Моделирование цепи поставок — построение её «цифрового двойника» — заключается в формировании математической модели, отражающей определённый аспект реальной, физической картины бизнеса. Как и любая другая модель, модель цепи поставок не может соответствовать реальности на сто процентов, поэтому она будет представлять собой упрощённую картину бизнеса.
Вопрос именно в том, на чём при построении модели сделать акцент, а чем можно пренебречь для упрощения модели.
Для начала я всё-таки остановлюсь на тезисе выше и особо отмечу, что построить полностью идентичную реальности модель, отражающую все аспекты и нюансы цепи поставок, в настоящее время не представляется возможным. Это было невозможным тридцать лет назад, когда концепция оптимизационного моделирования цепей поставок начала бурно развиваться, это невозможно сейчас, и это останется невозможным в обозримом будущем.
Дело не только в вычислительных мощностях, которых всегда не хватает. Дело в самой внутренней сложности любого реального процесса, который, как в случае с цепями поставок, охватывает большое число различных сфер деятельности человека и состоит из большого числа взаимодействий различных участников этого процесса.
Именно поэтому для отражения реальности используются многообразные методики, которые ставят своей целью цифровизацию одного или немногих из всех аспектов цепи поставок. Эти методики используют разный математический аппарат и дают возможность получить разный результат. Не «плохой» или «хороший», а просто «другой». Поэтому каждый из методов подходит для решения вполне определённых задач.
Я хотел бы рассмотреть сравнение двух совершенно различных по своей сути методов моделирования цепей поставок, а именно:
Сравнение будет с точки зрения практического применения для построения цифрового двойника цепи поставок (или отдельных её фрагментов) и видов задач, которые могут быть решены тем или иным методом. (Рекомендую также ознакомиться с чуть более детальным изложением по этой ссылке.)
1. Оптимизационное моделирование
Сам термин «оптимизационное» моделирование подразумевает, что модель строится для нахождения такого набора параметров модели, который позволяет достичь некоего наилучшего («оптимального») результата («целевой функции»). Поэтому для оптимизационного моделирования используется математический аппарат («решатель», от англ. «solver»), позволяющий решать комплексную задачу поиска такого результата («оптимума»).
Оптимизационная модель позволяет поддержать процесс принятия стратегических решений (на долгосрочном и среднесрочном горизонтах планирования), а в некоторых случаях — и на краткосрочном горизонте (тактическое планирование). Это зависит, в первую очередь, от набора используемых входных данных и возможности оперативного влияния на переменные.
К примеру, если оптимизационная модель строится для поиска оптимального места нахождения логистической инфраструктуры, она по своей сути является стратегической, нацеленной как минимум на пять, а то и на десять лет вперёд: потому что инфраструктура связана с капитальными затратами и длительным сроком ввода в эксплуатацию. А транспортная модель, которая строится для формирования маршрутов, может предназначаться на короткие периоды времени (несколько месяцев), предполагая, что транспортные маршруты могут быть достаточно оперативно скорректированы.
Не вдаваясь в подробности математического аппарата (тем более, что я не являюсь математиком) и упростив метод, можно сказать, что оптимизационная модель представляет собой функцию, для которой необходимо найти минимальное или максимальное значение. Чем более детальна модель, тем выше вероятность найти лучшее решение («локальный оптимум»). При этом никогда нет гарантии, что найденное решение — самое лучшее («глобальный оптимум»).
Отсюда и основной недостаток таких моделей: они не являются детерминированными — результат каждого запуска расчёта модели отличается от предыдущих, и они не даю гарантию наилучшего результата.
Если мне будет позволено привести не вполне адекватную аналогию (поскольку все аналогии неадекватны), то это похоже на алгоритмы игры в шахматы лет двадцать назад: компьютер мог просчитать все варианты на пять-десять ходов вперёд (находить локальный оптимум игры), но человек всё равно выигрывал, потому что мог предвидеть (менее детально!) игру на более далёкую перспективу и принимал решения исходя из получения долгосрочного преимущества (глобальный оптимум).
(Здесь читатель меня уличит в том, что сейчас-то компьютерные алгоритмы научились выигрывать в шахматы стабильно, и будет прав. Но произошло это за счёт экстенсификации вычислений — просчёта игры на всё большее число ходов, вплоть до её конца. И это стало возможным лишь постольку, поскольку шахматы сами по себе уже являются моделью боевых действий.)
2. Имитационное моделирование
Имитационное моделирование, как и предусматривает название, ориентировано на максимально точное повторение реальности, в рассматриваемом случае — бизнес-процессов и грузопотоков цепи поставок — с минимальным количеством допущений. Этот метод не требует построения сложной математической модели реальности. Напротив, имитационная модель состоит из большого количества (чем больше, тем точнее модель) отдельных правил.
Ключевое слово здесь — «отдельных». Это и отличает имитационную модель от оптимизационной, где все правила взаимосвязаны в единую математическую функцию, которая «решается» для определения оптимума.
Имитационная модель состоит из отдельных элементов — объектов, акторов, которые ведут себя в соответствии с заданными для них правилами поведения: перемещаются, выполняют операции, принимают локальные решения. Таким образом, имитационная модель прекрасно отражает реальность, состоящую из отдельных участников — исполнителей бизнес-процесса, объектов и субъектов цепи поставок.
Отсюда и основное отличие получаемых результатов: имитационная модель не способна сама по себе найти оптимальное решение в виде конфигурации объектов модели или настройки их параметров. Она способна лишь «прогнать» отдельный сценарий и показать результат в виде итоговых суммарных показателей модели, полученных не аналитическим, а, по сути, эмпирическим методом.
(Читатель сейчас меня подловит второй раз и укажет, что приведённый мной ранее пример про шахматы больше напоминает именно имитационное моделирование, а не оптимизационное — и будет совершенно прав.)
В заключение отмечу, что наилучший результат можно получить, используя сочетание оптимизационной и имитационных моделей. Действительно, для решения стратегических задач оптимизации объектов логистической инфраструктуры и поток между ними лучше всего подходит оптимизационная модель. А проверять отдельные решения для отдельных объектов логистической инфраструктуры и транспортных потоков удобнее с использованием соответствующих имитационных моделей.
Например, задача моделирования почтовой логистики может быть решена через оптимизационную — для сокращения суммарных затрат, и имитационную — для проверки контрольных сроков.
