Författare: Z. Caner Taşkın

I dagens hyperkonkurrenskraftiga och mycket komplexa affärsmiljö söker företag ständigt efter sätt att vinna konkurrensfördelar genom att förbättra snabbhet, effektivitet och kvalitet på de varor och tjänster som de levererar till kunderna genom sina leveranskedjor. Nyckeln till framgång inom supply chain management är att kunna fatta optimerade affärsbeslut genom att hitta bästa möjliga lösning på företagets planerings- och schemaläggningsproblem.

Det finns många tekniker – t.ex. tvångsprogrammering, matematisk programmering, metaheuristik, lokal sökning, algoritmer för maskininlärning och evolutionära algoritmer som genetiska algoritmer och simulerad glödgning – som används för att lösa problem med planering och schemaläggning av supply chain. Dessa algoritmer kan klassificeras i två huvudkategorier som vi kommer att undersöka i den här bloggen: heuristik och optimering.

Syftet med optimering och heuristiska lösningar är detsamma – att ge den bästa möjliga lösningen på ett givet problem i försörjningskedjan – men deras resultat är ofta dramatiskt olika.

Här undersöker vi skillnaderna mellan optimering och heuristik och utforskar för- och nackdelar med varje tillvägagångssätt.

Definiering av skillnaden mellan heuristik och optimering

Fundamentalt sett är varje problem med planering och schemaläggning av försörjningskedjan i grunden ett optimeringsproblem. Lösningen innebär att bestämma det bästa sättet att synkronisera utbud och efterfrågan i hela försörjningskedjan – för att öka kundtillfredsställelsen och resultaten.

En populär teknik som företag använder för att lösa sina problem med planering och schemaläggning av försörjningskedjan är heuristik. Enkelt uttryckt är en heuristik en problemlösningsmetod som använder en praktisk process (vanligen kallad ”tumregel” eller ”bästa praxis”) för att producera en genomförbar lösning som är tillräckligt bra för att snabbt lösa ett visst problem och uppnå omedelbara mål – men inte nödvändigtvis en optimal lösning.

En optimeringsmodell använder däremot en intelligent, automatiserad process för att generera en optimal lösning på ett visst problem – med hänsyn till beslutsvariabler som produktion, lager och leveranskvantiteter samt begränsningar och nyckeltal för prestanda (KPI). Lösningar för optimering av försörjningskedjan syftar till att erbjuda den bästa möjliga vägen för att uppnå optimal prestanda i hela din inköps-, produktions-, lager- och distributionsverksamhet – för att maximera leveransprestanda och övergripande lönsamhet.

För- och nackdelar med den heuristiska metoden

Den största fördelen med att anta en heuristisk metod är att den erbjuder en snabb lösning, som är lätt att förstå och implementera. Heuristiska algoritmer är praktiska och fungerar som snabba och genomförbara kortsiktiga lösningar på planerings- och schemaläggningsproblem.

Den största nackdelen med det heuristiska tillvägagångssättet är att det – i de allra flesta fall – inte kan ge en optimal lösning på ett planerings- och schemaläggningsproblem.

Heuristiska tillvägagångssätt kan erbjuda en snabb lösning på ett specifikt planerings- eller schemaläggningsproblem, men de kan inte fungera som genomförbara lösningar som ger bästa möjliga resultat. Detta innebär att heuristiker tenderar att ”lämna pengar på bordet” – de slutar ofta med en lösning, trots att det finns bättre lösningar på samma problem som ger lägre kostnader för leveranskedjan, högre ordertillfredsställelse eller högre total vinst. Med tiden, när din affärsmodell och dina processer utvecklas och utvecklas, kommer heuristiska lösningar oundvikligen att vackla och misslyckas – eftersom de helt enkelt inte är tillräckligt smidiga för att tillgodose ditt företags föränderliga behov och krav.

En annan nackdel är bristen på flexibilitet som heuristiska tillvägagångssätt har. Om till exempel viktiga beslutsvariabler, begränsningar eller KPI:er ändras, eller om en ny maskin läggs till i produktionslinjen som flyttar flaskhalsen i produktionsprocessen, kan det hända att en hård eller förkodad heuristik inte längre kan fungera som en giltig och livskraftig lösning och att den måste omkonfigureras. Dessutom kan en blygsam förändring av dina operativa processer eller de underliggande datamönstren, t.ex. fördelningen av efterfrågan över tiden eller produktmixen, ha en stor inverkan på heuristikens prestanda – och detta kan utgöra en allvarlig risk för ditt företags övergripande produktivitet och lönsamhet.

