Operationsanalyse The Science of Better Michael Berliner SAS Institute A/S
Dagsorden Introduktion til operationsanalyse (O.R.) O.R. hvor? og hvordan griber man det an? SAS/OR, eksempler og udbytte Forecasting Data mining SAS Analytics Optimering Kvalitetskontrol Statistisk analyse
Hvad er operationsanalyse? Fra engelsk: Operations Research (eller O.R.) Også kendt som management science En ung disciplin - anvendt af britisk militær under Anden Verdenskrig I dag anvendes O.R. også inden for Industri Service Forskning
Hvad går operationsanalyse kort ud på? Bedre planlægning og styring Vælge blandt muligheder med henblik på at opnå det bedste resultat Gevinsten ved opsamling af business intelligence Bygger på fremtidig handling; ikke på beskrivelser af fortiden og nutiden Matematiske metoder til modellering af komplekse systemer Transform information into decisions through models
Operationsanalyse hvorfor mig? Hvis en eller flere af følgende er gældende Begrænsede ressourcer Kunder med behov og forventninger Reguleringer og begrænsninger iht. til din forretning Mange forskellige muligheder og beslutninger Konkurrence
Trends inden for softwareapplikationer Operationsanalyse Business value Deskriptiv modellering Rapportering / OLAP Data management Forecasting Hvad vil ske? Hvad kunne/skal ske? Rå data Hvad skete der? Data Information Viden Intelligens
Dagsorden Introduktion til operationsanalyse (O.R.) O.R. hvor? og hvordan griber man det an? SAS/OR, eksempler og udbytte
Operationsanalyse: Eksempler på anvendelse Lokalisering Produktionsplanlægning Personaleplanlægning Distributionsplanlægning Netværksdesign Investeringsplanlægning Porteføljestyring Lagerstyring Markedsføring Salgsplanlægning
Hvordan kan det favne så bredt?... Opbygning af modeller Mål, ønsker og beslutninger $? Tid? Kvalitet? System Model min z( X, Y ) = p ij + j Ξ ( i) p P x x y ij + j N ( i) p xij u y j N ( i) ji j N ( i) p w p p x ji = di = w 0 ( i, j) Ψ = 0, i Ξ 0 ( i, j) Ψ, p Π y {0,1} ij p ij ij ij y f y ij ij ( i, j) Ψ ( i, j) Ψ + p c x p p ij ij p Π ( i, j) Ψ if i = o( p) if i = s( p) otherwise i Ξ, p Π Point of delay Station A Station B Station C Station D Station E Place Train 0 Train 1 Train 2 Train 6 Train 3 tt,kpl Train 7 tt,kpl Train 4 p 1 tt,kpl Train 5 Train 10 Train 14 Solver Train 6 Train 7 Train 8 Train 9 Train 10 Train 11 Train 11 Train 14 Train 15 Train 15 Train 18 p 4 t t,min t t,min t t,min Train 19 Time
Hvad er en O.R.-model? Mål Maksimer profit Minimer omkostninger Minimer afstand Minimer resurseforbrug Maksimer service Beslutningsvariable Produktionsmængder Rutevalg Resurseallokering Tidsplaner/køreplaner Go/No Go-valg Begrænsninger Kapacitetsbegrænsninger Kundeefterspørgsel Maskiner/mennesker til rådighed Lovkrav Budget
Et skoleeksempel Transportproblemet 300 300 360 11 9 12 14 600 13 9 16 12 10 8 300 12 450 8 400
Transportproblemet modelbeskrivelse Mål: Minimering af transportomkostninger Omkostning pr transporteret enhed kendt Beslutninger: Hvor meget skal transporteres fra hver fabrik til hvert depot Variabel der beskriver transport-flow Begrænsninger: Man kan ikke levere mere end kapaciteten tillader Alle kunders efterspørgsel skal dækkes
Modellering og løsning Genoa 450 Kiev 600 Dublin 360 12 16 11 8 10 14 12 9 8 12 9 13 x gb x ub x gt x db x ut x dt x gm x um x dm x gs x us xds Bergen Turku Madrid Skopje 300 300 300 400 G K 600 D 300 B 450 300 50 190 300 T M 60 300 400 S 300 360 400 Min 10xgb+8xgt+12xgm+8xgs+14xub+12xut+16xum +12xus+11xdb+9xdt+13xdm+9xds xgb+xgt+xgm+xgs 450 xub+xut+xum+xus 600 xdb+xdt+xdm+xds 360 xgb+xub+xdb=300 xgt+xut+xdt=300 xgm+xum+xdm=300 xgs+xus+xds=400 xgb,xgt,xgm,xgs,xub,xut,xum,xus,xdb,xdt,xdm,xds 0
