Universidad del Valle
Escuela de Ingeniería Industrial y Estadística
Grupo de Investigación en Cadenas de
Abastecimiento
Prof. Juan J. Bravo B.
Optimización y Simulación de Cadenas de Suministro
Prof. Juan J. Bravo_ EIIE Univalle
Eslabone
s
La Cadena de Suministro
busca servirle al CLIENTE
FINAL de la mejor forma
posible buscando lograr el
máximo beneficio económico
posible.
Prof. Juan J. Bravo_ EIIE Univalle
Una decisión que se tome en un
eslabón afectará los demás eslabones
La no consideración de un enfoque
“sistémico” de la cadena genera
desbalanceos, favoreciéndose unos
eslabones y perjudicándose otros.
Hay necesidad de un Pensamiento
Integrador.
Veamos porqué.
Prof. Juan J. Bravo_ EIIE Univalle
Observemos el desafío que conlleva la decision de mejorar algun eslabon.
Yo quisiera mejorar mucho mis
Si vuelvo mas ágiles mis procesos, enviaré procesos, y quizás pueda
mas oportunamente el producto al CD. Pero despachar mucho mas rápido,
para volverme más ágil necesito que el
pero dependo de qué tan
Proveedor me envíe con mayor oportunidad las
eficiente sea la planta que nos
materias primas, luego el tambien debe
provee. Además, el cliente
mejorar. Yo me vuelvo mas agil para que el acepta que yo me demore un
producto le llegue oportunamente al cliente, poco en el envío, así que quizás
pero si el CD sigue con sus mismos procesosno sea “necesario” mejorar
anteriores quizas el cliente final no note que yo
“tanto” ya que el cliente no me lo
he mejorado. Necesito por tanto que el CD exige, y sería esto un
también mejore para que tenga
sentido
mi EIIE
Prof. Juan
J. Bravo_
Univalle
“mejoramiento
excesivo”.
mejoramiento.
Observemos el desafío que conlleva la decision de mejorar algun eslabon.
La Cadena de Suministro debe mejorar:
• Debemos reducir INVENTARIOS
• Debemos agilizar los tiempos de respuesta a
los pedidos, mejorando el TRANSPORTE.
• Debemos reducir los COSTOS operativos y
logisticos.
• Debemos mejorar nuestra RED.
Prof. Juan•J.Debemos
Bravo_ EIIEincrementar
Univalle
la lealtad del cliente final.
¿Cómo logramos
dichas MEJORAS?
Desbalanceos
de inventarios
Riesg
o
Demanda
PL σ
Lead Time
σ
Desbalanceos
de inventarios
Riesgo
Demanda CD
σ
Lead Time
σ
Prof. Juan J. Bravo_ EIIE Univalle
Riesgo
Demanda
σ
Desbalanceos de
inventarios
Riesgo
Desbalanceos de
inventarios
Riesgo
Riesgo
Demanda
PL σ
Lead Time
Demanda CD
Demanda
σ
σ
Lead Time
σ
σ
El centro de distribución tiene sus
problemas de cultura
organizacional, capacitación,
definición de políticas, además
de problemas administrativos y
operativos
Prof. Juan J. Bravo_ EIIE Univalle
La Planta tiene
sus propios
problemas
internos
administrativos
, operativos,
de recurso
humano, etc.
Considerando esta enorme complejidad, ¿Cómo encontrar la
mejor estructura, el mejor rendimiento, o el desempeño del
mínimo costo y máximo beneficio de una Cadena de Suministro,
favoreciendo las necesidades de cada eslabón?
Preguntas:
¿Cual es la distancia entre el desempeño actual de
mi cadena y el “mejor u optimo” desempeño que
puedo tener con los recursos actualmente
disponibles?.
¿Cómo puedo saber, cómo serían las características
de mi cadena al estar ella operando con ese
“optimo” desempeño?
¿cómo puedo llegar a ese desempeño “optimo”?
Prof. Juan J. Bravo_ EIIE Univalle
Cada eslabón tiene sus propias
expectativas y deseos y cada quien tiende
a jalar para su lado. Ante escasez de
recursos (dinero, maquinas, materias primas,
vehículos, trabajadores), todos pretenden no
salir perjudicados en la “repartición”, y ese
conflicto de intereses hace que buscar y
encontrar un “optimo general” sea difícil,
siempre que no se tengan herramientas
apropiadas para la toma de decisiones.
Dado que están en juego gran cantidad de
variables, se debe buscar la mejor relación
entre ellas que arroje el máximo beneficio
para todos los eslabones de la cadena.
