Post on 29-Jan-2016
Prof. Juan J. Bravo_ EIIE Univalle
Universidad del Valle Escuela de Ingeniería Industrial y Estadística
Grupo de Investigación en Cadenas de Abastecimiento
Prof. Juan J. Bravo B.
Optimización y Simulación de Cadenas de Suministro
Prof. Juan J. Bravo_ EIIE Univalle
La Cadena de Suministro busca servirle al CLIENTE FINAL de la mejor forma posible buscando lograr el máximo beneficio económico posible.
Eslabones
Prof. Juan J. Bravo_ EIIE Univalle
Una decisión que se tome en un eslabón afectará los demás eslabones
La no consideración de un enfoque “sistémico” de la cadena genera desbalanceos, favoreciéndose unos eslabones y perjudicándose otros.
Hay necesidad de un Pensamiento Integrador.
Veamos porqué.
Prof. Juan J. Bravo_ EIIE Univalle
Observemos el desafío que conlleva la decision de mejorar algun eslabon.
Si vuelvo mas ágiles mis procesos, enviaré mas oportunamente el producto al CD. Pero para volverme más ágil necesito que el Proveedor me envíe con mayor oportunidad las materias primas, luego el tambien debe mejorar. Yo me vuelvo mas agil para que el producto le llegue oportunamente al cliente, pero si el CD sigue con sus mismos procesos anteriores quizas el cliente final no note que yo he mejorado. Necesito por tanto que el CD también mejore para que tenga sentido mi mejoramiento.
Yo quisiera mejorar mucho mis procesos, y quizás pueda despachar mucho mas rápido, pero dependo de qué tan eficiente sea la planta que nos provee. Además, el cliente acepta que yo me demore un poco en el envío, así que quizás no sea “necesario” mejorar “tanto” ya que el cliente no me lo exige, y sería esto un “mejoramiento excesivo”.
Prof. Juan J. Bravo_ EIIE Univalle
Observemos el desafío que conlleva la decision de mejorar algun eslabon.
La Cadena de Suministro debe mejorar:
• Debemos reducir INVENTARIOS
• Debemos agilizar los tiempos de respuesta a los pedidos, mejorando el TRANSPORTE.
• Debemos reducir los COSTOS operativos y logisticos.
• Debemos mejorar nuestra RED.
• Debemos incrementar la lealtad del cliente final.
Prof. Juan J. Bravo_ EIIE Univalle
¿Cómo logramos dichas MEJORAS?
Demanda σ
Demanda CD
σ
RiesgoRiesgoRiesgo
Desbalanceos de inventarios
Desbalanceos de inventarios
Lead Time
σ
Lead Time
σ
σDemanda PL
Prof. Juan J. Bravo_ EIIE Univalle
Demandaσ
Demanda CDσ
RiesgoRiesgoRiesgo
Desbalanceos de inventarios
Desbalanceos de inventarios
Lead Timeσ
Lead Timeσ
σDemanda PL
La Planta tiene sus propios problemas internos administrativos, operativos, de recurso humano, etc.
El centro de distribución tiene sus problemas de cultura
organizacional, capacitación, definición de políticas, además de problemas administrativos
y operativos
Prof. Juan J. Bravo_ EIIE Univalle
Considerando esta enorme complejidad, ¿Cómo encontrar la mejor estructura, el mejor rendimiento, o el desempeño del mínimo costo y máximo beneficio de una Cadena de Suministro, favoreciendo las necesidades de cada eslabón?
¿Cual es la distancia entre el desempeño actual de mi cadena y el “mejor u optimo” desempeño que puedo tener con los recursos actualmente disponibles?.
¿Cómo puedo saber, cómo serían las características de mi cadena al estar ella operando con ese “optimo” desempeño?
¿cómo puedo llegar a ese desempeño “optimo”?
Preguntas:
Prof. Juan J. Bravo_ EIIE Univalle
Dado que están en juego gran cantidad de variables, se debe buscar la mejor relación entre ellas que arroje el máximo beneficio para todos los eslabones de la cadena.
En un problema real típico pueden estar en juego decenas de miles de variables, e incluso millones en algunos casos.
La única forma de encontrar la cadena “optima” o cercana a la optima es con herramientas científicas.
Cada eslabón tiene sus propias expectativas y deseos y cada quien tiende a jalar para su lado. Ante escasez de recursos (dinero, maquinas, materias primas, vehículos, trabajadores), todos pretenden no salir perjudicados en la “repartición”, y ese conflicto de intereses hace que buscar y encontrar un “optimo general” sea difícil, siempre que no se tengan herramientas apropiadas para la toma de decisiones.
