Optimering i et nyt perspektiv

Transkript

1 Optimering i et nyt perspektiv Lars P. Berthelsen SAS Institute A/S

2 Leans 5 principper Forstå, hvad der skaber værdi set fra kundens synspunkt Identificering af værdistrømmen Få flow i produktionen Gør produktionen træk-styret Gennemfør løbende forbedringer opnå perfektion Kilde: Lean Thinking af Womack & Jones

3 Lean visionen om det perfekte produktionssystem Stadigt faldende omkostninger Intet spild Ingen fejl Minimal gennemløb Ingen/minimal lagerbinding Reduktion af varians Maksimal kapacitetsudnyttelse Ubegrænset fleksibilitet Høj jobtilfredshed Høj kundetilfredshed

4 Når Lean møder sin begrænsning. Supply 1 Supply 1 S supp1,time1 Supply 1 S supp1,time2 Supply 1 S Supply supp1,time3 S 2 Supply supp1,time4 2 S supp2,time1 Supply 2 S supp2,time2 Supply 2 S Supply supp2,time3 3 S Supply supp2,time4 3 S supp3,time1 Supply 3 S supp3,time2 Supply 3... S supp3,time3 S supp3,time4 X su1,w,t1 Y su1,st3,t1 Y su1,st1,t1? Warehouse Warehouse Warehouse Warehouse Y su1,st2,t1 Z w,st1,t1 Store 1 Store 1 Store D store1,time1 1 Store D store1,time2 1 Store 2 Store 2 Store D store2,time1 2 Store D store2,time2 2 Store 3 Store 3 Store D store2,time1 3 Store D store2,time2 3 D store1,time3 D store1,time4 D store2,time3 D store2,time4. D store2,time3 D store2,time4..

5 Eksempler på problemstillinger Hvordan skal der distribueres for at minimere omkostningerne? Hvordan skal der produceres for at maksimere profitten? Hvordan tildeles arbejdskraft til opgaver? Hvordan skal det fremtidige virksomheds set-up se ud? Og et hav af andre problemstillinger..

6 Hvor ligger værdien gemt?

7 Operationsanalyse rigtig optimering Bedre planlægning og styring Matematisk modellering af komplekse forretningsproblemer Beslutningsstøtte til at opnå den bedste løsning Transform information into decisions through models Hvornår kan det anvendes Begrænsede ressourcer Kunder med komplekse behov Regulering og begrænsninger Mange mulige beslutninger

8 SAS fremgangsmåde Forståelse af forretning Problemløsning Beslutningsstøtte tte Business issue SAS/OR løsningsopbygningl SAS løsningl Mål l og mulige beslutninger Profit op Business environment Produkt- attributter Outsource hvor? Markedsandele Forcast på efterspørgsel rgsel Omkostninger Omkostning ned Infrastruktur min z( X, Y ) = p ij + j Ξ ( i) x ij p P y ij + j N ( i) p xij 0 y {0,1} ij Matematisk model j N ( i) p x u y ij ij ji j N ( i) f y ij ij ( i, j) Ψ p w p p x ji = di = w 0 ( i, j) Ψ ( i, j) Ψ, p Π ( i, j) Ψ + y = 0, i Ξ c x p p ij ij p Π ( i, j) Ψ p if i = o( p) if i = s( p) otherwise IT understøttelse ttelse i Ξ, p Π

9 Transport som eksempel - Kapacitetsbegrænsninger - Antal af køretøjer - Efterspørgsel - Tidsvindue - Afstande - Begrænsninger

10 Planlægning af arbejdskraft og opgaver Målsætning: Minimere spildtid Begræsninger: Tid Kompetencer Sekvenser Udestående faktorer Politiske begrænsninger

11 Operationsanlyse i en perfekt verden Formuler én model, som omfatter alle begrænsninger og beslutninger. Opsæt en mål om at maksimere profitten. Lad modellen bestemme den perfekte måde. Reagér i real-time på eventuelle forstyrelser

12 Operationsanalyse i den virkelige verden Antallet af begræsninger og beslutninger er enorme.. Svært at udlede omkostninger, værdi af tid etc. Ingen model er bedre end det data som bliver anvendt. Ingen model som omfatter det totale scope kan køre i real-time

13 Operationsanalyse og Lean OPERATIONSANALYSE LEAN LEAN LEAN LEAN LEAN

14 Operationsanalyse i den virkelige verden Bunge Case

15 BUNGE Limited Største virksomhed inden for agroindustri i Brasilien Førende i Latinamerika inden for produktion og salg af gødningsmidler Nationalt førende inden for det vegetabilske oliemarked, smør, margarine, hvedemel og blandinger til brødindustrien Verdensførende i oliefremstilling og færdigpakket olie til forbrugeren Mere end 300 installationer fordelt på tværs af landet: fabrikker, havne, distributionscentre og afdelinger i 16 stater med omkring ansatte

16 Udfordring Løsning Resultat Bestemme de mest økonomiske ruter Hvornår skal der transporteres? Hvad er restriktionerne? Hvad er det bedste valg? Forsyningskæde Transportoptimering Løsning baseret på SAS/OR og SAS BI Server Generet gevinst af FORTROLIGT

