Кейс из России: Оптимизация работы складов при помощи фитнес-браслетов и нейронных сетей

Сегодня высокие технологии входят в повседневную жизнь дольше и сложнее, чем разрабатываются. Если когда-то трудно было доверить электронному устройству навигацию автомобиля, то сегодня сложно поверить, что авто может ехать и вовсе без водителя.

То же самое и с новыми технологиями в производстве — Amazon уже готова отгружать со склада-дирижабля партии товаров дронами, а большинство складов до сих пор ассоциируются с грязным и плохо оплачиваемым ручным трудом. Технологии же, которые могут в корне изменить и сам рабочий процесс, и отдачу от него, уже сегодня доступны каждой компании.

На рынок складской автоматизации и системной интеграции мы вышли в 2004 году, в самый разгар освоения российского рынка зарубежными вендорами. Каждый второй из них был «ведущим европейским», стоимость решений превышала $200 тысяч, а функциональность была настолько ограниченной, что при общении с ними на ум невольно приходили ассоциации про индейцев и бусы.

Приходилось даже слышать предложения «забыть о разработке и заниматься продажей хорошего европейского программного обеспечения». Чтобы иметь возможность конкурировать с компаниями, чьи обороты в тот момент в сотни, а то и в тысячи раз были больше наших, мы решили сделать ставку на инновационный подход.

Понимая, что пул возможностей для автоматизации складов простыми средствами уже исчерпан, мы искали что-то абсолютно новое — то, что позволит «бегать быстрее», казалось бы, не имея для этого возможностей.

И оно пришло само собой — многие сотрудники в нашей компании занимаются спортом и не понаслышке знают о физических нагрузках и том, как важно грамотно подходить к тренировке, а значит и любому физическому труду. Мы поняли, что менять надо сам подход, культуру труда, идти от человека, от его потенциала и возможностей.

К 2006 году у нас была наработана объёмная теоретическая база, а мощности оборудования вполне позволяли использовать технологии на базе эмуляторов нейронных сетей.

Рынок был абсолютно не готов даже к использованию термина в данном контексте, на отраслевых конференциях на нас смотрели, как на чернокнижников, продающих волшебные порошки, а однажды по завершении доклада произошел громкий и длинный спор с криками и потрясанием кулаками. Только один человек в первом ряду спокойно прослушал все аргументы, читая газету, затем сложил её и веско заметил: «Японцы об этом ещё 10 лет назад говорили».

Мы предложили одному из своих клиентов запустить пилотный проект анализа качества отгрузок, который позволял бы формировать состав бригад сотрудников по признакам качества и скорости работы, а также выявлять потенциально виноватых в возникновении проблем. И нам поверили. Забегая вперед, это стоило того — точность прогноза составила более 80%.

Сложность клиента была в высокой ротации персонала, но при этом сотрудники часто возвращались на склад «заработать денег». То есть, собрав данные во время работы сотрудника, можно было использовать их впоследствии, когда работник вернется на заработки.

Другой проблемой были ярко выраженные личные отношения между сотрудниками, когда в одну бригаду было буквально невозможно поставить определённых людей вместе — это было чревато конфликтом, либо, наоборот, длительными задушевными беседами, что всегда выливалось в низкое качество отгрузок. Задачей был анализ возможности замены всеведущего бригадира информационной системой (если не полностью, то хотя бы частично).

Площадь склада заказчика составила около 7 тысяч квадратных метров, работало в смене 30 сотрудников. Срок внедрения составил 4 месяца, замеры параметров проводились ежемесячно.

Полученные в результате этой работы данные мы проанализировали, скомпоновали, и представили на отраслевой конференции в октябре 2006 года. Сегодня мы с улыбкой вспоминаем то время, ведь указанные задачи гораздо более эффективно можно решить совсем другими и куда более простыми методами, но подчас использование потенциала нейронной сети требуется не столько для решения задачи, сколько для поиска методов решений. Мы поняли, что инструмент рабочий, и его можно использовать.

В 2009–2010 годах мы использовали функциональность нейронных сетей для того, чтобы выявить факторы, которые необходимо учитывать при расчете параметров товаропотоков. Результаты мы смогли использовать для разработки собственной методологии технологического проектирования.

В тот момент мы совершили одну из главных своих ошибок — это был наш маркетинговый провал. Фактически имея на руках готовый продукт и затратив на его разработку около 7 миллионов рублей, мы уделяли внимание его функциональности и алгоритмам, но не продвижению на рынке. Как следствие, закончив с увлеченным разрешением технических вопросов, мы обнаружили сплошные убытки и полное отсутствие желающих использовать наши разработки из-за отсутствия вменяемых use-cases.

