Средства анализа и выявления закономерностей информационных потоков в логистике производственного предприятия

Ключевые слова: имитационная модель, анализ данных, логистика, производственное предприятие, информационные потоки, агентная модель, прогнозирование, дискретно-событийная модель, адекватность, склады, рынок сбыта. логистический имитационный модель предприятие

Процесс принятия решений в управлении логистикой производственного предприятия (ПП) 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].

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 ПП, 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

Разработка ИМ включает этап определения параметров модели, которые наилучшим образом будут описывать поведение реального объекта моделирования. Для того чтобы найти наиболее эффективное решение задачи моделирования с учетом возможных изменений параметров модели «что если…» осуществляются прогоны ИМ с варьированием параметров, определенных на ранних этапах разработки, моделируются различные ситуации в логистической системе предприятия и рынке сбыта [8]. Каждое из значений того или иного параметра будет являться одним из источников для наполнения ХД (рис. 2).

Рис. 2 Семантический слой ХД ПП

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

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.

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).

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/n1y2014/2266.

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 c.

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.

Размещено на Allbest.ru