Мы оказываем профессиональный сервис имитационного моделирования для решения бизнес задач

Мы разрабатываем математические модели для определения стратегии оптимизации цепочки поставок и источников роста.

Мы сокращаем операционные затраты за счет изменения схем снабжения, закупок, дистрибуции, производства.

Мы проводим расчеты обоснований инвестпрограмм, сценариев развития логистической сети с различными вариациями складов, транспортных услуг, производств с продуктовыми матрицами, уровнем сервиса.

Мы помогаем клиентам выбирать и улучшать сбытовую стратегию RTM.

Мы передаем клиентам самые современные технологии моделирования цепей поставок, логистики и формируем центры компетенций

Отрасли:

• Перевозки, логистика, склад, ВЭД,
• Фармацевтика, аптеки,
• FMCG — Товары для населения,
• Сельское хозяйство — Продукты питания,
• Металлургия — металлообработка — тяжелое машиностроение,
• Химическое производство, удобрения,
• Лесная промышленность — деревообработка,
• Электроника, приборостроение,
• Добывающая отрасль, угль, нефть, газ,
• Автомобильный бизнес.

Эльдорадо

Procter & Gamble

Ростелеком

Coca-Cola

Tessenderlo Group

Weekends

Пример кейса

Описание

Компания производит продукцию массового спроса на десяти производствах, распределённых на территории РФ. Доставка осуществляется напрямую клиентам и через систему складов автомобильным и ЖД транспортом 7 форматов. Налажен мультисорсинг внутри haulage сети. В цепочке существует дефицит площадей хранения, overstock вывозится на внешнее хранение при производствах. Запасы на втором и третьем уровне сети пополняются по pull стратегии.

Задача

• Поставлена задача оптимизировать стоимость цепочки поставок на уровне страны, снизив удельную стоимость обработки и перемещения товара.
• Оптимизировать местоположение складов второго уровня с целью минимизировать стоимость снабжения клиентов напрямую.
• Выбрать наиболее подходящий вариант перегрузки товаров – кросс-докинг или с хранением на складе.
• Оптимизировать количество и стоимость маршрутов ‘cклад – склад’.
• Определить оптимальные маршруты ‘склад – оптовый клиент’.
• Определить оптимальный размер страхового запаса на складах для поддержания целевого уровня сервиса.

Решение

• На первом этапе разработана концепция модели, включающая специфические архитектурные решения для сети заказчика и показатели.
• На втором этапе тестировались прототипы модели на ограниченных данных для выработки лучшей архитектуры масштабирования модели.
• В ходе очистки данных настраиваются алгоритмы проверки данных, обеспечения связности и полноты.
• Далее модель масштабировалась на полную клиентскую базу с помощью greenfield обработки сотен тысяч адресов.
• После готовности модели проводилась её настройка для экспериментов выбора стратегий производства, снабжения, push-pull пополнения запасов, позиционирования складов, местной доставки и др.
• В результате определены оптимальные значения для каждого объекта в логистической сети, выполнено сравнение с as-is состоянием, найдены драйверы роста сети.