Измерение эффективности службы доставки логистической компании DHL Express

У каждого курьера существует свой географический маршрут, который имеет свою цифру. Около ворот, где разгружают пакеты, есть специальные ящики с соответствующими номерами, и менеджер по наземным операциям смотрит на адрес, указанный в накладной и распределяет корреспонденцию по маршрутам. В этом процессе участвуют и курьеры, которые тоже раскладывают по ящикам. Но часто случается так, что курьеры не знают той или иной улицы и поэтому они обращаются с данным вопросом к менеджеру наземных операций, который лучше всех знает все районы и даже маленькие улицы. Если бы данный процесс был автоматизирован, то времени на него уходило бы значительно меньше.

После этого процесса все разделенные по маршрутам конверты отправляют на досмотр и повторное взвешивание, где уже находятся габаритные грузы. Там все посылки проходят через принтер, а затем специалист по обработке грузов использует 3D весы, которые определяют объемный вес (до этого при оплате отправления у клиента, курьер замеряет все эти показатели (ширина, высота, длина, вес), но на терминале это все происходит по второму разу. После того, как все посылки и корреспонденция проходят процедуру просвечивания в рентген-аппарате, из специального прозрачного вынимают из накладные и сортируют их. Это необходимо делать, так как есть накладные двух типов: рукописные и «коннект» (у клиента установлена программа DHL connect, при помощи которой он создает эти накладные в электронном виде). В данной программе клиент сохраняет свой адрес (отправителя) и в последующих случаях ему приходится менять лишь адрес получателя. Рукописные же состоят из 4 копий. Одна копия уходит с отправкой, вторая остается в DHL как оригинал (с подписью отправителя, она хранится 5 лет), третья остается у клиента и еще одна копия сдается в кассу вместе с деньгами (если отправка осуществляется за наличный расчет).

Рисунок 7- Логистическая цепочка DHL в Санкт-Петербурге (составлено автором)

До реорганизации и оптимизации в компании, рукописные накладные вручную вводились во всех офисах компании. Сейчас все накладные отправляются в московский офис компании. Существуют определенные правила обработки грузов. Отправки с кодом продукта 7 идут от сервис-десков (service desk- пункты обслуживания клиентов, которые находятся в разных точках города и откуда затем забираются посылки), они не досматриваются курьерами, досмотр осуществляется на рентген аппарате на терминале, после этого в систему с помощью сканера вводится чек-поинт (check-point-единое обозначение для различных этапов, через которые проходит любое отправление и которое отображается в системе отслеживания для клиентов), что груз досмотрен.

Жизненный цикл отправки состоит из этих чек-поинтов. В системе можно увидеть, как груз движется, какие с ним были осуществлены действия и где он находится в данный момент времени. Часто случается, что нужная посылка не соответствует номеру накладной. Это означало, что в системе нет связи между внутренним номером посылки и накладной, а все посылки типа docs должны сканироваться по накладной. Есть также два типа рукописных накладных: полностью рукописные и «препринт» (клиент заказывает такие накладные, если он делает очень много отправок, услуга платная, ею пользуются крупные компании), их сортируют в разные стопки для сканирования, так как принтер распознает их по-разному. Эти данные должны быть в системе до 17:25, когда улетает самолет на экспорт в Лейпциг (грузы категории international). Грузы категории domestic уходит в течение дня, в 15:00 и в 19 часов, объем перевозок больше по данной категории. По накладным типа «connect», данные уже находятся в системе, поэтому агенту нет необходимости перепечатывать все вручную. Исключение составляет ситуации во время отправки, когда лист уже распечатан, если клиент вспоминает, что ему необходим дополнительный тариф или упаковка. В этом случае курьер от руки дописывает необходимую информацию. Если номер счета исправлен, то появляется SE 1, SE 2 и SE 3 - отметка о том, что груз надо обрабатывать определенным образом, так как он имеет высокую ценность или стоимость (микросхемы). У таких грузов существует дополнительная пломба и стяжка. В подобных случаях сканировать нужно отдельной партией и заносить отдельно в систему. Есть биллинговая система, она выставляет счет не за каждую отправку, а консолидировано за всю неделю по счету.

После повторного взвешивания и контроля, посылки консолидируются и определяются к соответствующему курьеру. Курьеры выезжают по собственному графику. Утренние курьеры развозят те посылки, которые прилетели с международного рейса прошлым вечером и одновременно собирают у клиентов корреспонденцию для последующего отправления. На терминале LED работают также супервайзеры (которые являются непосредственными начальниками курьеров), которые подвозят посылки на заранее установленное место, где они встречаются с теми курьерами, которые с утра находятся на маршруте. Такие курьеры называются фидерами. Их задачей является сокращать потерю времени курьеров во время того, как им приходится, после развозки всех утренних посылок, возвращаться на базу для получения послеполуденных посылок. К 13:00 4 фидера выезжают на точки в городе, местоположение которых рассчитано так, чтобы расстояние для этих точек для каждого курьера было примерно одинаковым. На данных точках курьеры отдают фидерам собранные посылки и забирают полученную за время их отсутствия новую корреспонденцию для дальнейшей развозки. После того, как вся корреспонденция на выдачу привезена по адресу и по всем необходимым точкам собрана корреспонденция на отправку, курьер возвращается с посылками на базу. Там происходит вечерний досмотр, повторное взвешивание и расфасовка грузов для того, чтобы с утра их сразу забрали утренние курьеры.

2.2 Вербальная постановка задачи применения метода DEA для оценки эффективности службы доставки

В данной работе речь идет о логистической компании, которая позиционирует себя, как высоконадежный поставщик курьерских услуг. После анализа особенностей бизнес-процессов компании, можно отметить, что как и во многих логистических компаниях, в DHL отдают особое место качеству предоставляемых услуг. В виду названных приоритетов, для компании важно поддерживать на должном уровне несколько ключевых показателей, характеризующих, как высокое качество услуг, так и надежность (Таблица 3). В первую очередь, это быстрота доставки, то есть выдерживание заявленных сроков. Во-вторых, доставка груза должна осуществляться при любых обстоятельствах, чтобы клиент был спокоен насчет того, доставят ли груз и будет ли он в сохранности. Очевидно, что на этот критерий влияют и такие внешние факторы, как те же географические и погодные условия, но, тем не менее, важную роль здесь будет играть отлаженность бизнес процессов.