Prof. Juan J. Bravo_ EIIE Univalle
La Optimización y la Simulación, son herramientas científicas apoyadas en las ciencias matemáticas y en la tecnología, que permiten estudiar un problema con ventajas respecto a otras metodologías:
Si la herramienta de análisis es únicamente la “experiencia de expertos”, (enfoque subjetivo) las alternativas de solución a un problema pueden quizás numerarse. Resulta que en muchos casos, las alternativas viables no son posible numerarlas, y en ocasiones no son fácilmente identificables por un ojo experto. La Optimización permite explorar a fondo las soluciones alternativas con apoyo computacional, explorando y valorando cientos y miles de alternativas en solo unos pocos segundos. La Simulación, por su parte, permite predecir el comportamiento de la cadena ante ciertos escenarios posibles, que son difíciles o en ocasiones imposibles de estudiar y predecir por los expertos.
Si se cuenta con sistemas ERP de manejo de informacion empresarial, tales como Oracle, SAP, etc., no significa que se cuente con herramientas de optimización o simulación propiamente. Los sistemas de información empresariales pueden decir si la empresa va bien o mal en su desempeño, pero no pueden decir, si su funcionamiento es el “optimo”, ni cuales serían las políticas de desempeño “optimas” de una organización.
Prof. Juan J. Bravo_ EIIE Univalle
Incluso con el apoyo del computador ciertos problemas son muy dificiles de resolver.
Ejemplo de “Explosión Combinatoria”
• Cierta cadena de suministro desea disminuir sus costos de transporte en la entrega de productos y busca encontrar la “Ruta Mas Corta” que un transportador debe seguir para visitar a 10 clientes localizados en distintos sitios.
• Un computador realiza un super-análisis, cuantifica y compara un millon de alternativas cada segundo.
• La respuesta es encontrada en menos de un segundo.
Ahora se le pide al mismo computador que encuentre la ruta mas corta pero considerando 20 clientes.El mismo computador tomaría más de 39.000 años para resolver este problema.
Prof. Juan J. Bravo_ EIIE Univalle
Caso de Estudio:
Mejoramiento de la Cadena de Suministro de Digital Equipment Corporation.
Motherboards
impresoras
Laptop e Impresoras
pantallas LCD
ARNTZEN, B., Brown, G., Harrison, T., y Trafton, L. Global Supply Chain Management at Digital Equipment Corporation. Interfaces, vol. 25, No. 1, Enero 1995. pp. 69-93.
Prof. Juan J. Bravo_ EIIE Univalle
Digital Equipment Corp. (DEC)
HISTORIA 1957: Fundada por Ken Olsen1961: Construyó el primer computador PDP-1 1978: Domina la mayoria del mercado de minicomputadores1980: Segunda compañía de computadores del mundo1990: En DEC repentinamente flaquean las ventas 1998: DEC fué vendida a Compaq2002: Compaq es dominada por HP
La crisis de 1990, hace que DEC tenga que replantear sus productos a computadores mas pequeños y livianos, y éste rediseño obligó a que la infraestructura de producción y logística debiera igualmente replantearse.
Prof. Juan J. Bravo_ EIIE Univalle
Aspectos que debía DEC enfrentar.
•Numero, localización y capacidad de plantas•Que producto fabricar en qué planta•Significancia de los impuestos •Numero, localización y capacidad de Centros de Distribución (CD) •Cual DC deberia servir a cual cliente•Número y localización de los centros de reparación
Infraestructura de DEC en 1990
33 plantas de producción en 13 países
34 centros de distribución y reparación en distintos países
Prof. Juan J. Bravo_ EIIE Univalle
“Nosotros adoptamos un punto de vista estratégico tanto para los procesos de manufactura como para los procesos logísticos” [Arntzen et al. p.74]
Se construyó un modelo de Optimización que llamaron: “Global Supply Chain Model”
CDk kBIi
akipt
ckipt
ki
kkkCDk
kkbptkk
akpt
PTp Ttkp wy
LTLTyhHVIPT
)(*
)(''*
** )(
30)
30(
CDk PTp Tt kBIi
akipt
ckiptki
kkkCDk
bptkkkkp wFTRKIyCTRPTyCTRPTFPESO
)(*
)(''*** )(
PTp
iitPTp tiCl
cilpt
bilptp
iiiBIi
acptii
aptiip zCAPDESPwwFPESOggFPESO
),(*
)(''*** )()(
}1/{,,
)()(
)1()()(
,*''*
**
*'*
**
tTtPTpBIi
hhggww
exbifacajusteaINVINIggwy
bcipt
bipt
tiClii
iBIi
acptii
aptii
cilpt
bilpt
iptipiip
iiiBIi
bcipti
bipti
iCDk
akipt
ckipt
Prof. Juan J. Bravo_ EIIE Univalle
1. El número de plantas fué reducida de 33 a 12. Como resultado, DEC en 1995 consistía en 12 plantas ubicadas en 7 países, a raíz de la implementación.
