Pengoptimalan rantai pasokan memanfaatkan analitik data sebaik-baiknya untuk menemukan kombinasi pabrik dan pusat distribusi yang optimal agar sesuai dengan penawaran dan permintaan.

Karena lonjakan biaya pengiriman saat ini, perusahaan mulai menantang jejak mereka saat ini untuk beradaptasi dengan “Normal Baru” pasca-covid .

Pada artikel ini, kami akan menyajikan metodologi sederhana menggunakan Pemrograman Linier untuk mempertimbangkan Optimasi Rantai Pasokan

• Biaya produksi tetap dari fasilitas Anda ($/Bulan)
• Biaya produksi variabel per unit yang diproduksi ($/Unit)
• Biaya pengiriman ($)
• Permintaan Pelanggan (Unit)

Artikel baru langsung di kotak masuk Anda secara gratis: Newsletter

Jika Anda lebih suka menonton, Anda dapat melihat versi video dari artikel ini

I. Bagaimana merancang Jaringan Rantai Pasokan dengan Python?

Pernyataan masalah

Sebagai Kepala Manajemen Rantai Pasokan sebuah perusahaan manufaktur internasional, Anda ingin mendefinisikan kembali Jaringan Rantai Pasokan untuk 5 tahun ke depan dengan mempertimbangkan kenaikan biaya pengiriman baru-baru ini dan prakiraan permintaan di masa mendatang.

Jaringan Rantai Pasokan Anda

• 5 pasar di Brasil, AS, India, Jepang, Jerman
• 2 jenis fasilitas manufaktur : situs berkapasitas rendah dan berkapasitas tinggi
• Biaya pengiriman ($/kontainer)
• Permintaan pelanggan (Unit/tahun)

• Belanja Modal untuk peralatan (Mesin, Penyimpanan, ..)
• Utilitas (Listrik, Air, ..)
• Manajemen pabrik, staf administrasi
• Penyewaan Ruang

Biaya Variabel Produksi

• Operator jalur produksi
• Bahan baku

Biaya Variabel Pengiriman

• Biaya per kontainer ($/Kontainer)
• Asumsi: 1 kontainer bisa memuat 1000 unit

Kapasitas Manufaktur berdasarkan Lokasi

Misalnya, pabrik berkapasitas tinggi di Brasil dapat menghasilkan 1.500.000 (Unit/bulan).

Permintaan pelanggan per pasar

Anda dapat menemukan kode lengkapnya di repositori Github ini: Tautkan
portofolio saya dengan proyek lain: Samir Saci

II. Hasil

Mari kita coba tiga skenario

• Skenario 1: parameter awal
• Skenario 2: kami meningkatkan kapasitas produksi India (x2)
• Skenario 3: melonjaknya biaya pengiriman karena kekurangan peti kemas

• Pabrik Brasil memproduksi untuk pasar lokal dan Amerika Serikat

Facilities: 1 high capacity plant
('Brazil','Brazil') = 145,000 (Units/Month)
('Brazil','USA') = 1,250,000 (Units/Month)

Facilities: 1 high capacity plant and 1 low capacity plant
('India','Germany') = 90,000 (Units/Month)
('India','India') = 160,000 (Units/Month)
('India','Japan') = 200,000 (Units/Month)
('India','USA') = 1,550,000 (Units/Month)

Facilities: 1 high capacity plant
('Japan','Japan') = 1,500,000 (Units/Month)

Total Costs = 62,038,000 ($/Month)

Mari kita coba menggandakan ukuran pabrik Kapasitas Tinggi India dengan asumsi bahwa itu akan melipatgandakan biaya tetap.

• Pabrik Brazil masih berproduksi untuk pasar lokal dan USA

Facilities: 1 high capacity plant
('Brazil','Brazil') = 145,000 (Units/Month)
('Brazil','USA') = 1,250,000 (Units/Month)

Facilities: 2 high capacity and 1 low capacity plants
('India','Germany') = 90,000 (Units/Month)
('India','India') = 160,000 (Units/Month)
('India','Japan') = 1,700,000 (Units/Month)
('India','USA') = 1,550,000 (Units/Month)

-19.4(%) vs. Scenario 1
Total Costs = 51,352,000 ($/Month)

Bagaimana jika kita memiliki biaya peti kemas dikalikan 5?

