Process Intelligence: читаем склАды по складАм

1. Повышение эффективности процесса за счет роста производительности
2. Оценка приживаемости внедренных инструментов
3. Выявление недоавтоматизированных рутинных задач
4. Ликвидация "потерь" в процессе
5. Частичная аугментация ролей в процессе

2024

Цель проекта - закрыть устойчивый дефицит специалистов в размере 20%, что было полностью выполнено при минимальной стоимости анализа, который составил 0,3% от эффекта.

Task mining от Proceset для анализа условно-постоянного персонала с привлечением консалтинга от GlowByte. Для исследования по линейному персоналу - Process mining на Python. 

В проекте не используются решения из каталога Global CIO

Сама реализация достаточно простая, не требующая вовлечения большого количества ресурсов. Наша команда составила 5 человек со стороны Х5 и 3 человека со стороны консультантов. Сами работы составили 2 месяца анализа данных и 3 месяца на разработку рекомендательной системы

Сложность заключалась в принятии изменений на местах. Для этого необходимо было привлечь самих сотрудников как амбассадоров изменений. После чего изменения внедрялись проще и быстрее. 

Текущая экономическая ситуация в мире приводит к сильному давлению роста цен во всех секторах. Ритейлеры не могут перекладывать эти риски на плечи своих покупателей, что приводит их к необходимости поиска новых путей сокращения затрат на экземпляр процесса, т.е. коробку. 

Для решения таких задач мы сконцентрировались на росте производительности сотрудников распределительных центров Торговой сети «Пятёрочка», а именно: комплектовщиков и условно-постоянного персонала (сотрудники документооборота, специалисты группы управления товарными запасами, диспетчеры, планеры маршрутизации).

Первым этапом стало использование task mining для условно-постоянного персонала. Task mining — это технология, которая позволяет исследовать элементарные действия в рамках каждого этапа рабочего дня, восстанавливать их последовательность и оценивать результативность. Для этого не требуется сидеть рядом с секундомером и тетрадкой, а ограничений по количеству онлайн-операций нет. 

Здесь мы нашли более 20% неэффективностей. Например, многие сотрудники выполняли рутинные операции, такие как пересчёт данных или выгрузка отчетов вручную, хотя эти задачи можно было автоматизировать. Мы внедрили RPA (роботизированную автоматизацию процессов), которая позволила сотрудникам сосредоточиться на более важных задачах, а рутинные операции доверить роботам.

Более того анализ эффективности операций диспетчеров подсветил, что большое количество времени затрачивается на обновление одного и того же отчета с целью выявить аномалии и отклонения от процесса. В данном случае мы доработали систему Мобильное рабочее место сотрудника склада и дополнили ее алертами, которые привлекают внимание только тогда, когда требуется корректирующее действие.

Следующим этапом был анализ комплектовщиков. Провести хронометраж на всех РЦ дорого и долго. Тем более на каждом складе, коих 39, по 250-350 в среднем комплектовщиков. А это около 13 000 сотрудников. За всеми не побегаешь.

Т.к. в параллель в смежной службе проводили исследование на task mining, то в голову пришла идея, что комплектовщиков можно проанализировать с помощью цифровых следов, оставляемых в момент подхода к ячейке отбора товара. Таким образом мы идентифицировали 22% перепробегов и простоев от общего времени комплектации товара.

Т.к. основная причина была пустая ячейка отбора, мы проанализировали, с чем это связано и выявили, что всему виной быстро оборачиваемый товар. Операторы просто не успевают пополнять ячейки.

Решили, что необходимо увеличивать количество ячеек отбора. Для этого разрабатываем предиктивную модель, которая заранее сообщит специалисту группы управления товарными запасами о том, что необходимо организовать большее количество ячеек, а какие-то уже можно сократить. 

Более того мы обнаружили, что операторов ВЭШ отсутствует приоритизация задач на пополнение ячеек отбора. Поэтому решили дополнить алгоритм складской системы выдачи задач приоритизацией по факту вымывания товара из ячеек.

Все эти меры позволят нам снизить количество простоев и повысить производительность комплектовщиков на ~10%.

Основное преимущество task и process mining состоит в том, что можно анализировать столько операций и процессов, сколько требуется, без каких-либо ограничений. Таким образом мы провели анализ по всем распределительным центрам Торговой сети "Пятёрочка", которые насчитывают 39 объектов и 15 000 сотрудников в них и распределены по всей территории Российской Федерации.