3. Внедрение инструментов анализа и контроля прогнозирования

Разработка прогнозной модели и методики расчет потребности в цистернах сами по себе не устраняют основной операционной проблемы. Модель формирует плановые ориентиры, однако без регулярного подтверждения прогноза по мере поступления фактических данных ее ценность для управленческих решений существенно снижается. В связи с этим, третьим элементов предлагаемого совершенствования процесса является внедрение инструментов визуального анализа и оперативного контроля прогнозирования перевозок на базе BI.

Архитектура системы аналитического контроля включает три взаимосвязанных уровня, таких как данные, аналитика и визуализация. На уровне данных консолидируются три потока, такие как фактические данные о погрузке, прогнозные значения, сформированные моделью Хольта-Уитерса, и расчетная потребность в цистернах по маршрутам. На уровне аналитики выполняется автоматическое вычисление отклонений план/ факт в абсолютном и процентном выражении, расчет скользящей ошибки прогноза и формирование сигналов при превышении установленных пороговых значений. На уровне визуализации результаты представляются в интерактивных дашбордах BI – системы, доступных плановым специалистам и руководству.

Для технической реализации предлагается использование платформы Microsoft Power BI применяемой в транспортно–логистической группе «Трансойл».

Система аналитического контроля включает три основных дашборда, формирующих замкнутый контур управления прогнозирования перевозок, представленные на рисунках 6–8.

Рисунок 6 – Дашборд в Microsoft Power BI «Мониторинг точности прогноза»

Источник: составлено автором

Рисунок 7 – Дашборд в Microsoft Power BI «Сезонный профиль и план/факт по маршрутам»

Источник: составлено автором

Рисунок 8 – Дашборд в Microsoft Power BI «Потребность в парке цистерн»

Источник: составлено автором

Для обеспечения регулярности контроля предлагается следующий регламент работы с системой. Еженедельно специалист проверяет дашборд «Мониторинг точности прогноза» и при наличии отклонений свыше 10% формирует аналитическую записку с оценкой причин отклонения. Ежемесячно по итогам закрытия отчетного периода выполняется обновление данных во всех трех дашбордах, актуализируется скользящий MAPE модели и при необходимости проводится коррекция прогноза на оставшиеся месяцы года. Ежеквартально выполняется актуализация маршрутных нормативов оборота на основе накопленных фактических данных и пересчет потребности в цистернах в дашборде третьего уровня. Ежегодно производится переобучение модели Хольта–Уинтерса на расширенный выборке с добавлением данных завершившегося года.

Предложенный регламент формирует замкнутый контур управления прогнозированием перевозок, представленный на рисунке 9.

Рисунок 9 – Контур управления прогнозированием перевозок

Источник: составлено автором

Данный подход соответствует концепции data–driven управления, закрепленной в транспортной стратегии Российской Федерации до 2030 года и создает технологическую основу для перехода от реактивного оперативного управления к проактивному планированию перевозок.

Дорожная карта внедрения предложенных решений представлена в таблице 26.

Таблица 26 – Дорожная карта

Этап	Мероприятие	Срок	Ответственный	Ресурсы	Результат
1	Сбор и определение исторических данных о погрузке по маршрутам за 2022-2024 годы.	Месяй	Аналитик отдела планирования перевозок	40 часов трудозатрат; доступ к ERP/ учетной системе	Выгруженный очищенный массив данных по маршрутам в формате excel/csv.
2	Разработка прогнозной модели Хольта-Уинтерса для каждого маршрута	2 месяца	Аналитик отдела планирования перевозок/ разработчик	60 часов трудозатрат; Python/ Excel	Калиброванные модели с оценкой точности по каждому маршруту
3	Разработка дашбордов в Power BI	2–3 месяца	BI аналитик/ аналитик данных	120 часов трудозатрат; Power BI	Функционирующие дашборды с тестовыми данными; Настроенные алерты при отклонении >10%.
4	Разработка маршрутных нормативов оборота цистерны	Месяц	Аналитик и диспетчерский отдел	20 часов трудозатрат	Таблица маршрутных нормативов, утвержденная руководством.
5	Тестовая эксплуатация системы	Месяц	Аналитик и специалисты по планированию	16 часов трудозатрат	Протокол тестовой эксплуатации; Подтверждение снижения MAPE

Продолжение таблицы 26

Этап	Мероприятие	Срок	Ответственный	Ресурсы	Результат
6	Обучение сотрудников	4 месяца	Аналитик	16 часов трудозатрат	Обученные пользователи дашбордов; Регламент, утвержденный приказом.
7	Ввод в промышленную эксплуатацию	5 Месяцев	Руководитель отдела планирования	Организационный ресур	Закрытие старого подхода; Ежемесячный прогноз формируется через новую систему.

Источник: составлено автором.