Таблица 3. Данные для вербальной формулировки задачи (собственный источник)

Стратегические приоритеты	Меры	Влияющие факторы
Качество	· Высокий уровень сервиса · Своевременная доставка · Доступная цена	· Квалификация персонала · Загруженность курьеров · Затраты на доставку
Надежность	· Доставка при любых условиях · Сохранность груза	· Доступное для доставки время · География доставки · Эффективность бизнес-процессов · Внешние факторы (погода)

Если обратиться к пункту 2.1, то становится очевидным, что самая высокая неопределенность в бизнес-процессах DHL возникает в момент покидания посылкой сортировочной базы (Рисунок 6). После этого момента, весь груз ответственности за своевременность доставки и сохранность посылки лежит именно на курьере. По этой причине выглядит логичным оценить методом DEA эффективность именно курьерской службы. Если будут выявлены неэффективные единицы, то руководство может направить действия на повышение эффективности каждой такой организационной единицы, тем самым увеличив в целом эффективность курьерской службы (курьеры действуют независимо, то есть эффекта синергии не наблюдается), а затем и всей логистической цепочки. Таким образом, вербальная постановка задачи измерения эффективности логистической компании DHL методом DEA выглядит следующим образом:

“Измерить эффективность курьерской службы подразделения DHL Express Петербург методом анализа свертки данных”

Отсюда вытекают следующие важные моменты: во-первых, область оценки эффективности сузилась до курьерской службы, то есть в роли исследуемых объектов (DMU) выступают курьеры, а во-вторых, появилось пространство переменных, в котором можно строить эффективную границу, поскольку оно связано с операционной эффективностью деятельности курьеров.

Таким образом, следующий этап применения метода - выбор входных и выходных параметров в модели, которые определят многомерное пространство измерения эффективности.

2.2.1 Выбор переменных, описывающих входы и выходы

Как было доказано в главе 1, этап выбора переменных для оболочечного анализа является ключевым по причине сильной зависимости качества модели от входных параметров. Причем речь здесь идет не сколько о точности измерений или определенном распределении исходных данных, что было бы важно в случае использования параметрических методов, а скорее о связи между выбранными переменными и общей эффективностью организации.

Стоит сразу отметить, что для выбора входных и выходных параметров требуются различные подходы. Для получения более достоверных результатов, имеет смысл находить те выходные параметры, которые сильно коррелированы с эффективностью организации, скажем, высокой рентабельностью ее капитала и высокой лояльностью клиентов, либо просто увязываются со стратегическими целями компании. Это направление может стать основой для отдельного исследования, скажем формирование выборки компаний, которые являются эффективными с точки зрения метода DEA и нахождения взаимосвязи между их различными показателями (ratios). В данном случае является очевидным, что выходные переменные должны отражать тот набор факторов, который влияет на качество и надежность услуг. С учетом информации пункта 1.3.4 и абзаца выше, был предложен следующий набор выходных параметров (Таблица 4).

Таблица 4. Набор данных для модели (составлено автором)

Узел	Переменная	Название
ВХОД	Количество доставок до 13:00	before
	Количество доставок после 13:00	after
ВЫХОД	Количество доставленных вовремя посылок	Intime
	Количество посылок, не доставленных с первого раза	postponed
	Расстояние, покрытое курьером	distance

Выходные параметры модели

Говоря о выходных параметрах, в первую очередь стоит отметить, что высокое количество доставленных вовремя посылок очевидно увеличивает лояльность клиентов и подтверждает высокое качество предоставляемых услуг. Отсюда ясно, что этот показатель вполне может считаться объективно отражающим эффективность всей курьерской службы.

Высокое количество недоставленных с первого раза (отложенных) посылок является прямым признаком низкой эффективности работы компании и потери лояльности клиентов, влекущей и снижение доли рынка. Таким образом, можно сказать, что этот показатель отражает нежелательную переменную (undesired), то есть эффективность будет достигаться при его уменьшении. Для того, чтобы решить эту проблему, существует обширное число методов, но мы будем использовать самый распространенный - мин-максную нормировку (формула 2.1), которая позволит привести данные в подходящий вид (приложение 1).

(2.1)

Такой же логики придерживается и параметр расстояния, покрываемого курьером для доставки определенного количества. Логично предположить, что чем меньше курьер проезжает, тем меньше он тратит топлива, амортизирует автомобили, а следовательно, сильнее сокращает затраты компании. Таким образом, этот показатель тоже требует нормирования по формуле (2.1).

Входные параметры модели

Для подбора подходящих входных параметров скорее важна оценка того, какие переменные сильнее всего оказывают влияние на выходы модели. В данном случае, стоит сразу же построить логическую связь между безошибочной доставкой грузов вовремя и теми ресурсами, которыми располагают исследуемые единицы для достижения упомянутого. Сразу же возникает вопрос о наличии таких данных, что подробнее рассмотрено в конце подпункта. Забегая вперед, стоит сказать, что выбор входных параметров ограничился теми измерениями, которые присутствовали в информационных системах компании. Как оказалось, самыми подходящими стали: количество доставок, осуществленных курьером. Этот параметр напрямую связан с количеством доставленных и недоставленных грузов, так как с ростом числа доставок растет и количество недоставленных и доставленных вовремя. Единственный нюанс состоит в том, что исходя из особенностей логистической цепочки (см. 2.1.1), курьеры часто получают заказы, доставленные с опозданием, либо прибывшие во второй половине дня. Таким образом, вероятность их отложенной доставки возрастает и дает преимущество в эффективности тем, кто получает «поздних» заказов меньше. Для цели избавления от влияния этого фактора было предложено разбить весь объем посылок на две переменных - полученные до 13:00 и полученные после этого времени. Весь набор входящих и выходящих параметров с именами переменных в модели может быть оценен в Таблице 4.