Dagsorden Introduktion til operationsanalyse (O.R.) O.R. hvor? og hvordan griber man det an? SAS/OR, eksempler og udbytte
SAS/OR : Betydningsfulde brugere og deres frygt for at afsløre deres konkurrencemæssige forspring over for konkurrenterne Sukkerproducent Kyllingeslagteri Computerspilsforretning
Nogle SAS referencer Commerzbank Optimal kontantbeholdning Europay Austria Styring af pengeautomatbeholdning First National Bank 3,000% ROI og response rates med SAS Marketing Automation. IMS Health High-end-analyser som hjælper med overlegen kundeservice Scotiabank Optimerer marketing og CRM med SAS U.S. Air Education and Training Command Minimerer omkostninger iht. Air Force training goals. U.S. Air Force Personnel Center HR-styring iht. demografiske data af 400.000 ansatte VDAB Lærer allokering på regionalt niveau i Flandern [x+1] Bruger SAS Enterprise BI Server til at designe online marketingkampagner.
Succeshistorier - Generelt Se mere på www.scienceofbetter.org Canadian Pacific Railways: Perfecting the Scheduled Railroad, cost reduced by $285 million Hong Kong International Terminals: Boosting Capacity, add 50% to its shipping container handling capacity UPS: redesign delivery network, saving $87 million Jan de Wit Company : Optimizing Production Planning and Trade, return on owner's equity went from 15.1 to 22.5% Swift & Company: Rationalizing Production Scheduling, $12.74 million (or 13%) annual bottom-line improvement
Brugere af SAS/OR Trends: Flere SAS brugere er begyndt at anvende SAS/OR SAS/OR er i perfekt synergi med andre SAS løsninger SAS brugerne er begyndt at bygge større og mere komplekse modeller Begrundelse: Globalisering = større enheder mere kompleksitet Oplevelse af begrænsningerne ved business as usual Bedre datatilgængelighed Evolution af brugernes behov
SAS/OR software PROC LP: Lineær programmering, heltalsprogrammering og blandet heltalsprogrammering PROC NETFLOW: Netværksoptimeringsproblemer: korteste vej, max. flow, min. cost PROC NLP: Ikke-lineær programmering, kvadratisk programmering og least squares-problemer PROC TRANS: Transportproblemet PROC ASSIGN: Assignment-problemet
SAS/OR software nyheder PROC INTPOINT: Lineær programmering vha. indrepunktsmetoden (Primal-Dual Predictor- Corrector). PROC NETFLOW: Anvendelse af indrepunktsmetoden på netværksproblemer PROC LP: Pre-processing for heltals- og blandede heltalsproblemer. Nye metoder til hurtigere løsning
SAS/OR software Er på vej/eksperimentel PROC CLP: Constraint programming-løser til avancerede logisk begrænsninger PROC GA: Generisk, genetisk algoritme til heuristisk løsning af problemer PROC QP: Specialiseret indrepunktsmetode til kvadratiske programmeringsproblemer PROC OPTMODEL: Algebraisk modelleringssprog til hurtigere modelbygning og nemmere vedligeholdelse PROC OPTMILP: Ny meget forbedret heltals- og blandede heltalsløser
Konklusion - Hvad kan SAS iht. O.R.? Det hele Analyse og behovsafdækning Modellering Datagenerering og tilrettelæggelse Softwaregrundlag og -implementering Rapportering og løsningspræsentation
Konklusion Udfordringer Modellen er ikke virkeligheden Velovervejet modelleringsafgræsning Fortolkning af resultater Komplekse systemer og modeller Store krav til løsningsmetoder og software Alt skal kvantificeres Høje datakrav En model er ikke bedre end de data den anvender
Konklusion - Overvej O.R. hvis du vil have mere kontrol og styring over planlægningen for at opnå bedre resultater hvis du vil gøre arbejdet mindre stressende, mere overskueligt og sjovere for medarbejderne hvis du kunne tænke dig et planlægningssystem, du trygt kan stole på hvis du vil sikre dig den rigtigste løsning til dit problem hver gang