Στην εποχή της ταχύτητας και των διαρκών μεταβολών, οι επιχειρήσεις πρέπει να σχεδιάζουν τη στρατηγική και την οργάνωσή τους υπό το πρίσμα της ανθεκτικότητας των αλυσίδων αξίας στις οποίες δραστηριοποιούνται, αλλά και της βιώσιμης ανάπτυξης.
Άρθρο του κ. Γιώργου Μαλινδρέτου, αναπληρωτή καθηγητή Logistics και αντιπρύτανη Διοίκησης και Φοιτητικής Μέριμνας στο Χαροκόπειο Πανεπιστήμιο, καθώς και μέλους Δ.Σ. του Ινστιτούτου Logistics & Management Ελλάδας (ILME / έντυπο τεύχος Νοεμβρίου 2023).
Στις αποφάσεις σχεδιασμού της αποθήκης, οι νέες τεχνολογίες υποστήριξης των σχετικών διαδικασιών παίζουν πολύ σπουδαίο ρόλο, τόσο στην ενίσχυση της παραγωγικότητας όσο και στη μείωση του περιβαλλοντικού αποτυπώματος της επιχείρησης. Αδιαμφισβήτητα, η τεχνητή νοημοσύνη (Artificial Intelligence [AI]) και η μηχανική μάθηση (Machine Learning [ΜL]) μειώνουν το ανθρώπινο λάθος, ενώ η χρήση των big data analytics και μια σειρά καινοτόμων τεχνολογιών υποστηρίζουν την αυτοματοποίηση των διαδικασιών και τη ρομποτική, από την παραλαβή και την τοποθέτηση των προϊόντων μέχρι το picking, την τελική προετοιμασία των παραγγελιών και τη δρομολόγηση.
Ενδεικτικό είναι το παράδειγμα της Amazon, η οποία σήμερα χρησιμοποιεί στα κέντρα διανομής της περισσότερα από 200 χιλιάδες ρομπότ. Σύμφωνα με έρευνα του αμερικανικού οργανισμού Material Handling Industry (MHI) και του διεθνούς κύρους παρόχου συμβουλευτικών και συναφών υπηρεσιών Deloitte, μέχρι το 2026 το ποσοστό υιοθέτησης εφαρμογών του ΑΙ θα έχει φτάσει σχεδόν στο 70% των αποθηκών παγκοσμίως. Πολλές σχετικές έρευνες αναφέρονται επίσης στην αύξηση της ακρίβειας στην καταγραφή των αποθεμάτων, στη μείωση του εργατικού κόστους και στην ελαχιστοποίηση του χρόνου ανταπόκρισης στις παραγγελίες.
Ωστόσο στην πράξη, η ταχύτητα των αλλαγών και η ανάγκη συνεχούς αναπροσαρμογής στις νέες συνθήκες, συχνά παρασύρει τα στελέχη των επιχειρήσεων σε βιαστικές αποφάσεις, χωρίς την αναγκαία τεκμηρίωση βάσει των πραγματικών προτεραιοτήτων και των λειτουργικών αναγκών της αποθήκης και ευρύτερα του κυκλώματος Logistics.
Πρέπει πάντα να θυμόμαστε τις θεμελιώδεις έννοιες και τα βασικά κριτήρια επιλογής των νέων τεχνολογιών, συμπεριλαμβανομένων των πληροφοριακών συστημάτων διαχείρισης της αποθήκης (WMS), προσεγγίζοντάς τες ως εργαλεία που υποστηρίζουν την οργάνωση και όχι ως την αφετηρία ενός νέου μοντέλου οργάνωσης.
Εξάλλου κάθε περίπτωση παρουσιάζει ιδιαιτερότητες, γι’ αυτό οι γενικεύσεις και οι αντιγραφές πολύ συχνά λειτουργούν ως τροχοπέδη στη βελτίωση των επιδόσεων που αφορούν τις διαδικασίες διαχείρισης φορτίου μέσα στην αποθήκη. Με άλλα λόγια, οι νέες τεχνολογίες πρέπει να προσαρμόζονται (customization) στους υφιστάμενους περιορισμούς και διαδικασίες Logistics, ενώ παράλληλα οφείλουν να αξιοποιούν τις ικανότητες και την εμπειρία του ανθρώπινου δυναμικού.