В конце, стоит отметить о некоторых сложностях, с которыми может столкнуться аналитик при выборе переменных для модели свертки данных. Во-первых, даже если удастся сузить область измерения эффективности до комфортных размеров, где казалось бы все взаимосвязи легко обозримы, отнюдь не факт, что компания будет располагать измерениями необходимых данных. Поэтому важным наблюдением, вытекающим из исследования является добавление этапа «Оценка пространства измеримых показателей» в последовательность применения метода DEA для оценки эффективности, причем не только логистических компаний. На данном этапе аналитику стоит составить картину тех данных, которые хранятся в организации, либо которые можно теоретически получить из различных документов или записей в информационных системах. Это облегчит дальнейшие рассуждения, так как, в конечном счете, придется исходить из тех параметров, которые можно измерить и получить.

2.2.2 Выбор ориентации и отдачи от масштаба для модели

Масштаб

Если говорить об отдаче с масштаба, то есть существует ли эффект экономии на масштабе, то наиболее реалистичной ситуацией естественно будет выглядеть переменная отдача (VRS - variable return to scale). При таком выборе ориентации, чем больше у курьера посылок, тем меньше ему понадобится времени, чтобы развести их по адресам, чем, если бы он развозил каждую посылку, получая ее отдельности или малыми группами. Учитывая особенности процесса доставки, очевидно, что чем больше курьер получает посылок единовременно, тем меньше в совокупности он потратит времени и расстояния за счет возможности комбинировать. В дополнение к этому, можно представить случай, когда развести 10 посылок и 20 может являться совершенно разными ситуациями, поскольку часто курьеры приезжают в бизнес-центр и раздают там сразу 20 посылок за полчаса, но для того, чтобы раздать 10 посылок курьеру порой приходится ездить по городу целый день.

Как видно, все зависит от географии доставки. Компания не обладает статистикой такого рода информации, поэтому каждая посылка может быть случайным образом ассигнована курьеру, если она входит в его зону, и курьер может получить от нескольких таких посылок за день, до несколько десятков. Тем не менее, в компании есть некий внутренний принцип деления курьеров на зоны, который подразумевает приблизительно одинаковые расстояния. Таким образом, в виду неопределенности процесса, и для получения более точных результатов, принято решение посчитать двумя методами - BCC и CCR, учитывающими и не учитывающими эффект экономии на масштабе.

Ориентация

После того, как были выбраны подходящие входы и выходы в модели, а их соотношение оказалось 2:3, становится задача выбора ориентации модели. Как было отмечено в предыдущей главе, бывают модели, ориентированные на вход или на выход в зависимости от того, на какой из узлов компания имеет влияние. Если же влияние может быть оказано, как на входные, так и на выходные параметры, то логичнее использовать, так называемую, базовую модель. В рассматриваемом случае, входные переменные были следующие:

· Количество доставок до 13:00,

· Количество доставок после 13:00, очевидно, что компания может влиять на эти параметры сильнее, нежели на

· Количество доставленных вовремя посылок,

· Количество посылок, не доставленных с первого раза.

Таким образом, модель должна быть с одной стороны ориентирована на входы (input-oriented), так как компания в целях увеличения количества доставленных вовремя и с первого раза посылок, может давать курьерам меньше доставок после обеда (13:00), например, изменив бизнес-процесс распределения товаров. С другой стороны, компания может повлиять на выходную переменную

· Расстояние, покрытое курьером,

Например, уменьшив расстояние, покрываемое курьером, за счет передела зон ответственности до меньшей площади, как вариант, с помощью приема на работу дополнительных курьеров. Все это говорит о том, что следует рассмотреть и ориентированную на выход модель.

Выводы по предварительному этапу эмпирического исследования

В ходе предварительной части исследования, были выбраны входные и выходные параметры модели таким образом, чтобы наиболее адекватно отображать стратегические цели компании (на выходе) и особенности бизнес процессов (на входе).

Для того чтобы получить более качественные результаты, было предложено применить несколько моделей DEA, в частности с постоянной и переменной отдачей от масштаба, а также ориентировать модель, как на вход, так и на выход, чтобы, как минимум, сравнить результаты и сделать соответствующие выводы.

2.3 Ход эмпирического исследования

2.3.1 Математическая постановка задачи

После того, как входы и выходы модели были определены наряду с типом ориентации и отдачи от масштаба, можно приступать к расчетам. Как было выбрано в предыдущем подпункте, модель является сначала ориентированной на вход, что формулирует математическую постановку задачи следующим образом по формулам (1.6-1.9)

Перед нами стоит задача минимизации входов модели, при фиксированных выходах. Выпуклость (учет переменного масштаба) достигается условием (1.9). Таким образом, эффективности 1 будут соответствовать доминирующие элементы j, которые лежат на границе эффективности и не могут быть представлены в виде линейных комбинаций с коэффициентами других элементов.

Матрица входных и выходных параметров представлена в Приложении 1. Как видно, на входе подается двумерная матрица [Х₁j,X₂j], а на выходе трехмерная [Y₁j,Y₂j, Y₃j], таким образом, граница эффективности будет строиться в (2х3=6)-мерном пространстве.

Вычисления производятся с помощью автоматизированной надстройки DEAдля Solverот Microsoft Excel, с выбором всех упомянутых параметров. Все рассматриваемые курьеры (DMU) поделены по принадлежности к базе - северной, RVH, или южной, LED. Южная база насчитывает 32 курьера, а северная - 48. Всего оценка была проведена для 80 курьеров.

2.3.2 Применение модели DEA с переменной отдачей от масштаба (BCC)

В первую очередь, в виду различий в географии зон покрытия курьеров, было принято решение оценить относительную эффективность внутри каждой из баз. Полные результаты можно найти в Приложении 2. Итак, для начала были произведены расчеты для южной базы. Исходные данные для анализа представлены в Приложении 1.

Южная база (LED)

После применения анализа свертки данных, оказалось, что более половины курьеров базы LED неэффективны (Таблица 5). Среди них можно выделить несколько характерных групп. Первая - те, кто близки к лидерам, эффективным юнитам, при сокращении своих ресурсов, то есть совокупного количества посылок на 4% и менее процентов, но сохранив те же средние показатели на выходе (количество доставленных вовремя, отложенных и покрытое расстояние), могут стать эффективными. Следующей группе нужны сокращения до 10%, последующей до 17%, а группа отстающих требует сокращения ресурсов более, чем на четверть.

