Vezetıi döntések elıkészítı feladatai és ezek megoldásának korszerő eszközei

Vezetıi döntések elıkészítı feladatai és ezek megoldásának korszerő eszközei

Árendás Bence, Lipovszki György HUMANsoft Kft

Vezetıi döntések elıkészítı feladatai és ezek megoldásának korszerő eszközei A számítógépek segítségével nap mint nap újabb és újabb lehetıségek tárulnak fel a gazdaság különbözı területein a termékek gyártásában éppúgy, mint a szolgáltatások színvonalának folyamatos növelésében. Ilyen információ-szolgáltatási kategóriába tartozik a vezetıi döntések tényszerő objektív adatokkal történı elıkészítése, illetve a rendelkezésre álló információk alapján a legnagyobb valószínőséggel várható elırejelzési információk meghatározása. Napjainkban a személyi számítógépek számítási kapacitása és memóriájának mérete lehetıvé teszi, hogy ezeket a sok számítást és adattárolást igénylı feladatokat, olyan szimulációs eszközök segítségével tervezzük meg, amelyek tanulmányozhatóvá teszik a rendszerek várható mőködését, mielıtt megépítettük volna ıket.

1. A fejlesztéseket kiváltó tényezık, és a szükséges tıke kapcsolata A vállalkozások átalakításának, fejlesztésének szükségességét igen sok tényezı befolyásolja, pl.: -

megnövekedett rendelés mennyiség

-

nagyobb minıségi elvárások (pl. ISO minısítés)

-

létszám: leépítés, bıvítés, átszervezés

-

technológiai fejlıdés

-

termékszerkezet váltás

-

külsı beszállítók alkalmazása

-

piaci körülmények megváltozása

-

stb.

A jelenlegi gazdasági helyzetben a vállalatok vezetése szinte teljes mértékben a nyereségességi mutatókra koncentrál. A profitszerzés vált az elsıdleges szemponttá. Napjainkban a befektetések alapvetı feltétele a jól megindokolt, számokkal alátámasztott fejlesztési terv. Ha a beruházás hosszú idı alatt térül meg, akkor ezt -1-


inkább nem valósítják meg. A nagy kockázattal járó befektetés és az óriási lekötött tıke egyik befektetı számára sem vonzó.

A pénzügyi befektetık általában azt szeretnék minél pontosabban megtudni, hogy az adott beruházás, változtatás mekkora kockázattal, és milyen profit növekedéssel jár. Az ilyen változtatások hatását eddig csak papíron, statikus módszerekkel lehetett meghatározni. Az asztali számítógépek kapacitásának robbanásszerő növekedésével lehetıség nyílt logisztikai szimulációs programok alkalmazására. Ezekkel

programokkal, bármilyen diszkrét eseményekkel leírható folyamatot

modellezni lehet. Az ilyen jellegő szimulációs programok képezhetik a fejlesztési tervek tudásbázisát. Alkalmazásuk azért kifizetıdı, mert nagyon gyorsan juthatunk olyan eredményekhez, amelyek a fejlıdés irányába mutatnak (a meddı próbálkozások kikerülésével). Ezen kívül részletes pénzügyi analízissel is képesek a fejlesztési tervet alátámasztani. A megfelelıen indokolt és gazdaságilag is alátámasztott terv pedig nagyobb eséllyel indul el a megvalósítás útján. Egy ilyen hatékonyság vagy hatásosság fejlesztéssel, egy vállalat fennmaradását és munkásainak állását lehet megtartani. A nagy multinacionális vállalatok, ha nem látják elérhetınek a kitőzött nyereséget, akkor olyan helyre települnek, ahol az új befektetéssel, és a felszámolással visszaszerzett tıkével, nagyobb hasznot tudnak termelni. Ez pedig egyik Magyarországon lévı vállalat számára sem elhanyagolható tény.