17 OR-løsningsprocedure BUNGE-eksempel Forretningsforståelse else Forretningsproblem Problemhåndtering Løsningsopbygning Beslutningsstøtte tte SAS løsnings l set-up Mål l og beslutningsmuligheder Reducere omk. ved transport af sojabønner Hvor meget skal der købes hos leverandører for optimal transport? Hvilke havne skal benyttes? Hvordan skal der transporteres? Forretningsmiljø Forecasts på sojaefterspørgsel Produktionsmængder hos leverandører Kapacitet ved omlastningspunkter Transportomkostninger Infrastruktur min z( X, Y ) = p ij + j Ξ ( i) x ij p P y ij + j N ( i) p xij 0 y {0,1} ij Matematisk model j N ( i) p x u y ij ij ji j N ( i) f y ij ij ( i, j) Ψ p w p p x ji = di = w 0 ( i, j) Ψ ( i, j) Ψ, p Π ( i, j) Ψ + y = 0, i Ξ c x p p ij ij p Π ( i, j) Ψ p if i = o( p) if i = s( p) otherwise SAS/OR + more i Ξ, p Π

18 Forretningsudfordring Søgning efter de mest økonomiske ruter Respektere de restriktioner, der er på siloer (lagre), havne (kapacitet) og omlastningspunkter (kapacitet) Simulering af forskellige scenarier, der kan hjælpe til at træffe strategiske beslutninger

19 Eksempler på flow-muligheder SORRISO MT Hvad er det bedst valg? MS GO MG ES Hvornår er det bedst at transportere? PR SP Santos Paranaguá RJ Hvad er restriktionerne? SC São Francisco do Sul RS LAGER HAVN OMLASTNING FABRIK

20 Problemet bliver mere komplekst med flere muligheder RR AP Itacoatiara Sao Luis AM PA MA PI CE RN PB AC RO MT TO BA PE AL SE Ilhéus LAGER HAVN OMSKIBNING MS GO MG ES Vitória FABRIK SP RJ PR Santos Paranaguá SC São Francisco do Sul RS Rio Grande

21

22

23 Operationsanalyse i den virkelige verden Tulip Case

24 Nøgletal for Tulip Food Company Tulip er en af Europas største virksomheder, der producerer forædlede kødprodukter og har betydelige salg til adskillige europæiske lande og ikke mindst til oversøiske markeder såsom Japan og USA Omsætning per år: EUR 700 mio. / tons Eksport: 65% Ansatte: 2.500

25 Kødforædlingsfabrikker Brønderslev Skive Brabrand Aalborg Sdr. Borup Danmark Schüttorf Borring Vejle Nord Esbjerg Aabenraa Viby Odense Ebeltoft Ringsted Tyskland Faaborg

26 Produktion på de to involverede fabrikker Brabrand tons 252 ansatte Pålæg, bov, færdigretter på dåse Vejle Nord tons 228 ansatte Pålæg, hotdogs, cocktail- og andre pølser, leverpostej på dåse

27 TULIP Udfordring Løsning Resultat Hvordan skal produktionen sammensættes optimalt? Hvad skal indkøbes og hvor? Hvad er restriktionerne? Løsning baseret på SAS/OR og SAS BI Server Generet gevinst af FORTROLIGT

28 Vejle Nord, produktion (forenklet) Output per dag: produkter (samlet 200 tons), hver med en specificeret mængde til at blive produceret + restriktioner (min./maks.) på fedtprocent i hvert produkt Input : råvarer (hovedsageligt svinekød), hver med pris, maks. tilgængelig mængde og fedtprocent Hvordan man kommer fra input til output : Dynamiske opskrifter definerer min. og maks. procent af hver råvare i hvert produkt Produkt Råvare Min. Maks. P1 R1 40% 50% P1 R2 20% 20% P1 R3 25% 30% P1 R4 10% 15% P2 R3 30% 60% P2 R5 40% 70% P2 R6 20% 30% Etc Danish Crown slagter hvert år omkring 19,9 mio. grise. Dette svarer til 1,7% af verdens grise og 8,7% af alle EU s grise.

29 Tre typer af optimeringsmodeller 1. Budgetoptimering: Foretages en måned i forvejen med forventet produktionsmængder per uge som input. Resultater anvendes til budgettering og forhandling med leverandører. 2. Indkøbsoptimering: Foretages 1-2 uger i forvejen med planlagte produktionsmængder per dag som input. Resultatet anvendes til at indgå kontrakter med leverandører. 3. Produktionsoptimering: Foretages hver nat med faktiske produktionsmængder næste dag + råvarer som input. Resultater eksporteres til operationelt system. Formål med optimeringsmodellerne: Definere hvordan de nødvendig mængder produceres billigst muligt under hensyn til de restriktioner, der er på fedtprocenter og mængder af tilgængelige råvarer (og opskrifterne naturligvis).

30 Indkøbsoptimeringsmodel Dimensioner (valgte): Produkt (p) Råvare (r) Leverandør (s) Indkøbsdag (b) Anvendelsesdag (u) Variable: X(p,r,s,b,u): Mængden af råvare r til at købe fra leverandør s på dag b og anvende til at producere produkt p på dag u. Typiske resultater: Den lineære programmeringsmodel har variable og begrænsninger. Input-matricen indeholder rækker. SAS anvender 25 CPU-sekunder til at bestemme værdien af de 400 variable, der beskriver, hvordan kg. produkter skal produceres.

31 Hvordan kommer man videre?

32 Hvad skal der til? Tung intern forretningsviden Stærke menneskelige ressourcer / konsulenter Software til løsning af problemstillinger/modeller Software som beslutningsværktøj En formaliseret implementeringstilgang

33