Aquí discutiremos hoy sobre '¿Qué solución de modelado se utilizaría para probar una serie de ubicaciones de almacén especificadas por el diseñador?
La resolución del modelo se utiliza a menudo en el análisis de diseño, donde es crucial que los analistas conozcan el tipo de datos de entrada y el tipo de datos de salida. La naturaleza de este análisis determinará qué modelo se necesita. El uso de valores numéricos en un modelo es común en muchas áreas de la industria. Hay diferentes tipos de herramientas de modelado disponibles para esto, y cada una tiene sus propias ventajas y desventajas.
Las dos herramientas de modelado comunes
Este ejemplo analiza el uso de dos herramientas de modelado comunes, autómatas celulares y simulación Monte Carlo, para probar una serie de ubicaciones de almacén especificadas por el diseñador. El uso de estos dos métodos proporciona información valiosa sobre cómo funcionan los diferentes modelos en diferentes circunstancias.
Esta información puede ser útil en el mundo real al llevar a mejores decisiones sobre los próximos pasos en el proceso de diseño. También es útil para la resolución de problemas en el proceso de diseño mismo, ya que resalta los problemas que quizás se hayan olvidado.
¿Qué son los autómatas celulares y cómo funcionan?
El modelo estándar de autómatas celulares (CA) es un sistema simple de unidades interactivas llamadas células que son capaces de producir cualquiera de una gran cantidad de estados posibles, conocidos como patrones de bits. Cada celda se rige por un conjunto de reglas que determinan los estados que puede adoptar y la probabilidad de cada uno. Las reglas también permiten la evolución a lo largo de la línea de tiempo. Hay muchas formas diferentes de estructurar las reglas, pero todas son equivalentes en el sentido de que forman un sistema para generar patrones.
¿Qué es la simulación de Monte Carlo y cómo funciona?
La simulación de Monte Carlo (MC) utiliza números aleatorios para generar eventos aleatorios dentro de un modelo. La simulación se basa en el principio de "qué pasaría si": se aplican las reglas del modelo y se utilizan números aleatorios para determinar cómo se utilizarán y cuál será el resultado. Estos eventos continúan hasta que la lógica del modelo se haya aplicado por completo o hasta que llegue a una condición de parada.
Los dos tipos de simulación diferentes mencionados anteriormente a menudo se confunden entre sí porque ambos pueden usar la aleatoriedad para simular un conjunto de eventos basados en un conjunto de reglas. Sin embargo, mientras que el método MC desconoce la estructura que está simulando, un modelo CA sabe exactamente lo que está simulando y no puede tomar decisiones aleatorias.
La principal diferencia entre los modelos CA y MC es que, mientras que un modelo CA no sabe lo que sucederá a continuación, un modelo MC sí lo sabe. Esto significa que una máquina puede ser simulada por un modelo CA, pero no por un modelo MC.
Este ejemplo verá cómo se utilizan los dos métodos para probar una serie específica de ubicaciones para cada tipo de modelo. Para comparar el rendimiento de los diferentes tipos, los resultados de esta simulación nos ayudarán.
El proceso de modelado
El objetivo de utilizar estos dos modelos es simular ubicaciones de almacén para probar su rendimiento en diferentes condiciones. Estas pruebas están diseñadas para observar cómo las ubicaciones físicas interactúan con el diseño y señalar posibles problemas en el diseño.
El proceso pasará por varias iteraciones para crear nuevos modelos, probarlos, cambiar las reglas del modelo, probar nuevamente y repetir hasta que no haya más mejoras en el rendimiento.
Los diferentes modelos de este ejemplo son todos similares en el sentido de que consisten en un conjunto de almacenes colocados aleatoriamente alrededor de Australia. El diseñador especifica las ubicaciones reales y el tamaño de los almacenes, y estas ubicaciones se denominarán "ubicaciones de diseño" o simplemente "diseños".
Para cada diseño, discutiremos cómo funciona cada modelo en dos escenarios: uno donde hay una gran cantidad de almacenes a considerar (el objetivo), y otro donde hay una pequeña cantidad de almacenes a considerar (la restricción). En ambos escenarios, el objetivo principal es predecir el rendimiento de cada diseño en diferentes condiciones.