2. Új tendenciák a tervezési eljárásokban

2.1 Hatékonyság és hatásosság A hatékonyság azt a képességet jelenti, hogy hogyan tudunk egy cselekedetet vagy mőveletet a legkevesebb erıforrás felhasználásával végrehajtani. Például, ha egy vállalat gazdasági eredményeit meg tudja valósítani kisebb létszámú munkaerı alkalmazásával, az ugyanolyan hatékonyságnövekedést jelent, mintha az eredeti létszámmal gyorsabban végeznék el a tevékenységet és így érnék el a növekedést. A korai 80-as években a személyi számítógépek elárasztották a különbözı hivatalokat, nem kevés kételyt ébresztve, hogy vajon tényleg hatékonyságnövekedést valósított-e meg a bevezetésük. Mindamellett, hogy a hatékonyság egy rendkívül fontos tényezı, a -2-


legnagyobb és még a közepes mérető nyugati vállalatok többsége is napjainkra elérte hatékonyságának maximumát. Így a továbbfejlıdéshez az egyetlen lehetséges út csak a hatásosság fokozása marad. A hatásosság azt jelenti, hogy egy feladatot úgy végzünk el a versenytársaknál jobban, hogy kevesebb erıforrást alkalmazunk hozzá. Az nyilvánvaló, hogy egy jól megtervezett termelési rendszerben könnyebb meghatározni az erıforrások felhasználásának hatékonyságát, mint a hatásosságát.

2.2. Döntések típusai a szervezetekben Egy vállalat életében a legfontosabb feladat azon döntések megfelelı elıkészítése, amelyek több lehetıséget kínálnak a továbbhaladásra. Ezek közül kell kiválasztani azt, amely az adott helyzetben a „legjobb eredményt” adja. A jó vezetés feladata, hogy adott feltételek között jó döntéseket hozzon az irányított szervezet számára. A döntések száma akár több tízezer lehet, egy nagyobb mérető szervezetben. Egy osztályozási javaslat szerint (Antony 1988) ezeket három fı kategóriába sorolhatjuk: 2.2.1. Stratégiai döntések: Ezek a legmagasabb szintő döntések a szervezetben. Hosszabb távú kérdésekkel foglalkoznak, tipikusan 1-5 éves idıtartamra vonatkozó cselekvési iránymeghatározások. A szervezet vezetıi stratégiai döntéseket általában nagyon ritkán hoznak. Nagyon kis mennyiségő az az információ, amely alapján egy ilyen típusú döntés megszületik. Egy tipikus példa egy vállalaton belüli stratégiai döntésre, amikor kapacitás bıvítést valósítanak meg, egy versenytárs vállalat „felvásárlásával”.

2.2.2. Taktikai döntések: Ezek a döntések alapvetıen néhány hétre, illetve hónapra vonatkoznak. A döntések alapjául szolgáló információ mennyisége jóval nagyobb, mint amelyet a stratégiai döntéseknél alkalmaztunk, de az információk nagyfokú bizonytalansági tényezıvel rendelkeznek. A vállalatvezetés csak úgy tud a bizonytalanságok ellenére döntést hozni, hogy alkalmazza a korábbi hasonló esetek alapján összegyőjtött üzleti tapasztalatot és szakértelmet. A taktikai döntésre egy jó példa, ahogyan egy vállalat növeli, illetve csökkenti termékei és szolgáltatásai árát.

-3-


2.2.3. Napi döntések: Ezeket a döntéseket a vállalati vezetésnek nagyon gyakran kell meghoznia. A döntések megalapozott és részletes információn alapulnak. Meg kell jegyezni, hogy a vállalat napi döntéseinek meghozatalánál meghatározó szerepet játszanak azok a stratégiai és taktikai döntések, amelyeket az elızı bekezdésekben mutattunk be. A mai modern vállalatoknál a legtöbb automatikus, illetve félautomatikus napi döntés elsısorban a hatékonyság fejlesztésére irányul. Mindemellett a döntések jelentıs része a hatásosság fejlesztésének kérdéseit is napirenden tartja, és biztosítja a minıség folyamatos fejlesztését.

Néhány kérdés, amely az elmondottak kapcsán felmerül: •

Lehetséges-e hogy az információ technológiát arra használjuk, hogy segítségével a taktika vagy a stratégia hatásosságát fejlesszük?

•

Milyen irányban kell fejlıdnie (milyen témákkal kell foglalkoznia) azoknak a számítógépes programoknak, amelyek a döntési alternatívák következményeire adnak válaszokat?