Таблица 5. Неэффективные курьеры среди 32 на базеLED

#	Курьер	Эффективность
1	Курьер 14	0.998678
2	Курьер 16	0.98887
3	Курьер 30	0.987467
4	Курьер 11	0.980284
5	Курьер 17	0.972402
6	Курьер 32	0.960232
7	Курьер 15	0.937373
8	Курьер 7	0.934083
9	Курьер 22	0.92098
10	Курьер 26	0.914603
11	Курьер 8	0.905226
12	Курьер 12	0.903819
13	Курьер 13	0.902388
14	Курьер 1	0.843335
15	Курьер 25	0.84054
16	Курьер 23	0.832217
17	Курьер 21	0.774856
18	Курьер 24	0.763942
19	Курьер 29	0.763262

После того, как стало ясно какие из курьеров неэффективны, то есть с точки зрения математики, они доминируемы другими курьерами, логично оценить возможные причины этому. Но для начала стоит проанализировать корреляционную матрицу всех переменных, входящих в модель (Таблица 6) для того, чтобы подтвердить разумность выбора параметров для модели.

Таблица 6. Корреляционная матрица для переменных базы LED

	before	After	intime	distance	postponed
Before	1.00	0.63	0.66	-0.48	-0.44
After	0.63	1.00	0.34	-0.18	-0.04
Intime	0.66	0.34	1.00	-0.28	-0.46
distance	-0.48	-0.18	-0.28	1.00	0.11
postponed	-0.44	-0.04	-0.46	0.11	1.00

Как видно, основная доля посылок, представленная строкой before, имеет самую сильную корреляцию с параметром доставлено вовремя - intime и количеством доставок, что вполне логично. Но корреляция after с intime составляет всего 0.34, это говорит о том, что гипотеза о большей доставке вовремя именно утренней корреспонденции - верна. Те курьеры, кто имел больше доставок до обеда, в целом чаще доставляли их вовремя. Корреляция с distance представляется отрицательной во всех случаях, кроме как с postponed. То есть чем больше покрыто километров, тем меньше доставлено посылок вовремя. Возможно, это связано с тем, что курьеры, которые наезжают много километров, являются менее опытными, за счет чего и опаздывают к сдаче посылок вовремя. Как видно, самая большая по модулю корреляция (-0.48) между расстоянием, пройденным курьером и количеством посылок, полученных до обеда. Таким образом, взаимосвязь этих двух показателей достаточно сильна, чтобы отразить факт того, что до обеда, возможно, курьеры меньше стоят в пробках, либо получают специфические заказы на маленькие расстояния.

Далее, стоит вернуться к анализу причин неэффективности курьеров. Для разрешения этого вопроса стоит рассмотреть проекции каждого из курьеров к эффективной границе. Полный список проекций представлен в Приложении 3, а для наглядности выбрана группа самых отстающих курьеров и несколько лучших среди неэффективных.

Таблица 7. Проекции курьеров базы LED к эффективной границе

No.	DMU I/O	Score Data	%		No.	DMU I/O	Score Data	%
7	Курьер 7	0.93			21	Курьер 21	0.77
	before	2481.00	-6.59%			Before	2604.00	-22.51%
	after	323.00	-6.59%			After	417.00	-22.78%
	intime	2360.00	0.00%			Intime	2068.00	0.00%
	distance	0.08	243.48%			distance	0.68	21.59%
	postponed	0.33	140.39%			postponed	0.90	9.31%
15	Курьер 15	0.94			24	Курьер 24	0.76
	before	2402.00	-6.26%			Before	2842.00	-23.61%
	after	313.00	-6.26%			After	455.00	-26.34%
	intime	2248.00	0.00%			Intime	2225.00	0.00%
	distance	0.52	0.00%			distance	0.06	999.90%
	postponed	0.75	0.00%			postponed	0.39	96.49%
17	Курьер 17	0.97			29	Курьер 29	0.76
	before	2683.00	-7.93%			Before	2821.00	-23.67%
	after	296.00	-2.76%			After	367.00	-23.67%
	intime	2406.00	0.00%			Intime	2189.00	0.00%
	distance	0.31	0.00%			distance	0.15	224.17%
	postponed	0.48	0.00%			postponed	0.65	5.38%

Как показывает Таблица 7, самые неэффективные курьеры уступают эффективным сразу по всем пунктам. Имея в своем арсенале еще меньшее количество посылок (before/after), они умудряются проезжать больше километров и доставлять не вовремя еще большее количество посылок, чем эффективные. Также стоит отметить, что те курьеры, чья эффективность близка к 1, часто доминируемы по какому-либо из критериев, либо по двум сразу. Например, Курьер 17 доставил не меньшее число посылок вовремя, чем эффективный курьер, но, тем не менее, из числа посылок на 8% больше до обеда и 3% после обеда, очевидно, его процент доставленных вовремя гораздо меньше, чем у самого близкого эффективного курьера.

Северная база (RVH)

В Таблице 8 представлены результаты применения модели BCC-I для второй базы. Как демонстрируют расчеты, подавляющее большинство курьеров неэффективны, всего 8 из 48 курьеров могут быть названы эффективными. Забегая вперед, практически те же самые результаты были получены и при использовании модели, ориентированной на выход (BCC-0).

Логичным шагом выглядит необходимость узнать причину такой высокой неэффективности курьеров. Либо среди курьеров есть группа более опытных, которая не дает «новичкам» приблизиться к своим показателям, либо северный регион имеет сложную среду для доставки, например дорожные пробки. Если внимательно рассмотреть показатели эффективности, то можно заметить, что первые 5 курьеров, при сокращении потребления ресурсов менее, чем на 1% и при сохранении таких же результатов на выходе, станут эффективными. Таким образом, их можно считать квазиэффективными, и мысленно расширить процент эффективных курьеров до 27%. Тем не менее, менее одной трети - эффективны, это все равно довольно низкий показатель для службы доставки.

