Прогнозно-вероятностный подход к балансировке всей сети цепочки поставок

Использование аналитики и сетевых эффектов для преодоления эффекта кнута и других волатильностей в цепочке поставок

Нередко в любой реализации цепочки поставок решение проблем разрозненно. И это понятно, учитывая большое количество отделов, затронутых указанными проблемами в организации. Планирование спроса подталкивает производство, которое перетасовывает снабжение и логистику, что управляет поставками OTIF, влияющими на продажи, которые реформируют стратегию и влияют на циклы S&OP до тех пор, пока цикл не повторится. Немногие проблемы настолько велики, чтобы потребовалось до 1000 штатных сотрудников из разных отделов для перераспределения между собой и внутри компании для решения своих собственных годовых планов.

Начиная с Индустрии 4.0, предприятия, ориентированные на цепочки поставок, прилагают все больше усилий, чтобы собрать как можно больше данных под крышей диспетчерской башни, централизовать идеи и распределить результаты решений. Укрощение монстра, которым является планирование и исполнение S&OP, может иметь множество подходов, и многое зависит от вида бизнеса. Чтобы проиллюстрировать это, представьте, что вы занимаетесь FMCG. Вы активно конкурируете между сегментами продуктов, анализ потребительского рынка и CLTV являются ключевым направлением. Если вы можете максимизировать и, что более важно, хорошо прогнозировать свой спрос, вы формируете надежный план спроса и относительно более короткие циклы — рычаги поиска, производства, запасов, логистики. , доставку, продажи и поддержку можно маневрировать, чтобы найти оптимальный баланс между высоким уровнем обслуживания и итоговыми затратами на поддержку.

В этом примере я использую альтернативный подход, чтобы предоставить рычаги на основе оптимальной мощности. Мы моделируем нюансы крупной производственной и складской сети, включая:

Надежные прогнозы выпуска продукции для каждого узла завода
Наличие запасов между двумя или более взаимосвязанными узлами
Смоделируйте сценарии, чтобы включить неэффективность прогнозирования, восходящие или нисходящие кнуты или изменение требований к спросу.
Объедините две или более таких сетей снабжения, чтобы еще больше снизить волатильность и максимизировать прибыльность.

Шаг 1: Надежные прогнозы выпуска продукции

Выяснение того, с чего начать в более крупной сети производственных точек, может быть сложной задачей. Подход заключается в контекстуализации сети с учетом понимания бизнеса и построении простой, но мощной диаграммы Санки. К тому времени, когда мы задокументировали большую часть цепочки, стало ясно, где формируются самые большие потоки продуктов и потенциальные узкие места. И что касается Теории Ограничений, то именно с этого мы и начали, выбирая по одной машине за один раз.

Прогноз производительности машины зависел от нескольких довольно прямых факторов, таких как время работы машины и время простоя, а также состав ингредиентов (категориальный). Хотя были внезапные встряски в производстве, вызванные либо поломками, либо нехваткой сырья. Делая вывод о том, что они были в конечном счете непредсказуемыми, эти эффекты были удалены с помощью модуля обработки выбросов (на основе точечного удаления на 2,5 sd ниже среднего) и проверены с помощью исторических операционных журналов, чтобы гарантировать, что все они были зафиксированы, чтобы оставить чистые, соответствующие данные для модели. обучение. Хотя они были надежно идентифицированы, чтобы учитывать их позже в процессе.

Прогнозы следующего моделирования. Ансамблевая модель лучше всего работала для получения надежного квартального среднего значения, основанного на LARS, с менее заметными ежедневными вариациями, используемыми с помощью комбинации XGBOOST и Random Forest. По мере того, как мы параллельно начали работать с большим количеством выходных данных машин, мы наблюдали и начали моделировать другие эффекты, такие как время с момента/до последнего/следующего малого и большого останова (эффективность производства во время разгона и останова машины была довольно значительной для небольших машин). машины). К концу упражнения мы смоделировали около 60+ машин, уменьшив k-кратную ошибку перекрестной проверки в среднем до +/- 7% MSE.