2.3. A számítógépes intelligencia és a hatékony taktikai döntés elıkészítése Mint azt a korábbi bekezdésben bemutattuk, a taktikai és stratégiai döntések nagymértékben bizonytalan információs környezetben születnek. Az tény, hogy bizonyos menedzserek sokkal jobb döntéseket hoznak, mint társaik, amely abból ered, hogy szélesebb információs háttérrel rendelkeznek a piac aktuális állapotáról. Mindenesetre, ma a taktikai és stratégiai döntéseket a világ valamennyi vállalatánál hasonló módon olyan saját magukra utalt menedzserek hozzák, akik az üzletmenet szempontjából azt a döntési megoldást javasolják, amelyet korábbi tapasztalataik, és képességeik alapján a legjobbnak ítélnek. Valószínőleg nehéz megállapítani, hogy ezekben a döntéselıkészítési folyamatokban milyen mértékben használják fel a korszerő rendszerelmélet eredményeit, mint például a rendszertechnikát, a mesterséges intelligenciát, a optimalizálás elméletét, vagy más egyéb tudományos ismereteket. Ezeket a tudományokat célszerő alkalmazni a döntés elıkészítésében, mert objektív, számszerő eredményeket adnak a döntéshez, így jelentıs információs háttérrel támogatják a döntéselıkészítés hatékonyságát. Az alkalmazott

-4-


módszerek többsége Fuzzy halmazok, neurális hálózatok és genetikus algoritmusok segítségével oldja meg a feladatokat.

2.4. Napjaink információs technológiai (IT) rendszerei, és alkalmazásuk a hatékonyság növelésében, illetve a döntéselıkészítésben A napjainkban létezı különbözı IT rendszerek, két kategóriába sorolhatók. Az egyik ezek közül az a módszer, amely felhasználja a vállalat belsı információit, illetve ezeket ötvözi olyan külsı információkkal, amelyek együttesébıl hozza létre a döntési alternatívákat. A másik eljárásnál csak a csupa nagybetős ISMERETEKET alkalmazzuk, és így alakítjuk ki a döntési alternatívákat. A továbbiakban megállapíthatjuk, hogy a magas szintő vezetıi döntésekhez, mint például a különbözı termékek árának a megállapítása, nagy mennyiségő külsı információ szükséges. Az információ minıségével foglalkozó cikkek megállapítják, hogy ezek az információk rendszerint nem pontosak, nem naprakészek, illetve nem eléggé megbízhatóak. Ahhoz, hogy alkalmazhassuk ıket magas színtő gazdasági ismeretekre van szükség. 2.4.1. Termelési ügyintézı rendszerek Ezek általában egy vállalat életében leggyakrabban alkalmazott rendszerek, amelyek rögzítik a különbözı vállalati eseményeket, amelyek a vállalaton belül, illetve a vásárlókkal történı kapcsolat során keletkeznek.

2.4.2. Adatraktárak és adatkereskedések Ezek a vállalati adatbázisban egy olyan információ feldarabolást és kozkázati analízis lehetıséget biztosítanak, amelyekkel kipróbálhatjuk, hogy mi történne akkor, ha különbözı módon (sorrendben, idıben) valósítanánk meg a vállalati ügyleteket. Az adatkereskedések olyan kis mérető adatraktárak, amelyek csak egyetlen vállalati osztály, vagy gyártási eljárás adatait tartalmazzák.

Az adatraktárak és adatkereskedések is elsısorban a vállalat belsı információival foglalkoznak. Ezek a rendszerek a vállalati ügyletek bonyolult kezelési eljárásaiba szakértelmet (objektív ismereteket) visznek. Az adatraktárak és adatkereskedések különbözı egymást részben átfedı szakértıi ismeretet foglalnak magukba. Ilyen

-5-


rendszerek tervezésénél viszont a rendszer tervezıjének kell meghatároznia, hogy melyik adatbázis alkalmas a feldarabolásra és a kockázati analízisre.

2.4.3. Adatbányászat Ez egy olyan program, amellyel lehetıségünk van olyan kérdéseket feltenni egy adatbázisban, amely elsısorban az adatok közötti összefüggésekre világít rá (korrelációkra). Az információ, amelyet erre a célra felhasználunk itt is elsısorban a vállalat belsı információs

adatbázisából

származik.

Továbbá

ismeretek

szükségesek

a

adatkapcsolatokat keresı program kezelésére vonatkozóan is, hogy pontosan azt kérdezhessük meg, amire valóban kíváncsiak vagyunk.

