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