Таблица 8. Неэффективные курьеры среди 48 (от №33 до №80) на базе RVH

#	Курьер	Эффективность
1	Курьер	40	0.996481739
2	Курьер	65	0.996313811
3	Курьер	75	0.991566455
4	Курьер	34	0.990980184
5	Курьер	43	0.990860094
6	Курьер	68	0.987928856
7	Курьер	47	0.986819365
8	Курьер	33	0.97972973
9	Курьер	60	0.975214828
10	Курьер	73	0.960500828
11	Курьер	64	0.946026603
12	Курьер	44	0.942576918
13	Курьер	42	0.93656753
14	Курьер	77	0.93552606
15	Курьер	59	0.928538456
16	Курьер	56	0.922835103
17	Курьер	49	0.922446944
18	Курьер	57	0.922284899
19	Курьер	48	0.918956001
20	Курьер	41	0.902166912
21	Курьер	31	0.898447681
22	Курьер	61	0.894718789
23	Курьер	74	0.890873669
24	Курьер	58	0.890375705
25	Курьер	69	0.888842024
26	Курьер	71	0.887017866
27	Курьер	51	0.873483319
28	Курьер	55	0.865557404
29	Курьер	38	0.85506058
30	Курьер	52	0.849530401
31	Курьер	66	0.845805127
32	Курьер	78	0.844615237
33	Курьер	50	0.837016677
34	Курьер	39	0.832704837
35	Курьер	46	0.829002629
36	Курьер	63	0.813162557
37	Курьер	32	0.777030439
38	Курьер	54	0.76654783
39	Курьер	62	0.712279598

Как известно, метрики Фарелла, описанные в предыдущей подглаве, показывают те расстояния, преодолев которые вдоль луча производственных возможностей, неэффективные юниты могут стать эффективными. То есть, по сути, сократив, либо используемые ресурсы на входе, если модель ориентирована на вход, либо увеличив показатели на выходе из модели, если она ориентирована на выход, курьеры могут достичь показателей кого-либо из эффективных.

Если мы возьмем курьера, который является неэффективным, то ему для того, чтобы стать эффективным необходимо «двигаться» к границе производственных возможностей. Для него существует проекция, встав на которую, он смог бы быть эффективным. Это условная точка на границе производственных возможностей и является выпуклой комбинацией.

Рассматривая, частоту попадания эффективных курьеров в такие выпуклые линейные комбинации, представляющие неэффективных (Таблица 9), можно отметить следующее: на базе в Левашово существуют абсолютные лидеры, показывающие выдающиеся результаты. Курьеры № 72 и 39,47 имеют показатели, которых могут достичь 29 и 20,19 курьеров соответственно. Такая же ситуация и на базе LED, самый «опытный» курьер под номер 5, его показателей потенциально могут достигнуть 14 курьеров из 19 неэффективных.

Таблица 9. Частота попадания эффективных курьеров в линейные комбинации неэффективных

LED	RVH	ВМЕСТЕ
Курьер 2	1	Курьер 37	6	Курьер 2	0
Курьер 3	2	Курьер 38	0	Курьер 4	8
Курьер 4	10	Курьер 39	20	Курьер 5	50
Курьер 5	14	Курьер 47	19	Курьер 19	1
Курьер 6	1	Курьер 55	1	Курьер 20	3
Курьер 9	6	Курьер 69	12	Курьер 31	0
Курьер 10	9	Курьер 72	29	Курьер 37	0
Курьер 18	2	Курьер 74	5	Курьер 38	0
Курьер 19	6	Курьер 78	11	Курьер 39	12
Курьер 20	7			Курьер 47	42
Курьер 27	0			Курьер 55	12
Курьер 28	2			Курьер 69	4
Курьер 31	0			Курьер 72	43
				Курьер 74	14
				Курьер 78	3

Также присутствуют и такие курьеры, которые эффективны только для себя, то есть другие юниты не могут достичь их показателей, таким образом, они находятся в удалении от общих результатов. Это неудовлетворительный результат по причине того, что такие курьеры могут быть «особенными», то есть с точки зрения статистики - выбросами, по различным причинам их показателей другие курьеры никак не могут достичь без выхода за границу производственных возможностей. С практической точки зрения, более важны те курьеры, которые как можно чаще встречаются в ЛК, так как они вполне достижимы и могут являться своего рода «reference point», лидерами своих отделов.

Расчеты по обеим базам

С учетом предположения о том, что география города (север и юг) не значительно влияет на расстояния, загруженность дорог и распределение посылок, мы объединили всех курьеров в общий пул из 80 DMU. Применение модели BCC-I, а затем BCC-0, дали схожие результаты, как и в случае отдельного расчета для баз (Приложение 3), что подтвердило отсутствие влияние направленности модели на эффективность курьеров.

Эффективными оказались всего 15 из 80 курьеров (Таблица 9) , то есть менее 19%. Только каждый 5 курьер эффективно доставляет посылки - результат неутешительный для компании. Напомним, что на базе LED около 40% курьеров эффективны, а на базе RVH около 17%, но с учетом квазиэффективных, их число доходит до 27%.

Как видно, при слиянии общих данных в один пул, более половины эффективных курьеров базы LED стали доминируемы курьерами из базы RVH. Только самый лучший представитель базы LED сохранил свое лидерство, став «примером» для 50 остальных курьеров. Что касается северной базы, все 9 курьеров остались эффективными и в общем пуле, что подтверждает предположение о том, что они являются «самыми опытными» не только на своей базе, но и в целом по компании. Неудивительно, что остальные курьеры базы RVH не могут работать также эффективно, им просто тяжело конкурировать с опытными.

Выводы

Расчеты по обеим базам при условии переменной отдачи от масштаба показали, что значительная часть курьеров на базе RVH работает неэффективно, причем выделяется группа лидеров, которые при агрегировании данных обеих баз, стали доминантными по отношению к нескольким, прежде эффективным курьерам базы LED. Таким образом, высокая неэффективность курьеров северной базы может быть объяснена сложностью конкуренции с самой опытной группой курьеров.

2.3.3 Применение модели DEA с постоянной отдачей от масштаба (CCR)

Изначальная предпосылка в расчетах методом BCC о том, что отдача от масштаба является переменной является не совсем точной в виду уже упомянутых причин. Для того, чтобы оценить влияние этого фактора, были проведены расчеты по модели CCR, освещенной в теоретической части работы. Итак, в Приложении 4 можно увидеть список всех неэффективных курьеров, полученных при применении метода с постоянной отдачей от масштаба для каждой из баз по отдельности. Как можно заметить (Таблица 10), на базе LED появились три неэффективных курьера дополнительно, столько же и на базе RVH. Не смотря на то, что в процентном соотношении, количество эффективных курьеров сильно упало, на базе RVHс 17% до 11%, а на базе LEDс 40% до 31%, отдача от масштаба не оказала сильного влияния на модель. Добавленные курьеры (27, 31, 18) являются по своей эффективности очень близки к 1 в виду того, что сокращение ресурсов на входе менее чем на 1%, даст им полную эффективность.