2.4.4. Statisztikai analízis programok Amióta egy vállalat belsı információi nem nyújtanak elegendı adatot a jelentıs döntésekhez, a saját és a versenytársak vásárlóinak szokásairól, tipikussá vált, hogy ezeket az információkat összesítve különbözı szolgáltatókon keresztül szerzik be. Az így kialakított információk közel sem olyan pontosak és idıszerőek, mint amelyeket a vállalat belsı adatbázisból határozhatnánk meg. Viszont, ha saját adatbázisunkra akarunk támaszkodni, akkor azt össze kell kapcsolnunk egy ilyen statisztikai elemzést végzı programmal. A statisztikai elemzést végzı program kezeléséhez felhasználói ismeretekkel kell rendelkeznünk.

2.4.5. Szakértı rendszerek Ezek olyan rendszerek, amelyek szakértıi tudással kezelik a vállalat belsı és külsı forrásaiból származó információkat. Például egy ilyen rendszer végezheti egy biztosító társaságnál az aláírás ellenırzését, vagy egy banki rendszerben a csalás kiszőrését.

2.4.6. Megoldás keresést támogató rendszerek Az ilyen rendszereket általában egybeépítik az adatraktározást végzı programokkal, és így válnak egy adatraktározási rendszerben a dinamikusan változó komplex információfolyamat kezelı rendszerévé. Ezek a rendszerek is alapvetıen a vállalat belsı információit alkalmazzák a számításokhoz és csak nagyon kis mennyiségő külsı információt használnak fel. -6-


Az alkalmazáshoz a döntéstámogató rendszer utasításainak kezelıi szintő ismerete feltétlenül szükséges.

2.4.7. Szimulátorok és táblázatkezelı rendszerek A

legtöbb

reklámkampány

esetben

a

tervezéshez,

döntéselıkészítéshez stb.)

a

különbözı

(az

ármegállapításhoz,

jövıbeni

események

valószínőségének (például a versenytársak várható reakcióinak) meghatározásához nagyon gyakran alkalmaznak olyan modelleket, amelyek belsı és külsı információk alapján készülnek. Ezek a programok szintén megkövetelik a modellezı rendszer alkalmazói szintő ismeretét. A szimulátorokkal és táblázatkezelı rendszerekkel nagy számú futtatást végezhetünk a vizsgált modellen, különbözı bemenı adatokkal, és a különbözı bizonytalansági tényezık hatásának figyelembevételével. A futtatási eredményekbıl statisztikai módszerrel határozhatjuk meg a közelítıen optimális megoldást. (átlagértékek, konfidencia intervallumokkal)

2.4.8. Neurális hálózatok elvét alkalmazó elırejelzı rendszerek Ezek a programok lehetıvé teszik, hogy nagy mennyiségő információból meghatározzuk a lényeges összefüggéseket (adat-kapcsolatokat) a vizsgált rendszerrıl (vállalatról). A neurális hálót tanuló adatokkal készítjük elı, majd ezután

aktuális

adatainkkal,

a

jövıbeli

események

bekövetkezésének

valószínőségérıl elırejelzést készíthetünk.

2.4.9. Mesterséges intelligencia elveket alkalmazó döntéstámogató rendszerek A belsı és a külsı információk együttesébıl meghatározható információ minıségét és mennyiségét tekintve, ezek a rendszerek messze felülmúlják az összes korábban bemutatott döntéselıkészítı programot. Ha példaként az ármeghatározást vesszük, még a legnagyobb vállalatoknál is az árakat (saját adatbázis adatok alapján) a potenciális vásárlók 20-30%-ának véleménye alapján alakítják ki. Hogy az ár kialakításánál a vásárlók maradék 70-80%-ának véleményét is figyelembe lehessen venni, a rendelkezésre álló kis mennyiségő és alacsony információtartalmú adatok mellett, gazdasági szakértelemre is szükség van. Egyedül a szakértı rendszerek jelentenek kivételt, amelyeknél a szakértelem a programba van ágyazva (a program, illetve a feltöltött adatok együttese tartalmazza a szakértelmet). -7-


Az intelligens taktikai döntés-támogató rendszerek a vállalat összes hatáskapcsolatát és a döntéshez szükséges szakértelmet együttesen tartalmazzák.

