· Хранить продукцию таким образом, чтобы минимизировать дистанцию передвижений, минимизировать время сборки и оптимизировать плотность зоны хранения.
· Обучать управленческих персонал основным принципам бережливого производства и мотивировать для применения бережливого лидерства на процессах на складе. Применять подход постепенно, используя пилотные проекты, не применять методики сразу на все функциональные отделы.
2.3 Подходы к оценке пропускной способности
Фаррелл в своих работах заложил базу оценки эффективности и производительности на предприятиях и в отдельных функциональных областях. Его работа помогает по-новому посмотреть на два вопроса: как определить эффективность и производительность, и как сделать правильные расчеты эталонной меры эффективности. Эффективность измеряется расстоянием от рассматриваемых единиц до границы производственных возможностей, принятой в качестве «лучших практик».
Если рассматриваемая единица находится на границе производственных возможностей - она считается как эффективная, если единица лежит ниже границы производственных возможностей - она, следовательно, оценивается как неэффективная. Согласно исследованиям Фаррелла, эффективность складывается из двух частей: технической эффективности и эффективности распределения ресурсов, или как ее еще называют аллокативной. Первое показывает способность рассматриваемых единиц минимизировать используемые ресурсы для производства определенного результата. Второе же определяет способность рассматриваемых единиц-объектов использовать ресурсы в оптимальных пропорциях с учетом соответствующих затрат и технологий производства. Вместе эти показатели представляют собой полную меру эффективности.
Оценки эффективности классифицируются в соответствии с методологиями, используемыми для построения границы производственных возможностей. Одними из самых популярных методов оценки эффективности являются анализ стохастической границы (SFA) и анализ свертки данных (DEA). Анализ свертки данных и анализ стохастической границы имеют в своей основе абсолютно разные методологии и предположения для измерения эффективности. Каждый подход обладает определенными сильными и слабыми сторонами, поэтому нет единственного правильного метода измерения эффективности.
Анализ стохастической границы (SFA) основывается на предположении, что фактическая производительность объектов анализа демонстрирует целый ряд факторов, влияющих на успех их функционирования. Стохастический подход подразумевает границы отклонений от «лучших практик» как составных остаточных эффектов: одиночного показателя неэффективности, показывающего управленческую компетентность и симметричность случайных ошибок, отражающих недостающие переменные, погрешности измерений и стохастические элементы за пределами управленческого контроля.
Анализ свертки данных (DEA) основан на применении линейного программирования для сравнения относительно схожих по ресурсному обеспечению объектов. Данный подход основан на соотношениях использованных ресурсов и полученных результатов и позволяет данным говорить «самим за себя». Анализ свертки данных демонстрирует отставание рассматриваемых единиц от «лучших практик», связанное с неэффективным распределением ресурсов. Неэффективные единицы должны функционировать на одном уровне «лучших практик» путем принятия управленческих, бережливых, эффективных методов производства и вариаций комбинаций затраченных ресурсов и полученных результатов, которые находятся под контролем руководства и инее имеют влияния из вне.
На практике можно наблюдать большое количество примеров, когда компании использовали DEA и SFA для оценки эффективности функционирования цепей поставок или отдельных департаментов, таких как склад. В рамках данной работы используется анализ эффективности для выявления функции наилучших практик в рамках одного склада.
2.4 Описание метода свертки данных
Анализ свертки данных (DEA = Data Envelopment Analysis), также известный как анализ среды функционирования, был впервые сформулирован А. Чарнесом, В. Купером, Е. Роудомв 1978 году. Анализ свертки данных принадлежит широко известным семейством математических инструментов программирования для оценки относительной эффективности набора сопоставимых единиц обработки (единиц принятия решений, Decision Making Units). Данный подход может быть успешно реализован, как к коммерческим организациям, так и к некоммерческим организациям. В рамках анализа DEA производительность единиц принятия решений измеряется отношением взвешенной суммы переменных «выхода» к взвешенной сумме переменных «входа». Эффективность единицы измеряется как сравнение ее производительности с производительностью «лучших практик» в наборе элементов анализа. Самые эффективные единицы принятия решения образуют границу производственных возможностей. В том случае, когда единица лежит не на границе производственных возможностей - она считается не эффективной. После оценки относительно эффективных представленных в выборке единиц, анализ показывает, каким образом переменные «входа» и «выхода» должны быть изменены с целью максимизации эффективности текущих единиц.
