Planificación de la producción en un mundo incierto

Por Dr. Milos Milenkovic, Investigador Colaborador de ZLC.

Read English version

 

“Es difícil hacer predicciones, especialmente sobre el futuro”. Esta idea se atribuye de diversas maneras al filósofo del béisbol Yogi Berra, al magnate de Hollywood Sam Goldwyn o al autor Mark Twain, pero muchas empresas manufactureras reconocen su verdad. Los planes de producción se basan en la mejor información disponible en ese momento, pero pueden cambiar muchas cosas hasta el momento en el que el material llega a la fábrica.

Una técnica para crear planes y cronogramas de producción sólidos en un mundo incierto es usar el Análisis de Decisiones Secuencial (SDA por sus siglas en inglés), y este es el enfoque adoptado en una tesis fin de máster premiada de tres estudiantes de ZLC: Anzar Kamdar, Rolando Fuentes Ruiz y Valeriya Shevtsova.

SDA es aplicable a una amplia gama de problemas donde una decisión inicial, digamos un programa de producción, basado en los mejores datos disponibles, está desactualizado debido a información nueva o revisada. Se toma una decisión nueva o modificada, pero esta a su vez puede experimentar, o incluso desencadenar, otro cambio en una o más de las condiciones de entrada… y así sucesivamente hasta que en algún momento decidamos “congelar” el plan y empezar a tomar medidas.

SDA implica la creación de un modelo matemático con cinco componentes cruciales: el estado físico del sistema a optimizar; la decisión inicial (el plan de producción, por ejemplo, basado en los datos actualmente disponibles); la información nueva o actualizada que ha llegado a estar disponible desde el exterior (información exógena); una función de transición que describe cómo cambia el sistema con el tiempo; y una función objetiva que captura la contribución específica o la(s) medida(s) de desempeño para las cuales se optimizará el sistema, que podría ser la reducción de costes, la ganancia, el riesgo o el impacto ambiental.

Se llega a la decisión inicial de acuerdo con una política predeterminada que se espera que logre los objetivos de la mejor manera. Hay dos enfoques principales. La búsqueda de políticas tiene una base histórica e implica revisar la clase de políticas aplicables y encontrar la que parece funcionar mejor con el tiempo. Alternativamente, podemos usar una aproximación de anticipación, que implica estimar el impacto probable de la decisión actual en el desempeño futuro: el coste de tomar la decisión ahora y el impacto futuro probable en el rango de valores posibles que constituyen la incertidumbre en torno a los valores de los factores críticos en el futuro.

Este estudio en particular involucra un fabricante portugués de vehículos y, en particular, una parte del proceso que implica un gran consumo de electricidad en las máquinas mezcladoras y las extrusoras asociadas. La compañía había disfrutado hasta junio del año pasado de un contrato de electricidad a precio fijo, pero eso ya terminó. Aunque la compañía puede generar en condiciones óptimas hasta el 25% de sus necesidades eléctricas a partir de sus propias instalaciones fotovoltaicas, depende en gran medida de la compra en el mercado  ibérico de electricidad, MIBEL, donde los precios son significativamente superiores a los que la compañía ha venido pagando hasta ahora – un aumento promedio del 200% en los precios pagados en el 20-21 y, quizás más significativamente, extremadamente volátil a diario o incluso por hora (se ha visto hasta 1,900% en la tarifa horaria pico).

Esa es una fuente de incertidumbre. La otra es que hay alrededor de 250 productos en la cartera de la empresa, lo que impone diferentes demandas de capacidad y energía en las máquinas mezcladoras y extrusoras, pero la empresa fabrica esencialmente bajo pedido, por lo que la visibilidad de la demanda futura a nivel de producto es limitada y no existe un proceso formal de optimización o planificación de la producción, otra fuente de incertidumbre. Pero es evidente la conveniencia de optimizar el proceso productivo para minimizar los costes eléctricos.

