Professionals die actief begaan zijn met operationele bedrijfsprocessen worden vaak geconfronteerd met problemen waarbij een eenvoudige spreadsheet-berekening niet langer volstaat om een adequate oplossing te bekomen. Wanneer dergelijke problemen zich stellen wordt men genoodzaakt om meer geavanceerde optimalisatietechnieken te gebruiken. Dit artikel gaat dieper in op de mogelijke problemen die zich kunnen voordoen wanneer dergelijke optimalisatietechnieken niet voor de correcte doeleinden worden aangewend.
Tijdens de laatste decennia zijn enorm veel nieuwe optimalisatietechnieken ontwikkeld. Niet elke techniek is echter even geschikt om een bepaald probleem op de lossen. Om te bepalen of een techniek al dan niet geschikt is, is het belangrijk om te kijken naar de eigenschappen van het probleem en deze te vergelijken met de mogelijkheden van de oplossingsmethode. Een mis-match van probleem en oplossingsmethode kan drie globale vormen aannemen, dewelke in dit artikel kort worden besproken.
De Solver extensie in Excel is een tool waarmee de meeste professionals vertrouwd zijn, maar zelfs bij deze eenvoudige tool kunnen verkeerde instellingen tot een onverwacht of ongewenst resultaat leiden. Daarnaast zijn veel problemen te complex om met deze eenvoudige tool opgelost te kunnen worden. Op dat moment is het nodig om meer geavanceerde optimalisatietechnieken te gaan gebruiken. De moeilijkheidsgraad van dergelijke technieken vergroot echter nogmaals de kans op foutief gebruik, met alle gevolgen van dien.
Situatie 1: Het probleem is te complex voor de oplossingsmethode
In dit geval zal de oplossingsmethode niet in staat zijn om een goede oplossing voor het probleem te verzekeren. Bepaalde technieken zullen in dit geval geen enkele oplossing aanleveren, andere technieken zullen (soms zonder dat de gebruikers zich hiervan bewust zijn!) een suboptimale oplossing aanleveren.
Een voorbeeld hiervan uit de logistieke sector is bijvoorbeeld het plannen van de volgorde waarin leveringen bij verschillende klanten worden gemaakt (een variant op het welbekende travelling salesman problem [1]). Dit probleem kan zeer eenvoudig in Excel worden gemodelleerd gebruikmakend van de “simplex LP” Solver, die steeds een optimale oplossing garandeert. De Excel Solver heeft echter de belangrijke beperking dat het model uit maximaal 200 variabelen mag bestaan. Voor dit specifiek probleem kan het aantal variabelen worden berekend als:
Waarbij n gelijk is aan het aantal klantenlocaties.
Concreet betekent dit dus dat voor dit probleem enkel situaties tot en met 20 klanten een oplossing kan worden gevonden. Het spreekt voor zich dat voor de meeste praktische problemen op deze manier geen oplossing zal worden gevonden.
Wanneer men zich niet bewust is van de beperkingen van de gebruikte optimalisatie technieken kan het dus ook voorvallen dat een bepaald bedrijfsproces plots de grenzen van het haalbare overschrijdt. Zeker bij kritische bedrijfsprocessen kunnen dergelijke problemen zeer grote gevolgen hebben, mede door de vertragingen die deze kunnen veroorzaken doorheen de volledige supply chain.
Situatie 2: De oplossingsmethode is te complex voor het probleem
Het omgekeerde scenario kan ook voor problemen zorgen. Bepaalde oplossingsmethodes (meta-heuristieken) zijn ontworpen om gebruikt te worden voor zeer complexe en omvangrijke problemen. Bij dergelijke problemen is het onmogelijk om de optimaliteit van een oplossing te garanderen. Deze technieken zijn dan ook niet ontworpen om naar een specifieke optimale oplossing op zoek te gaan, maar om een zo breed mogelijk spectrum aan oplossingen te gaan onderzoeken, om op deze manier een quasi-optimale oplossing aan te leveren. Wanneer deze technieken gebruikt worden om problemen op te lossen die in principe ook met andere (exacte) oplossingsmethodes kunnen worden opgelost, gaat de mogelijkheid tot het met zekerheid bekomen van een optimale oplossing helaas verloren. Wanneer het problemen van groot strategisch en operationeel belang betreft kan een kleine afwijking reeds een zeer grote impact hebben op de financiële en operationele stromen van een onderneming.