· Единицы принятия решений
В анализе свертки данных, может быть рассмотрена либо организация в целом или ее часть, которая называется единицей принятия решения (DMU = Decision Making Unit). Дать определение не составляет особого труда, так как единицы принятия решения можно выбирать довольно таки свободно, что обеспечивает гибкость в ее использовании в широком диапазоне возможных применений. Как правило, за единицы принятия решения принимаются объекты ответственные за процесс формирования «входа» в «выход» и отнесенные для оценки. Предположим, что существует n единиц принятия решений (DMU1, DMU2, … DMUn). Общие переменные «входа» и «выхода» для каждой DMUj, j = 1,… n, выбираются следующим образом:
· Каждой переменной «входа» и «выхода» соответствует числовые данные, при этом подразумевается, что для каждой единицы принятия решения эти данные являются положительными.
· Переменные «входа» и «выхода» должны отражать относительную оценку эффективности единиц принятия решения.
· Для оценки эффективности предпочтительны небольшие значения переменных «входа» и большие значения переменных «выхода».
· Единицы измерения различных переменных «входа» и «выхода» должны быть конгруэнтными. Например, количество сотрудников, площадь, денежные затраты.
· Предположения модели
1) Данная модель предполагает, что данные собраны, оценены и записаны корректно.
2) Данная модель предполагает, что масштаб отдельного дня соответствует общему обороту всего склада. Учитывая, что выходные линии на складе зависят от объема заказов, измерение эффективности может быть неточным, если мощность и объем заказов не совпадают.
3) В отличие от регрессионного анализа, отклонение не учитывается при оценке границ в методе DEA. Учитывая, что нет априорного предположения о производственной функции складирования и что потенциал улучшения неизвестен, разумно и целесообразно предполагать, что предыдущая высокая производительность обусловлена не только стохастическим отклонением, но и должна быть достигнута снова.
4) Данная модель предполагает свободное размещение. Свободное размещение означает, что можно производить меньшую производительность с одним и тем же входом и производить тот же вывод с большим количеством ввода, что, очевидно, справедливо для операций складирования.
5) Данная модель предполагает, что выпуклость имеет место для лучших практик и опыта в складских операциях. Это предположение отражает природу операций складирования.
6) Данная модель предполагает аддитивность, что означает, что при добавлении вводных факторов вместе можно получить сумму вывода. В области складирования это является естественным предположением, поскольку, сочетая человеко-часы и пространство двух складов, конечный результат будет общий.
7) Данная модель предполагает, что все DMU имеют одинаковый доступ к одной и той же технологии. С общей точки зрения это предположение верно, поскольку все склады применяют технологию складирования и производят одни и те же результаты с одинаковыми входными ресурсами.
8) Данная модель предполагает ориентацию на результат. Обычно эталонная проверка складских операций применяется в соответствии с ориентацией ввода в предыдущих публикациях. Однако из-за целей управления и возможного правового регулирования в некоторых регионах (например, регулирования трудовых отношений) решено, что повышение уровня выпуска будет направлено. Это предположение также согласуется с предположением 6), которое указывает на то, что улучшение выпуска не будет ограничено ростом продаж.
Кроме того, количество DMU является одним из ограничением для подхода DEA, который требует особого внимания перед его применением. DMU будут считаться эффективными, если их недостаточно, из-за природы метода DEA. Предложенное эмпирическое правило означает чтобы было не менее 3-кратного числа входных данных и количества выходов вместе. Поэтому, чтобы получить релевантный результат, общее количество входов и выходов должно быть менее пяти.
· Модель CCR
Базовая модель анализа DEA носит название CCR-модель (по аббревиатуре фамилий группы ее разработчиков [Charnes, Cooper, Rhodes, 1978]). Для определения эффективности рассматриваемых единиц принятия решений используется следующая модель:
(1)
при ограничениях:
(2)
, ? е для ?r и i,
Где:
- - количественное значение переменной «выхода» r, наблюдаемое у единицы принятия решений j;
- количественное значение переменной «выхода» i, наблюдаемое у единицы принятия решенийj;
- весовой коэффициент переменной «выхода» r;
- весовой коэффициент переменной «входа» i;
n - Число рассматриваемых единиц принятия решений;
t - число переменных, описывающих «выход»;
m - число переменных описывающих «вход»;
е - сколь угодно малая положительная величина.
