Средства анализа и выявления закономерностей информационных потоков в логистике производственного предприятия Текст научной статьи по специальности «Экономика и бизнес»

Средства анализа и выявления закономерностей информационных потоков в логистике производственного предприятия

А.А. Ханова, С.М. Сидагалиева, И.О. Бондарева Астраханский государственный технический университет

Аннотация: Предложено решение по интеграции многопроходных имитационных моделей и анализа данных в области логистики производственного предприятия. Технология логистического управления на базе многопроходных имитационных моделей позволит автоматизировать процесс управления путем проектирования структуры логистической сети производственного предприятия. Прогнозирование спроса, составление планов, контроль процессов в логистической сети, оперативное принятие решений, обеспечит система интеллектуального анализа данных. Разработанная технология выявления закономерностей информационных потоков в логистике производственного предприятия поможет реализовать задачи повышения эффективности функционирования путем предоставления средств анализа изменений внутри логистической сети и в рыночном окружении, а также средств адаптивного планирования и координации процессов для всех участников логистического процесса. Ключевые слова: имитационная модель, анализ данных, логистика, производственное предприятие, информационные потоки, агентная модель, прогнозирование, дискретно-событийная модель, адекватность, склады, рынок сбыта.

Процесс принятия решений в управлении логистикой производственного предприятия (1111) связан анализом и выявлением закономерностей среди множества взаимосвязанных, часто стохастических событий и невозможен без применения современных информационных технологий [1, 2]. Рынок, предоставляющий программные продукты для построения цепи поставок очень обширен и имеет широкие возможности в области снабжения, сбыта и розничной торговли. Однако подсистемы прогнозирования спроса учитывают лишь продажи прошлых периодов, не анализируя рынок и степень его насыщения, тогда как отличительными чертами сегодняшней бизнес-среды являются постоянно меняющийся спрос, снижение приверженности клиента, массовый характер позаказного производства, сокращение жизненных циклов продуктов и более жесткая конкурентная борьба [3].

и

Определение параметров логистической сети, анализ работы оборудования в существующей системе ПП, выявление и минимизация «узких мест», оптимизация запасов и работы склада, прогнозирование спроса, составление реально выполнимых планов, контроль процессов в логистической сети - задачи, находящиеся на стыки технологий имитационного моделирования и интеллектуального анализа данных [4]. Определим семантические подсистемы [5] программного комплекса системы анализа цепи поставок ПП (рис. 1):

Рис. 1. - Концептуальная структура системы анализа цепи поставок ПП 1. Подсистема «Организационное управление» включает совокупность внешних сущностей, с которыми взаимодействует система: логист; учетная информационная система ПП; директор департамента логистики. От внешних сущностей система получает данные по продажам предыдущих периодов, информацию о товаре, его текущий остаток, размеры заказов в результате работы система генерирует сводный отчет по прогнозам продаж и предоставляет его директору департамента логистики.

2. Подсистема «Репозитарий моделей» представляет собой комплексное представление предметной области в виде интегрированных моделей 2-х классов: имитационные (ИМ) и информационные (ИНМ). ИМ ориентированы на учет неопределённостей и случайностей, как внешних условий, так и самой моделируемой системы [6]. В ИНМ отправной точкой являются данные, характеризующие исследуемый объект.

3. Подсистема «Программные средства» характеризует инструментарий: учетные системы 1111, система многопроходного ИМ Anylogic для реализации комплекса агентных (АМ) и дискретно-событийных моделей (ДСМ) и аналитическая платформа Deductor [7] для реализации сценариев обработки ИНМ.

4. Подсистема «Информационная база» включает следующие хранилища данных (ХД): прогнозов, состояния рынка сбыта, результатов моделирования.

Система анализа цепи поставок ПП должна обеспечивать выполнение следующих функций: запуск ИМ; построение прогноза спроса; оценка рынка сбыта; анализ и корректировка результатов; осуществление заказа. ИМ цепи поставок ПП представляет собой совокупность ДСМ и АМ (таблица №1):

Таблица № 1

Классы активных объектов (АО) имитационной модели

Кла сс АО

Моделирование

Тип модели

В ав

н

с о

С

процессов получения заказа от логиста и доставки на склад товара (Enterprise Library)_

ДСМ

процесса функционирования склада на территории распределительного центра (Enterprise Library)

ДСМ

и

8 й С а

поведения агентов - покупателей (Диаграммы состояний)

АМ

И cd

О н

SS з

¡3 ю

р^ о

рынка сбыта - от агентов поступают заказы по приобретению товара

ДСМ

взаимосвязи информационных потоков логистики ПП

и

о §

н о о с

cd И

О

с

0)

л

t4

к к 0)

CP

ю о н о

Л

к

0) «

о

CP

«

К

к

X CP

<u «

К

п

0) «

О

Разработка ИМ включает этап определения параметров модели, которые наилучшим образом будут описывать поведение реального объекта моделирования. Для того чтобы 0йьект Имя

