Специальные стали нужны для буровых установок, спецтехники и всего того, что должно выдерживать очень серьёзные нагрузки. У совместного предприятия нашей компании и холдинга NBH есть завод в Бельгии (в Клабеке), где производится износостойкая и высокопрочная сталь.

Логистика от Липецка до Клабека бывает долгой. Нужно произвести слябы (стальные слитки-полуфабрикаты) соответствующей марки в Липецке, отправить их железной дорогой в порт, и тут чего только не было: в порту может быть задержка из-за шторма, потом пандемийные истории с поиском судна, потом нечто похожее на принимающей стороне.

Сталь заказчикам нужна не через год, а всегда как можно быстрее, поэтому есть два варианта: либо держать на складе полуфабрикаты всех типов (очень много вариантов химсоставов) в большом количестве, либо прогнозировать спрос и держать то, что оптимально соответствует этому спросу.

Логика такая: если под то, что заказали на складе, нет полуфабриката, значит у нас меньше заказов. А если на складе лежит всё, что только можно, и в итоге оно не востребовано, тем больше у компании издержек. Поэтому надо решать задачу прогнозирования. Стандартные модели прогноза дают очень плохие результаты, поскольку спрос именно на эту сталь достаточно случайный, не всегда понятно, какой химсостав стального листа понадобится клиенту. Каких-то шаблонов «в лоб» мы не видим.

Но кое-что всё равно придумали.

Коротко, что за сталь и почему она так важна

Для примера возьмём Quard. У нас есть карьерные самосвалы. У них футерованный кузов, то есть покрытый изнутри защитным материалом. Футеровка делается по умолчанию листовым металлом марки стали 09Г2С толщиной 20 и 12 мм. В местах повышенного износа футеровочные пластины наплавляются износостойким электродом Т 590. После трёх лет эксплуатации обычно для очистки от сажи коробов приходится полностью их вырезать и устанавливать новые. Футеровка кузова полностью изнашивается, и часто нужно менять металл основной конструкции кузова. Это приводит к значительному увеличению срока ремонта кузова при капремонте.

Тенденция износа:



Вид кузова через три года:



Поменяли сталь на Quard разных марок на основании данных о разном износе разных частей кузова:


Сверху — Quard 400 толщиной 8 мм, жёлтый участок — Quard 400 12 мм, красный — Quard 450 12 мм и тёмно-красный — наиболее дорогая Quard 500 толщиной 12 мм

Вот промежуточные данные об износе:


Обратите внимание, максимальное значение осей уже другое

Мы испытывали несколько разных вариантов футеровок. Конкретно этот образец после 448 дней эксплуатации показывает более равномерную тенденцию центральной части по направлению от кабины к хвосту кузова. Прогнозная стойкость футеровки составит около 7,3 года. На «обычной» стали такой срок менее двух лет. То есть благодаря тому, что есть другой материал кузова, можно сильно сэкономить на самом ремонте и на выводе машины из эксплуатации на время ремонта.

Сталь на новую футеровку стоит примерно в 1,65 раза дороже, и речь о сотнях тысяч рублей. Что ещё интереснее, износостойкая Quard сталь легче, то есть мы повышаем грузоподъёмность карьерного самосвала примерно на 3%, что даёт нам 9850 ежегодно сэкономленных рейсов. С учётом затрат топлива это не просто нужно делать, а это обязательно нужно делать по всему парку как можно быстрее.

Вот почему эта сталь важна и востребована.

Возвращаемся к задаче управления запасами

Казалось бы, достаточно затарить склад всем нужным по максимуму — и проблема решена. Нет, это очень дорого. Слябы нужно производить по запросу на конкретные большие заказы: мощности под них в Липецке под высокой внутренней конкуренцией и просто сделать большой запас впрок не выйдет. Ну и экономически это не лучшая идея — просто взять и «вморозить» деньги в склад.

