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:
- Оптимизация различных сценариев производства на ближайшие 12 месяцев плавающего спроса.
- Оптимизация производственных планов на предмет избегания дефицита по всем SKU.
- Оптимизация использования производственных мощностей при оптимизированном плане.
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.
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
Входные данные включали:
- Спрос на каждый SKU
- Товарные запасы на каждый SKU
- Общая эффективность и средний абсолютный процент ошибки (mean absolute percentage error, MAPE), если требуется
- Размер партий, приоритеты, сроки хранения, занятость мест на складе
- Издержки
Ограничения, устанавливаемые для системы:
- Назначение SKU на линии и подлинии
- Пропускные способности линий и подлиний
- Ограничения по упаковке для линий
- Складские ограничения
- Расписания производства
- Время производства
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:
- Изучить процессы на каждой производственной линии с сегментацией по SKU.
- Оптимизировать производственные планы, чтобы лучше удовлетворять спрос, максимизируя срок хранения товара в магазинах и минимизируя складские затраты.
- Сбалансировать загрузку линий, чтобы высвободить производственные мощности на случай увеличения спроса.
Имитационная модель предоставила менеджменту возможность выбрать решение, которое позволило бы увеличить доход и минимизировать риск дефицита товара.