A kapacitások optimalizálásában az intelligens taktikai döntéstámogató rendszerek lehetıvé teszik a felhasználók számára, hogy nagy mennyiségő útvonalkeresı számítás elvégzése után a „legjobb” döntést hozzák az adott szituációban. Az intelligens taktikai döntés-támogató rendszerek beépített tanulási szabályaik segítségével biztosítják, hogy valóban a legjobb döntést kapjuk, amely a korábbi árképzési döntéseink szisztematikus feldolgozásán alapulva jött létre.

3. A számítástechnika által nyújtott korszerő döntéstámogató lehetıségek •

Adatbázisok

•

Szimuláció

•

Optimalizálás

•

Ütemezés

3.1. Adatbázisok A vállalkozásokban a technika fejıdésével a kartoték rendszert egyre nagyobb mértékben váltja fel, valamilyen számítógépes vállalatirányítási rendszer. A számítógépes rendszer általában nem csak a készletek és a rendelések nyilvántartására szolgál, hanem a könyveléssel, és adózással kapcsolatos feladatokat is ellátja. A vállalatirányítási rendszer ezeken kívül koordinálja, és rendszerezi a vállalaton belüli adatforgalmat. Az adatbázisok tehát elektronikus formában tárolják a vállalat életének adatait, amelyek a számítógépes analízis bemenı paramétereiként szolgálhatnak. Az adatbázisok alkalmazásának elınye, hogy lekérdezések segítségével, bármilyen információt megkaphatunk a meglévı adatokból. Az adatbázisokban tárolt

óriási

adathalmaz sokkal több lehetıséget kínál a vállalat folyamatainak megismeréséhez, fejlesztéséhez, mint amennyit napjainkban ebbıl kihasználnak.

-8-


Ismeret igény

Taktikai döntések Mesterséges intelligencia elveket alkalmazó döntéstámogató rendszerek

Napi döntések

Neurális hálózaton alapuló elırejelzı rendszerek Szimulátorok és táblázatkezelı rendszerek Szakértı rendszerek

Statisztikai analízist végzı eszközök Adatbányászat Adatraktárak és adatkereskedések Termelési ügyintézı rendszerek Csak belsı információk

Csak külsı információk

1. ábra: A különbözı döntéstípusokhoz szükséges információ és ismeretigény -9-


Ismeret igény Mesterséges intelligencia elveket alkalmazó döntéstámogató rendszerek

Nagyobb nyereség a hatékonyság növelésével

Nagyobb nyereség jobb árképzéssel

Neurális hálózaton alapuló elırejelzı rendszerek Szimulátorok és táblázatkezelı

Szakértı rendszerek Statisztikai analízist végzı eszközök Adatbányászat Adatraktárak és adatkereskedések Termelési ügyintézı rendszerek Csak belsı információk

Belsı és külsı információk együttesen

Csak külsı információk

2. ábra: A különbözı nyereség növelési formákhoz szükséges információ és ismeretigény

- 10 -


3.2. Szimuláció A szimulációval a vállalkozások üzleti, termelési, szállítási folyamatainak analízisét végezhetjük el. Az eljárás lényege, hogy modellezési lépések segítségével létrehozzuk a számítógépben a vizsgált rendszer valamilyen egyszerősített mását. A modellt a gépben adott szempontok figyelembevételével kell kialakítani. Elıfordulhat, hogy ugyanazon folyamat más tulajdonságainak megfigyeléséhez, más-más típusú modellt kell készíteni. Bemenı adatokként az adatbázisokból nyerhetjük a konkrét értékkel rendelkezı paramétereket, vagy matematikai statisztikai eszközök segítségével a valószínőségi változókat, eloszlás függvényeket. A szimulátorok többsége képes ilyen típusú adat analízist önállóan elvégezni, és az eloszlásfüggvények jellemzı paramétereit meghatározni. A szimuláció segítségével így, a virtuálisan létrehozott folyamatokat sokkal gyorsabban, és sokkal alaposabban lehet vizsgálni. A szimuláció a futás alatt képes minden mőködési paraméterét tárolni. Ezek a paraméterek a futás után kiértékelhetık.

- Természetesen a szimulációval nem csak meglévı rendszerek tulajdonságait tudjuk vizsgálni, hanem kipróbálhatjuk, hogy a „mi lenne ha” típusú kérdéseinkre a vizsgált rendszer hogyan reagál. Pl.: •

Mi lenne ha, az adott munkahely ütemidejét csökkentenénk?

