thesis presentation: analysis of various localization- and costumer allocation strategies in a smi...
TRANSCRIPT
1
Promotor: Prof. dr. E.H. Aghezzaf
Begeleiders: Carles Sitompul – Danny Hutsebaut – Walter Peenen
(Ken De Norre – De Groof)
(Maarten Naudts)
Introductie
Location-Inventory model
Inventory-Routing model
Geïntegreerd LRI-model
Besluit en toekomstige onderzoeksrichtingen2
Situatieschets Oxfam Fairtrade KMO ~ 20 miljoen € omzet +- 50 mensen Succesvol qua omzet, niet qua rentabiliteit 1000+ verkooppunten, waaronder 210 OWWs 7500 vrijwilligers Eis: goede service en grote flexibiliteit Wekelijkse bestellingen via het WOBAL-systeem Flexibiliteit te beperkt!
3
4
81% eigen transport 5 vrachtwagens
Bezetting: 85% Benutting: 66%
19% extern transport > 12 posten fixed time-windows
WOBAL-distributie
5
Verbeteringsvoorstellen Ken: geconsolideerde distributie (Hubs) Maarten: Supplier Managed Inventory
Framework ontwikkelen d.m.v. geïntegreerd supply chain model
Fase I
Fase II
Introductie
Location-Inventory model
Inventory-Routing model
Geïntegreerd LRI-model
Besluit en toekomstige onderzoeksrichtingen6
7
Geconsolideerde distributie vs direct
Opl: location theory (excl. inventory)? Beschouwde kosten: locatie- en transportkost
Suboptimaal! negeert voorraadcomponent
8
Model Combinatie location- en inventory theory Algoritme beantwoordt optimaal:
▪ Hoeveel DCs worden er geopend en wat is hun locatie?▪ Hoe worden retailers gealloceerd aan de DCs?▪ Wat is de frequentie van herbevoorrading van de DCs?▪ Wat is de veiligheidsvoorraad in elk van de DCs?
Doelfunctie: minimalisatie van de locatie-, transport- en voorraadkosten
Location (Weber)
Inventory
Beslissingsvariabelen:
Xj := 1 als retailer j geselecteerd wordt als DC locatie, en 0 in het andere geval
Yij:= 1 als retailer i bediend wordt door DC op plaats j, en 0 in het andere geval
Doelfunctie:
Voorwaarden:
9
∑ ∑∑∑∈ ∈∈∈
++
+
Ij Iiiji
Iiijij
Iiijijjj YqYKYdXfMinimize ²ˆˆ σµ
IiYJj
ij ∈∀=∑∈
,1
JjIiXY jij ∈∈∀≤− ,,0
{ } JjIiYij ∈∈∀∈ ,,1,0
{ } JjX j ∈∀∈ ,1,0
Componenten
Oplossingsaanpak: Branch & Price-techniek (incl. Column Generation)
Niet exact, maar zeer snel goede oplossing! 10
Snel?
Versneld via preprocessing-step (vb. n = 75)
11
n Exacte enumeratie (s) CG (s) Tijdswinst (%)
8 0,12 0,10 26
16 25 4,8 80
32 1,9 .107 15,8 ≈ 100
Resultaten Scenario 1: geen beroep op vrijwilligers Scenario 2: beroep op vrijwilligers (r = 15 km) Assumptie: benuttigingsgraad == 66% !
▪ Geen positieve invloed van SMI Werkwijze
12
Resultaat scenario 1: ongeverifieerde assumpties
13
14
15
16
Toewijzing OK bij deterministische vraag Toets aan 2008 (vb. Limburg)
Totaal over 4 agglomeraties: 111m³ onder-capaciteit externe transportkosten != 0 ? 17
111 m³ kan opgevangen worden t.g.v. Correlatie tussen agglomeraties < 1
▪ Piek in vraag X betekent niet noodzakelijk piek in vraag Y
Resterend deel overcapaciteit Bij uitbreiding van de huidige verkooppunten tot
geconsolideerd DC is reeds een deel van de vraag voldaan▪ Vb. Borgerhout uitbreiden tot DC = wekelijks 8m³ OK!
