Проект автоматизации АЗС Центральной Европы компании «Лукойл» ИСУ ЗРСО (интегрированная система управления зарубежными сбытовыми региональными обществами)

Для обеспечения IT- сервисами зарубежных предприятий Группы компаний «Лукойл» в декабре 2005 г. по решению Правления Компании было создано ее дочернее общество LUKOIL Technology Services (LTS). Сейчас у LTS несколько своих дочерних компаний: LTS Болгарии, LTS Белград, LTS Румыния, LTS Украина, LTS Прага, LTS Женева. Основная нагрузка по реализации проекта ИСУ ЗРСО была возложена на компанию LTS и ее представительства в зарубежных странах.

После проведенного предпроектного обследования стало очевидно, что в ходе внедрения проектный офис столкнется с рядом проблем организационно-технического характера, связанных с различиями в моделях управления АЗС и бизнес-процессах, с разнородностью и недостаточным техническим оснащением станций, с мультиязычностью используемых приложений и разным уровнем IT –инфраструктуры.

Но основная проблема заключалась в сложном многоуровневом управлении (АСУТП-МЕS-ИСУ см. файл с вопросом САПР) и специфических особенностей системы распределения и сбыта продукции с большим числом факторов риска. Они так или иначе сопряжены с динамично меняющимися структурой и спецификой бизнес-среды, глобальной изменчивостью товарно-финансовых рынков сырой нефти и нефтепродуктов, конкурентным противостоянием, неодинаковыми возможностями и ограничениями региональных товаропроводящих сетей, новациями в законодательных требованиях. К наиболее существенным факторам риска в данном контексте следует отнести следующее:

• Операционная сложность поставок со множественными неопределенностями в деловой среде.
• Разнообразие товарно-коммерческих операций.
• Большой круг лиц, участвующих в формировании решений на уровне линейного руководства в разветвленной сети, что снижает адекватность и лимитирует скорость их принятия.
• Зависимость от организаций, осуществляющих транспортировку.
• Продолжительные циклы, относительная инерционность и негибкость производства. Как следствие – ограниченные возможности варьирования одновременно товарным ассортиментом и обьемами оперативного наполнения. Другая особенность заключается в том, что поставки с перерабатывающих предприятий являются процессо-обусловленными, а единицы продукции, за исключением фасованной, - псевдодискретными.
• Неоптимальная логистическая инфраструктура наряду с объективными географическими, ценовыми и другими ограничениями – по числу экономически выгодных вариантов (мест), срокам поставок.

Перечисленное выше увеличивает обьемы обработки и без того огромного числа вариантов решений, вероятность ошибок в документах операционного учета и, в конечном итоге, создает высокий совокупный риск потери надежности и производительности в распределительной системе, крайне осложняя управление традиционными методами. Указанные факторы и проблематика потребовала выработки стратегического, целенаправленного подхода к разработке ИСУ ЗРСО, применения более совершенных методик и специализированных технологий проактивного планирования и совместного оперативного управления цепочками сбыта и поставок. Для поддержания уровня конкурентоспособности и адаптивности были необходимы, прежде всего средства интеллектуальной поддержки далеко не очевидных либо компромиссных управленческих решений по отгрузке и распределению нефтепродуктов, контролю запасов, исключению (минимизации) срывов планов поставок по договорам ит.д.

ИСУ ЗРСО разрабатывалась на основе распределенного искусственного интеллекта на базе систем, основанных на продукционных правилах, и рассуждениях на основе прецедентов (см. рис).

Рис. Архитектура пилотного проекта ИСУ ЗРСО.

Рис. Прикладной интеллектуальный программный комплекс поддержки принятия решения

Описание прикладного интеллектуального программного комплекса поддержки принятия решения.

В интеллектуальном комплексе используется два вида технологий выводов – на логических (продукционных, см. выше) правилах и суждениях по прецедентам. Алгоритм распознавания сравнивает описание распознаваемого объекта с таблицей распознавания и принимает решение: к какому классу следует отнести этот объект. Решение выносится на основе вычисления степени близости распознаваемого объекта с объектами, принадлежность которых к заданным классам известна.

Дата добавления: 2015-04-29