•

Mennyivel növekedne az átbocsátó képesség, ha adott ütemhelyek két mőszakban dolgoznának?

•

Mi történne, ha még egy szállító eszközt a termelésbe állítanánk?

•

Mennyivel csökkenne az átfutási idı, ha az irodákban máshogy osztanánk el a munkát, és/vagy az alkalmazottak továbbképzésen vennének részt.

•

Hány, és milyen képzettségő operátor tudná minimális várakoztatással kiszolgálni a telefonos információs központokba érkezı hívásokat.

A szimuláció gyors és megalapozott döntéshozatalt tesz lehetıvé, ami természetesen jótékony hatással van a vállalaton belüli folyamatokra. -

A szimulációval még csak a tervezési stádiumban lévı rendszereket is kipróbálhatjuk. A tervekben szereplı berendezéseket, munkaerıt, technológiát a modellezés során felhasználva, a beruházásokról, fejlesztésekrıl, még a kivitelezés elıtt eldönthetjük, hogy megvalósíthatók-e, vagy sem. Ezzel az eljárással jelentıs fejlesztési költségmegtakarítást

- 11 -


lehet elérni. Akár a megtérülési idıt, akár az adott technológiával megvalósított átbocsátási képességet, gépkihasználtságot, profitot, stb. analizálva ki lehet jelölni azt az irányt, amerre érdemes a fejlesztést tovább folytatni. Ha a folyamatokat már le tudjuk írni statikus folyamat ábrákkal, akkor miért ne nézhetnénk meg dinamikusan, a tervezett rendszer számítógépes animációjának formájában. -

A szimuláció segíti a szakembereket a saját termelési, vagy üzleti folyamataik jobb áttekintésében és megismerésében.

3.3. Optimalizálás Ha már megterveztünk egy folyamatot, akkor az nem biztos, hogy optimálisan mőködik. Egy nagy rendszerben, ha a részrendszerek optimálisan mőködnek, ez még nem jelenti azt, hogy az egész rendszer együttesen is optimálisan mőködik. Az üzleti folyamatok többsége sztochasztikus, és csak a kisebbik részük determinisztikus tulajdonságú. Az operációkutatás és a logisztikai operáció tervezés csak kevés problémára ad matematikai modellekkel pontosan definiálható megoldást. A legtöbb feladatot csak valószínőségi változókkal lehet leírni. Itt hívható segítségül a szimuláció alapú optimalizálás. A módszer lényege, hogy egyesíti a diszkrét esemény szimulációban és az optimalizálásban rejlı lehetıségeket. A szimuláció alapú optimalizálás képes a sztochasztikus folyamatok szélsı értékét meghatározni. Az optimum keresés alapja a szimulációs modell. Az optimum keresés során a modellben szereplı állapotváltozók közül a program a kijelölt változók értékeit módosítva, a megadott célfüggvény és korlátok figyelembevételével, többszöri futtatással elıállítja a lehetı legjobb megoldást. Az egyik ilyen szimulációs optimalizáló program a következı optimum keresı algoritmusok közül a „legalkalmasabb” módszert választja. Ilyen módszerek: •

Fokozatos közelítés módszere

•

Neurális háló

•

Gradiens keresés

•

Taguchi-féle keresési módszer

•

Evolúciós algoritmus

- 12 -

elemzések

Stratégiai


1. Környezetelemzés (kihívások, lehetıségek, veszélyek) 2. A vállalkozás értékelése (erısségek, gyenge pontok)

ADATBÁZISOK

SZIMULÁCIÓ

OPTIMALIZÁLÁS Stratégiai döntések

3. Stratégiai akciótervek 4. A változtatások várható hatásainak elemzése 5. Összehasonlítás, döntés

ÜTEMEZÉS

megvalósítása

Stratégia

6. Mőködtetési tervek kidolgozása 7. Rendelkezésre állás biztosítása 8. Kiszolgáló folyamatok megvalósítása 9. Szervezet fejlesztés

3. ábra: A számítógépes döntéstámogatás helye a beruházási / fejlesztési folyamatban

3.4. Ütemezés A termelés egyik legfontosabb kérdése, a termelésütemezés. Ezen a területen is megjelentek a számítógépek és a szimuláció. A hosszadalmas tervezı asztal melletti Gantt diagram szerkesztését ma a számítógépek végzik el. Elıször a táblázatkezelıkkel próbálkoztak, de ezekkel is hosszadalmas a termelési ütemtervek elkészítése. Mára viszont létrehoztak olyan véges kapacitás ütemezı programokat, amelyek a vállalatirányítási rendszerekben szereplı adatokat használják fel, és a gyártás finomprogramozásával foglalkoznak. A legtöbb ilyen alkalmazásban, fel kell építeni a gyári, üzleti, stb. folyamatokat, erıforrásokat, minden termelési, mőködési paraméterükkel együtt. Majd be kell vinni a rendelésállományt, az elvégzendı - 13 -


feladatokat. Ezután következhet az ütemezés, a jól bevált algoritmikus elıre, hátra és kétirányú ütemezéssel, mely a tervezési idısíkon többször végighaladva nagyon gyorsan a megfelelı helyekre illeszti a az elvégzendı munka mőveleteit, az elkerülve emberi hibákat. Ezen belül ütemezhetünk prioritás, fordított prioritás, határidı és egyéb tényezık szerint. Egy teljesen új lehetıség, hogy ezek a szoftverek képesek szimuláció alapú ütemezésre is. A program az idısíkon ütemezés közben csak egyszer halad végig, és minden befejezett mővelet után megnézi, hogy mi a következı elvégezhetı mővelet. Ezzel a módszerrel sokkal tömörebb lehet a termelési terv, ami egyenletesebb erıforrás kihasználtságot eredményez. Ezeket a programokat már saját algoritmusunkkal is elláthatjuk, ami növeli az alkalmazhatóságukat. Az ütemezıvel gyorsan tudunk újra ütemezni, átütemezni, változásoknak, változtatásoknak eleget tenni. Kipróbálhatjuk a „mi lenne, ha” ötleteinket, minden következmény nélkül, mint a szimuláció esetén.

4. Esettanulmányok

4.1. NABI Rt. – ARENA esettanulmány Az autóbusz vázakat gyártó vállalat szeretné megismerni, hogy : •

jelenlegi gyártási rendszerében melyik üzemegységben mekkora gyártási tartalékok vannak,

•

hol vannak a jelenlegi gyártási rendszerben a szők keresztmetszetek és hatásukat hogyan lehet csökkenteni,

•

új gyártási elrendezés és pótlólagos beruházás esetén mekkora lesz a termelés növekedése és mekkora beruházás szükséges,

•

milyen idırend szerint teljesülnek a következı év megrendelései a jelenlegi és az új gyártási rendben.

A feladat megoldásához az ARENA logisztikai szimulációs programot alkalmaztuk. A feladat megoldása a jelenlegi állapot modellezésével, és a modell felépítéséhez és mőködtetéséhez szükséges adatgyőjtéssel kezdıdött. Elkészültek az egyes üzemrészek modelljei külön-külön, majd a köztük lévı hatáskapcsolat vizsgálatára, egy egységes gyármodellé kapcsoltuk össze ıket.

- 14 -


A modellezésben nagyon fontos a modell ellenırzése, összehasonlítása a valóságos rendszer mőködésével. Ezt a vállalat vezetıségével és az egyes üzemvezetıkkel történı tárgyalások során tettük meg. Ezt a folyamatot nevezik validálásnak. A modellezés másik sarkalatos kérdése a modellezési mélység meghatározása. Ez azt jelenti, hogy milyen részletességgel kell egy adott folyamatot a modellkészítés során figyelembe venni. A mélységet általában a folyamat részleteinek megismerése után érdemes megállapítani. A munka elsı fázisában határoztuk meg a jelenlegi gyár kapacitásának tartalékait, kihasználásuk korlátjait, a szők keresztmetszeteket, blokkolódásokat, ütem problémákat. Ezen felderített problémák alapján kezdtük el aztán a második fázis munkáját. Vagyis az itt felderített problémák alapján az üzemeket jól ismerı szakemberek olyan „mi lenne, ha” ötleteket javasoltak, amelyek megvalósítását szükségesnek ítélték a gyártási kapacitás növeléséhez. Az új, átrendezett gyár modellje ilyen változtatásokon keresztül alakult ki. Az ötletek közül a szimuláció segítségével kiválasztottuk azokat, melyek ténylegesen jó irányban hatottak az üzemi folyamatokra. Ebben a fázisban került sor egyes