Invloed vaste tijdsvensters onmogelijk te verifiëren! 18
Onder deze ongeverifieerde assumptie:
19
Performantiemaatstaf Verschil
Transportkosten
- Eigen Vast + € 0
Variabel + € 20846
- Extern - € 90251
Voorraadkosten + € 10412*
Locatiekosten + € 37625
Totaal: - € 21367
Aantal gereden km + 13756 km*
Reactietijd en wait-to order time - 1 dag en -4 dagen
Scenario 2: werkwijze idem Alle retailers binnen r = 15 km zelf
bevoorrading! Vergoeding = 0,267 €/km (en per m³) Oplossing:
20
Onder dezelfde ongeverifieerde assumptie:
21
Performantiemaatstaf Verschil
Transportkosten
- Eigen Vast - € 67500
Variabel + € 20846
- Extern - € 90251
Voorraadkosten + € 10412*
Locatiekosten + € 37625
Totaal: - € 88667
Aantal gereden km + 13756 km*
Reactietijd en wait-to order time - 1 dag en -4 dagen
Introductie
Location-Inventory model
Inventory-Routing model
Geïntegreerd LRI-model
Besluit en toekomstige onderzoeksrichtingen22
23
Twee fase methode Invoeren districten Preprocessing: Introductie clusters Fase I
▪ Planning op dagniveau voor 20 werkdagen▪ Met behulp van Geheeltallig Programmeringsprobleem
Fase II▪ Planning op minuutniveau voor eerstvolgende werkdag▪ Met behulp van planningsheuristieken
24
Districten Noodzakelijk voor SMI Computationele redenen
25
Preprocessing Clusteren1. Genereer een grote set van mogelijke clusters2. Schat de kost om iedere cluster gedurende een lange periode te beleveren3. Los een set-partitioning probleem op om de efficiëntste clusters te
selecteren
26
Doelfunctie: minimaliseer transportkosten
Beperkingen Resource constraints
Time constraints
27
Definitieve schedule eerstkomende werkdag Gebruik resultaat fase I als richtlijn Wijs routes toe aan trucks en chauffeurs
▪ Dienstrooster▪ Beschikbaarheid
Lever zo veel mogelijk, zo laat mogelijk Mogelijkheid om rekening te houden met
onvoorziene omstandigheden (defect, wegenwerken,...)
28
Uit simulatie volgt: €64.000 of 14 % besparingPerformantiemaatstaf WOBAL SMI
Aantal ritten 1.096 783
Aantal afgelegde km 246.788 181.518
Benuttigingsgraad vrachtwagens 66% 95%
Bezettingsgraad vrachtwagens 85% 40%
Gemiddelde kost per getransporteerde m³ € 34,54 € 27,69
Variabele transportkosten € 65.900 € 48.465
Vaste transportkosten € 301.744 € 301.744
Jaarlijkse extra kost voor SMI € 50.000
Externe transportkosten € 96.637 € 0
Totale distributiekost € 464.281 € 400.209
29
Dankzij SMI... €64.000 of 14% jaarlijkse besparing Efficiëntere leverroutes Benuttigingsgraad van 65% naar 95% Externe leveranciers overbodig
Maar SMI... Eist een goede vraagvoorspelling Vraagt voorraadopvolgingssysteem
30
Werkelijke besparing kleiner want... Productniveau Volumeniveau Onvermijdelijke externe transporten Geschatte parameters Invoer districten
Algemeen besluit SMI biedt efficiëntere routering wat resulteert in
een aanzienlijke besparing
Introductie
Location-Inventory model
Inventory-Routing model
Geïntegreerd LRI-model
Besluit en toekomstige onderzoeksrichtingen31
Inleiding
Iteratieve methode ter realisatie LRI-model
Bespreking
Besluit
Scenario-onderzoek of gevoeligheidsanalyse
32
33
Voordeel uit combinatie LI- en IR-model? Doel: globaal optimaal resultaat
Naïeve integratie 3 geconsolideerde DC’s EN SMI
Iteratief beide modellen integreren IR-model toepassen op oplossing LI-model Input LI-model (transportkosten) aanpassen aan
output IR-model tot resultaat beide modellen gelijk
34
35
SMI toegepast indien 3 geconsolideerde DC’s Variabele distributiekost: €153.064 Transportkosten LI-model 54% overschat
