Process Mining: повышение эффективности работы склада через анализ цифровых следов сотрудников в WMS

В компании Health & Nutrition в 2024 г. задались вопросом, можно ли снизить влияние этого фактора на складские процессы? Какими инструментами это можно сделать и какие метрики должны стать основными? На эти вопросы мы постарались ответить в рамках реализации проекта Process Mining.

Решение

При наличии большого количества распределительных центров, складов, заводов и линейного персонала на них актуальным является вопрос: каким способом можно оценить эффективность и оптимальность их работы? Существенным фактором, который может помочь в ответе на этот вопрос является наличие программного обеспечения (ПО) класса WMS (Warehouse Management System), в ней сотрудники оставляют свой цифровой след практически на каждую операцию.

На фото — Сергей Пащина, руководитель направления систем управления складом, Health & Nutrition, Ольга Божакина, старший менеджер по операционной эффективности, Health & Nutrition.

ИТ-команда совместно с бизнес-заказчиком от департамента логистики приняли решение использовать данные WMS для реализации Process Mining (рис. 1).

• Обработка большого количества информации из системы стала основным вызовом. Требовалось понять, какие данные важны, и построить правильные выборки и метрики. В ходе обсуждения между всеми заинтересованными лицами мы определили роли и процессы, требующие оценки в первую очередь. Вот некоторые из них:
• количество собранных грузомест;
• среднее время сборки для каждого типа грузоместа;
• средний пробег сотрудника и его маршрут по складу;
• скорость пополнения ячеек отбора;
• показатели точности сборки и др.

В рамках пилотного проекта был выбран склад, имеющий максимальное разнообразие типов сборки: мультипикинг, консолидацию, вывоз моно-палет и др. Определенное время заняло описание, в каком виде мы хотим видеть результат оценки требуемых параметров. После построения MVP-модели данных на основе цифровых следов за несколько месяцев мы выявили проблемные узлы, в первую очередь требующие корректировок:
• наличие пересечений сборки разных приоритетов (4%);
• длительное ожидание комплектовщиком пополнения ячеек отбора (до 16%);
• неоптимальность приоритезации при выдаче заданий водителям погрузчиков исходя из топологии склада (не учитывались координаты фактического нахождения сотрудника при выдаче задания);
• экстремумы в пробегах комплектовщиков при определенном составе задания сборки (отклонение до 10% от среднего значения).
На следующем этапе мы разработали процедуру, помогающую не только оперативно отслеживать такие метрики, но и принимать системные и административные решения. Был определен формат выгрузки, который рекомендовал изменить определенные настройки в WMS и физических регламентах работы сотрудников. При этом после внесения правок процедура автоматически проверяла, насколько внесенные изменения повлияли на выбранные метрики. Один из вариантов дашборда с отображением требуемых показателей представлен на рис. 2.

Примеры метрик, на которые удалось повлиять с помощью применения анализа цифровых следов посредством Process Mining:

• средняя длительность сборки: снижение на 30%;
• количество и длительность долгих переходов сотрудников: снижение на 15%;
• ожидание пополнения, простой сотрудника: снижение на 15%;
• количество возвратов сотрудника к ячейке: снижение на 29%;
• неоптимальность логики алгоритмов системы: снижение числа случаев на 20%;
• избыточность ручных операций в WMS: снижение на 10%;
• точность инвентаризации: улучшение на 25%.

Результаты анализа можно использовать на ежедневной основе, разбирать кейсы по горячим следам, анализировать данные в динамике, внедрять элементы геймификации в работу сотрудников. Например, можно проследить за маршрутами комплектовщиков без необходимости ходить за ними физически (рис. 3).

Отдельного внимания заслуживает возможность применения данной методики для оценки возможности внедрения каких-либо проектов, связанных со сменой упаковки, методов сборки и т.п. Решение будет приниматься не на основании экспертного мнения неподкрепленного данными, а точными расчетами с детальной оценкой затрат, полученными с помощью моделирования и ретроспективного анализа за определенный период.

По результатам хорошей работы Process Mining было принято решение о масштабировании системы для всех складов компании с WMS и проработки направлений развития, в частности автоматизации изменения настроек в WMS на основании метрик анализа.

На основе нашего опыта мы можем рекомендовать такой подход компаниям с большим количеством операций, имеющих цифровой след, для оптимизации процессов и трудозатрат сотрудников. При этом настройкой и интерпретацией полученных результатов по метрикам должна заниматься кросс-функциональная команда, обладающая экспертизой складских процессов.