2. Se redujeron los costos anuales de manufactura en US$225 millones, y los costos totales de logística se redujeron en US$200 millones a 1995.
3. El número de centros de servicio fue reducido de 34 a 17, reduciéndose el nivel de activos de la empresa en US$34 millones y disminuyendo en US$81 millones los costos operativos anuales.
4. La producción de computadores se triplicó.
Implementación del “Global Supply Chain Model” en DEC
Prof. Juan J. Bravo_ EIIE Univalle
{Optimización de la Optimización de la
Programación Programación de la Producciónde la Producción
{Optimización de la Optimización de la Programación de Programación de
DistribuciónDistribución
Tecnología de la InformaciónTecnología de la Información
Pronóstico de Pronóstico de demanda y Sistema demanda y Sistema de gerenciamiento de gerenciamiento
de ordenesde ordenes
Optimización EstratégicaOptimización Estratégica
Optimización Tactica Optimización Tactica
Optimización de la Optimización de la Planeación de Planeación de
ProducciónProducción
Optimización de los Optimización de los sistemas logísticossistemas logísticos
Modelamiento Modelamiento Jerarquico de la Jerarquico de la
Cadena de Cadena de SuministroSuministro
Análisis Análisis estratégicoestratégico
Análisis Análisis Táctico de Táctico de mediano mediano
plazoplazo
Análisis Análisis Táctico de Táctico de
corto corto plazoplazo
AnálisisAnálisisOperacionalOperacional
Que tan eficiente puede ser la Optimización como herramienta de toma de decisiones?
Prof. Juan J. Bravo_ EIIE Univalle
Optimización estratégicaOptimización táctica
Optimización operacional
Modelos Deterministicos ó Estocásticos de un periodo de tiempo, con demanda agregada.
Modelos multiperíodo
Modelos heurísticos
Matemática rigurosa y más especializada
La estrategia “óptima” propuesta por estos modelos normalmente es validada por expertos de las organizaciones, y ellos son los que determinan cuál será la estrategia finalmente “implementable” que puede ser distinta a la óptima.
Estrategia Actual
Estrategia Optima del modelo
Estrategia Implementable
Brecha mejorada
Brecha por mejorar
Brecha total
Prof. Juan J. Bravo_ EIIE Univalle
Que tan bien representan los modelos de optimización a la realidad
Cadena de Suministro REAL
MODELO Matemático de Optimización representativo de la CS Real
Impacto de las tasas de cambioConfiabilidad de proveedoresConfiabilidad de los canales de transporteDemanda estocásticaVariaciones en precios de ventaImpacto de políticas medioambientalesVariaciones de tiempos de transporteImpacto de los Impuestos y arancelesPrecios de transferenciaDiferenciación de productos por zonasInfraestructura de plantas y centros de distr.Capacidades de instalaciones y maquinasRestricciones de utilización de materias primasManejo de los flujos de informaciónInfluencia de la competencia
Prof. Juan J. Bravo_ EIIE Univalle
Que tan bien representan los modelos de optimización a la realidad
Cadena de Suministro REAL
MODELO Matemático de Optimización representativo de la CS Real
Impacto de las tasas de cambioConfiabilidad de proveedoresConfiabilidad de los canales de transporteDemanda estocásticaVariaciones en precios de ventaImpacto de políticas medioambientalesVariaciones de tiempos de transporteImpacto de los Impuestos y arancelesPrecios de transferenciaDiferenciación de productos por zonasInfraestructura de plantas y centros de distr.Capacidades de instalaciones y maquinasRestricciones de utilización de materias primasManejo de los flujos de informaciónInfluencia de la competencia
CD
ckipty
akiptw
Cliente
cilptw
aptiig *
Cliente
bilptw
BI-AD
BI-AD
BI-C
acptiig *
aptkky *
Plantas
jkptx
CD
Plantas
BI
BI
BI Clientes
Clientes
Prof. Juan J. Bravo_ EIIE Univalle
Entre mas caracteristicas “reales” se pretendan incluir en el Modelo, más compleja será la construccion matematica y mas dificultad tendrán los computadores en solucionarlo.
Algunos inconvenientes de la optimización
En algunas ocasiones el “modelo matemático” no se puede construir con facilidad, dada la complejidad observable.
Es necesario considerar lo estocástico?
Podría hacerse el modelo considerando “algunos”
eslabones?
Como se podría agregar la demanda?
¿?