• Brasil hanya memproduksi untuk pasar lokal

Facilities: 1 low capacity plant
('Brazil','Brazil') = 145,000 (Units/Month)

Facilities: 1 high capacity plant
('USA','Japan') = 200,000 (Units/Month)
('USA','USA') = 1,300,000 (Units/Month)

Facilities: 1 high capacity plant
('India','Germany') = 90,000 (Units/Month)
('India','India') = 160,000 (Units/Month)
('India','USA') = 1,500,000 (Units/Month)

Facilities: 1 high capacity plant
('Japan','Japan') = 1,500,000 (Units/Month)

Total Costs = 92,981,000 ($/Month)

Ikuti saya di media untuk wawasan lebih lanjut terkait Ilmu Data untuk Rantai Pasokan.

Kami akan menggunakan pustaka PuLP dari python. PuLP adalah kerangka pemodelan untuk masalah Linear (LP) dan Integer Programming (IP) yang ditulis dengan Python dan dikelola oleh COIN-OR Foundation (Infrastruktur Komputasi untuk Riset Operasi).

1. Deklarasikan variabel, parameter, dan model Anda

• LpMinimize : tujuan Anda adalah meminimalkan biaya
• lowBound =0: Anda tidak boleh memiliki nilai negatif dari unit yang dihasilkan

3. Selesaikan model Anda dan analisis hasilnya

AKU AKU AKU. Kesimpulan & Langkah Selanjutnya

Jangan ragu untuk mengikuti saya di media untuk lebih banyak artikel terkait Analisis Data dan Manajemen Rantai Pasokan

Kesimpulan

Model ini memungkinkan Anda untuk mensimulasikan beberapa skenario yang memengaruhi parameter operasional dan komersial.

• Bagaimana jika permintaan meledak di India?
• Bagaimana jika kami harus menutup pabrik kami di Brasil?
• Bagaimana jika kita melipatgandakan kapasitas produksi di Jepang?

Sumber Berkelanjutan

Pendekatan serupa dapat digunakan untuk memilih pemasok Anda dengan mempertimbangkan fungsi tujuan yang akan meminimalkan jejak CO2 .

Sumber berkelanjutan adalah proses mengintegrasikan faktor kinerja sosial, etika, dan lingkungan saat memilih pemasok.

Ini melibatkan penilaian dan evaluasi pemasok berdasarkan serangkaian kriteria keberlanjutan, seperti hak tenaga kerja, kesehatan dan keselamatan, dampak lingkungan, hak asasi manusia, dan banyak lagi.

Gunakan analitik data untuk secara otomatis memilih pemasok terbaik dengan kombinasi kendala ekonomi dan lingkungan

Pada artikel ini, kita akan menemukan cara menggunakan analitik data untuk merancang Jaringan Rantai Pasokan yang optimal untuk meminimalkan biaya dan dampak lingkungan.

Tingkatkan model Anda

Model sederhana ini dapat membantu Anda untuk mendapatkan potensi optimasi linier untuk Optimasi Jaringan Rantai Pasokan. Kami dapat dengan cepat meningkatkan model ini dengan menambahkan kendala

• Biaya Penyimpanan
• Batasan emisi karbon (CO2 = f(jarak, berat))
• Waktu tunggu pengiriman
• Biaya Izin Pelanggan
• Perubahan mata uang

Tentang saya

Mari terhubung di Linkedin dan Twitter , saya seorang Insinyur Rantai Pasokan yang menggunakan analitik data untuk meningkatkan operasi logistik dan mengurangi biaya.

Jika Anda tertarik dengan Analisis Data dan Rantai Pasokan, lihat situs web saya

Referensi

[1] Infrastruktur Komputasi untuk Riset Operasi, Optimasi dengan PuLP (Dokumentasi), Tautan