В результате решения данной модели определяется максимальное значение эффективности единицы принятия решений j0 при условии, что эффективности всех входящий в множество сравниваемых единиц принятия решений не превышают 1. Основная особенность представленной выше модели состоит в том, что весомые коэффициенты ur и vi выступают в роли переменных, значения которых неизвестны. Последние выбираются таким образом, чтобы максимизировать эффективность выбранной единицы принятия решений j0. Эффективность единицы принятия решений j0 может принимать значение либо равное 1, что означает эффективность выбранной единицы принятия решений j0 относительно других единиц рассматриваемой совокупности, либо меньше 1, что соответствует ее неэффективности. Для неэффективной единицы получаемое решение указывает на единицы принятия решений, образующие соответствующее эталонное множество. Входящие в него единицы оказываются эффективными при наборе весовых коэффициентов, максимизирующих, эффективность неэффективной единицы j0. Эффективность каждой единицы принятия решений относительно рассматриваемой совокупности может быть определена путем поочередного решения модели 1 для каждой единицы. В общем случае при решении задачи максимизации значения весовых коэффициентов для различных единиц принятия решений будут различными. Такая гибкость в выборе весов одновременно являет собой как преимущество, так и недостаток данного подхода. Недостаток заключается в том, что разумный выбор весовых коэффициентов делает возможным отнесение единицы принятия решений к разряду эффективных, но при этом существует опасение, что получаемый результат является следствием манипулирования весовыми коэффициентами, а не присущей самой организации эффективности. В то же время эта гибкость проявляет себя и как преимущество - в случаях, когда подбор наиболее благоприятных для единицы принятия решений весовых коэффициентов оставляет ее неэффективной, аргумент в пользу того, что используемые весовые коэффициенты выбраны неверно, становится несостоятельным. Модель анализа свертки данных представляет собой задачу дробно-линейного программирования, которую можно преобразовать в линейную форму, чтобы использовать методы линейного программирования. Задача линейного программирования, полученная из исходной модели.
Целевая функция была линеаризована исходя из того, что при максимизации отношения важны относительные, а не фактические значения числителя и знаменателя. Поэтому в модели 2 значение знаменателя было зафиксировано, а максимизации подлежит числитель. Решение модели 2 осуществляется поочередно для каждой из рассматриваемых единиц принятия решений. Нахождение решения с помощью программного обеспечения не представляет особых сложностей ввиду того, что в каждом из случаев большинство ограничений остается неизменным, а это позволяет эффективно проводить вычисления. Нахождение решения возможно не только для прямой задачи (Модель 2), но и для двойственной по отношению к ней. Поскольку в исходной задаче присутствует t + m переменных, то двойственная ей задача будет иметь t + m ограничений. В прямой задаче имеется n + t + m + 1 ограничений. Так как количество единиц принятия решенийn, как правило, существенно превышает t + m - суммарное число переменных «входа» и «выхода», то в общем случае для решения прямой задачи потребуется больше времени, чем для решения двойственной к ней.
Двойственную задачу не стоит рассматривать только как инструмент упрощения вычислений. Она проливает свет на сущность анализа сравнительной эффективности с помощью анализа свертки данных. В модели 3 осуществляется поиск коэффициентов для построения составной единицы принятия решений, которая имеет значения переменных «выхода» и переменных «входа» и при этом превосходит по эффективности единицу j0. Единица принятия решений j0 будет эффективной, когда ее резервы будут равны нулю и, соответственно значение Z0 будет равно единице, или иными словами, когда будет доказано, что построение составной единицы принятия решений более эффективной, чем j0 невозможно. И обратно, если единица j0 неэффективна, то Z0 будет иметь значение меньше 1 и / или будут существовать положительные резервы для роста эффективности. С помощью оптимальных значений конструируется составная единица принятия решений, которая превосходит по эффективности единицу принятия решений j0 и выступает для последней в роли эталона. Величина Z0 показывает максимальное значение доли у единицы принятия решений j0 переменных «входа», обеспечивающих ей достижение хотя бы текущих значений переменных «выхода».