En un problema real típico pueden estar en
juego decenas de miles de variables, e
incluso millones en algunos casos.
La única forma de encontrar la cadena
“optima” o cercana a la optima es con
herramientas científicas.
Prof. Juan J. Bravo_ EIIE Univalle
La Optimización y la Simulación, son herramientas científicas apoyadas en
las ciencias matemáticas y en la tecnología, que permiten estudiar un
problema con ventajas respecto a otras metodologías:
Si la herramienta de análisis es únicamente la “experiencia de expertos”,
(enfoque subjetivo) las alternativas de solución a un problema pueden
quizás numerarse. Resulta que en muchos casos, las alternativas viables
no son posible numerarlas, y en ocasiones no son fácilmente identificables
por un ojo experto. La Optimización permite explorar a fondo las
soluciones alternativas con apoyo computacional, explorando y
valorando cientos y miles de alternativas en solo unos pocos
segundos. La Simulación, por su parte, permite predecir el
comportamiento de la cadena ante ciertos escenarios posibles, que son
difíciles o en ocasiones imposibles de estudiar y predecir por los expertos.
Si se cuenta con sistemas ERP de manejo de informacion empresarial, tales
como Oracle, SAP, etc., no significa que se cuente con herramientas de
optimización o simulación propiamente. Los sistemas de información
empresariales pueden decir si la empresa va bien o mal en su desempeño, pero
no pueden decir, si su funcionamiento es el “optimo”, ni cuales serían las
políticas de desempeño “optimas” de una organización.
Prof. Juan J. Bravo_ EIIE Univalle
Incluso con el apoyo del computador ciertos problemas son muy
dificiles de resolver.
Ejemplo de “Explosión Combinatoria”
• Cierta cadena de suministro desea disminuir sus costos
de transporte en la entrega de productos y busca
encontrar la “Ruta Mas Corta” que un transportador
debe seguir para visitar a 10 clientes localizados en
distintos sitios.
• Un computador realiza un super-análisis, cuantifica y
compara un millon de alternativas cada segundo.
• La respuesta es encontrada en menos de un segundo.
Ahora se le pide al mismo computador que encuentre la
ruta mas corta pero considerando 20 clientes.
El mismo computador tomaría más de 39.000 años para
resolver este problema.
Prof. Juan J. Bravo_ EIIE Univalle
Caso de Estudio:
Mejoramiento de la Cadena de Suministro de Digital Equipment
Corporation.
Motherboards
impresoras
Laptop e
Impresoras
pantallas LCD
ARNTZEN, B., Brown, G., Harrison, T., y Trafton, L. Global Supply Chain
Management at Digital Equipment Corporation. Interfaces, vol. 25, No. 1, Enero
Prof. Juan J. Bravo_ EIIE Univalle
1995. pp. 69-93.
Digital Equipment Corp. (DEC)
HISTORIA
1957: Fundada por Ken Olsen
1961: Construyó el primer computador PDP-1
1978: Domina la mayoria del mercado de minicomputadores
1980: Segunda compañía de computadores del mundo
1990: En DEC repentinamente flaquean las ventas
1998: DEC fué vendida a Compaq
2002: Compaq es dominada por HP
La crisis de 1990, hace que DEC tenga que replantear sus
productos a computadores mas pequeños y livianos, y éste
rediseño obligó a que la infraestructura de producción y logística
debiera igualmente replantearse.
Prof. Juan J. Bravo_ EIIE Univalle
Aspectos que debía DEC enfrentar.
•Numero, localización y capacidad de plantas
•Que producto fabricar en qué planta
•Significancia de los impuestos
•Numero, localización y capacidad de Centros de Distribución (CD)
•Cual DC deberia servir a cual cliente
•Número y localización de los centros de reparación
33 plantas de
producción en
13 países
Infraestructura
de DEC en 1990
Prof. Juan J. Bravo_ EIIE Univalle
34 centros de
distribución y
reparación en
distintos países
“Nosotros adoptamos un punto de vista estratégico tanto
para los procesos de manufactura como para los procesos
logísticos” [Arntzen et al. p.74]