Еженедельные обновления для подгонки модели, дневные прогнозы производства на два года вперед для всех машин (но только прогнозирование производства в обычное время с учетом приведенной выше обработки «выбросов»!).

Шаг 2. Доступность запасов между двумя или более взаимосвязанными машинами

Теперь, когда мы разобрались с производственными бункерами, понимание запасов стало повторяющимся уравнением. Если вы знаете доходность каждой машины, минимальное и максимальное недельное запасаемое количество, вы можете использовать все прогнозы для итерации кумулятивного количества запасов. Проиллюстрировано ниже.

Шаг 3. Смоделируйте сценарии, чтобы включить модулирующие эффекты.

Мы использовали моделирование Монте-Карлоса для создания сценариев наличия запасов между всеми узловыми соединениями, чтобы эмулировать два вида эффектов, которые можно добавить к нашим прогнозам:

Неточность наличия запасов из-за неточности связанного прогноза производства: как я уже упоминал, точность на протяжении всего периода времени по всем моделям составляла примерно 93 %.
Сбои и нехватка сырья: события с нерегулярными, непредсказуемыми событиями и последствиями.

Ошибки нашей модели прогнозирования запасов на этапе 1 обычно распределялись по 52-недельному горизонту, а «вероятность воздействия поломки/нехватки товара в неделю» и «среднее влияние на событие» от поломок и нехватки были введены в виде биномиального распределения по одному и тому же периоду. Горизонт 52 недели. Затем мы прогнали их через 1000 симуляций MC. Повторение этих упражнений для каждой взаимосвязанной точки хранения дало нам разумное представление обо всех возможных результатах.

Для каждой точки зарыбления были определены доверительные интервалы вокруг медианы, которая стала основной линией результатов для каждой из 52 недель. Для различных уровней аппетита к риску для каждого менеджера производственной линии теперь можно было принимать решения, если симуляции >25%, >50% или >75% склоняются к любой стороне определенного минимального или максимального количества запасов в неделю или квартал. По сути, это означает, что консервативный менеджер производственной линии попросит увеличить производство или запросит запасы по альтернативному маршруту поставки (шаг 4 ниже), если он / она заметит, что хотя бы 25% симуляций опускаются ниже установленного минимума. складских запасов в квартал, в отличие от терпимого к риску линейного менеджера, который, вероятно, в порядке, пока 75% моделирования не покажут, что у него / нее будет недостаточно запасов для продолжения производства.

Смоделировав все последовательные складские точки таким образом, чтобы результатом от складской точки было доступное количество в следующей складской точке, мы получили общую систему, которую можно было наблюдать по множеству показателей общего количества запасов, стоимости запасов, % своевременного выполнения, складирования. расходы и т. д. и принимать различные решения, начиная от контроля/запроса дополнительного производства, выпуска/запроса дополнительных промежуточных запасов для обмена/заказа с клиентом или отдельной линии, что является плавным переходом к последнему шагу ниже.

Шаг 4: Соедините две или более сетей снабжения

Последним шагом было экспериментальное дополнение к шагу 3. Мы хотели посмотреть, сможем ли мы повысить прибыльность, разрешив торговлю между двумя сетями в разных географических точках. Работая по тем же принципам, которые использовались при принятии решений на шаге 3, мы рассмотрели две машины, которые производят один и тот же товар, расположенный на расстоянии X географических недель друг от друга, с разницей во времени в X недель между обоими наборами симуляций. Если наблюдалось противоположное поведение, выходящее за рамки заранее оговоренных аппетитов к риску, сделка могла быть разрешена.

Как прямой результат этого системного симулятора, производственная сеть стала более склонной к риску дальнейших остановок производства и улучшила ROTIF (уровни обслуживания), последующее предотвращение принесло клиенту гораздо больше, чем дополнительные затраты на хранение буферного запаса. Не говоря уже о бесчисленных часах, сэкономленных на преодолении эффектов кнута, создаваемых каждым нестабильным прогнозом.

Надеюсь, вы найдете что-то из этого полезным. Я впервые пишу и публикую что-либо!

Ссылки для ознакомления: