fb
IT Systems 5/2019 Logistika Plánování a řízení výroby 12. 6. 2019 9:08

Využití dat pro navýšení kapacity expedice

Průmysl 4.0Průmysl 4.0 je označení pro současný trend digitalizace a s ní související automatizace výroby a změn na trhu práce, které s sebou přinese. Své jméno dostal koncept podle čtvrté průmyslové revoluce, která podle autorů právě probíhá. Podstatou této revoluce v oblasti výroby je právě digitalizace a rozvoj chytrých technologií. V souvislosti s průmyslem 4.0 se hodně mluví hlavně o robotizaci a automatizaci, které by měly přinést zvýšení efektivity. Reálný svět, jak ho známe, bude úzce propojen se světem virtuálním a hlavní roli převezmou data.

V konceptu Průmyslu 4.0 jsou data a schopnost dělat rozhodnutí založená na faktech nesmírně důležitá. Nezáleží na tom, jestli se jedná o zákaznická data, transakční data, tržní data nebo data z výroby, obecně platí, že firmy v různých odvětvích zaznamenávají a ukládají daleko více dat než kdy předtím. A cíl je jasný: využívat data k navyšování produktivity.

Využití analytiky v oblasti optimalizace fungování skladů

V oblasti optimalizace fungování skladů má analytika své nesporné místo. Většina distributorů řeší v dnešní době otázku navýšení kapacity, zlepšování procesů a maximalizace využití dostupných zdrojů – ať už se jedná o lidi, stroje nebo prostory. Analytika může na začátku pomoct lépe pochopit stávající situaci, vnést potřebný vhled do dané situace, kvantifikovat benefity plánovaných kroků a díky tomu dělat kvalifikovanější rozhodnutí. V pozdějších fázích může analytika v reálném čase řídit celý proces zaskladnění výrobků a expedice s ohledem na aktuální podmínky.

Data pomáhají nalézt odpovědi na klíčové otázky jako např.:

  • Kolik máme mít skladovacích / vychystávacích pozic a jak mají být rozmístěné?
  • Jaký je optimální proces zaskladnění výrobků na jednotlivé pozice s ohledem na expedici?
  • Jak by měla být organizována expedice a nakládka s ohledem na co největší efektivitu?
  • Jaký je rozdíl ve zvažovaných variantách s ohledem na náš cíl - navyšovat kapacitu expedice?
  • Jaký může být maximální objem výroby při zachování současných fixních nákladů v oblasti expedice (velikost skladu, personální náklady na obsluhu skladu a expedice atd.)?
  • Vyplatí se investice do digitalizace procesů v oblasti fungování skladů? Jaká bude návratnost takové investice?

Jako příklad využití analytiky v oblasti optimalizace fungování skladů můžeme uvést konkrétní projekt z oblasti Průmyslu 4.0, který se zaměřil na navýšení kapacity expedice pro výrobce hutních polotovarů v České republice.

Sklad nebo expedice bývají velmi často úzká místa výrobních podniků. V našem příkladu narazila rostoucí poptávka právě na omezení skladování, interní logistiky a následné expedice. Klient identifikoval, že může relativně jednoduše navýšit výrobní kapacitu, tak aby uspokojil poptávku zákazníků, ale kapacita dalších částí supply chain řetězce byla již nedostatečná. Cílem projektu bylo zhodnotit potenciál skladu a expedice a navrhnout opatření pro navýšení kapacity. Projektový tým se zaměřil na možné změny v oblasti provozu a procesů, organizace a také optimalizace algoritmu pro naskladnění a expedici výrobků. Cílem projektu bylo navýšit kapacitu expedice alespoň o 43%.

Obr. 1 Schematické znázornění hlavních cílů projektu
Obr. 1 Schematické znázornění hlavních cílů projektu

V analytické části projektu jsme se zaměřili hlavně na úpravu stávajícího algoritmu pro ukládání výrobků ve skladu a pro jejich vychystání k expedici. Cílem analýzy bylo nejen změřit potenciál, ale zároveň navrhnout nový algoritmus, který by bylo možné jednoduše implementovat.
Specifikem řešené firmy je výroba na zakázku – tedy každý produkt má už z výroby jasně dané, pro jakého zákazníka byl vyroben. Zároveň zakázka velmi často obsahuje víc různých výrobků. Velká část zákazníků navíc má větší množství zakázek a tak se může stát, že se expeduje několik zakázek nebo kombinace neúplných zakázek najednou.