*)('*
**
1)(
)1()(
)(
iiiBIi
iiptbiptiipii
aipti
BIi PTpt
Tt iCDkki
ckiptiptip
DTLTexbihaINVINILTg
LTyFISPTHVIPT
*)('*
**
1)(
)1()(
)(
iiiBIi
iiptbiptiipii
aipti
BIi PTpt
Tt iCDkki
ckiptiptip
DTLTexbihaINVINILTg
LTyFISPTHVIPT
Prof. Juan J. Bravo_ EIIE Univalle
Que papel juega la Simulación?
Cuando no se puede construir un modelo de optimizacion es porque la complejidad del sistema supera al analista.
La SIMULACION del sistema real a traves de computador permite entender cómo funciona el sistema, qué variables tienen mayor impacto, y porqué los problemas actuales se estan presentado.
La SIMULACION incrementa la “visibilidad” en sistemas altamente complejos.
Ranking de complejidad
Complejidad Operacional Complejidad
Tactica Complejidad Estrategica
Prof. Juan J. Bravo_ EIIE Univalle
Que papel juega la Simulación?
La reacción de la Cadena de Suministro ante la implementación de estrategias es en general impredecible.
La SIMULACION permite predecir la reacción, buena o mala, de la cadena y de cada uno de sus eslabones ante la implementación de un estrategia de mejoramiento.
La SIMULACION explora aspectos operativos haciendo las veces de “lupa”. Puede rastrearse, por ejemplo, el cambio en los inventarios incluso diariamente o por horas o minutos en caso de un
eslabón con gran actividad.
Prof. Juan J. Bravo_ EIIE UnivalleTakakuwa, S., Takisawa, H., Hiraoka, S., Ito, K. Simulation and analysis of non-automated distribution warehouses. Winter Simulation Conference 2000.
Caso de Estudio
Simulación y Análisis de Centros de Distribución
Prof. Juan J. Bravo_ EIIE Univalle
Caso de Estudio
Simulación y Análisis de Centros de Distribución
PL1
PL 2
PL n
Otros CD
Cliente 1
Cliente 2
Cliente 3
Cliente m
Prof. Juan J. Bravo_ EIIE Univalle
Caso de Estudio
Simulación y Análisis de Centros de Distribución
Características del centro de distribución examinado:
(1) Plottage: 12,418 mt2(2) Espacio del piso: 7,656 mt2(3) Espacio del piso utilizado como bodega: 6,666 mt2(4) Numero de cajas que ingresan al mes:aproximadamente 345,000 cajas(5) Numero de cajas que salen al mes:aproximadamente 342,000 cajas(6) Numero de montacargas
a) Dentro del CD (sin elevador): 13 unidades
b) Dentro del CD (con elevador): 2 unidades
c) Afuera del CD (sin elevador): 3 unidades
Tipos de Camiones Truck 2 tons Truck 3 tons Truck 4 tons Truck -freight Truck 10 tons Truck 10 tons Truck 13 tons Freight 10 tons Container 5 tons Trailer 20 tons Truck 13 tons
Prof. Juan J. Bravo_ EIIE Univalle
Caso de Estudio
Simulación y Análisis de Centros de Distribución
Se simularon las operaciones Diarias de recepcion, reabastecimiento (replenishment), preparacion de ordenes (picking) y despacho en camiones.
La finalidad era medir el impacto del numero de montacargas en las operaciones de bodega
Se comprobó que el desempeño Diario del Centro de Distribución era altamente sensible al uso de un montacargas adicional, reduciendo el tiempo de reabastecimiento en mas del 50%.
Prof. Juan J. Bravo_ EIIE Univalle
Algunos inconvenientes de la Simulación
La SIMULACION, por si sola, no permite encontrar el desempeño “optimo” de un sistema, sino que permite ensayar posibles escenarios o estrategias de mejoramiento pre-definidas, en función de alguna medida o indicador. Estos indicadores pueden ser: Niveles de inventarios, Nivel de Utilización de recursos, Productividad de plantas o procesos, etc.
En simulacion de sistemas logisticos de gran escala, se requieren computadores de amplia capacidad de procesamiento.
La SIMULACION requiere muchos conocimiento acerca de los detalles del proceso que se esta simulando.
Prof. Juan J. Bravo_ EIIE Univalle
Nuevos desarollos
• Simulación basada en Optimización (Donald Hicks)
• Simulacion-Optimización (Michael Fu, Anddrodotir)
• Optimización Estocástica de Gran Escala
• Mezclas de herramientas: Algoritmos Geneticos, Optimización, Simulacion, Teoria de Juegos.
Prof. Juan J. Bravo_ EIIE Univalle
Alguna pregunta?