Uzyskane wyniki

W oparciu o dane wejściowe z załącznika 3 przeprowadzono równolegle:

• standardowy proces planowania dostaw wykorzystując narzędzia dostępne w Kompanii Piwowarskiej S.A,

• proces planowania dostaw z częściowym wykorzystaniem zaprojektowanej aplikacji, który był przeprowadzany w całości przez planistę, ale bez wykorzystania utworzonych heurystyk oraz solvera,

• proces planowania dostaw z pełnym wykorzystaniem nowej metody i narzędzia wspierającego planistę (w tym heurystyk i solvera).

Standardowy proces przeprowadzony był przez planistę z wieloletnim stażem, zajmującego się na co dzień planowaniem dostaw importowych. Przy użyciu aktualnie

wykorzystywanych w KP arkuszy kalkulacyjnych przeprowadził on proces planowania dla czterech zestawów danych znajdujących się w załączniku 3. W tabeli 5.7.

zaprezentowano wartości kryteriów dla wykonanych obliczeń.

Tabela 5.7. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º»,

Kolejnym krokiem było przeprowadzenie procesu planowania z wykorzystaniem tych samych danych, przez tego samego planistę, jednak wyposażonego w zaprojektowaną aplikację. Sam proces planowania przebiegał w tradycyjny sposób, tj. bez użycia solvera. Planista miał jednak dostęp do szerszego zakresu danych oraz jasno narzucone kryteria. Rezultaty obliczeń przedstawiono w tabeli 5.8.

Tabela 5.8. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ uzyskanych w procesie przeprowadzanym z wykorzystaniem aplikacji, ale bez użycia solvera. Źródło: Opracowanie własne.

Zestaw do ponad 2:30h i był znacząco dłuższy niż przy wykorzystaniu standardowych narzędzi, kiedy to czas obliczeń wahał się w przedziale 0:21-0:32h. Różnica wynikała przede wszystkim ze znacznie większej dokładności przygotowywania planów.

Teoretycznie planista wykorzystując standardowe narzędzia ma możliwość zaplanowania zamówienia z dokładnością do jednej palety. W praktyce tworzenie załadunków niejednorodnych byłoby w takim wypadku zbyt skomplikowane,

przez co planista po prostu dzielił liczbę palet przypadającą na jednorodny załadunek całopojazdowy na 2 lub 3 i dobierał taką samą część załadunku jednorodnego innego produktu, aby uzyskać załadunek całopojazdowy.

Kolejnym czynnikiem wpływającym na czasochłonność była liczba produktów, dla których przygotowywany był plan dostaw. Niezależnie od tego czy wykorzystywane były standardowe narzędzia, czy arkusze przygotowane na potrzeby aplikacji, to najkrócej trwały obliczenia dla czwartego zestawu danych, którego cechą charakterystyczną była mniejsza liczba produktów, które planuje się zamówić.

Najdłużej trwało przygotowywanie planu dla drugiego zestawu danych, co wynikało z pomyłki w procesie planowania z wykorzystaniem aplikacji. W skutego tego planista musiał cofnąć obliczenia do pierwszego etapu aby przeprowadzić proces ponownie.

Otrzymane rezultaty dla wszystkich czterech zestawów danych zostały ocenione przez planistę jako satysfakcjonujące.

W kolejnym etapie przeprowadzono eksperyment z wykorzystaniem aplikacji opisanej w rozprawie wraz z solverem i heurystykami. Obliczenia wykonano tylko dla poziomu precyzji obliczeń, przy którym proces minimalizacji poziomu zapasu lub pokrycia zapotrzebowania zapasem trwa nie dłużej niż godzinę, co było podyktowane potrzebą zachowania neutralnego lub pozytywnego wpływu na cykl operacyjny pracy planisty.