Los almacenes utilizados en el modelo se colocarán en una ubicación específica de la siguiente manera:
Estas reglas se utilizarán para probar cada modelo, ya que hay alguna evidencia que sugiere que producen los mejores resultados. Este ejemplo considera la regla 'euclidiana'. Es la opción más precisa. Se discutió anteriormente cómo se usaría solo un conjunto de reglas, pero también se podría probar uno diferente si se desea. Las otras reglas podrían probarse si se desea, y también podría considerarse cualquier diferencia entre sus resultados y los resultados de la regla euclidiana.
El siguiente ejemplo demuestra cómo se utiliza cada método para simular cuatro diseños de almacén diferentes:
Como puede ver en los ejemplos anteriores, las diferentes simulaciones producen resultados muy diferentes. Esto permitirá un análisis mucho más completo de cada modelo que si solo se ejecutara una simulación.
Los resultados
El conjunto final de modelos se utilizará para investigar más. Esto es para ayudar a identificar las ventajas de cada tipo de modelo y proporcionar una mejor comprensión de cómo tomar mejores decisiones en el proceso de diseño.
Los tres pasos principales para identificar la mejor solución de modelado son:
1) determinar el tipo de datos de entrada,
2) determinar el tipo de datos de salida esperado por el análisis de diseño,
y
3) identificar qué modelo se necesita. Prefiero utilizar la distribución de clientes para este análisis porque los seres humanos pueden entender fácilmente los resultados.
Preguntas frecuentes
¿Cuál es la decisión de la empresa de utilizar el modelado como solución para probar las ubicaciones de los almacenes?
Esta solución de modelado es portátil, se puede implementar en sistemas existentes y crear ubicaciones de almacén basadas en actividades. Además, el software utilizado permitirá la optimización para cualquier ubicación de cliente direccionable en el mapa.
¿Cuáles son algunas de las limitaciones de las estrategias de ubicación de almacén de modelos?
Existen muchas limitaciones al modelar las estrategias de ubicación de los almacenes. Las empresas pueden enfrentar dificultades al usar sus datos anteriores para hacer proyecciones sobre nuevos sitios porque los datos cambian con el tiempo.
¿Cuál es otra solución de modelado de almacenes además de la propuesta por la empresa?
Otra solución de mapeo de almacenes puede utilizar una base de datos específica de la ubicación, que recopila y actualiza datos a medida que se producen nuevas ventanas de entrega. Con esta solución, el usuario puede crear un modelo generalizado para todas las ubicaciones basado en los modelos generales requeridos para la planificación estratégica.
¿Cuál es la decisión de la empresa de utilizar el modelado como solución para probar las ubicaciones de los almacenes?
La empresa ha decidido utilizar el modelado para probar las ubicaciones de sus almacenes porque ofrece diferentes ventajas, como la creación de muchas ubicaciones de acuerdo con las necesidades comerciales, el modelo de almacén portátil basado en la ubicación se puede implementar en los sistemas existentes.
¿Cuáles son algunas de las limitaciones de las estrategias de modelo de almacén basadas en la ubicación?
Las limitaciones asociadas con las estrategias de modelo de almacén basadas en la ubicación son:
- Es posible que las empresas no puedan optimizar las ubicaciones de los clientes direccionables en el mapa.
- es posible que el modelo no sea portátil
Además, las empresas pueden enfrentar dificultades al utilizar sus datos anteriores para hacer proyecciones sobre nuevos sitios porque los datos cambian con el tiempo.
Conclusión:
Esta publicación se escribió para ayudar a los lectores a comprender mejor estos dos modelos. Si te interesa saberlo qué solución de modelado se utilizaría para probar una serie de ubicaciones de almacén especificadas por el diseñador?
La respuesta es la simulación de Monte Carlo. Monte Carlo Simulation permite a los usuarios ejecutar simulaciones en varios diseños de almacén antes de elegir finalmente el que les ayudará a minimizar su exposición al riesgo. Este proceso de simulación generalmente se lleva a cabo con el uso de software de computadora para el modelado logístico o paquetes de optimización de ingeniería.
También puede leer:
1. ¿Cuánto gana un representante logístico de gestión de residuos?
2. ¿Cuál es la economía de la repetición en la gestión logística y del transporte?
3. ¿Qué es el sistema de gestión de almacenes?