LI-model runnen met transportkosten 54% lager
Agglomeratie LI-model LRI-model Overschatting
O- en W-VL €27.350 €14.140 48%
Brabant €14.863 €5.400 64%
Antwerpen €17.085 €7.372 57%
Limburg €11.750 €6.029 49%
Gemiddelde overschatting 54%
36
Oplossing LI-model: 1 geconsolideerd DC
Opnieuw SMI toepassen Variabele distributiekost: €126.579 Transportkosten LI-model 32% overschat LI-model runnen met transportkosten 32% lager
148 m³
105 m³
OPTIMALE BOLCOÖRDINATENAntwerpen: 51.2169 - 4.4027
Agglomeratie Oost
Variabele transportkost :• Lokaal: € 35942• Line-Haul: € 13889
€ 49831Voorraadkost: € 4363
Locatiekost : € 16250
10 m³
17 m³
17 m³Agglomeratie West
Variabele transportkost :• Lokaal: € 26096• Line-Haul: € 0
€ 26096
Voorraadkost: € 0
Locatiekost : € 0
17 m³
14 m³
37
Oplossing LI-model: geen geconsolideerde DC’s Globale optimale oplossing
SMI en huidig depot in Destelbergen Variabele distributiekost: € 98.465
Maar... SMI-model steunt op vereenvoudigingen en
schattingen Werkelijke distributiekost in werkelijkheid hoger Gevoeligheidsanalyse of scenario-onderzoek
38
4 scenario’s worden onderzocht
Welk scenario biedt laagste kost in werkelijkheid? 6 parameters
▪ α: kost SMI Vlaanderen ➚▪ γ: kost SMI Antwerpen ➚▪ ξ = α = γ
Scenario SMI Aantal DC’s Theoretische kost
WOBAL Nee 1 €162.537
SMI Vlaanderen Ja 1 €98.465
SMI Antwerpen Ja 2 €126.579
Geconsolideerde Nee 4 €141.170
▪ β: fractie ext. Tr. SMI Vl▪ σ: fractie ext. Tr. SMI Antw▪ δ: fractie ext. Tr. Gec. Distr.
39
WOBAL SMI Vlaanderen Gecons. Distributie
Idem voor WOBAL SMI VL SMI Antw WOBAL SMI Antw Geconsolideerde distributie
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4
ß
δ
α = 0.2
α ↑
α ↑ α = 0
α = 0.4
α = 0.8
α ↑
Legende:
WOBAL
SMI Vlaanderen
Geconsolideerde distributie
Introductie
Location-Inventory model
Inventory-Routing model
Geïntegreerd LRI-model
Besluit en toekomstige onderzoeksrichtingen40
41
Ruim 13000m³ in 2008 81% eigen, 19% (duur) extern transport Merkwaardig: bezetting 85%, benutting 66% Gedeelte extern t.g.v. tijdsvensters en
ondercapaciteit Wekelijkse bestellingen = weinig flexibel Worst case: 6 dagen vooraleer beleverd!
42
Geïntegreerd Location-Inventory model Ondanks niet lineair geheeltallig: B&P en CG,
preprocessing step en snel sorteeralgoritme Twee scenario’s: 3 extra DCs = 4 agglomeraties Jaarlijkse kostenbesparing: €21367 (+€ 67500) Ongeverifieerd: extern transport t.g.v. vaste
time-fences (max. € 21367) Excl. voorraadkosten retailers (lead time na DC ↓)
Meer + bij verdere groei
43
Geïntegreerd Inventory-Routing model Twee fase model IRP Oxfam Jaarlijkse kostenbesparing: €64072 Bedenkingen: kostenbesparing ↓ Kracht duidelijk:
Benuttigingsgraad van 66% naar 95% 26% van de jaarlijkse brandstofkosten↓
Ecologisch: - 65270 km Meer + bij verdere groei
44
Beide modellen geïntegreerd “Is het mogelijk de distributie nog efficiënter te
organiseren door bovenop SMI ook nog geconsolideerde DCs te bouwen?”
LI-model = overschatten lokale transportkosten
A priori anticiperen op overschatting via iteratief proces
Afhankelijk van parameters blijven 4 scenario’s mogelijk
45
Antwoord vinden op de factor ‘extern transport’
Ook andere ingevoerde parameters uit de sensitiviteitsanalyse moeten verder achterhaald worden
Voorraadniveaus van de verschillende verkooppunten verzamelen (e.g. fill-rate, stokbreukkosten, derfkosten,…)
LI opnemen in doelfunctie IR heruitgevoerd met exacte gegevens