Optimering av leveranskedjan - det är inte magi, det är matematik

Företag med komplexa leveranskedjor måste fatta datadrivna beslut i realtid för att säkerställa ett effektivt resursutnyttjande och förstklassig kundservice. Ändå fortsätter många organisationer att förlita sig på föråldrade planeringsverktyg som kalkylblad och MRP. Supply chain-planering baserad på matematisk optimering skiljer sig fundamentalt från traditionella metoder och gör det möjligt för företag att maximera den övergripande prestandan i supply chain. I den här artikeln används vanliga planeringsscenarier för att förklara hur tekniken för optimering av leveranskedjan fungerar och varför företag som vill effektivisera verksamheten och maximera vinsten bör överväga att byta.

Optimering - inte bara för stora företag

Programvara för optimering av leveranskedjan har funnits i årtionden, men det är först på senare tid som tekniken har blivit ett lönsamt alternativ för små och medelstora företag. Idag kan den processorkraft som krävs för att köra optimeringsalgoritmerna fås till en bråkdel av kostnaden. Samtidigt har programvaran för optimering av leveranskedjan blivit mer användarvänlig och lättare att underhålla. Tack vare dessa framsteg kan mindre organisationer med begränsade IT-budgetar och resurser nu dra nytta av denna kraftfulla teknik.

Varför behöver jag optimering?

Optimeringsprogramvara förändrar hur företag planerar och hanterar sina leveranskedjor. Eftersom optimeringsmotorn tar hänsyn till begränsningar och kostnader i leveranskedjan valideras de systemgenererade planerna på förhand. Programvaran kan därför ge planeraren ett mer exakt beslutsstöd. Resultatet blir bättre kundservice och resursutnyttjande med mindre lager - allt för att öka lönsamheten. Dessa omedelbara fördelar är anledningen till att optimeringsimplementeringar erbjuder en så attraktiv ROI.

Hur fungerar optimering av leveranskedjan?

Som människor litar vi på det välbekanta och det vi förstår. Därför är det viktigt för företag som förlitar sig på kalkylblad och MRP-program att ta sig tid att förstå de grundläggande skillnaderna mellan traditionella planeringsverktyg och moderna lösningar som drivs av matematisk optimering. Även om planerare och företagsanvändare inte behöver förstå hur matematisk modellering och optimeringsteknik fungerar i praktiken, behövs en god förståelse för vad som ligger till grund för planeringsmetoden. Låt oss därför ta en närmare titt på de tre kärnelementen i en lösning för optimering av supply chain:

1. Modellen för försörjningskedjan (den "digitala tvillingen")

   Den digitala tvillingen är en elektronisk representation av er fysiska leveranskedja. Det är en detaljerad modell av era processer och resurser, med tillhörande kostnader och begränsningar. Modellen utgör ritningen för din planeringslösning. Lager, produktionslinjer, maskiner, fordon, verktyg och personal finns alla representerade här.
   

2. Systemgränssnitt

   Planeringsverktyget behöver korrekt och aktuell information från dina befintliga affärssystem. Beroende på din installation kan direkta gränssnitt med ERP-, PLM-, CRM- och transport- och lagerhanteringssystem ge tillgång till nödvändiga indata. Exempel på nödvändig information är försäljningsprognoser, kundorder, produktinformation och lagernivåer.
   

3. Lösaren

   Lösaren är hjärnan i optimeringslösningen och det är här magin sker. Den innehåller matematiska algoritmer som arbetar tillsammans för att lösa det supply chain-problem som beskrivs av den digitala tvillingen och indata.

   Solvern optimerar en av de två tillgängliga "målfunktionerna":

   A. Maximal vinst

   B. Maximal leveransservice till lägsta kostnad

   Om intäkterna är representerade i modellen kommer lösaren att fastställa den plan som maximerar din totala lönsamhet. Om intäkterna däremot inte ingår i modellen, kommer solvern att maximera kundservicen till lägsta möjliga kostnad. Det är viktigt att vara medveten om skillnaden mellan dessa två målfunktioner. I båda fallen kommer dock solvern att hitta den bästa övergripande lösningen för företaget med hänsyn till de definierade affärsreglerna och begränsningarna.

Exempel på optimering

För att få en bättre känsla för skillnaden mellan optimeringsteknik och traditionella planeringsmetoder kan vi titta på några vanliga planeringsproblem.

EXEMPEL 1 - LAGERUPPBYGGNAD

Låt oss börja med en lageruppbyggnad, som är nödvändig för företag som arbetar med säsongsvariationer eller stora kampanjer som orsakar toppar i efterfrågan. Vi har två grundläggande alternativ: att gradvis bygga upp det lager som krävs över tid eller att lägga till extra kapacitet närmare toppen. Genom att gradvis bygga upp lagret kan vi upprätthålla en stadig, kostnadseffektiv produktion och utnyttja eventuell ledig kapacitet. Men det kräver också att vi håller lagret längre med högre lagrings- och hanteringskostnader och en ökad risk för utgångsdatum och inkurans. Diagrammen nedan visar hur vi gradvis bygger upp lagret genom att upprätthålla ett stabilt utnyttjande av linjen (40 timmar per vecka) före efterfrågetoppen under vecka 29 - 32.