Sklad expedice nebyl ideálně rozvržen a jeho fungování naráželo na své limity. Počet míst, kde mohly být výrobky zaskladněny, byl menší než počet zákazníků a zároveň o hodně menší než počet různých výrobků. Bylo tedy nutné počítat s tím, že výrobky leží na sobě a při expedice je nutné s nimi složitě manipulovat.

Hlavní charakteristikou expedice byla neznalost přesné expedice zákazníkovi v době ukládání výrobků do skladu. To vše vedlo k vysoké komplexitě a extra pracnosti. Současná situace na skladě dále nedovolovala využít plně automatizovaný přístup, kdy bychom se rozhodovali v reálném čase, kam výrobek, který zrovna dorazil z výroby, naskladnit nebo v jakém pořadí výrobky expedovat. Museli jsme tedy přijít s algoritmem, který jde v praxi použít.
Díky mnoha specifikům, která bylo nutné zohlednit, jsme očekávali, že datový přístup může mít velký potenciál. Úlohu jsme si rozdělili na tři části:

  1. Optimalizace pohybu z výroby (zaskladnění výrobku)
  2. Optimální výběr produktů pro nakládku včetně pořadí
  3. Vylepšení procesu nakládky výrobků  a jejich vychystávání

Nejprve jsme se zaměřili na testování hypotéz pomocí matematické simulace implementované v Pythonu. Hypotézy jsme testovali na reálných datech (měli jsme k dispozici data za cca rok a půl o všech pohybech na skladu). Hlavní KPI, podle kterého jsme měřili, zda došlo ke zlepšení nebo zhoršení současného stavu, byl celkový čas potřebný k uložení výrobků do skladu a následné expedici.

Příklady testovaných hypotéz:

  • Výrobky pro zákazníka expedujeme striktně od nejstaršího expedičního termínu
  • Výrobky expedujeme primárně podle jejich aktuálního umístění na skladě
  • Zaskladnění (první pohyb) je s velkým důrazem na počet výrobků pro stejného zákazníka v místě uskladnění
  • Zaskladnění (první pohyb) je s velkým důrazem na expediční termín
  • Zákazník má jasně určenou sekci na skladě (několik potenciálních míst, kde můžou být jeho výrobky)
  • Příprava výrobků pro expedici pro více vozidel najednou

Celkem jsme testovali cca 18 hypotéz, které pokrývaly možnosti aktuálního zaskladnění, manipulace výrobků na skladě a expedice. U každé hypotézy jsme vypočítali individuální přínos a následně jsme pomocí optimalizačního algoritmu našli nejlepší kombinaci jednotlivých kroků, které šlo implementovat do současného fungování skladu.

Konkrétně jsme vylepšili algoritmus, který určuje, jaká má být první skladová pozice výrobku a také jsme pomohli navrhnout lepší způsob manipulace s výrobky na skladě a při vychystávání. V neposlední řadě jsme doporučili další postup pro výběr produktů pro nakládku.

Kromě analytické části jsme se v projektu zaměřili na oblasti s největším potenciálem pro zlepšení v oblasti provozu a procesů: Vytvoření kapacitního modelu expedice a úprava procesů expedice s přesahy do logistiky. To vše bylo podpořeno potřebnými změnami z procesního a organizačního pohledu.

Celkově trval projekt cca 3 měsíce a podařilo se identifikovat potenciál pro navýšení kapacity expedice o 75%. Implementační část následně zabrala cca dalších šest měsíců.

Závěr

Role datové analytiky v tomto projektu byla zásadní, je však důležité zmínit, že za úspěchem stojí především kombinace expertů na datovou analytiku, business problematiku a také zapojení klíčových lidí na straně zákazníka. Z naší zkušenosti je právě správné složení týmu, který pracuje na úlohách z oblasti průmyslu 4.0 více než polovina úspěchu – tedy je důležité nejen mít experty na všechny zmiňované oblasti, ale zároveň mít funkční tým, který dobře spolupracuje a chápe kontext byznysu a také to, kde můžou mít data přidanou hodnotu.

Autoři článku působí ve společnosti Deloitte.
Veronika Bauer (Počerová) je senior manažerkou týmu Pokročilé analytiky a Lukáš Jílek je manažerem týmu Supply chain.
 

Kalendář akcí
Konference - Semináře - Školení
Časopis IT Systems/Speciál
Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Archív časopisu IT Systems
IT Systems 6 IT Systems 5 IT Systems 4 IT Systems 3
Archív časopisu IT Systems Special
Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1