Оценка ожидаемого операционного эффекта от реализации преложенных мер представлена в таблице 26.

Таблица 27 – Сравнение основных показателей процесса прогнозирования перевозок

Показатель	Процесс As Is	Процесс To Be
Метод прогнозирования объема погрузки	Контрактные данные; перенос факта прошлого периода	Метод Хольта – Уинтерса с учетом тренда и сезонности
MAPE	13,1%	10%
Квартальная ошибка	-3,6%	-0,2%
Норматив оборота цистерны	Единый среднесетевой	Маршрутно–ориентированный
Расчетная потребность в цистернах по маршруту Кириши–Лужская	Около 4015 цистерн	Около 2438 цистерн
Сезонный профиль в расчетах	Не учитывается	Формализован

Источник: составлено автором

Продолжение таблицы 27

Показатель	Процесс As Is	Процесс To Be
Система контроля план-факт	Отсутствует	Дашборды BI с оповещением при отклонении свыше 10%
Регламент актуализации прогноза	Не формализован	Еженедельно; ежеквартально; еэемесячно

Внедрение предложенных инструментов не требует закупки новых программных продуктов, так как Microsoft Power BI уже используется в операционной деятельности транспортно-логистической группы «Трансойл» [19]. Основные расходы связаны с трудозатратами на разработку и первичную настройку модели и дашбордов. Разработка и настройка прогнозной модели составит 40-60 часов аналитика, создание трех дашбордов составит 80-120 часов, разработка регламента и обучение сотрудников составит 16-24 рабочих часа, итого 136-204 часа. При средней стоимости работы аналитика транспортно-логистической компании на уровне 1,5-2 рублей в час совокупные расходы на внедрение составят 200-410 тысяч рублей. Последующие оперативные расходы на актуализацию модели оцениваются в 8-16 часов в год.

Оценка экономического эффекта от внедрения формируется по таким направлениям, как:

1. снижение расчетное сверхнормативной потребности в цистернах. По маршруту Кириши-Лужская действующий подход завышает расчетную потребность в среднем на 1577 цистерн в месяц. В условиях рыночной ставки, аренда нефтебензиновой цистерны на уровне 3,5-4,5 тысяч рублей в сутки, потенциальная экономика от устранения сверхнормативного резервирования только по одному маршруту составляет 1577 цистерн * 30 суток * 4 тысяч рублей = 189,2 миллиона рублей в месяц. Данный расчет носит оценочный характер и предлагает равномерную погрузку в течение месяца. На практике эффект будет ниже из-за неравномерности грузопотоков и частичного перекрытия потребности за счет перераспределения парка цистерн;

2. повышение точности прогнозирования MAPE с 13,1% до 10% позволяет сократить частоту оперативных внесений изменений в плане, уменьшить число ситуаций с дефицитом или избытком цистерн на конкретных НПЗ и снизить долю отказов в перевозке по заявкам СКПП.

При реализации предложенных мер существенным ограничение является допущение о равномерной погрузке в расчётной формуле. В реальных условиях погрузка неравномерна по дням месяца, так как суточные объемы могут отклоняться от среднемесячных в 1,5-2 раза, что означат, что итоговые цифры потребности в цистернах являются расчетными, а не фактическими. Для управления данным риском предусмотрено еженедельное обновление прогноза в дашборде с мониторингом текущего факта, что позволяет своевременно выявлять отклонения и вносить изменения в плановые ориентиры. Дополнительным риском является зависимость модели от исторических данных.

Таким образом, предложенные мероприятия по совершенствованию процесса прогнозирования перевозок в транспортно–логистической группе «Трансойл» формируют комплексную систему управления перевозочным процессом, основанную на использовании методов анализа временных рядов, маршрутно–ориентированного расчета потребности в подвижном составе и инструментов оперативного аналитического контроля. Разработанная модель прогнозирования объемов погрузки по маршруту Кириши–Лужская позволила формализовать сезонную структуру грузопотока и повысить точность прогноза по сравнению с действующим подходом в процессе As Is. Предложенная методика расчета потребности в железнодорожных цистернах обеспечила переход от усредненных нормативов к учету фактической оборачиваемости вагонов по конкретным маршрутам, что позволило выявить значительное завышение расчетной потребности в подвижном составе в процессе As Is. Внедрение системы в BI–аналитики и регламентов контроля создает условия для непрерывного мониторинга отклонений план/факт, своевременной корректировки прогнозов и повышения обоснованности управленческих решений.

В совокупности реализация предложенных решений обеспечивает переход от реактивного подхода к проактивному управлению перевозками нефтепродуктов, повышает эффективность использования парка цистерн, снижает операционные риски и формирует технологическую основу для дальнейшего развития data–driven управления в транспортно–логистической группе «Трансойл».