การเพิ่มประสิทธิภาพห่วงโซ่อุปทานใช้ประโยชน์จากการวิเคราะห์ข้อมูลอย่างดีที่สุดเพื่อค้นหาการผสมผสานที่เหมาะสมที่สุดของโรงงานและ ศูนย์ กระจายสินค้าเพื่อให้ตรงกับอุปสงค์และอุปทาน

เนื่องจากค่าขนส่งที่พุ่งสูงขึ้นในปัจจุบัน บริษัทต่างๆ จึงเริ่มท้าทายรอยเท้าในปัจจุบันเพื่อปรับตัวให้เข้ากับ “New Normal” หลังโควิด

ในบทความนี้จะนำเสนอวิธีการง่ายๆ โดยใช้ Linear Programming for Supply Chain Optimization พิจารณา

• ต้นทุนการผลิตคงที่ของสิ่งอำนวยความสะดวกของคุณ($/เดือน)
• ต้นทุนการผลิตผันแปรต่อหน่วยที่ผลิตได้($/Unit)
• ค่าจัดส่ง($)
• ความต้องการของลูกค้า(หน่วย)

บทความใหม่ส่งตรงถึงกล่องจดหมายของคุณฟรี: จดหมายข่าว

หากคุณต้องการดู คุณสามารถดูเวอร์ชันวิดีโอของบทความนี้ได้

I. จะออกแบบ Supply Chain Network ด้วย Python ได้อย่างไร?

คำชี้แจงปัญหา

ในฐานะหัวหน้าฝ่ายการจัดการซัพพลายเชนของบริษัทการผลิตระหว่างประเทศ คุณต้องการกำหนดเครือข่ายซัพพลายเชนใหม่ในอีก 5 ปีข้างหน้า โดยพิจารณาจาก ต้นทุนการขนส่งที่เพิ่มขึ้นล่าสุดและการคาดการณ์ความต้องการในอนาคต

เครือข่ายซัพพลายเชนของคุณ

• 5 ตลาดในบราซิล สหรัฐอเมริกา อินเดีย ญี่ปุ่น เยอรมนี
• โรงงานผลิต 2 ประเภท:ไซต์ที่มีกำลังการผลิตต่ำและกำลังการผลิตสูง
• ค่าขนส่ง($/คอนเทนเนอร์)
• ความต้องการของลูกค้า(หน่วย/ปี)

• รายจ่ายฝ่ายทุนสำหรับอุปกรณ์ (เครื่องจักร, คลัง, ..)
• สาธารณูปโภค (ไฟฟ้า, น้ำ, ..)
• ผู้บริหารโรงงาน, พนักงานธุรการ
• เช่าพื้นที่

ต้นทุนผันแปรการผลิต

• ผู้ประกอบการสายการผลิต
• วัตถุดิบ

ต้นทุนผันแปรของการจัดส่ง

• ราคาต่อคอนเทนเนอร์ ($/ตู้คอนเทนเนอร์)
• สมมติฐาน: 1 ตู้บรรจุได้ 1,000 หน่วย

กำลังการผลิตตามไซต์

ตัวอย่างเช่น โรงงานที่มีกำลังการผลิตสูงในบราซิลสามารถผลิตได้ 1,500,000 (หน่วย/เดือน)

ความต้องการของลูกค้าต่อตลาด

คุณสามารถค้นหารหัสแบบเต็มได้ในที่เก็บ Github นี้: เชื่อมโยง
ผลงานของฉันกับโครงการอื่น: Samir Saci

ครั้งที่สอง ผลลัพธ์

ให้เราลองสามสถานการณ์

• สถานการณ์ที่ 1: พารามิเตอร์เริ่มต้น
• สถานการณ์ที่ 2: เราเพิ่มกำลังการผลิตของอินเดีย (x2)
• สถานการณ์ที่ 3: ค่าขนส่งพุ่งสูงขึ้นเนื่องจากการขาดแคลนคอนเทนเนอร์

• โรงงานในบราซิลกำลังผลิตสำหรับตลาดในประเทศและสหรัฐอเมริกา

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)

ให้เราลองเพิ่มขนาดโรงงานกำลังการผลิตสูงของอินเดียเป็นสองเท่าโดยตั้งสมมติฐานว่าจะเพิ่มต้นทุนคงที่เป็นสองเท่า

• โรงงานในบราซิลยังคงผลิตสำหรับตลาดในประเทศและสหรัฐอเมริกา

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)

จะเกิดอะไรขึ้นถ้าเรามีค่าคอนเทนเนอร์คูณด้วย 5

• บราซิลผลิตเพื่อตลาดในประเทศเท่านั้น

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)