Een praktisch voorbeeld hiervan is het bepalen van de lay-out van een magazijn. Dit is een beslissing die slechts een enkele keer wordt genomen en een zeer significante impact heeft op het bedrijfsproces gedurende meerdere jaren. Gegeven dat het hier een complex probleem betreft kan het verleidelijk zijn om hiervoor heuristieken te gebruiken. Op deze manier kan zonder al te grote inspanning een goeie oplossing voor het probleem worden bekomen, echter zonder dat er garanties zijn dat deze oplossing optimaal is.
Echter doordat deze beslissing een grote en langdurige impact heeft op het bedrijfsproces kan een kleine afwijking een zeer groot cumulatief effect hebben. Daarom kan het in dergelijke gevallen aan te raden zijn om meer te investeren in de optimalisatie en toch voor een oplossingsmethode te kiezen die een optimale oplossing kan garanderen.
Situatie 3: De oplossingsmethode is niet aangepast aan het probleem
De aard van het probleem moet eveneens in beschouwing genomen worden wanneer gekozen wordt voor een bepaalde optimalisatietechniek. Een van de meest belangrijke factoren hierbij is de graad van onzekerheid waarmee men geconfronteerd wordt. Wanneer situaties dynamisch van aard zijn, en dus zeer snel kunnen wijzigen heeft het weinig nut om een zeer precieze oplossing te gaan bepalen voor een situatie die zich in de praktijk nooit zal voordoen.
Veronderstel bijvoorbeeld een bedrijf waarbij de aard van de productie afhankelijk is van een sterk fluctuerende marktvraag. Hierdoor wordt het magazijn geconfronteerd met zeer sterk en snel wijzigende opdrachten voor zowel opslag als verzendingen. Voor een dergelijke situatie is het onzinnig om een exacte optimalisatie te gaan uitvoeren voor een “gemiddeld” scenario. Hierbij heeft men slechts van 1 zaak zekerheid: de oplossing van het model zal nooit de realiteit kunnen weerspiegelen.
Voor dergelijke situaties is het bedrijf veel meer gebaat met een set van heuristieken die getest zijn op een zeer brede set mogelijke scenario’s. Op deze manier kan men garanderen dat de oplossing genereerd door het systeem steeds “approximately right” zal zijn, in plaats van een oplossing die een resultaat geeft dat steeds “exactly wrong” is.
De juiste vragen stellen om de bovenstaande scenario’s te vermijden
De bovenstaande problematiek kan worden vermeden door enkele kritische vragen te stellen over het proces dat men wil verbeteren, en vervolgens de antwoorden op deze vragen te gaan vergelijken met de eigenschappen van een optimalisatietechniek of softwarepakket. De onderstaande shortlist kan dienen als een goede start hiervoor:
- Betreft het een eenmalige beslissing, of een periodieke optimalisatie?
- Welke graad van onzekerheid is er over de input parameters?
- Hoe groot is het probleem (i.e. hoe veel variabelen telt het probleem)?
- Kan het probleem lineair worden voorgesteld (i.e. zonder variabelen te vermenigvuldigen)?
- Zijn de beslissingen binair (ja/nee), discreet (plaats 20 in magazijn) of continu (hoe veel liter diesel tanken)?
- Hoe kan het probleem worden opgesplitst in kleinere sub-problemen?
De keuze voor een degelijke optimalisatie dient natuurlijk steeds gepaard te gaan met een investeringsbeslissing, waarbij de kosten en baten van een dergelijke optimalisatie kunnen worden overwogen. Daarnaast moet steeds worden bepaald of men het algoritme bij voorkeur zelf gaat implementeren, of opteert voor een externe partner om de implementatie te versnellen.
Meer informatie hierover kunt u terugvinden op:
www.optimizedwarehousing.com (product folder).
[1] Wei, J. (2008). Approaches to the Travelling Salesman Problem Using Evolutionary Computing Algorithms, 1(September).