ROGLE
21Mar/12Off

MILP model for solving the supply chain operations scheduling problem with alternative operations considering delay penalization: a case study of a mass customization company

http://www.usc.edu/dept/ise/caie/Checked%20Papers%20%5Bruhi%2012th%20sept%5D/word%20format%20papers/REGISTRATION%20PAID%20PAPERS%20FOR%20PROCEEDINGS/pdf/94%2012%20MILP%20MODEL%20FOR%20SOLVING%20THE%20SUPPLY%20CHAIN%20OPERATIONS%20SCHEDULING%20PROBLEM%20WITH%20ALTERNATIVE%20OPERATIONS%20CONSIDERING%20DEL.pdf
 This paper addresses a mixed integer linear programming model for operations lot-sizing
and scheduling (assignment and sequencing) in the supply network of a European company which 
assembles customized machine tools through several geographically distributed factories and delivers 
them to the customers’ factory. The results from the model propose a schedule to purchase raw 
material from different suppliers to the various  factories considered, lateral stock transshipments, 
shipments to customers and various operations required for product assembly. Different alternative 
operations (product substitution, alternative procurement and transport operations), considering lead 
times, are contemplated. Specific constraints, such  as space availability in each plant and the two 
backlog types, are considered. A novel approach based on the stroke concept is applied to the MILP 
model to consider alternatives. Since the latest MILP optimizers are not always available, a specific 
procedure to solve the case study based on the graph theory is proposed. Moreover, thanks to this 
concept, the algorithm proposed determines all the feasible solution
2Nov/11Off

Complejidad e Incertidumbre. Distintos y Complementarios.

Cuando se le pregunta a “practitioners” sobre los drivers de complejidad en su trabajo suelen responder con aspectos ligados a la incertidumbre.

La incertidumbre es un concepto central en la teoría de organización particularmente en aquellas ramas que intentan relacionar la organización con el entorno.

Si las organizaciones y su entorno son complejas, entonces la incertidumbre es imposible de reducir, puesto que la no linealidad en las relaciones implica que pequeños errores en los datos pueden conducir a grandes diferencias en las salidas previstas (el denominado efecto mariposa). Eso asumiendo que el futuro existe como algo predictible, puesto que algunos teóricos de la cuestión argumentan que, desde el punto de vista de la complejidad, en un momento dado existen varios futuros posibles que no pueden ser previstos de ningún modo.

Las fuentes de incertidumbre son varias (tanto interna como externa) aunque en general limitadas. Sin embargo, debido al efecto de la complejidad sobre la incertidumbre (o a la inversa) la cantidad de datos y resultados inciertos que hay que manejar es muy elevado en cualquier caso.

Stirling(1999) distingue cuatro tipos de incertidumbre en función de dos dimensiones. “Conocimiento de las salidas” vs “Conocimiento de las probabilidades”. La Ignorancia se da cuando ambos niveles de conocimiento son bajos, el Riesgo es cuando ambos son altos, la Ambigüedad se da cuando sólo el conocimiento de las salidas es problemático, y la Incertidumbre implica desconocer las probabilidades pero no las salidas.

Olvida Stirling que puede haber incertidumbre en los datos de partida o en la aplicación de las decisiones.

Se podría decir que la función de un gerente es manejar una situación con un nivel alto de incertidumbre o de complejidad elevado, pero, en la medida de lo posible no ambos a la vez, y si ambos son bajos, quizá debiera buscar otro trabajo antes de que se de cuetna.

Algunas de las cuestiones relevantes que se abren desde este punto de vista es:

  • ¿A qué fuentes de incertidumbre deberíamos prestar atención? ¿qué es prestar atención?
  • ¿Qué recursos y en qué cantidad se deben dedicar a atacar fuentes de incertidumbre -tanto internas como externas-?
  • ¿cómo evoluciona la incertidumbre con el tiempo?
  • ¿Cuál es la relación entre complejidad, riesgo e incertidumbre?

Uno de los aspectos que más comumente se observa es que un resultado con un 95% de intervalo de confianza para un 5% de significación puede ser muy interesante a nivel científico, pero inútil para un gerente que generalmente está más interesado en análisis del tipo worst case, pues en la aplicación práctica los “falsos negativos” son letales.

 

2Nov/11Off

Complejidad y Gestión. Una primera introducción.

La denominada ciencia de la complejidad es uno de los temas que más ha crecido en los últimos años tanto en ciencias sociales como en naturales.

Ha estado creciendo en los intersticios de diferentes disciplinas desafiando las suposiciones y los límites de cada una de ellas.

Un sistema complejo se puede definir (Allen, 2011) como una totalidad hecha de un gran número de partes (o agentes), gobernadas por un conjunto de reglas y de relaciones entre ellas, y que afectan a las reglas y las relaciones de las otras. Las interacciones entre los agentes son general aunque no necesariamente locales y ricas.

La complejidad surge (o emerge) cuando aparecen fenómenos a nivel de sistema que ni son estáticos ni son aleatorios pero que son difíciles de describir detalladamente.

Adoptar una perspectiva de complejidad tiene implicaciones ontológicas, epistemológicas y axiológicas que deben ser tenidas en cuenta tanto por los teóricos como por los prácticos.

Aspectos de complejidad como tal ha aparecido en numerosos reglas y principios a lo largo de los años. Así por ejemplo la “LEy de Variedad Requerida” de Ashby que establece que “sólo la variedad puede controlar la variedad”, o el extendido uso de la denominada “gráfica de Pareto” que no es más que una manera de representar la estructura en forma de Ley de Potencias hacia la que evoluciona cualquier sistema libremente.

Más concretamente en el área de gestión, la caracterización de las organizaciones como sistemas abiertos (Katz and Kahn,1966) o la propia relevancia de la denominada “action research” como el mecanismo con el que se deben analizar las empresas, son indicadores de que tratar a la empresa como un sistema cerrado y determinista puede no ser el modo más adecuado de proceder.

Movimientos como el “people empowerment” o la descentralización de la toma de decisiones son el efecto inmediato de apreciar que el sistema no es cerrado y determinista y por tanto no puede ser controlado como una máquina. Y esta era la intención de los diseñadores de industrias (“The rational factory” Biggs,1996).