 
 VIPT
k  CD p  PT t T
 H   h kpt 


a
kp

( y kk * pt 
b
LT kk *
k * CD ' ' ( k )
k k*
30
)

c
a
 ( y kipt  w kipt ) 

30
c
a
(y
 w )  
LT ki

i BI ( k )

k  CD  i 


kipt
lC  i , t 
kipt
 (g
i * BI '  i 
i  i*
( w ilpt  w ilpt ) 
b
c
b
i * ipt
 (g
i * BI ' '  i 
i  i*
 g i * ipt )  INVINI
 ( a1 i  facajuste
bc
a
ii * pt
ip
ip
)  exbi ipt
 g ii * pt )  h ipt  h ipt
ac
b
bc
i  BI , p  PT , {t  T / t  1}
Se construyó un modelo de Optimización que
llamaron: “Global Supply Chain Model”
   FPESO
p
k  CD p  PT t T
  FPESO
p  PT i * BI ' ' ( i )
i  i*
 ( g ii * pt  g ii * pt ) 
a
p
ac
  FPESO

   CTRPT
 k * CD ' '( k )
 k  k *
 y
 ( w ilpt  w ilpt )  CAPDESP
b
p
kk *

b
kk * pt
 CTRPT
i  BI ( k )
c
it
p  PT l  C ( i , t )
Prof. Juan J. Bravo_ EIIE Univalle
 zi
ki
 (y
c
kipt
 FTRKI  w
a
kipt

)


