e-SupplyChain
制造业 · 供应链 · 持续改善
1
以指挥好系统为目标
供应链的管理离不开数据和计算。有很多相当复杂的计算所用的方法,在企业中往往是在实践中摸索出来,又通过老员工带新员工的方式传承下来。
随着产品和服务越来越多元化,供应链需要应对的情况也越来越复杂,很多问题用原来摸索出来的方法已经难以应对。这种情况下,了解一些量化决策知识,会少走很多弯路。
对大部分供应链从业者来说,学习量化决策的模型和算法,不是为了自己能直接算出结果。因为即使学习得再好,复杂的逻辑和巨大的计算量也是人力(包括使用EXCEL这样的办公软件)难以完成的,这一点上,我们怎么也比不过信息系统。我们要做好的,是指挥好系统。
围绕三个目标去学习,就能指挥好系统:
学 习 目 标
1、学会判断什么问题用哪类模型去解决;
2、掌握解决一类问题的核心是什么;
3、学会在多个目标不能同时满足时,如何合理取舍。
我们将围绕三个目标,用三期推文分别介绍相关知识和应用技巧。
下面,我们先了解一下制造业的供应链管理中有哪些种类的量化决策。
2
量化决策类型
在制造业的日常工作中遇到的形形色色的量化决策问题,根据模型的不同,在量化决策理论中大致分为四类。
1. 资源配置类
资源配置问题,就是在给定的资源约束条件下,确定相关决策变量的取值,优化使用各种资源以达成最优目标的问题。制造业中常见的资源配置问题有:
下料裁料问题 比如在钢板上怎么排料做钣金才能最大化利用钢材;
运输调配问题 比如在给定需要配送的物料的情况下,在配送中心和生产线各设备、工位之间如何调配叉车运输成本才能最低;
最优装载问题 比如给定需要运送的物资及包装方式,从工厂到物流中心之间做运送,每个集装箱里如何装载才能装进去最多的物资;
任务指派问题 比如每台CNC加工性能不同,每种工件加工难度各异,给定一批工件及要求的交期的条件下,如何分配CNC才能使加工成本最低;
计划安排问题 比如给定每种产品的销售利润和它们的副产品的可利用情况,结合销售预测,如何安排每种产品的产量才能使赢利最大化。
2. 作业安排类
又称为排序排产类,或调度类,就是在给定作业任务和作业条件的情况下,确定实施各项作业的先后顺序,将作业安排给哪些机台或哪组工作人员。制造业中的作业安排又可以分为:
单机作业安排 指等待加工的多项作业在同一台机器上按照一定的优先级规则进行加工的排序问题。
流水作业安排 就是在每个工件的加工路线都一致的前提下,如何安排加工机台和顺序的问题。流水线作业又分流水线单机和流水线多机两大类,这两类模型差异很大。
单件作业安排 单件作业安排中,每个工件都有其独特的加工路线,工件没有一定的流向。
人员作业安排 比如如何在给定作业量高峰低谷的情况下,一段时间如何通过优化排班,让作业人员闲置时间的总量最小。
3. 库存订货类
主要解决在需求确定或不确定的情况下,准备多少库存才既能很好满足需求又能使成本最小。这类问题又可分为:
周期库存问题 指在足够长时间内的各参数(比如需求量、提前期等)皆为确定的数值时某种产品或服务重复性、连续性的需求问题,其库存需要不断得到补充而进行优化控制的一类问题。比如工厂如何确定自己的经济生产批量,如何制定按量变化的价格折扣。
随机需求问题 指需求量随机情况下,如何准备库存的问题。这类问题又分离散随机和连续随机两种。前者是需求毫无规律,后者指需求虽然不确定,但其与一些条件(比如季节、促销活动)存在一定的关系,即存在概率密度函数的情况。
物料计划问题 指在产品生产中对构成产品的各种物料的需求量与需求时间做计划决策的问题。
4. 路径选择类