наиболее

^J Производственное предприятие

эффективное ипШЯРИ

- [jg[| Процессы

решение задачи моделирования с _ щ продажи

1*51 Атрибуты

- [у] Измерения

Iii Дата

Группа_товара.Код

- ПГ| Факты

[Щ Количество [Щ Сумма

варьированием параметров, Е й измерения

Ё} t¿ь Группа_товара

определенных на ранних этапах ^ дтр11б!ГЬ1

Измерения

разработки, моделируются _ ^ Дата

f^l Атрибуты

различные ситуации в логистической ^ измерения

DDW2

наити

учетом возможных изменении параметров модели «что если...» осуществляются прогоны ИМ с

SALES

Щ DATE_S_1 ab WARE_GRGUP_ID_1

9.0 QUANTITY 9.0 SUMM

ab WARE GROUP ID

Ш DATE_S

Рис. 2. - Семантический слой ХД ПП

системе предприятия и рынке сбыта [8]. Каждое из значений того или иного параметра будет являться одним из источников для наполнения ХД (рис. 2).

Часть сценариев обработки данных носит технологический характер -загрузка-выгрузка данных, другие реализуют алгоритмы ИНМ [9]: модель прогнозирования спроса (МПС), модель оценки рынка сбыта, (МРС) анализ и корректировка результатов (АКР) (табл. 2), осуществляют проверки моделей на адекватность и формируют отчеты (рис. 3).

Таблица № 2

Комплекс информационных моделей анализа ПП

ИНМ Уравнения модели Обозначения

МПС Прогноз продаж: Г = Тоб ■ Кф; Коэффициент прогноза: Кф = X Пртж/Х Прпр; Заказ: З = Г - Тоб - товарооборот текущего периода прошлого года, X Пртек - итоговое количество продаж текущего года, X Прпр - итоговое количество продаж прошлого года, -остаток на начало месяца на складе

МРС Уровень спроса на продукцию с = N 1 ■ г ■ к ■ к с ^ потенц 1 ср 1 кприв квосп ■ к кпотр ^отенц - количество потенциальных потребителей в рамках сегмента, 1ср -средняя интенсивность потребления товара в сегменте, t - время, кприв -коэффициент, отражающий ежедневный круг общения, квосп - коэффициент восприятия, отражающий инертность восприятия потребителями товара на рынке, кпотр - коэффициент, учитывающий долю потребителей, охваченных информацией о товаре

АКР Уровень спроса на продукцию: С = Q / ехр (а + Ы) + 1, а, Ь - константы, которые вычисляются, если известен первичный уровень спроса и рыночный потенциал, Q - рыночный потенциал.

Все рассчитанные данные загружаются в многомерный куб для

удобства анализа и просмотра данных. Эффективность работы складов и отдела логистики в целом зависит от метода пополнения товарных запасов и остатка товара на конец месяца [10]. Большое количество товара на складе в

конце месяца позволяет сделать вывод о неэффективности прогноза или о неликвидности товара, такой процесс нежелателен.

а 1] Дам-ые по продажам керампеской ппнткм

+ Ш Склчьзацее (Текущий остаток 1^1 [0.11; Размер закам [цш] 111])

Группировка [Измерения. Ддаа |Гад + Мейяц!. Гр^тга товара, Факты: Тающий остаток [уп])

{■ Группировке [Намерения Группа товара, Факты: Текущий иггакж. (уп)|

Рис. 3. - Фрагмент сценарной обработки отчета «Вывод о работе складов» Общий вывод о состоянии информационных потоков в логистике ПП содержит параметры, выбранные на этапе прогона модели (максимальный и страховой запасы), данные «нулевых» продаж, которые произошли по вине поставщиков, в связи с отклонением сроков поставки товара (Рис. 4).

01.04.2012

£ Остаток на конец месяца •••П Вывод о работе склада 2 Количество дней 0 продаж X! Максимальный запас 2 Страховой запас

£ Значение] Процент по вертикали Е Значение I Значение X Значение Е Значение

Керамическая плитка ННБЭ 1—_| 24,78% Неэффективный метод пополнения запасов 600,00 30,00

Лакокрасочные материалы 585 25.17% Неэффективный метод пополнения запасов 600.00 30,00

Лесопродукиил 590 I 25.39% Неэффективный метод пополнения запасов 600.00 30,00

Обои 573 I 24.66% Неэффективный метод пополнения запасов 600.00 30,00

пгн

Ш 511 ь, И - Ш - 1-019 ча 1и. - Ш "а и

\ч> Остаток на конец месяца.Сумма!^ Максимальный запас.Сумма I I Страховой загас.Сумма

Рис. 4. - Общий вывод о работе складов В отчет включены данные об остатке товаров на складах на начало последнего месяца моделирования, которые можно сравнить с данными максимального запаса. В зависимости от полученного значения по каждой категории товара, выводится один из следующих выводов о применяемых прогнозах и методах:

• возможность отсутствия продаж товара, что означает отслеживание сроков доставки товара и, возможно, увеличение страхового запаса;

• оптимальный прогноз - ПП использует наиболее эффективный прогноз для пополнения запасов, обеспечивающий бесперебойные продажи;

• неэффективный прогноз - на начало месяца на складе остается значительное количества товара, возможно из-за сезонности спроса на него;

• неэффективный метод пополнения запасов - на складе остается количество товарных запасов на уровне максимального запаса - неправильный выбор метода пополнения запасов или закупка неликвидного товара.