Aktieuppbyggnad över en längre tidsperiod

Lageruppbyggnad med extra kapacitet närmare en efterfrågetopp

Planering av lageruppbyggnad med optimering

Planering innebär alltid kompromisser. En lösning för optimering av leveranskedjan fastställer automatiskt den strategi för lageruppbyggnad som bäst uppfyller dina övergripande affärsmål - oavsett om det handlar om att maximera den totala vinsten eller uppfylla kundservicemål till lägsta möjliga kostnad. Avgörande är att den matematiska lösaren tar hänsyn till hela leveranskedjan när strategin för lageruppbyggnad fastställs. Om fokus enbart ligger på lageruppbyggnadsprodukten kommer verksamheten som helhet sannolikt att bli lidande. För att kunna utföra den matematiska optimeringen behöver lösaren tillgång till de data som utgör ramen för planeringsproblemet. I vårt exempel definierar modellen för leveranskedjan kostnaderna och begränsningarna för övertid, kapitalkostnad, produktutgång, batchstorlek, produktmix med mera. Och med direkt tillgång till efterfrågan och lagerinformation från tredjepartssystem har lösaren allt den behöver för att beräkna den optimala planen.

Planering av lageruppbyggnad utan optimering

Att planera samma lageruppbyggnad med hjälp av MRP- och DRP-funktionerna i ett ERP-system är en helt annan utmaning. Med verktyg som inte tar hänsyn till produktions- och lagerbegränsningar får planeraren mycket arbete med att validera planens grundläggande genomförbarhet. Eftersom MRP och DRP inte kan identifiera planeringsbegränsningar måste de göra en rad antaganden, inklusive oändlig kapacitet och fasta ledtider för produktion och distribution. Kapaciteten är dock sällan obegränsad och ledtiderna är per definition inte fasta. Istället beror de på tillgången på material och produktions-, lagrings- och distributionskapacitet. Detta leder till att MRP-genererade planer är av mycket lägre kvalitet. MRP:s oförmåga att leverera en plan som kan exekveras "out-of-the-box" är bara en del av problemet. Eftersom MRP inte tar hänsyn till planens totala lönsamhet är det svårt att avgöra om den uppfyller företagets affärsmål.

EXEMPEL 2 - PRoduktblandning

I vårt andra exempel tittar vi närmare på hur systemet använder matematisk modellering för att optimera ett planeringsproblem. Planeringsscenariot är ett bageri som vill bestämma en optimal produktmix. För att göra det enkelt betraktar vi bara två produkter, bröd och brownies, och två ingredienser - mjöl och socker.

Optimera produktmixen med hjälp av optimering

1. Mjöltillgången är begränsad till 50 kg för perioden. Planeringssystemet har tillgång till produktens BoM och ser att ett bröd kräver 1 kg mjöl och en brownie ½ kg. Diagrammet nedan visar mjölbegränsningen.

2. Efter att ha lagt till utbudsbegränsningen för socker får vi följande bild. Vår möjliga produktmix är nu reducerad.

3. Därefter importeras efterfrågeprognoserna för de två produkterna, bröd (45) & brownies (25), från efterfrågeplaneraren. Eftersom vi inte vill producera mer än vad vi har efterfrågan på, reduceras den möjliga produktmixen ytterligare.

4. Den optimala produktmixen är den där bageriet uppnår maximal vinst. Med ett vinstbidrag på 1,50 USD för bröd och 2,00 USD för brownies har systemet all information det behöver för att fastställa den optimala mixen.

5. I detta exempel används en algoritm för linjär programmering (LP) för att bestämma den optimala produktmixen. Systemet fastställer vinstbidragslinjen och hittar det optimala värdet. Kom ihåg - allt detta sker automatiskt!

6. Den optimala produktmixen är 40 bröd och 20 brownies.

Optimering av produktmixen utan optimering

Utan optimering kommer mönstret från vårt första exempel att upprepa sig. En MRP-genererad plan kommer att producera den totala efterfrågade kvantiteten på 45 bröd och 25 brownies, trots den begränsade tillgången på mjöl. Även om systemet kommer att känna igen den resulterande bristen på mjöl, kommer detta bara att vara tydligt för planeraren i efterhand. Det är alltså upp till planeraren att lösa problemet.

Förändring av planerarens roll

Att arbeta med ett MRP-system (utan matematisk optimering) är något helt annat än att använda en lösning för optimering av leveranskedjan. Med MRP får planerarna ett meddelande när det uppstår ett problem, men de måste själva ta reda på hur de ska lösa problemet. Det är tidskrävande och leder alltid till suboptimala beslut som baseras på magkänsla och fördomar snarare än realtidsdata och fakta. Med optimering av leveranskedjan blir planeringen mycket mer proaktiv och strategisk för organisationen. Med ett system som modellerar och optimerar hela leveranskedjan får planerare och chefer fullständig insyn i alla aktiviteter och hur de hänger ihop. När någon gör en ändring i planen syns eventuella spridningseffekter omedelbart.

Hur optimering påverkar planerarens roll

• Förbättrad automatisering av planeringen innebär mer tid att fokusera på undantag.

• Planerna kan utföras "out-of-the-box" med litet eller inget behov av manuell justering.   

• Planeringsfunktionen kommer att bli mer strategisk när förtroendet fortsätter att växa.

• Optimeringsalgoritmernas snabbhet gör att planerarna kan köra flera tänk om-analyser innan de fattar viktiga beslut.

• Planeraren underhåller den "digitala tvillingen" och håller affärsregler, kostnader och begränsningar uppdaterade.

I korthet

Supply chain-planering baserad på matematisk optimering har kraften att förändra ditt företag. Tekniken är mogen och har visat sig ge ett betydande mervärde, och den är nu tillgänglig och prisvärd för företag i alla storlekar. Alla tillverknings- och distributionsföretag som ännu inte använder supply chain-optimering rekommenderas starkt att ta reda på vad det skulle betyda för deras kundservice och resultat.