Таблица 10. Неэффективные курьеры, возникшие при расчете методом CCR-I.

LED CCR-I	RVH CCR-I
Курьер 27	0.9998	Курьер38	0.991
Курьер 31	0.996	Курьер55	0.987
Курьер 18	0.988	Курьер 78	0.932

На второй базе тенденция сохраняется. Отсюда следует вывод, что отдача от масштаба не влияет на эффективность. Важный вывод, который опровергает предварительную гипотезу о том, что курьеры могут комбинировать посылки для достижения наибольшей эффективности. Как видно, основная причина неэффективности лежит не здесь.

2.4 Результаты эмпирического исследования

Использование модели свертки данных DEA позволило оценить качество работы завершающего звена технологического процесса компании - доставки корреспонденции. Полученные результаты отражают не абсолютную эффективность, а относительную, таким образом показывая, что при нынешних ресурсах и имеющихся данных, существуют курьеры, лучше которых внутри компании не работает никто. Они «не доминируются» другими курьерами, а значит, эффективны с технической точки зрения.

2.4.1 Результаты корреляционного анализа

Первым важным результатом стоит признать итоги корреляционного анализа, который подтвердил для одной базы предварительную гипотезу о том, что курьеры, имеющие больше доставок до обеда, в среднем чаще доставляют посылки вовремя, таким образом, являются более эффективными. Так, корреляционная матрица для базы LED (Приложение 4) показала зависимость посылок доставленных «до» и «после» 13:00 с количеством доставленных вовремя 0.64 и 0.36 соответственно. Но взаимная корреляция посылок «до» и «после» равнялась 0,78, показывая, что 78% всех посылок приходится на более раннее время. Значение 0,64 на пересечении переменных «доставленные вовремя» и «полученных до 13:00» указывает на то, что на базе LED время получения посылок курьером значительно влияет на качество итогового результата, но все же важным фактором являются личные умения курьера, как выбор маршрута или скорость передвижения по городу. Этот вывод подтверждает и тот факт, что многие эффективные курьеры имели большое число поздно полученных заказов, но все равно справлялись со своей задачей лучше остальных.

Для базы RVH выводы менее очевидные, так как корреляция доставленных вовремя посылок с «до» и «после» 13:00 практически совпадает (0.65 против 0.66), но это оставляет целых 34% на влияние других факторов, таких как личные навыки курьера.

Подводя итоги, на первой базе количество доставленных вовремя посылок сильнее зависит от числа полученных до обеда, чем на второй базе. Таким образом, на базе RVH эффективность курьеров будет определяться больше личными навыками курьеров, нежели распределением посылок до обеда и после. Отсюда вытекает предположение о том, что работники второй базы более опытные и могут нивелировать поздние посылки выбором оптимальных маршрутов, либо другими способами, основанными на своем опыте.

2.4.2 Результаты анализа эффективности курьеров

Анализ эффективности курьерских служб показал, что среди работников первой базы, LED, присутствует большая доля эффективных, чем на второй базе, RVH (Таблица 11). На первый взгляд показалось, что работники северной базы менее эффективны, видимо, из-за особенностей региона города, который покрывают, либо атмосферы внутри коллектива, поскольку такой значительный разброс по сравнению с первой базой вряд ли можно объяснить иначе.

Таблица 11. Сравнение эффективности курьеров по базам (составлено автором)

База	% эффективных курьеров
	BCC	CCR
RVH	17%	11%
LED	40%	31%
Вместе	19%	-

Тем не менее, после того, как все данные были помещены в общий пул и была рассчитана эффективность каждого курьера, независимо от принадлежности к базе, оказалось, что более половины курьеров базы LED стали доминируемы курьерами RVH, которые подтвердили свою эффективность не только среди своей базы, но и в целом по компании. Все же, единственным «рекордсменом» стал представитель базы LED под номером 5, который сохранил свое лидерство. Как видно из Таблицы 9, частота его попадания в ЛК, представляющие неэффективных курьеров - максимальна, причем в случае слияния данных в пул, она увеличилась до 50.

В связи с этим стоит отметить, что в логистических компаниях, как в прочем и во многих других часто происходит заимствование «лучших практик». Значимость полученных результатов подтверждается тем, что эти «лучшие практики» были найдены внутри самой компании, и с помощью данного метода удалось, например, сократить затраты на поиск подобных показателей у своих конкурентов. Частота появления в выпуклых комбинациях (Таблица 9) служит показателем того, как часто курьеры служили «образцом для подражания» для своих коллег. Курьеры, которые имеют наибольшее значение по данному показателю, позволяют, ориентируясь на них, выполнить внутренний бенчмаркинг. Таким образом, деятельность и навыки курьеров 5, 47 и 72 должны быть подробнее изучены менеджерами компании с целью выявления причин их высокой эффективности и создания ориентиров для других работников. А деятельность тех курьеров, которые выделены красным цветом в Таблице 9, должна быть тоже изучена, но для выявления причин их исключительной эффективности.

Таким образом, становится очевидным, что низкая эффективность северной базы определяется скорее не географическими особенностями, а высокими показателями определенной группы курьеров, формирующих эффективную границу. Остальные курьеры просто не могут соперничать с более опытными работниками, хотя их эффективность относительно близка к ним. Несмотря на то, что результаты в целом показали высокую долю неэффективных курьеров, стоит заметить, что минимальное значение данного показателя близко к 0.7 и демонстрирует, что в компании нет некомпетентных работников, все имеют потенциал к улучшению.

Практические рекомендации

После проведения эмпирического исследования, автором предлагаются практические рекомендации по повышению эффективности работы службы доставки.