La empresa ha mapeado sus procesos utilizando Multi-layer Stream Mapping (basado en Value Stream Mapping) que les permite, entre otras cosas, rastrear el uso de energía en cada etapa de producción y rastrear cualquier variabilidad entre turnos. Esto formó la base para el modelo analítico; sin embargo, unir datos de una variedad de fuentes internas y externas para formar una vista combinada de la cadena de suministro de producción en general no estuvo exento de desafíos y en concreto, debido a ausencia de ciertos datos, se modeló un sistema de dos máquinas mezcladoras, en lugar de las tres en la vida real.

Se crearon tres modelos. El modelo 0 es una visión puramente histórica de decisiones pasadas y sus resultados para actuar como línea de base. El modelo 1 representa un mundo idealizado en el que el desplazar la demanda de energía minimiza los costes de electricidad mensualmente, pero sin tener en cuenta ninguna otra consideración de producción. El Modelo 2 implementa el marco SDA con los cinco elementos mencionados anteriormente. Las variables de estado significativas, que describen el estado inicial del modelo, incluyeron niveles de inventario; demanda del producto (sobre una base determinista, semanal); precios del mercado  de la electricidad (MIBEL es esencialmente un mercado del día siguiente, que cotiza hora por hora, aunque hay muchas ofertas paralelas, permutas y coberturas disponibles); creencias (mejores estimaciones de resultados anticipados, como rendimiento, consumo de electricidad, tiempo de fabricación por unidad de producto); y la producción de energía fotovoltaica, que es esencialmente el pronóstico del tiempo.

El modelo 2 incluye funciones exógenas y de transición para demostrar cómo encajan, pero estas no están «vivas» en el modelo desarrollado; eso realmente requeriría una implementación en la vida real.

Ejecutar los modelos arrojó algunos resultados impresionantes. El Modelo 1, el modelo de desplazamiento de la demanda puro, produjo un ahorro de costes de electricidad del 10% sobre el Modelo 0 «histórico». El Modelo 2, el modelo determinista que integra la planificación de producción, el coste de inventario y el coste de energía, mostró un ahorro de costes de electricidad superior, 11.7%, y una reducción en el valor promedio de mantenimiento del inventario del 58,14 %, que con los costes anuales de mantenimiento asumidos en alrededor del 20 %, también es significativa. Mientras tanto, se mantienen los niveles de ventas (a cinco cifras de decimales).

Esto es alentador y existen rutas naturales para la expansión del modelo. En particular, existe la posibilidad de asignar los turnos más experimentados/eficientes a los momentos del día que consumen más energía (con una diferencia típica de 20-40 % en los precios entre los turnos de 6 p.m. a medianoche y de medianoche a 6 a.m., incluso pequeñas variaciones pronto se suman). También existen posibilidades de explotar el arbitraje en el mercado de la energía, especialmente dada la capacidad de generación fotovoltaica propia de la empresa. Sin embargo, sería importante no superar las capacidades de la empresa: ¡pueden suceder cosas desagradables en los mercados!

La siguiente etapa lógica sería desarrollar un Modelo 3, que incluya elementos de modelado estocástico para optimizar los valores esperados dado el riesgo y la incertidumbre en varios parámetros. Esto podría basarse en el aprovechamiento de los pronósticos de cara al futuro a medida que estén disponibles. En teoría, esto podría ser un proceso continuo o tan continuo como lo permita la frecuencia de las observaciones: en la vida real, por supuesto, el plan tiene que fijarse en algún punto, o nunca se hace nada.

También se podría adoptar un enfoque de “Monte Carlo” que implica asignar funciones aleatorias a cada variable incierta, generando conjuntos de escenarios con soluciones óptimas. Estos pueden usarse para generar tablas de frecuencia que muestran con qué frecuencia un elemento de solución particular es parte de una solución óptima. Sin embargo, probar un modelo de este tipo requeriría pruebas de campo en vivo o, al menos, el desarrollo de un simulador en línea, ninguno de los cuales estaba dentro del alcance de la tesis actual.

Para más información, contacte con Milos Milenkovic, Investigador Colaborador de ZLC.