Tabela 5.9. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych z zestawu 1 przy minimalizacji średniego pokrycia zapotrzebowania zapasem µ¶·¸·. Źródło: Opracowanie własne

Poziom

Dla zestawu 1 rezultaty otrzymane z wykorzystaniem aplikacji uzyskano w znacząco krótszym czasie niż w drodze dotychczasowego procesu planowania. Czas obliczeń

wahał się od 5 do 25 minut. Niezależnie od ustawienia poziomu precyzji obliczeń przy minimalizacji średniego pokrycia zapotrzebowania zapasem finalne rezultaty rozwiązań były zbliżone. Różnice między najlepszym a najgorszym wynikiem dla wszystkich kryteriów nie przekraczały 0,6%. Łączna liczba zaplanowanych dostaw wyniosła w każdym z eksperymentów 37 i była o 1 mniejsza niż liczba dostaw ustalona przez planistę w standardowym procesie planowania oraz równa liczbie dostaw ustalonej przez planistę z wykorzystaniem arkuszy aplikacji. Średni poziom zapasu oraz średni poziom pokrycia zapotrzebowania zapasem były w większości przypadków nieznacznie gorsze od rezultatów otrzymanych przez planistę z wykorzystaniem arkuszy aplikacji, jednak różnice nie były istotne i wynosiły poniżej 1%. Głównym czynnikiem wpływającym na tę różnicę było niepełne wykorzystanie dostępnej ładowności lub przestrzeni ładunkowej pojazdów, która dla dostaw ustalonych przez planistę była od 0,91% do 1,20% niższa niż obliczona z wykorzystaniem aplikacji. Rezultaty dotyczące zapasów były jednak sporo lepsze niż przy standardowym procesie planistycznym. Zapas był o co najmniej 4,78% niższy, a pokrycie zapotrzebowania zapasem o co najmniej 6,62% niższe. W porównaniu z najlepszymi wynikami uzyskanymi z wykorzystaniem aplikacji liczby te wynosiły odpowiednio 5,12% oraz 7,20%. Wykorzystanie dostępnej ładowności lub przestrzeni ładunkowej było natomiast o 2,28%-2,56% większe niż w standardowym procesie planistycznym i 0,92%-1,20% lepsze niż w przypadku zastosowania jedynie samej aplikacji bez solvera i heurystyk. Rozrzut liczby dostaw i załadunków dla rozwiązań otrzymanych z wykorzystaniem aplikacji był mniejszy, a różnice wahały się od 0,98%, do 3,24%, w porównaniu do planu przygotowanego w standardowy sposób lub z wykorzystaniem aplikacji, ale bez użycia solvera i heurystyk.

Bardzo podobne rezultaty dla wszystkich kryteriów osiągnięto, gdy z wykorzystaniem aplikacji minimalizowano pokrycie zapotrzebowania zapasem zamiast średniego poziomu zapasów. Rozrzut liczby załadunków i dostaw był identyczny. Wykorzystanie dostępnej ładowności lub przestrzeni ładunkowej 0,67% wyższe, co przełożyło się przy identycznej liczbie zamówień na nieco większy, bo o 0,09% poziom zapasu oraz o 0,23% większe pokrycie zapotrzebowania zapasem.

Tabela 5.10. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ oraz załadunków ¼·¾ dla danych wejściowych z zestawu 1 przy minimalizacji średniego poziomu zapasu µ¶·¸ . Źródło: Opracowanie własne.

Poziom

Dla zestawu 2 przeprowadzenie obliczeń z wykorzystaniem aplikacji wymagało modyfikacji jednego z parametrów. Dla danych wejściowych założono pierwotnie wartość u określającą dopuszczalne niewypełnienie dodatkowych załadunków wyrażone jako liczba najmniejszych/najlżejszych palet (szczegółowo zdefiniowane w podrozdziale 3.4.3), jakie można odebrać z danej lokalizacji na poziomie równym 1.

Przy takiej wartości udało się bez problemów przejść jedynie pierwszy etap planowania, polegający na minimalizacji poziomu zapasu lub poziomu pokrycia zapotrzebowania zapasem. W trakcie ustalania kompozycji załadunków solver nie był jednak w stanie znaleźć w dopuszczalnym czasie (<1h) rozwiązania dla tygodni w=12 i w=13. Problem udało się rozwiązać przez nieznaczne podniesienie wartości wskaźnika u do poziomu 1,1, co przy najniższych wartościach precyzji obliczeń pozwalało już na znalezienie rozwiązań w rozsądnym czasie. Wyniki obliczeń przedstawiono w tabeli 5.11:

Tabela 5.11. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹¿», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych

Podobnie jak w przypadku obliczeń dla zestawu danych 1, dla wszystkich kryteriów uzyskano poprawę w stosunku do wyników uzyskanych bez wykorzystania aplikacji, przy czym poprawa była większa, gdy poza samą aplikacją użyto również solver i heurystyki. Zapas był o 14,40%, a pokrycie zapotrzebowania zapasem o 10,35%

mniejsze niż w standardowym procesie obliczeń. Wyższe o 2,31% było wykorzystanie dostępnej ładowności lub przestrzeni ładunkowej. Rozrzut liczby dostaw był aż o 11,03%, a załadunków o 3,69% mniejszy. Mimo, że pod względem wszystkich branych pod uwagę kryteriów uzyskano poprawę, to obliczenia trwały jedynie niecałe 6 minut w porównaniu do ponad 30 minut w przypadku standardowego procesu obliczeń. Identyczne rezultaty dla wszystkich kryteriów i to w zbliżonym czasie, a także niezależnie od ustalonego poziomu precyzji uzyskano zmieniając w aplikacji cel z minimalizacji średniego poziomu zapasu na minimalizację średniego poziomu pokrycia zapotrzebowania zapasem.

Tabela 5.12. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych z zestawu 2 przy minimalizacji średniego poziomu zapasu µ¶·¸ . Źródło: Opracowanie własne.

Poziom poziomu precyzji, niezależnie od tego czy minimalizowano średni poziom zapasów, czy średnie pokrycie zapotrzebowania zapasem. Każde z uzyskanych rozwiązań dawało jednak nieco odmienne rezultaty, które przedstawiono w tabelach 5.13 i 5.14.

Tabela 5.13. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych z zestawu 3 przy minimalizacji średniego pokrycia zapotrzebowania zapasem µ¶·¸·. Źródło: Opracowanie własne.

Tabela 5.14. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych z zestawu 3 przy minimalizacji średniego poziomu zapasu µ¶·¸ . Źródło: Opracowanie własne

Poziom precyzji

_ [hl]

_^

[tyg]

_j

[%] _^ _^ [hh:mm:ss] ^Czas

1 332,41 2,481 99,43 44,18 60,21 00:10:35

2 332,35 2,483 99,42 44,18 60,21 00:16:42

Czas obliczeń wahał się od niewiele ponad 3 do blisko 17 minut i był znacząco krótszy niż czas obliczeń przeprowadzanych przez planistę w standardowym procesie i z wykorzystaniem aplikacji, kiedy to planowanie trwało odpowiednio ok. 28 minut oraz 1:52h.

W porównaniu ze standardowym procesem planistycznym udało się uzyskać kilkuprocentową poprawę każdego z kryteriów – ok. 4% w przypadku średniego zapasu i średniego pokrycia zapotrzebowania zapasem, ok. 3,5% w przypadku wykorzystania dostępnej ładowności lub przestrzeni ładunkowej i odpowiednio ok. 2% i 5%

w przypadku rozrzutu liczby załadunków i dostaw.

Warta odnotowania jest niższa wartość średniego poziomu zapasu i średniego poziomu pokrycia zapotrzebowania zapasem uzyskana przez planistę z wykorzystaniem arkuszy aplikacji w stosunku do rezultatów uzyskanych przy pełnym wykorzystaniu aplikacji.

Różnica ta wynika jednak z mniejszego wykorzystania dostępnej ładowności i przestrzeni ładunkowej przy identycznej liczbie dostaw, jaką łącznie ustalono w procesie planowania.

Dla zestawu 4, podobnie jak w poprzednim przypadku pełne wykorzystanie aplikacji pozwoliło na poprawę wartości wszystkich kryteriów i to przy znacznie krótszym czasie obliczeń sięgającym od ok 1 do 8 minut. Poprawa wynosiła od 0,5% do ponad 6%

w zależności od kryterium i przyjętego poziomu precyzji obliczeń. Największe różnice osiągnięto w porównaniu do standardowego procesu dla kryterium wykorzystania dostępnej ładowności lub przestrzeni ładunkowej, które jest nawet 2,84% wyższe oraz dla rozrzutu liczby dostaw mniejszego o ponad 6%. Szczegółowe wartości kryteriów przedstawiono w tabelach 5.15 i 5.16:

Tabela 5.15. Czas obliczeń i wartości średniego poziomu zapasu µ¶·¸ , średniego pokrycia zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych zapotrzebowania zapasem µ¶·¸·, średniego wykorzystania dostępnej ładowności lub dostępnej przestrzeni ładunkowej ¹º», średniego rozrzutu liczby dostaw ¼·½ i załadunków ¼·¾ dla danych wejściowych z zestawu 4 przy minimalizacji średniego poziomu zapasu µ¶·¸ . Źródło: Opracowanie własne.