指根据实际需要在相应约束条件下选择一条从出发地到达目的地实现相应目标的最优路径。这类问题又可分为:
最短路径问题 比如给定需要配送的物料,如何从各货位拣货总里程最短,如何配送到生产线的工位总里程最短;
最大流量问题 比如工厂产品从产地到销地要经过不同城市的多级多个物流中心(或经销商),他们的最大配送量各不相同,在一定时间内如何安排才能获得最大配送量;
最小费用最大流量问题 比如工厂货物运输时,每条路线有不同的流量、路桥费、油耗......如何安排才能运出最多的产品且成本最低;
支撑树问题 比如工业用气的制造厂商确定在一个区域内如何铺设管道才能用最少的管道连接到最多的气体用户。
上面这些类型并非企业量化决策类型的全部,但是制造型企业,尤其是离散型制造业经常用到的模型基本都涵盖了。
3
灵活选择决策模型
在介绍这些量化决策模型的时候,我们尽量避免使用抽象精确但同时也很生硬难懂的定义,而是尽可能多的用一些咱们工作中具体的例子和使用场景来描述。这样做是为了让大家易于理解,但同时也有个风险,就是有可能会限制大家对每个模型的使用范围的认知。下面我们再给一个真实的例子,希望大家通过对它的思考,加深一些对决策模型使用范围的认知。
我们用e-SupplyChain为一家大型外企搭建的一套收货预约系统中,就出现了需要选择量化决策模型的情况。这套系统的主要目标是为了能平衡好卸货的产能和卸货需求,次要目标是为了考核卸货人员的工作数量和效率。具体情况是这样的:
这家企业的外购件中经常有体积很大分量很重的部件,卸一车货需要比较长的时间,有时候还会需要用到门吊、大吨位叉车等设备。企业的卸货人员是有限的,当然一段时间(比如一天)之内能卸货的总量也是有限的,所以如果供应商集中送货,就可能造成货到了排很久都轮不上卸货的情况。
假设每位员工对每种类型的车辆的卸货时间是确定且相同的(比如每位员工对一辆40呎标准集装箱车的卸货时间都是60分钟),每位员工在工作时间可以连续作业,但同一时间只能处理一辆车,每辆车也只会由一位员工完成卸货。
当供应商在网上提前告知送货车型并预约送货日期后,系统需要马上对这次预约反馈一个当前预约到的卸货时间。
如果不考虑卸货设备的产能限制,不考虑供应商预约后又取消等特殊情况,亲爱的读者,您认为这个预约问题应该采用上述的哪类量化决策中的哪种模型呢?每个班次卸货人员的人数相同和不同会不会影响模型的选择呢?
如果只是按照我们前面介绍各种模型时举的例子来找,是找不到“卸货预约”这个例子的。但是分析一下具体的情况,不难看出,这个问题是一个作业安排类的问题,只不过这里的“作业”不是加工一个工件,而是卸一车货,我们完全可以把卸一车货理解为完成一个单工序的加工任务;这里的“产能”限制,不是来自设备,而是来自卸货的人力。
这个问题最合适的模型是流水线多机模型。
在真实的系统设计中,一方面因为工作任务是单工序的,模型可以大大简化,另一方面,需要考虑加急货处理、供应商需要取消预约、车辆没能按时到达工厂等特殊情况,又要对模型做很多细致的调整和补充。所以最终使用的模型和标准的流水线多机模型是不同的。
尽管真实的系统中使用的模型和经典的、标准的模型常常都是不同的,但选对决策模型仍然至关重要。其一,当然是因为这可以避免我们在自己摸索时出现方向性的错误,其二,是我们选择了模型的同时,也确定了解决问题的核心,比如优化目标是什么,哪些约束条件会影响目标的优化,需要收集哪些数据等等,这些常常是供应链从业人员靠在实践中摸索很难完整习得的。这个部分我们在后面的文章中会进一步介绍。
在接下来的两期文章中,我们会继续用理论结合实例的方式,与大家分享供应链中的量化决策及决策方法改善中一些最重要的原则。
联系客服