Implementación del “Global
Supply Chain Model” en DEC
1. El número de plantas fué reducida de 33 a 12. Como resultado,
DEC en 1995 consistía en 12 plantas ubicadas en 7 países, a raíz
de la implementación.
2. Se redujeron los costos anuales de manufactura en US$225
millones, y los costos totales de logística se redujeron en US$200
millones a 1995.
3. El número de centros de servicio fue reducido de 34 a 17,
reduciéndose el nivel de activos de la empresa en US$34
millones y disminuyendo en US$81 millones los costos operativos
anuales.
4. La producción de computadores se triplicó.
Prof. Juan J. Bravo_ EIIE Univalle
Que tan eficiente puede ser la Optimización como herramienta de
toma de decisiones?
Análisis
estratégico
Modelamiento
Jerarquico de la
Cadena de
Suministro
Optimización Tactica
Optimización de la
Planeación de
Producción
Optimización de la
Programación
de la Producción
Optimización de los
sistemas logísticos
{
{
Pronóstico de
demanda y Sistema
de gerenciamiento
de ordenes
Optimización Estratégica
Optimización de la
Programación de
Distribución
Prof. Juan J. Bravo_
Tecnología
deEIIElaUnivalle
Información
Análisis
Táctico de
mediano
plazo
Análisis
Táctico de
corto
plazo
Análisis
Operacional
Optimización
estratégica
Modelos Deterministicos ó
Estocásticos de un periodo de tiempo,
con demanda agregada.
Optimización
táctica
Modelos multiperíodo
Optimización
operacional
Modelos heurísticos
Matemática rigurosa y más especializada
La estrategia “óptima” propuesta por estos modelos normalmente es validada
por expertos de las organizaciones, y ellos son los que determinan cuál será
la estrategia finalmente “implementable” que puede ser distinta a la óptima.
Brecha total
Estrategia
Actual
Estrategia
Implementable
Brecha mejorada
Estrategia
Optima del
modelo
Brecha por mejorar
Prof. Juan J. Bravo_ EIIE Univalle
Que tan bien representan los modelos de optimización a la
realidad
Cadena de Suministro REAL
MODELO Matemático de
Optimización representativo de
la CS Real
Impacto de las tasas de cambio
Confiabilidad de proveedores
Confiabilidad de los canales de transporte
Demanda estocástica
Variaciones en precios de venta
Impacto de políticas medioambientales
Variaciones de tiempos de transporte
Impacto de los Impuestos y aranceles
Precios de transferencia
Diferenciación de productos por zonas
Infraestructura de plantas y centros de distr.
Capacidades de instalaciones y maquinas
Restricciones de utilización de materias
primas
Prof. Juan J. Bravo_ EIIE Univalle
Manejo de los flujos de información
Que tan bien representan los modelos de optimización a la
realidad
MODELO Matemático de
Optimización representativo de
la CS Real
Cadena de Suministro REAL
b
Impacto de las tasas de cambio
Confiabilidad de proveedores
Confiabilidad de los canales de transporte
Demanda estocástica
Variaciones en precios de venta
Impacto de políticas medioambientales
Variaciones de tiempos de transporte
Impacto de los Impuestos y aranceles
Precios de transferencia
Diferenciación de productos por zonas
Infraestructura de plantas y centros de distr.
Capacidades de instalaciones y maquinas
Restricciones de utilización de materias
primas
Manejo de los flujos de información
Influencia de la competencia
w ilp t
BI
B I-A D
a
y kk * p t
C lie n te
Clientes
c
y kip t
a
g ii * p t
g
CD
CD
ac
ii * pt
a
x jkp t
w kip t
B I-C
BI
c
Plantas
P la n tas
w ilp t
C lie n te
Clientes
Prof. Juan J. Bravo_ EIIE Univalle
BI
B I-A D
Algunos inconvenientes de la
optimización
Podría hacerse el
modelo considerando
“algunos” eslabones?
Es necesario
considerar lo
estocástico?
Entre mas caracteristicas “reales” se
pretendan incluir en el Modelo, más
compleja será la construccion
matematica y mas dificultad tendrán los
computadores en solucionarlo.

   V IP T
ip
i B I p  PT t T
t 1
 (g
i * B I '( i )
i  i*
a
i *ipt

Como se podría
agregar la
demanda?

c
 H  F ISP Tipt    ( y kipt 
 k C D ( i )
L T i*i )  ( IN V IN I ip  a1 i  h
En algunas ocasiones el “modelo
matemático” no se puede construir con
facilidad, dada la complejidad
observable.
b
ipt
L T ki ) 