Для запаса нужны редкие, сложные и дорогие марки стали. Под каждый заказ есть требования по химии, механическим характеристикам и так далее. Типов слябов до сотни. Из одного сляба можно произвести несколько разных по характеристикам листов. Можно также выполнить один и тот же заказ из разных слябов с разной себестоимостью, есть матрица пересечения.


В итоге получается достаточно многомерная задача, в которой надо предсказывать слабопредсказуемое. Первая попытка прогнозирования базировалась на модели скользящего среднего с некоторыми модификаторами. Далее на основании прогноза мы вычисляли минимальный размер остатка по сортаменту стали, в который нужно начинать поставку (чтобы хватило до её прибытия), вычисляли максимальный размер запаса (до какого числа пополнять) и пополняли по этой схеме. Так в принципе работает любая система поставок, вопрос лишь в том, как вычисляются эти уровни. Первый подход был не очень точен: по каким-то слябам запас рос и они оставались невостребованными, а по другим не хватало запасов и наш уровень исполнения заказа падал.

Для улучшения качества прогнозирования мы начали использовать ML модель. Обучающая выборка состояла из внутренних факторов, таких как сток на дату, история потребления, книга заказов, количество слябов в пути, а также внешних макроэкономических факторов. К тому же мы активно занимались feature engineering’ом, строили бейзлайн-модели временных рядов типа SARIMAX, GARCH и использовали их выходы как входы в нашу финальную модель. Метамодель — либо случайный лес (sklearn random forest), либо бустинг (catboost/xgboost). Где данных меньше и более шумные, там применяется лес, в других случаях — бустинг. Оценка проводилась на отложенной выборке фиксированное число раз.

В результате мы добились того, что в худшем случае наша модель показывает качество скользящего среднего, а в большинстве случаев существенно улучшает текущий процесс прогнозирования потребления:



В итоге точность прогнозирования выросла на 38%. Что важно: наша модель ошибается и вверх, и вниз, при этом недопрогнозирование более критично. Поэтому в некоторых случаях при обучении также использовалась кастомная loss function.

После моделирования нам нужно было оценить, как использование данной модели отразится на оборачиваемости, а также какой теперь необходим буфер (страховой запас) для поддержания целевого уровня сервиса. Для данной оценки мы использовали распределение ошибки модели на отложенной выборке и распределение лид-таймов (сроков поставки слябов).

Если бы данные распределения были нормальными, то мы бы могли математически строго оценить необходимый страховой запас или буфер для любого желаемого уровня сервиса. Однако в нашем случае распределения не были похожи на нормальные и их трудно чем-либо аппроксимировать. К тому же любая аппроксимация данных распределений неизбежно повлечёт искажение реальности. Мы решили оценить наши показатели в результате численного эксперимента.

Поскольку мы хотели оценить математическое ожидание уровня сервиса и оборачиваемости, то провели тысячи симуляций стоков по историческим данным. В симуляции ошибка модели каждый месяц сэмплируется случайным образом из полученного ранее распределения, а срок поставки — из распределения лид-таймов. По данным симуляциям мы смогли оценить необходимый страховой буфер по каждому sku, который позволит обеспечить заданный уровень сервиса.

Кроме трудностей моделирования, у нас были определённые сложности с интеграцией данных. В Бельгии живут в своих системах, мы в своих. Пришлось собирать инструмент, который факультативно решает задачу сбора и представления данных в одном месте. Оказалось, что проще всего выгружать срезы данных ежедневно в эксель и отправлять их нам по почте. На нашей стороне был развёрнут парсер почты, который укладывает данные в базу. Далее эти данные могут быть использованы как для обучения модели, так и для продакшена.

В результате каждый месяц планеры NLMK Clabecq используют наш инструмент для пополнения запасов. Аналогичные инструменты развёрнуты на NLMK DanSteel, NLMK La Louviere, NLMK Verona, ТД НЛМК. И несмотря на сложности, санкции, масштабные макроэкономические изменения, нам удаётся поддерживать свои модели и обеспечивать высокий уровень клиентского сервиса.