключения администрирования процессов на оптимальные параметры.