Математика городских лабиринтов

События 2020 года – пандемия и локдаун – показали нам критическую важность первой и последней мили в логистике. Не имея возможности совершать покупки в офлайне, потребители переключились на интернет-магазины и маркетплейсы. В результате объем интернет-заказов, по подсчетам Data Insight, вырос за 2020 год на 35% – до 883 млн отправлений. А рынок экспресс-доставки в денежном эквиваленте увеличился на 31,3%, отмечают аналитики M.A.Research.

При этом требования потребителей к доставке растут. И теперь уже «окна» в 20-30 минут для городов-миллионников не являются чем-то экстраординарным. А на доставку день-в-день у компаний в e-commerce приходится от 50% до 70% всех заказов. При этом любому бизнесу принципиально важны два момента: минимизация издержек и улучшение уровня сервиса. Так как именно от них зависит рост прибыли компании.

Болезни «ручного» планирования

При планировании внутригородской доставки «в ручном режиме», компании сталкиваются с рядом проблем, из-за которых они могут потерять клиентов и финансовые средства.

Даже штат высококвалифицированных логистов не в состоянии учесть все факторы, которые влияют на эффективность маршрутизации. В их числе временные окна доставки, дополнительные заявки, плотность трафика в том или ином районе города, опыт водителя, точки дозагрузки в процессе исполнения рейса, весогабаритные характеристики груза, вместимость транспортных средств, схемы загрузки фургонов, очередность исполнения рейса и так далее.


С каждым новым параметром, который приходится учитывать, сложность задачи возрастает, а удержать все данные в голове и получить оптимальные маршруты становится все сложнее. Например, если ошибиться со схемой загрузки транспортного средства и очередностью точек доставки, то увеличится время на разгрузку и возникнет риск непопадания в «окна доставки». Как следствие показатель утилизации парка упадет, холостые пробеги вырастут, а вслед за ними и стоимость логистики.

Кроме того, «ручное планирование» и, как следствие, малоэффективная маршрутизация, зачастую приводят к тому, что компаниям приходится привлекать дополнительный транспорт для исполнения заказов в срок.

Чистый расчет

Задачи автоматизации планирования доставки во многих компаниях уже решены. Сейчас ключевой фокус – это оптимизация городской автодоставки, и базируется она на «трех китах»:

• • Распределение заказов по ресурсам.
• 
  
• • Планирование виртуальных ресурсов на нераспределенные заказы.
• 
  
• • Мониторинг исполнения заказов.

Реализовать данные задачи помогают IT-решения на основе математического моделирования. Подробнее о функционале, возможностях и результатах опытной эксплуатации расскажу на примере нашей системы – расчетного центра LISAD.

Она позволяет строить и оптимизировать рейсы на завтра, а также распределять заявки, поступившие день-в-день, на уже исполняемые рейсы.

При планировании система учитывает множество параметров: от особенностей складов и заявок от клиентов до поступления дополнительных заявок и прогноза пробок.

Кроме того, при планировании учитываются базовые особенности. Например, норматив исполнения заказа на каждом адресе. Этот параметр зависит от весогабаритных характеристик груза, так как времени для его выгрузки будет требоваться больше. Данный норматив плавающий, и он может корректироваться в зависимости от тех или иных факторов: опыта водителя, габаритов транспортного средства и так далее.

На старте в расчет также закладывается дополнительный параметр риска, который предусматривает, что водитель должен прибыть на точку выгрузки за 15 минут до наступления «окна доставки». В пиковый сезон этот параметр может быть изменен вплоть до того, чтобы допустить опоздание.


Учитывая все вышеперечисленные параметры, система строит план загрузки кузова, соответствующий последовательности развоза, и формирует на его основании задание на склад.

Кроме того, решение предусматривает возможность автоматического распределения заявок день-в-день на существующие рейсы, или ручного – на основании подсказок от системы.


На практике это будет выглядеть следующим образом. Например, у нас есть 100 заявок на завтра. Система разбила их на четыре рейса, сформировала план и отправила задание на погрузку на склад. Логист утвердил план, подобрал машины, отправил их на загрузку и грузовики ушли в рейс. Когда машина в рейсе, в систему начинают поступать статусы доставки:

• • актуальное местоположение машины с точки зрения ее геопозиции;
• 
  
• • уже выполненные задания по каждому конкретному рейсу;
• 
  
• • задания, стоящие в очереди на исполнение;
• 
  
• • статусы со склада.

При получении заказа день-в-день система анализирует все статусы и подбирает такую машину, которая за минимальное время сможет выполнить задание с учетом забора на складе вновь поступившего груза.

При этом оговорюсь, что план развоза на каждое транспортное средство строится системой таким образом, чтобы он мог обеспечить поступившие заявки день-в-день. Это возможно лишь при условии наличия прогноза спроса. Данный параметр также просчитывается нашей системой. Для этого весь город разбивается на квадраты размером 500 x 500 метров. И прогноз спроса просчитывается для каждого из них на основании исторических данных по заявкам и времени, затраченного на обслуживание одного заказа.

Языком цифр

Автоматизация планирования городской автодоставки преследует две целевых функции. Первая – это максимальная утилизация парка, близкая к 100%, с точки зрения загрузки кузова. Чтобы минимальным количеством транспортных средств можно было развести максимальный объем грузов. Вторая функция – это минимизация времени опоздания.

Практический эффект от использования расчетного центра LISAD мы оценивали на опыте ГК «Деловые Линии». Компания ежедневно исполняет более 10 000 заявок по Москве и осуществляет порядка 2 000 рейсов. При этом более 50% заявок приходятся на заказы день-в-день. После автоматизации планирования с помощью математических методов эффективность использования автопарка выросла на 30%, транспортные расходы уменьшились на 10%, необходимость корректировки рейсов сократилась до 10-15%, а попадание во временные окна увеличилось до 95%.