Моделирование оптимального количества и расположения складов

Стратегия компании по региональной экспансии и развитию новых каналов продаж (сети, e-commerce и маркетплейсы) вместе с увеличением оборота приводит к непропорциональному росту логистических затрат, что негативно сказывается на прибыли. Основные причины роста затрат включают увеличение расстояний доставки и, как следствие, стоимости доставки от поставщиков и складов до получателей, а также длинные плечи в развозочных маршрутах большегрузного транспорта.

Кроме того, компании начинают терять в качестве клиентского сервиса: сроки поставок срываются, а доступность запасов для клиентов — снижается. Решения по перестройке логистики, такие как открытие новых складов без должного анализа локации, площади и формата (кросс-докинг, накопление, распределение), приводят к потерям инвестиций без ощутимого положительного эффекта.

Где компания теряет деньги:

• транспортные затраты на первой и последней миле

• складские расходы: хранение, ПРР и другие затраты на одном складе и в сети

• затраты на владение запасами, снижение оборачиваемости

• упущенные продажи из-за недостаточной доступности запаса

• общие затраты (Total cost)

• снижение индекса клиентской лояльности (NPS)

Возрастающая динамика транспортных затрат при региональной экспансии 

Посмотреть
презентацию подхода 

1. Собираем и верифицируем множественные данные

• Расположение поставщиков и объемы отгрузок
  Учитываем реальные координаты складов поставщиков и объемы поставок, что позволяет точно рассчитать стоимость входящей логистики — даже если сейчас вы не платите за доставку продукции к вам (для последующего снижения стоимости закупки)

• Расположение клиентов и объемы поставок
  Анализируем географию и объемы отгрузок каждому получателю для точного расчёта исходящих логистических затрат и определения «центров тяжести» — такого расположения складов, при котором транспортные затраты минимальны

• Реальная дорожная сеть России
  Используем актуальную картографию и дорожную инфраструктуру РФ, учитывая загрузку дорог и реальные расстояния. Не используем зарубежные сервисы ввиду их низкой практической применимости

• Актуальные тарифы и затраты
  Вносим подробные данные по тарифам на транспортировку, хранение, обработку грузов, разделяя их по видам транспорта, расстояниям и географии

• Дополнительные параметры
  Учитываем текущий уровень запасов, целевой клиентский сервис, прогнозы товаропотоков, различную динамику потребления в регионах и клиентские предпочтения и др.

2. Строим математическую модель

• Создаём точную модель вашей цепочки поставок с необходимым уровнем детализации для решения поставленных задач

• Используем собственное программное обеспечение «LogConnection», обеспечивающую высокую точность и учет российской специфики

Скриншот из системы LogConnection: подготовка данных для расчета

3. Калибруем и прорабатываем сценарии «Что, если...»

• Проводим проверку модели на соответствие фактическим данным, восполняя пробелы в данных и корректируя её для максимальной точности

• Выполняем сценарный анализ, позволяющий оценить влияние различных решений и изменений на логистические затраты и уровень сервиса

4. Находим оптимальные конфигурации и даем рекомендации

• Определяем оптимальное количество, расположение и функционал складов (логистические центры, распределительные центры, кросс-док), основываясь на критерии минимальных совокупных транспортно-складских затрат с требуемым уровнем сервиса

• Предлагаем варианты по форме владения (аренда, аутсорсинг, строительство)

• Предоставляем ранжированный список альтернативных решений, позволяя сравнить их эффективность и обоснованность

Результаты работы системы LogConnection: карта оптимального расположения складов

5. Обучаем, сопровождаем, помогаем внедрить

• Передаём готовую модель с веб-интерфейсом для самостоятельного использования и дальнейшего анализа

• Обучаем ваших специалистов работе с моделью, включая просчет сценариев; поддерживаем на всех этапах внедрения решений

• Экономия на транспортно-складских расходах от 7,8% до 43%

• Повышение конкурентоспособности за счёт снижения себестоимости и улучшения клиентского сервиса

• Избежание неоправданных затрат на инфраструктуру благодаря глубокой аналитике

• Прозрачность логистических процессов с полным пониманием структуры затрат

• Гибкость и адаптивность системы: возможность проведения сценарного анализа «Что, если...» в любое время

• Сокращение инвестиций в развитие складской сети до нуля без потери эффективности

• Обеспечение конкурентных преимуществ по скорости масштабирования и NPS

• «Аскона»: оптимизация складской сети позволила сэкономить значительную часть годового бюджета логистики. Проект включал перестройку складов с учётом региональной экспансии.

• «М.Видео-Эльдорадо»: проект окупился через два месяца, сократив транспортные и складские расходы за счёт оптимизации маршрутов и сети складов.

• «Торговая сеть «Находка»: модель оптимального расположения складов позволила компании открыть магазины в новых регионах, не увеличивая логистические затраты.

• «Magnum Go»: компания открыла дарксторы в оптимальных местах, обеспечив лучший сервис при минимальных операционных затратах.

• «Галамарт»: цифровой двойник цепи поставок позволил компании открыть РЦ в оптимальных местах, что снизило транспортно-складские затраты.

• «Henderson»: компания на основе цифрового двойника выбрала стратегию расположения РЦ и флагманских салонов, что позволило усилить конкурентные преимущества.

• «Восток-Сервис»: оптимальное расположение складов, предложенное цифровым двойником, помогло реализовать клиентскую стратегию по консигнации запасов и стать лидером отрасли.

• «Фруто-Няня» (АО «Прогресс»): цифровой двойник позволил открыть склады в оптимальных местах, что повысило уровень сервиса и сократило затраты на хранение.

• КОМОС Групп: моделирование цепи поставок позволило сократить логистические затраты и расширить присутствие компании в новых регионах.

• «Продо»: цифровое моделирование цепи поставок позволило оптимизировать расположение складов, что сократило транспортно-складские расходы.

• «Мосэнерго»: оптимальная локация логистического центра сократила запасы и транспортные затраты, а также уменьшила общие складские площади за счёт централизации.

• ЛУКОЙЛ: выбранные места для региональных логистических кластеров позволили сократить запасы МТР и транспортные затраты.

• КАМАЗ: оптимизация цепочки поставок с выбором локаций складов привела к снижению транспортных издержек и улучшению обслуживания в ключевых регионах.

• «Сегежа Групп»: моделирование сети складов позволило компании сократить издержки и улучшить работу с поставщиками сырья, особенно в отдалённых регионах.

• «Сахалинская Энергия»: оптимизация складов и маршрутов на Дальнем Востоке позволила снизить запасы за счёт централизации и сэкономить логистические затраты.

• Knauf: проект помог сократить транспортные и складские расходы с учетом локации производства в Татарстане и поставках по всей России.