Моделирование производства мороженого: определение ограничений и оптимизация плана

Проблема:

Conaprole, крупнейшая молочная компания Уругвая, производит более 150 SKU мороженого на заводе с пятью производственными линиями, используя до пяти различных конфигураций упаковки на каждой линии.

Частью процесса планирования продаж и операций компании является планирование производства мороженого на 12 месяцев вперед на постоянной основе. Спрос сильно зависит от сезона. Руководство завода готовило производственные линии к высокому сезону во время низкого сезона, беря в расчет сроки хранения продукта, вместительность морозильных камер на складе и затраты на их использование.

Узкие места, ограничения в процессах на производственных линиях и сложности с доступностью человеческих ресурсов, которые могут случаться время от времени, делали процесс планирования еще сложнее.

Задачей менеджмента было получить возможность пересматривать свои планы, чтобы лучше удовлетворять спрос и избегать дефицита ключевых продуктов. Они также стремились оптимизировать использование производственных мощностей. Компания Ite Consult использовала имитационное моделирование в качестве инструмента решения этих проблем.

Цели созданной имитационной модели:

Решение:

Используя возможности AnyLogic в дискретно-событийном моделировании, консультанты разработали модель, интегрированную с платформой, которую компания использовала для планирования продаж и операций, а также с SAP Material Management and Production Planning. Созданное решение включало три вида экспериментов с моделью производственной системы. Каждый из них был направлен на решение одной из обозначенных задач.

Логика модели планирования производства

Моделирование производственной линии

В первом эксперименте модель проверяла изначальный производственный план, определяя дефицит и невыполненные заказы, которые могут произойти при следовании этому плану. Эксперимент позволил менеджменту узнавать о необходимостях дополнительного производства, основываясь на спросе и изначальных запасах. Он также дал пользователям возможность вручную изменять некоторые параметры системы и таким образом узнавать, как разные ситуации могут повлиять на работу системы. Среди таких ситуаций – необходимость останавливать производство на определенные периоды, модифицировать оборудование, изменять степень доступности производственных ресурсов или расписание работы персонала. Пользователи могли вручную изменять приоритеты SKU и анализировать влияние таких действий на прибыль (затраты в связи с дефицитом различались в зависимости от SKU). Наконец, специалисты получили возможность вручную проверять различные политики, например, как будет работать система при минимальном использовании производственных мощностей.

Эксперимент варьирования параметров запускал модель системы 100 раз и искал решение, которое позволило бы удовлетворять спрос и максимизировать срок хранения продуктов в магазинах, при этом минимизируя складские издержки.

Третий эксперимент оптимизировал использование линий, высвобождая производственные мощности в пиковые периоды. Производство планировалось настолько близко к началу планируемых периодов, насколько возможно, чтобы оставить свободные мощности на всех линиях в качестве буфера.

Статистика модели производства
Статистика модели

Входные данные включали:

Ограничения, устанавливаемые для системы:

Результат:

Все результаты моделирования с разбиением по месяцам и SKU экспортировались в файлы Excel. Также модель представляла изменения в спросе и уровне запасов в виде гистограмм. Наконец, она давала информацию о дефиците товара, если он случался.

Используя модель, менеджмент Conaprole получил возможность:

Имитационная модель предоставила менеджменту возможность выбрать решение, которое позволило бы увеличить доход и минимизировать риск дефицита товара.

Похожие проекты

Другие истории успеха