ติดตามฉันบนสื่อสำหรับข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับ Data Science for Supply Chain

เราจะใช้ไลบรารี PuLP ของ python PuLP เป็นกรอบการสร้างแบบจำลองสำหรับปัญหา Linear (LP) และ Integer Programming (IP) ที่เขียนด้วย Python และดูแลโดย COIN-OR Foundation (โครงสร้างพื้นฐานการคำนวณสำหรับการวิจัยการดำเนินงาน)

1. ประกาศตัวแปร พารามิเตอร์ และโมเดลของคุณ

• LpMinimize : เป้าหมายของคุณคือการลดต้นทุนของคุณ
• lowBound = 0: คุณไม่สามารถมีค่าลบของหน่วยที่ผลิตได้

3. แก้ไขแบบจำลองของคุณและวิเคราะห์ผลลัพธ์

สาม. บทสรุปและขั้นตอนต่อไป

อย่าลังเลที่จะติดตามฉันบนสื่อสำหรับบทความเพิ่มเติมที่เกี่ยวข้องกับ Data Analytics และ Supply Chain Management

บทสรุป

โมเดลนี้ช่วยให้คุณสามารถจำลองสถานการณ์ต่างๆ ที่มีอิทธิพลต่อพารามิเตอร์การดำเนินงานและเชิงพาณิชย์

• เกิดอะไรขึ้นถ้าความต้องการระเบิดในอินเดีย?
• ถ้าเราต้องปิดโรงงานในบราซิลล่ะ?
• จะเกิดอะไรขึ้นถ้าเราเพิ่มกำลังการผลิตในญี่ปุ่นเป็นสามเท่า?

การจัดหาที่ยั่งยืน

สามารถใช้วิธีการที่คล้ายกันเพื่อเลือกซัพพลายเออร์ของคุณโดยพิจารณาจากหน้าที่ที่เป็นเป้าหมายซึ่งจะลดการปล่อยก๊าซคาร์บอนไดออกไซด์ ให้เหลือน้อยที่สุด

การจัดหาอย่างยั่งยืนเป็นกระบวนการของการบูรณาการปัจจัยด้านประสิทธิภาพทางสังคม จริยธรรม และสิ่งแวดล้อมเมื่อทำการคัดเลือกซัพพลายเออร์

ซึ่งเกี่ยวข้องกับการประเมินและประเมินซัพพลายเออร์ตามชุดของเกณฑ์ความยั่งยืน เช่น สิทธิแรงงาน สุขภาพและความปลอดภัย ผลกระทบต่อสิ่งแวดล้อม สิทธิมนุษยชน และอื่นๆ

ใช้การวิเคราะห์ข้อมูลเพื่อเลือกซัพพลายเออร์ที่ดีที่สุดโดยอัตโนมัติด้วยข้อจำกัดทางเศรษฐกิจและสิ่งแวดล้อม

ในบทความนี้ เราจะค้นพบวิธีใช้การวิเคราะห์ข้อมูลเพื่อออกแบบเครือข่ายซัพพลายเชนที่เหมาะสมที่สุดเพื่อลดต้นทุนและผลกระทบต่อสิ่งแวดล้อม

ปรับปรุงโมเดลของคุณ

โมเดลอย่างง่ายนี้สามารถช่วยให้คุณได้รับศักยภาพของการปรับให้เหมาะสมเชิงเส้นสำหรับการเพิ่มประสิทธิภาพเครือข่ายซัพพลายเชน เราสามารถปรับปรุงโมเดลนี้ได้อย่างรวดเร็วโดยเพิ่มข้อจำกัด

• ต้นทุนการจัดเก็บ
• ข้อจำกัดการปล่อยคาร์บอน (CO2 = f(ระยะทาง, น้ำหนัก))
• ระยะเวลาในการจัดส่ง
• ค่าธรรมเนียมการเคลียร์ลูกค้า
• เปลี่ยนสกุลเงิน

เกี่ยวกับฉัน

มาเชื่อมต่อกับLinkedinและTwitterกันเถอะ ฉันเป็นวิศวกรซัพพลายเชนที่ใช้การวิเคราะห์ข้อมูลเพื่อปรับปรุงการดำเนินงานด้านโลจิสติกส์และลดต้นทุน

หากคุณสนใจใน Data Analytics และ Supply Chain โปรดดูที่เว็บไซต์ของฉัน

อ้างอิง

[1] โครงสร้างพื้นฐานทางคอมพิวเตอร์สำหรับการวิจัยการดำเนินงาน การเพิ่มประสิทธิภาพด้วย PuLP (เอกสารประกอบ) ลิงก์