Проведение бенчмаркинга

Как показали результаты эмпирического исследования, метод DEA позволяет вычислить точные координаты «лучших практик», к которым нужно стремиться. При составлении целевых показателей, менеджменту компании стоит учесть наиболее эффективных курьеров и изучить причины, по которым они достигают столь высоких результатов и вычислить характеристики, которые помогли бы «отстающим» улучшить качество своей работы.

После этого, среди практических методов реализации программы повышении производительности курьеров, можно назвать внедрение игрофикации, то есть мотивационной программы, которая привнесла бы в коллектив соревновательный дух. К примеру, можно было бы разделить всех курьеров на бригады, согласно предварительной оценке их эффективности и дать задание максимально сокращать количество невовремя доставленных посылок, при этом не увеличивая покрытого расстояния. У этой программы должен быть определенный срок для того, чтобы сотрудники не потеряли мотивацию. По окончанию данного срока необходимо предусмотреть оглашение команды победителей и награду, к примеру, коллективный поход в картинг или боулинг. Менеджмент компании должен аккумулировать итоговые результаты и снова применить метод DEA. Вероятнее всего, эффективными станут уже совершенно другие курьеры и средний уровень эффективности повысится.

Перераспределение зон ответственности

Как было отмечено, компания DHL имеется две сортировочные базы в Санкт-Петербурге, одна из которых обслуживает северо-восток города, а другая - юго-запад города. Результаты показали, что около 80% курьеров северной базы работают неэффективно. Как предполагалось изначально, это могло быть связано с географическим расположением данной базы. Известно, что в Петроградском районе, на территории которого находится большое количество бизнес-центров и куда отправляется большое количество документов, имеет самое худшее состояние дорог. В других районах, которые тоже обслуживаются северной базой, также плохая транспортная сеть, что затрудняет движение курьеров.

После проведения эмпирического исследования, стало очевидным, что низкая эффективность является относительной по сравнению с группой лидеров, более опытных курьеров. Таким образом, логичным выглядеть внедрить систему распределения заказов по уровню сложности. На данный момент, существует географическая привязка по маршрутам, но она не учитывает таких факторов, как время доставки. Например, молодые курьеры, которые не знают обходных маршрутов, либо не могут спланировать заранее оптимальный путь могут не получать посылки с высоким уровнем сложности, оставив это более опытным.

Введение дополнительного хаба для перераспределения посылок

Задержки при сортировке также негативно влияют на результаты деятельности курьеров, так как они поздно получают необходимый объем работы и не успевают его выполнить до указанного времени, в частности большинство курьеров базы LED являются неэффективными по этой причине (Приложение 3). В виду того, что на базе LED была четко выраженная тенденция успевать доставлять вовремя утренние посылки, и в совокупности с фактором отсутствия на базе администрации и менеджеров, которые обычно следят за работой всех сотрудников и подключаются к работе, когда это необходимо, возможным решением для повышения эффективности было бы создание промежуточной базы. Эта база служила бы хабом на пути к доставке товаров по тем маршрутам, которые равноудалены от двух баз. Однако содержание такой базы - высокая статья расходов компании и в связи с экономическим упадком в стране и сокращением объемов перевозок такое решение не выглядит рациональным, хотя оно однозначно привело бы к повышению эффективности доставки.

Дополнительные рекомендации

Качество оказания логистических услуг заключается, прежде всего, в том, насколько быстро был выполнен заказ клиента. Для того, чтобы достичь оптимальной скорости операций, можно либо повысить производительность самих курьеров, либо улучшить работу звена технологической цепочки, непосредственно предшествующего доставке. Речь идет о сортировке на базе. Исходя из наблюдений во время прохождения практики, узким местом данного процесса является первичная обработка посылок, поступающих на базу. То, что процесс сортировки по маршрутам происходит вручную, сильно ограничивает возможности курьеров выполнить доставку как можно раньше. Процедура заключается в том, что посылки раскладываются по контейнерам, каждому из которых соответствует номер маршрута того или иного курьера. Успех данного процесса зависит от одного работника, который единственный знает местонахождение всех улиц и к какому маршруту они принадлежат. Таким образом, большое количество времени теряется на то, чтобы определить, куда класть ту или иную посылку. Для увеличения скорости обработки необходимо приобрести сканнер, в который были бы введены маршруты и соответствующие им почтовые индексы. Данное решение не будет сопряжено с большими затратами и необходимостью сильных изменений в бизнес-процессе, так как на каждом отправлении всегда значится почтовый и одного сканера с установленной программой хватит на то, чтобы сохранить минимум 10 минут оплачиваемого рабочего времени для 4 сотрудников, которые участвуют в этой операции.

Еще одна рекомендация, которая могло бы улучшить работу службы доставки, заключается в устранении недочета работы сканеров, с которыми работают курьеры. С помощью этих сканеров они получают и обновляют информацию об отправлениях, это единая система, которая обеспечивает связь курьеров и офиса. Однако часто случаются ситуации, когда клиенты связываются с офисом DHL и просят об изменении времени или места доставки. В таком случае эта информация передается супервайзеру, который является непосредственным начальником нескольких курьеров и только после этого он звонит собственно курьером, которые находятся на доставке. Так как у курьеров нет заранее составленных маршрутов, они сами планируют свои перемещения и информация о том, что координаты или время доставки изменились, могут застать их слишком поздно, когда они уже отправились на старый адрес. Это большое упущение компании, так как оно приводит к потере времени и меньшему количеству доставленных вовремя посылок. Для решения этой проблемы стоит сделать так, чтобы полученная от клиента информация сразу загружалась в систему, и курьер в режиме реального времени мог следить за изменениями и корректировать свой маршрут. Такое нововведение также поможет экономить средства, которые компания тратит на звонки и сообщения, которыми обмениваются супервайзеры и курьеры. В случае возникновения внештатных ситуаций один доставщик может сообщить всем остальным, к примеру, если он попал в аварию и его недоставленная корреспонденция может быть передана его коллеге, находящемуся неподалеку. Таким образом, влияние внешних факторов, которые не подвластны компании, а именно погодные условия, транспортная загруженность города или аварии, могут быть частично нивелированы путем подключения других работников и делегированием им части работы.

Заключение

Темой данной прикладной работы являлось измерение эффективности службы доставки логистической компании. Целью работы являлось создание рекомендаций для повышения эффективности службы доставки компании DHL Express в Санкт-Петербурге. Для удовлетворения поставленной цели было проведено теоретическое и эмпирическое исследование, а затем представлены рекомендации для менеджеров компании.