 exbiipt )  D TL Ti 


Prof. Juan J. Bravo_ EIIE Univalle

   V IP T
ip
i B I p  PT t T
t 1
 (g
a
i *ipt


 H  F ISP Tipt    ( y
 k C D ( i )
L T i*i )  ( IN V IN I ip  a1 i  h ip
b
i * B I '( i )
i  i*
¿
?
Que papel juega la
Simulación?
Cuando no se puede construir un
modelo de optimizacion es porque
la complejidad del sistema supera
al analista.
La SIMULACION del sistema
real a traves de computador
permite entender cómo funciona
el sistema, qué variables tienen
mayor impacto, y porqué los
problemas actuales se estan
presentado.
La SIMULACION incrementa la “visibilidad” en
sistemas altamente complejos.
Ranking de complejidad
Complejidad
Operacional
Complejidad
Tactica
Complejidad
Estrategica
Prof. Juan J. Bravo_ EIIE Univalle
Que papel juega la
Simulación?
La reacción de la Cadena de
Suministro ante la implementación
de estrategias es en general
impredecible.
La SIMULACION permite
predecir la reacción, buena o
mala, de la cadena y de cada
uno de sus eslabones ante la
implementación de un estrategia
de mejoramiento.
La SIMULACION explora aspectos operativos haciendo
las veces de “lupa”. Puede rastrearse, por ejemplo, el
cambio en los inventarios incluso diariamente o por horas
o minutos en caso de un eslabón con gran actividad.
Prof. Juan J. Bravo_ EIIE Univalle
Caso de Estudio
Simulación y Análisis de Centros de
Distribución
Takakuwa, S., Takisawa, H., Hiraoka, S., Ito, K. Simulation and analysis of nonProf. Juan J. Bravo_ EIIE Univalle
automated distribution warehouses.
Winter Simulation Conference 2000.
Caso de Estudio
Simulación y Análisis de Centros de
Distribución
Cliente 1
PL1
Cliente 2
Cliente 3
PL 2
Otros
CD
PL n
Prof. Juan J. Bravo_ EIIE Univalle
Cliente m
Caso de Estudio
Simulación y Análisis de Centros de
Distribución
Características del centro de distribución
examinado:
(1) Plottage: 12,418 mt2
(2) Espacio del piso: 7,656 mt2
(3) Espacio del piso utilizado como bodega: 6,666 mt2
(4) Numero de cajas que ingresan al mes:
aproximadamente 345,000 cajas
(5) Numero de cajas que salen al mes:
aproximadamente 342,000 cajas
(6) Numero de montacargas
a) Dentro del CD (sin elevador): 13 unidades
b) Dentro del CD (con elevador): 2 unidades
c) Afuera del CD (sin elevador): 3 unidades
Prof. Juan J. Bravo_ EIIE Univalle
Tipos de Camiones
Truck 2 tons
Truck 3 tons
Truck 4 tons
Truck -freight
Truck 10 tons
Truck 10 tons
Truck 13 tons
Freight 10 tons
Container 5 tons
Trailer 20 tons
Truck 13 tons
Caso de Estudio
Simulación y Análisis de Centros de
Distribución
Se simularon las operaciones Diarias de
recepcion, reabastecimiento
(replenishment), preparacion de ordenes
(picking) y despacho en camiones.
La finalidad era medir el impacto del numero
de montacargas en las operaciones de
bodega
Se comprobó que el
desempeño Diario del Centro
de Distribución era altamente
sensible al uso de un
montacargas adicional,
reduciendo el tiempo de
reabastecimiento en mas del
50%.
Prof. Juan J. Bravo_ EIIE Univalle
Algunos inconvenientes de la
Simulación
La SIMULACION, por si sola, no permite
encontrar el desempeño “optimo” de un
sistema, sino que permite ensayar posibles
escenarios o estrategias de mejoramiento
pre-definidas, en función de alguna medida
o indicador. Estos indicadores pueden ser:
Niveles de inventarios, Nivel de Utilización
de recursos, Productividad de plantas o
procesos, etc.
La SIMULACION
requiere muchos
conocimiento acerca
de los detalles del
proceso que se esta
simulando.
En simulacion de sistemas logisticos de gran escala,
se requieren computadores de amplia capacidad de
procesamiento.
Prof. Juan J. Bravo_ EIIE Univalle
Nuevos desarollos
• Simulación basada en Optimización
(Donald Hicks)
• Simulacion-Optimización (Michael Fu,
Anddrodotir)
• Optimización Estocástica de Gran Escala
• Mezclas de herramientas: Algoritmos
Geneticos, Optimización, Simulacion,
Teoria de Juegos.
Prof. Juan J. Bravo_ EIIE Univalle
Alguna
pregunta?
Prof. Juan J. Bravo_ EIIE Univalle
Descargar

13. Optimización y Simulación de CdS (1)