Poziom

Przechodząc do analizy samych rozwiązań, stwierdzono że niezależnie od zestawu danych zastosowanie aplikacji, bez względu na to czy z użyciem solvera i heurystyk czy też bez tych funkcjonalności, skutkowało w perspektywie 13 tygodni zaplanowaniem 1 dostawy mniej, przy spełnieniu wszystkich ograniczeń narzuconych przez planistę. Jest to spójne z niższymi wartościami poziomu zapasu i pokrycia zapotrzebowania zapasem, jakie udało się uzyskać przy przygotowywaniu planu z wykorzystaniem aplikacji. Ponieważ poziom zapasu został obniżony, to łączna liczba

dostaw do jego utrzymania również może być mniejsza niż w przypadku planu przygotowywanego bez wykorzystania aplikacji.

Znamienną cechą planów przygotowywanych bez użycia aplikacji jest przydział poszczególnych SKU do konkretnych dostaw. Maksymalna liczba produktów, jakie są przypisane do pojedynczego zamówienia wynosi 3, niezależnie od zestawu danych. Średnio do każdego zamówienia przypisano od 1,34 SKU dla zestawu 3 do 1,43 dla zestawu 4. W przypadku korzystania z aplikacji bez użycia solvera i heurystyk liczby te wynosiły odpowiednio od 1,48 dla zestawu 2 do 1,73 dla zestawu 1. Maksymalna liczba SKU przypisanych do pojedynczego zamówienia wahała się od 4 do 5 w zależności od zestawu danych. Przygotowując plan z wykorzystaniem aplikacji i heurystyk średnia ilość SKU przypisanych do poszczególnych zamówień była jeszcze wyższa i w każdym przypadku przekraczała 2, dochodząc do wartości 2,48 dla zestawu 4. Maksymalna liczba SKU przypisanych do pojedynczych dostaw oscylowała pomiędzy 4 a 5. Przykładowe wyniki obliczeń dla zestawu 1 i tygodnia w=6 zaprezentowano na rysunkach 5.1, 5.2 i 5.3. Szczegółowe i kompletne wyniki obliczeń planisty oraz eksperymentów wykonanych z wykorzystaniem aplikacji, pokazujące dokładne przypisanie poszczególnych produktów do konkretnych zamówień znajdują się w załączniku 5.

Tydzień dostawy

Data

załadunku Data dostawy Numer Wielkość zamówienia [pal]

W [RRRR-MM-DD] [RRRR-MM-DD] zamówienia p=1 p=2 p=3 p=4 p=5

W=6 2013-02-04 2013-02-06 1 0 0 0 0 25

W=6 2013-02-04 2013-02-06 2 0 0 0 0 25

W=6 2013-02-05 2013-02-07 3 0 9 16 0 0

W=6 2013-02-06 2013-02-08 4 0 0 0 34 12

Rys. 5.1. Fragment planu dostaw dla zestawu danych 1 przygotowany przez planistę bez użycia aplikacji.

Źródło: Opracowanie własne.

Tydzień dostawy

Data

załadunku Data dostawy Numer Wielkość zamówienia [pal]

W [RRRR-MM-DD] [RRRR-MM-DD] zamówienia ^{p=1 p=2 p=3 p=4 p=5}

W=6 2013-02-04 2013-02-06 1 0 0 0 0 25

W=6 2013-02-05 2013-02-07 2 0 0 0 33 13

W=6 2013-02-06 2013-02-08 3 0 9 17 0 0

Rys. 5.2. Fragment planu dostaw dla zestawu danych 1 przygotowany przez planistę przy użyciu arkuszy aplikacji, ale bez wykorzystania solvera. Źródło: Opracowanie własne.

Tydzień

dostawy Data załadunku Data dostawy Numer Wielkość zamówienia [pal]

W [RRRR-MM-DD] [RRRR-MM-DD] zamówienia p=1 p=2 p=3 p=4 p=5

W=6 2013-02-04 2013-02-06 1 0 0 0 0 25

W=6 2013-02-04 2013-02-06 2 0 2 4 34 7

W=6 2013-02-04 2013-02-06 3 6 7 7 0 6

Rys. 5.3. Fragment planu dostaw dla zestawu danych 1 przygotowany przez planistę przy użyciu aplikacji i z wykorzystaniem solvera dla minimalizacji poziomu pokrycia zapotrzebowania zapasem

przy poziomie precyzji 1. Źródło: Opracowanie własne.