Βασική προϋπόθεση αποτελεί η σε βάθος κατανόηση της αλυσίδας των καθημερινών ενεργειών με τη βοήθεια των αναλυτικών διαγραμμάτων ροής (flow chart) και με τον εντοπισμό των προβληματικών σημείων (bottleneck) στη διεκπεραίωση των διαδικασιών. Ακόμα και η «δυναμική» που αντανακλά τη «real time» πληροφόρηση στη διαδικασία λήψης αποφάσεων σε λειτουργικό επίπεδο στο κύκλωμα της παραγγελιοληψίας, πρέπει να ενσωματωθεί λαμβάνοντας υπόψη τους περιορισμούς που θέτουν οι αυστηρές πλέον απαιτήσεις των πελατών και τα συνεπαγόμενα επιτρεπτά time – window.
Ένας έξυπνος αλγόριθμος
Στη συνέχεια αναφέρεται ένα χαρακτηριστικό παράδειγμα, στο πλαίσιο ερευνητικού έργου που πραγματοποιήθηκε με τη συμμετοχή ειδικών από το Χαροκόπειο Πανεπιστήμιο, το Γεωπονικό Πανεπιστήμιο Αθηνών και το Πανεπιστήμιο Θεσσαλίας, υπό το συντονισμό της εταιρείας «Επιχειρείν – Σύμβουλοι Επιχειρήσεων», με σκοπό την ανάπτυξη ενός έξυπνου αλγόριθμου δυναμικής δρομολόγησης σε αστικό περιβάλλον.
Στο πλαίσιο του έργου σχεδιάστηκε ένα δυναμικό κύκλωμα παραγγελιοληψίας και (ανα)προγραμματισμού της εκτέλεσης των παραγγελιών, με βασικό κριτήριο την ικανοποίηση των αναγκαίων χρονικών περιθωρίων που διασφαλίζουν τη συνεπή παράδοση στους πελάτες. 
Όπως φαίνεται στο σχήμα, για κάθε νέα παραγγελία που τοποθετείται στο σύστημα –και αφού προδιαγράφεται ο χρόνος ανταπόκρισης σε αυτήν (μέγιστος χρόνος παράδοσης [lead time])– εκτιμάται ο χρόνος ολοκλήρωσής της στην αποθήκη σύμφωνα με την πολιτική customer service. Αυτή η εκτίμηση βασίζεται σε εμπειρικά δεδομένα και επικαιροποιείται συνεχώς στο πλαίσιο του Machine Learning.
Με βάση συγκεκριμένες παραμέτρους σχετικές με τη διαχείριση των αποθεμάτων, τις αποθηκευτικές διαδικασίες, τη δρομολόγηση και την εξυπηρέτηση των πελατών (παραμέτρους όπως είναι: εκτιμώμενος χρόνος εκτέλεσης νέας παραγγελίας, capacity οχήματος, όγκος και βάρος νέας παραγγελίας, location – delivery point, γεωγραφικές ζώνες εξυπηρέτησης και αντίστοιχοι μέγιστοι χρόνοι εξυπηρέτησής τους κτλ.), πραγματοποιείται ο δυναμικός αναπρογραμματισμός της εκτέλεσης των παραγγελιών.
Συνοπτικά, απαιτείται προσεκτικός ανασχεδιασμός των αποθηκευτικών διαδικασιών (Business Process Re-Engineering [ΒPR]), λαμβάνοντας υπόψη το συνολικό κύκλωμα Logistics και τις συνεπαγόμενες ανάγκες (προδιαγραφές) σε ανθρώπινους πόρους και σε εξοπλισμό. Η εμπεριστατωμένη ανάλυση κόστους / ωφελειών διαφόρων εναλλακτικών σεναρίων υιοθέτησης νέων τεχνολογιών και συστημάτων πρέπει επίσης να περιλαμβάνει το χρονοδιάγραμμα της υιοθέτησής τους (ή, αλλιώς, της μετάπτωσής τους στο νέο σύστημα λειτουργίας).
Αδιαμφισβήτητα, βασική προϋπόθεση επιτυχίας αποτελεί αρχικά η αποδοχή της ανάγκης αλλαγής και η δέσμευση του προσωπικού προς αυτή την κατεύθυνση, και κατόπιν η προετοιμασία του προσωπικού για τη χρήση των νέων τεχνολογιών (change management).