· Положительные стороны метода DEA
Для анализа эффективности и дальнейшей пропускной способности склада «гамма» для анализа был выбран метод «анализ свертки данных» или в англоязычной литературе «Data envelopment analysis (DEA)» DEA анализ представляет собой непараметрический метод, применяющий линейное программирование для оценки производственных границ. Такой подход, как было сказано выше, часто используется для бенчмаркинга на рынке складских операторов. Оценки эффективности генерируются из подхода DEA с использованием базового метода линейного программирования. Когда показатели эффективности равны 1, DMUs считаются эффективными. Все эффективные DMUs составляют границу наилучших практик, которые являются лучшими в настоящее время, которые могут быть достигнуты DMUs. Если эффективность выше или ниже, это означает, что есть еще пространство для достижения границы лучших практик и число означает расстояние между текущей производительностью и наилучшей практикой. Например, оценка эффективности равная 1,37 означает, что для достижения оптимальной границы требуется 37% улучшения. Для модели с одним входным ресурсом и результатом вычисление довольно простое. Сначала модель вычисляет значение эффективности каждого DMU (выход / вход). Максимизируя и, модель ищет самое высокое отношение эффективности других DMU к собственной эффективности. Например, предположим, что самый высокий показатель эффективности равен 20, принадлежащий DMU1, а текущий DMU имеет эффективность 18, тогда соотношение с самым высоким показателем будет 20/18 = 1.11. Но когда существует несколько видов входных ресурсов и результатов, появляются новые переменные, которые служат весовыми коэффициентами для каждого показателя входа и выхода, но расчет следует по той же логике. Модель все также находит наивысшее соотношение, изменяя вес. Концепция эффективности в значительной степени похожа на концепцию границы лучших практик. Эффективность определяется как относительная эффективность, означая, что DMU эффективен на основе имеющихся доказательств тогда и только тогда, когда характеристики других DMU не показывают, что некоторые из его вводных или выходов могут быть улучшены без ухудшения некоторых других входов или выходов. В индустрии складских операторов традиционный бенчмаркинг уровня производительности измеряется как отношение одного результата к единому ресурсу, называемого единичными коэффициентами производительности. Однако, поскольку производственные процессы стали более сложными, как в 3PL, для ввода более чем одного результата часто используются несколько видов ресурсов. Это приводит к набору показателей производительности с одним отношением, которые могут сбивать с толку - типичная проблема оценки множества критериев. Поэтому показатели работы склада или распределительного центра имеет множественное определение. В DEA используется техника линейного программирования, чтобы установить подходящий метод для установления соотношения множественных ресурсов и выходов с помощью эмпирической функции описанной Farrell (Связь между DEA и обычным единичным соотношением измерения продуктивности работы исследовано и описано в работе Chen and McGinnis (DEA требует выяснить, описать и специфицировать ресурсы на входе и результат на выходе для каждой единицы принимающей решение (DMUs - Decision-Making Units). Затем вычисляем оценку эффективности для каждого DMU как отношение взвешенной суммы результатов к взвешенной сумме входных ресурсов, где все оценки эффективности ограничены, они должны находиться в промежутке между 0 и 1. Основная сильная сторона DEA заключается в том, что она позволяет для каждого DMU выбирать веса, которые максимизируют их собственную эффективность. С одной стороны, эффективность не означает, что DMUs являются абсолютно, но они относительно эффективно среди других единиц измерения. Именно этот факт, что метод свертки данных позволяет оценить относительную эффективность среди однородных единиц принимающих решение, делает его наиболее подходящем для решения конкретной проблемы компании «Алерс РУС». Так задачей проекта является оценить максимальную мощность склада при неизменных вводных, то хорошей идеей будет сравнить между собой отдельные дни. Таким образом, объектом анализа или юнитом принимающем решение можно взять отдельный день на горизонте определенного времени. Например, можно проанализировать наиболее сложные и комплексные дни с точки зрения работников. Тогда все отдельные дни в этом промежутке будут считаться DMU. Также в поддержку выбора данного метода говорит однородность водных ресурсов и результатов, ведь ежедневно на объекты выполняются одни и те же процессы с одинаковыми ресурсами и ожидаемым результатом. В-третьих, традиционный метод оценки эффективности с единичными вводными не сможет оценить мощность складского цента, потому что на эффективность склада влияют как минимум 4 вида ресурсов: работники, техника, складские площади, операционные зоны. А метод свертки данных позволяет рассмотреть всю комплексность каждой ситуации. Также преимуществом метода может считаться возможность по итогам анализы выстроить границу производственных возможностей, из которой будет вытекать и максимальная пропускная способность складского центра.