До 2014 года внутренний рынок работал в парадигме G2M («товар к человеку») то есть стремление к абсолютно роботизированному складу. Зарубежные производители активно демонстрировали на выставках разнообразные манипуляторы, автоматические системы размещения и изъятия грузов (AS/RS), конвейеры и другое оборудование автоматизации товародвижения, которое начинало активно применяться в складском хозяйстве. Однако резкий скачок курса доллара и евро внес свои коррективы, и рынок вернулся к технологии M2G — «человек к товару», — переключив свое внимание на людей как на основной ресурс повышения производительности.

К этому времени у нас уже был проведён аудит более чем на 50 предприятиях клиентов, мы пришли к выводам, что даже на тех складах, где внедрена система управления (WMS), назвать использованием человеческого ресурса рациональным, не получается.

К примеру, на многих складах нет распределения нагрузки: даже на уровне проектирования учитывается лишь предельная нагрузка на сотрудника в виде объёма или веса, а порядок выполнения операций нигде не фигурирует. Таким образом, получается абсолютно неравноценное разделение труда: кому-то могут доставаться задания на работу с тяжелыми грузами, что требует восстановления после выполнения нескольких операций, а кто-то будет работает с «мелкоштучкой», имея низкие трудозатраты на выполнение операций, но высокие — на прохождение по маршруту («пробеги»).

И мы опять вспомнили о своей аналогии со спортзалом. Только к этому моменту уже стали доступны новые гаджеты — фитнес-браслеты.

Мы объединили свои наработки с возможностями браслетов и опять обратились к нашим клиентам с предложением протестировать технологию на их мощностях. Речь шла о складе площадью около 8 тысяч квадратных метров, на котором работало 19 сотрудников, и втором — более 10 тысяч квадратных метров на 25 сотрудников.

Первые тесты показали, что замер пульса у разных людей даёт разные результаты. Пульс может быть разным в состоянии покоя, а кроме того, люди по-разному привыкают к нагрузкам, и то, что неделю назад казалось подвигом, завтра становится частью ежедневной работы.

Для интерпретации данных мы подключили к анализу результатов нейронную сеть и получили возможность создавать для каждого сотрудника собственный «физический профиль», позволяющий интерпретировать результаты и принимать решения о чередовании задач для увеличения производительности труда, не допуская «перегрузки» сотрудников.

Со своими результатами мы обратились к профессиональным врачам и к медицинским консультантам — получалось, что при грамотном подходе и контроле состояния здоровья сотрудника, перемежая нагрузки, мы без труда можем увеличить производительность труда на 8−10%.

Сегодня мы используем браслеты, с которых можем получить информацию о количестве пройденных шагов и о частоте пульса работника, но ждём новые гаджеты, которые смогут передавать данные о давлении, насыщенности крови кислородом и других параметрах, а это поможет повысить показатель производительности уже на 30–40%.

Достигнуть таких показателей возможно, но надо понимать, что ни одна технология не заменит культуры труда. Годами мы наблюдаем разницу в подходе к организации складов российских и зарубежных заказчиков. Кто-то выбирает для себя путь удешевления и типовых продуктов, кто-то делает ставку на физически крепких сотрудников — «качков», кто-то видит выход в технологиях.

В Европе и США уже давно склад не ассоциируется с низкой квалификацией и плохой зарплатой, это та работа, на которой сотрудники держатся годами, проходя профессиональную переподготовку, в том числе тренировки по грамотным физическим нагрузкам. Для российского бизнеса это пока не традиция, и именно те технологии, которые не только изменят подход к процессу, но и серьёзно отразятся в бухгалтерских ведомостях, могут стать катализатором изменений.

Допустим, зарплата сотрудника склада составляет 30 тысяч рублей (на сегодня это не самый высокий показатель), для самой компании эта сумма, конечно, выше — округлим до 40 тысяч в месяц.

Опять же допустим, что на складе работает 20 человек. На внедрение технологии необходимо в районе трёх месяцев (это сбор данных, аналитика, настройка и так далее). Если даже заложить вполне достижимый результат в 10% роста производительности, получим в среднем 4 тысячи рублей в месяц экономии издержек на одном сотруднике, и около 80 тысяч в месяц на весь коллектив.

За год при показателях в 10% это около миллиона рублей. Чем больше сотрудников или чем выше их оклад, тем больше числа. За год технология окупается полностью даже на небольших предприятиях — будь это склад, производство, аграрный сектор или ритейл.