В ходе теоретического исследования были проведен обзор литературы в предметной области - измерении эффективности. Как было выявлено, эффективность - важное понятие в бизнесе, включающее также и результативность, то есть достижение заданных целей. В текущей работе фокус направлен на другую сторону эффективности - достижение максимальных результатов при наименьшем потреблении ресурсов.

Как показал дальнейший обзор теории, измерение эффективности осложнено многими факторами, особенно в логистике. Выбор метода измерения и адекватных переменных является ключевым вопросом, над которым бьются современные исследователи в области измерения эффективности предприятий. Наш выбор остановился на непараметрическом методе измерения - методе анализа свертки данных. Он зарекомендовал себя, как прикладной математический метод, решающий широкий спектр задач в различных индустриях - от финансов до промышленности. Универсальность подхода позволяет оценить эффективность группы элементов на основе принципов доминирования. В качестве таких элементов были выбраны курьеры службы доставки.

Эмпирическое исследование предполагало применение нескольких видов моделей анализа свертки данных для измерения эффективности курьерской службы двух баз компании DHL в СПб - северной и южной. Как оказалось, предварительные гипотезы, сформулированные на этапе выбора переменных, подтвердились для одной базы, но не подтвердились для другой, что повлекло различные практические рекомендации для двух баз.

По результатам эмпирического исследования, большинство курьеров обеих баз оказались неэффективными. Ограничения модели, возникшие в виду выбора только определенных параметров из доступной у компании информации, не помешали проанализировать причины неэффективности многих курьеров. Часть курьеров должна получать больше посылок до обеда, а другая нуждается в переформировании зон ответственности по причине высокой конкуренции с более опытными сотрудниками. В конце работы были даны основные и дополнительные рекомендации по повышению эффективности службы доставки DHL Express.

груз курьерский свертка корреляционный

Список литературы

1. Буссофиане А., Дайсон Р.Д., Танасулис Э. Прикладной анализ свертки данных //Российский журнал менеджмента. - 2012. - Т. 10. - №. 2. - С. 63-88.

2. Лукинский В.С., Лукинский В.В., Пластуняк И.А. Транспортировка в логистике //Вопросы языкознания. - 2015. - №. 1. - С. 102-110

3. Нестеров С.Ю., Т.Л. Безрукова и И.Б. Толкачев. Оценка эффективности управления региональными логистическими системами // Транспортное дело России 4.- 2008

4. Понятие производственных возможностей

5. Томас Х. Кормен и др. Глава 29. Линейное программирование // Алгоритмы: построение и анализ = introduction to algorithms. -- 2-е изд. -- М.: Вильямс, 2006. -- С. 1296. -- ISBN 5-8459-0857-4.

6. Федотов Ю.В. Измерение эффективности деятельности организации: особенности метода DEA (анализа свертки данных) //Российский журнал менеджмента. - 2012. - Т. 10. - №. 2.

7. Banker R.D., Charnes A., Cooper W.W. Some models for estimating technical and scale inefficiencies in data envelopment analysis //Management science. - 1984. - Т. 30. - №. 9. - С. 1078-1092

8. Beamon Benita M. Supply chain design and analysis: Models and methods //International journal of production economics 55 - 1998 - no. 3: 281-294. -

9. Bogetoft Peter. Performance Benchmarking: Measuring and Managing Performance //New York, Heidelberg, Dordrecht, London: Springer - 256 p. - 2012

10. Bichou K. A two-stage supply chain DEA model for measuring container-terminal efficiency // International Journal of Shipping and Transport Logistics 3,. - 2011 - no.1: 6-26

11. Charnes Abraham, William W. Cooper, and Edwardo Rhodes. Measuring the efficiency of decision making units//European journal of operational research 2, no. 6 : 429-444 - 1978

12. Chen Ci, Yan H. Network DEA model for supply chain performance evaluation //European Journal of Operational Research 213. - 2011 -no. 1: 147-155

13. Chestler L. Overnight Air Express: Spatial Pattern, Competition and the Future in Small Package Delivery Service //Transportation Quarterly 39, no. 1 - 1985

14. Chow Garland, Trevor D. Heaver, and Lennart E. Henriksson. Logistics performance: definition and measurement //International journal of physical distribution & logistics management 24, no. 1 (1994): 17-28.

15. Dey P. and Ogunlana S. Selection and application of risk management tools and techniques for build-operate-transfer projects //Industrial Management & Data Systems, Vol. 104 No. 4, pp. 334-46. - 2004

16. DHL 2014 Annual report. 2015: Bonn.

17. DHL 2013 Annual report. 2014: Bonn

18. El-Mahgary S. Data envelopment analysis - a basic glossary //OR Insight 8(4): 15-22 - 1995

19. Farrell M.J. The measurement of productive ef?ciency //Journal of the Royal Statistical Society, Vol. 120 No. 3, pp. 253-90. - 1957

20. Gunasekaran A., E.W.T. Ngai. The successful management of a small logistics company //International Journal of Physical Distribution &Logistics Management 33.9 : 825-842. Business Source Complete. EBSCO. Web - 2003

21. Gunasekaran, Angappa, Christopher Patel, and Ronald E. McGaughey. A framework for supply chain performance measurement //International journal of production economics 87. - 2004 -no. 3: 333-347

22. Hall R., Organizations: Structures, Processes and Outcomes //Prentice-Hall, New York and London, 1991, p. 267 - 1991

23. Helo, P. Managing agility and productivity in the electronics industry //Industrial Management& Data Systems, Vol. 104 No. 7. - 2005 - pp. 567-77

24. Kerstens K., Van de Woestyne I. Negative data in DEA: A simple proportional distance function approach //Journal of the Operational Research Society. - 2011. - Т. 62. - №. 7. - С. 1413-1419.

25. Kim Tae Wan. Gamification Ethics: Exploitation and Manipulation. (2015).

26. Kwai-Sang China, Kit-Fai Punb, Henry Lauc. Development of a knowledge-based self-assessment system for measuring organisational performance //Expert Systems with Applications, vol. 24. -2003- pp. 443-455