Sammanfattningsvis är heuristiska tekniker praktiska och erbjuder snabba och genomförbara kortsiktiga lösningar på planerings- och schemaläggningsutmaningar, men saknar kraften och flexibiliteten för att skapa kontinuerliga, optimala lösningar som skapar vägar till större produktivitet och lönsamhet.

Fördelar och nackdelar med optimeringsmetoden

Den största fördelen med optimeringsmetoden är att den ger den bästa möjliga lösningen på ett givet planerings- och schemaläggningsproblem.

Optimeringsalgoritmer genererar garanterat optimala lösningar som överträffar sina heuristiska motsvarigheter och gör det möjligt för företag att maximera kostnads- och driftseffektiviteten.

En av de främsta fördelarna med optimeringsmodeller är deras flexibilitet, eftersom de automatiskt kan justera och anpassa sig för att ta hänsyn till de otaliga beslutsvariablerna och de föränderliga målen, begränsningarna och komplexiteterna i vilken affärsmiljö som helst, och generera de bästa möjliga lösningarna för planering och schemaläggning.

Optimeringstekniker ger planerare möjlighet att fatta optimerade beslut och uppnå högre nivåer av produktivitet och prestanda.

Det finns dock vissa nackdelar med optimeringsmetoden. För det första är optimeringsmodellerna mycket sofistikerade, och det krävs specifik expertis och teknik för att utforma och använda optimeringslösningar. För att generera en optimeringslösning krävs till exempel en grundlig förståelse av matematiska programmeringsbegrepp och användning av särskilda lösare.

Och, jämfört med sina heuristiska motsvarigheter, tar optimeringsalgoritmer vanligtvis längre tid att utföra – eftersom de är matematiskt svåra att lösa. Dessutom kan vissa processer i den verkliga världen inte modelleras på ett adekvat sätt med hjälp av linjära optimeringstekniker, och det är ibland svårt att modellera immateriella affärsmål som ”rättvisa” i en optimeringsmodell.

Vilket tillvägagångssätt är rätt för ditt företag?

I slutändan finns det inget ”bästa” tillvägagångssätt för att lösa dina problem med planering och schemaläggning av försörjningskedjan – allt handlar om vilket tillvägagångssätt som är rätt för ditt företag.

Om vi jämför heuristiska mot optimeringsalgoritmer när det gäller lösningskvalitet är den senare den klara vinnaren. Lösningskvalitet är ofta en kritisk framgångsfaktor för beslut om optimering av försörjningskedjan på taktisk och strategisk nivå, vilket gör optimering till ett naturligt val.

Men om ditt företag behöver en någorlunda bra lösning på kort tid, vilket ofta är fallet i driftsmiljöer i realtid, kan en heuristisk lösning vara det rätta valet för dig.

I många fall är dock ett komplementärt tillvägagångssätt mellan optimering och heuristik den mest effektiva lösningen. ICRON stöder inte bara optimering och heuristik, utan även andra algoritmiska paradigmer som evolutionära algoritmer, regelbaserade algoritmer, lokal sökning och multiobjektiv optimering. Och med hjälp av ICRON:s innovativa modelleringssystem GSAMS är det möjligt att utforma hybrida lösningsansatser.

Det är till exempel möjligt att använda en heuristik som utnyttjar affärskunskap och beslutsfattares erfarenhet för att generera en bra lösning på problemet. Denna heuristiska lösning kan sedan skickas vidare som utgångspunkt till optimeringsmodellen. Därefter bevisar lösaren antingen optimaliteten eller förbättrar den heuristiska lösningen i stället för att lösa problemet från början.

En annan hybridlösningsmetod som balanserar lösningskvalitet och beräkningstid för de företag som brådskande vill lösa ett planerings- och schemaläggningsproblem, men som inte har tid att vänta på att en optimal lösning ska hittas, är ”optimeringsbaserade heuristiker”. Denna typ av heuristik använder optimeringstekniker för att påskynda lösningsprocessen och leverera lösningar som är bättre än de som genereras av traditionella heuristiska tillvägagångssätt, men som inte nödvändigtvis är optimala.

ICRON besitter förmågan att skapa optimeringsbaserade heuristiker och andra hybridlösningsmetoder – och detta är en unik egenskap hos vår plattform för optimerat beslutsfattande. Våra kunder drar nytta av detta kompletterande tillvägagångssätt, eftersom de kan utforma och använda ett planeringssystem som passar perfekt för deras verksamhetskrav.