folyamatok

párhuzamosítására, a gyártási rend átszervezésére, új ütemhelyek, és gyártásközi pufferek kialakítására. Az így létrehozott modell paramétereit és mőködését ismét ellenıriztük. A futtatások során állítottuk be az egyes üzemek mőszakrendjét, hogy az adott rendelésállomány az adott határidıre teljesíthetı legyen. A futtatások bebizonyították azt az állítást, hogy egy rendszer részrendszereinek optimális mőködése nem feltétlenül eredményezi a teljes rendszer optimális mőködését. Elıfordult ugyanis, hogy adott munkahelyek munkaidejének növelése a pufferhelyek teljes kihasználásával járt, ami a többi folyamatot károsan befolyásolta, és csökkent a termelt mennyiség. Az új modell a vizsgálni kívánt rendelésállományt egy adatbázisból töltötte be, és az eredményeket ugyancsak egy adatbázisban tárolta. A vezetık az így létrehozott szimuláció, és eredményei alapján hozták meg a fejlesztéshez szükséges döntéseket.

- 15 -


4. ábra: A vázkészítı üzem modelljének részlete

- 16 -


4.2. ALCOA Európai Keréktermék Kft. – Taylor II esettanulmány Az alumínium keréktárcsákat gyártó kft. a gyár bıvítése során új robot kiszolgálású polírozó üzemet épített. Az üzem szerette volna megtudni, hogy a gyár többi részlege milyen mértékben képes kiszolgálni a polírozó gépsort, ami addig a gyár szők keresztmetszetének bizonyult. Szerették volna megtudni, hogy az egyes gépsorok közötti gyártásközi pufferek mérete milyen nagyságú legyen, adott termékszerkezet és rendelésállomány mellett. Egy eszközt akartak kapni, amely követni tudja a termelési körülmények változását, és segítségükre van a PULL rendszerő gyártás ütemezésében. A feladat megoldásánál a Taylor II logisztikai szimulációs programot alkalmaztunk. Az új nagyobb kapacitású polírozó gépsorral megváltozott az üzem szők keresztmetszetének helye. A vizsgálat ezek után arra terjedt ki, hogy milyen mértékben képesek a forgácsoló üzem gépei kiszolgálni a polírozó gépsort. A szimulációval meg lehetett határozni a gépek mőködtetéséhez szükséges gépkezelık számát is. Megvizsgáltuk a forgácsoló gépek meghibásodásának hatását a termelés folytonosságára.

készítettünk

egy

szimulációt

amely

meghatározta

a

rendelésállományoknak megfelelı gyártásközi pufferek méretét, a PULL rendszerő gyártáshoz. Meghatároztuk az átállásoknál szükséges minimális készletnagyságot, valamint az elıgyártmány készítı préssor átállási idıpontjait, a rendelésállománynak megfelelıen.

Összefoglalás A korszerő számítógépes döntéselıkészítı programok segítségével, a korábban alkalmazott módszereknél hatékonyabb, gyorsabb és objektívebb döntéselıkészítés megvalósítására van lehetıség. A programok alkalmazóbarát kezelıi felülettel biztosítják a bemenı adatok megadását, és eredményeiket olyan formában közlik (animált moziszerő képsorozat, animált diagramok, statisztikai adatok), hogy azok a legtöbb információt nyújtsák.

- 17 -


5. ábra: A polírozó üzem modelljének részlete

- 18 -


6. ábra: A forgácsoló üzem modelljének részlete

- 19 -


IRODALOM 1. A. M. Law, W.D. Kelton: Simulation Modeling and Analysis, McGraw-Hill, 1991. 2. M. G. Singh: Computational Intelligence in the Real World: Decision Support Systems for the Higher Managerial Tasks Preceeding of TOOLMET ’99 Symposium University of Oulu, Apr. 1999. p 8-26 3. Husti I.: Mezıgazdasági vállalkozói ismeretek Agrocent kiadó 1995. 4. Prezenszki J.: Logisztika I., II. DAUBER mérnökiroda, 1997. 5. W. D. Kelton: Simulation with ARENA McGraw-Hill, 1998. 6. A. A. Petrovozvanszkij: Matematikai modellek a termelésirányításban Mőszaki Könyvkiadó, 1981.

- 20 -

Vezetıi döntések elıkészítı feladatai és ezek megoldásának korszerő eszközei

Recommend Documents