В зависимости от полученных результатов, логист категории может принять решении, об изменении каких либо методов и способов пополнения товарных запасов. Разработанная технология выявления закономерностей и анализа информационных потоков решает задачи повышения эффективности функционирования путем предоставления средств адаптивного планирования и координации процессов логистики производственного предприятия. Предоставляется возможность анализа и моделирования ситуаций внутри логистического цикла предприятия и в рыночном окружении.

Литература

1. Миротин Л. Б. Основы логистики / Л. Б. Миротин, А.К. Покровский. М. : Академия, 2013. 192 с.

2. Клименко П.Я., Иевлева О.Т. Локальные логистические центры в городских условиях // Инженерный вестник Дона, 2014, №1; URL: ivdon.ru/ru/magazine/archive/n 1y2014/2266

3. Литвина Д.Б., Теренина И.В. Особенности взаимодействия концепции «логистики» и «управления цепями поставок» в строительстве // Инженерный вестник Дона, 2012, №4 (часть 2); URL: ivdon.ru/ru/magazine/archive/n4p2y2012/1243

4. Ганюков В.Ю., Ханова А.А., Сульдина Н.В. Интеллектуальная система управления цепями поставок логистического предприятия на основе

дискретно-событийной, агентной и системно-динамической имитационных моделей // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2012. №2. С. 143-149.

5. Protalinskii O.M., Shcherbatov I.A., Esaulenko V.N. Analysis and modelling of complex engineering systems based on the component approach // World Applied Sciences Journal. 2013. V. 24. № 24. pp. 268-275.

6. Имитационное моделирование бизнес-процессов : учебное пособие / А. А. Ханова, И. О. Бондарева, Н. П. Ганюкова, О. О. Еременко; Астрахан. гос. техн. ун-т. - Астрахань : Изд-во АГТУ, 2016. 280 с.

7. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям. Учебное пособие. СПб.: Питер, 2010. 704 с.

8. Ханова А.А., Уразалиев Н.С., Усманова З.А. Метод ситуационного управления сложными системами на основе сбалансированной системы показателей // Научный вестник Новосибирского государственного технического университета. 2015. №3(60). С. 69-82.

9. Melnikov B., Melnikova E. Some competition programming problems as the beginning of artificial intelligence // Informatics in Education. 2007. V.6. №2. pp. 385-396.

10. Шестов А. Особенности развития логистической инфраструктуры в России // РИСК: Ресурсы, информация, снабжение, конкуренция. 2013. №4. С. 71-75.

References

1. Mirotin L. B., Pokrovskij A.K. Osnovy logistiki [Fundamentals of logistics].: M.: Akademija, 2013. 192 p.

2. Klimenko P.Ja., Ievleva O.T. Inzenernyj vestnik Dona (Rus), 2014, №1. URL: ivdon.ru/ru/magazine/archive/n1y2014/2266

3. Litvina D.B., Terenina I.V. Inzenernyj vestnik Dona (Rus), 2012, №4(chast' 2). URL: ivdon.ru/ru/magazine/archive/n4p2y2012/1243

4. Ganjukov V.Ju., Khanova A.A., Sul'dina N.V. Vestnik Astrahanskogo gosudarstvennogo tehnicheskogo universiteta. Serija: Upravlenie, vychislitel'naja tehnika i informatika. 2012. №2. pp. 143-149.

5. Protalinskii O.M., Shcherbatov I.A., Esaulenko V.N. World Applied Sciences Journal. 2013. V. 24. №24. pp. 268-275.

6. Imitacionnoe modelirovanie biznes-processov [Simulation modeling of business processes]: A. A. Khanova, I. O. Bondareva, N. P. Ganjukova, O. O. Eremenko; Astrahan. gos. tehn. un-t. Astrahan': Izd-vo AGTU, 2016. 280 p.

7. Paklin N.B., Oreshkov V.I. Biznes-analitika: ot dannyh k znanijam. [Business analytics: from data to knowledge]. SPb.: Piter, 2010. 704 p.

8. Khanova A.A., Urazaliev N.S., Usmanova Z.A. Nauchnyj vestnik Novosibirskogo gosudarstvennogo tehnicheskogo universiteta. 2015. №3(60). pp. 69-82.

9. Melnikov B., Melnikova E. Informatics in Education. 2007. V.6. № 2. pp. 385-396.

10.Shestov A. RISK: Resursy, informacija, snabzhenie, konkurencija. 2013. №4. pp. 71-75.