Cómo aportar previsibilidad a las operaciones logísticas mediante técnicas de simulación

Ciertamente, todos nos hemos enfrentado a decisiones que debemos tomar sin tener muchos datos que las respalden, ya sea en la vida personal o profesional. Sin embargo, estas “decisiones en la oscuridad”, si no son correctas, pueden generar grandes pérdidas económicas en el entorno empresarial y, dependiendo de los cambios previstos en el funcionamiento de la empresa, pueden traer consigo una gran inercia que acaba por dificultar su reversión. ellos en el corto plazo. Por lo tanto, es fundamental que, aún en un escenario incierto, sea posible predecir el desempeño del sistema a implementar o modificar, con la estimación de indicadores clave de la operación e identificación de sus principales cuellos de botella.

Pasando al campo de la logística, imagina que acabas de recibir la misión de escalar los recursos relacionados con todas las operaciones involucradas en el embarque y desembarque de pasajeros en un nuevo aeropuerto. El proyecto incluye, por ejemplo, el dimensionamiento del check-in, búsqueda/seguridad, verificación de pasaporte, sala de espera de embarque, control de inmigración, aduanas y puertas. Es razonable predecir que las inversiones requeridas para esta obra de infraestructura son altas, por lo que es imperativo que su dimensionamiento sea lo más preciso posible. De lo contrario, el sistema puede operar de manera inadecuada, con cuellos de botella que pueden perjudicar el servicio ofrecido a los pasajeros.

¿Está de acuerdo en que considerar sólo el número medio de veces empleadas en cada uno de los pasos que intervienen en cada flujo (carga y aterrizaje) y la productividad de los recursos empleados puede dar lugar a errores de dimensionamiento? Y la razón de esto es bastante simple: prácticamente toda operación tiene una incertidumbre asociada, es decir, la tasa de llegada de pasajeros, el tiempo dedicado a realizar una tarea, así como la productividad de los recursos utilizados, tienen una variabilidad que puede traducirse a través de parámetros como la desviación estándar, la variabilidad y el coeficiente de variación. Así, tan importante como conocer las medidas de posición que caracterizan la operación, como el promedio, es necesario tener a la mano medidas de dispersión, como la desviación estándar, para que un sistema esté bien dimensionado y se pueda realizar una estimación adecuada. de sus indicadores de desempeño.

En este sentido, la simulación es una herramienta muy poderosa disponible en el mercado a través de diversos software como Simul8®, Arena®, Simio® y AnyLogic®. A continuación, un vídeo con una simulación del problema que acabamos de comentar, una terminal de aeropuerto, realizado por Vancouver Airport Services utilizando el software Simio®.

Detallamos ahora, de manera simplificada, los principales pasos para modelar un sistema usando simulación de eventos discretos:

Figura 1: Pasos principales para construir un modelo de simulación

• En primer lugar, es necesario recopilar una muestra de datos lo suficientemente grande como para extraer los parámetros estadísticos de interés para el problema, como la media, la media recortada, la moda, la mediana, los cuartiles y la desviación estándar. Según estos parámetros, es importante "limpiar" los datos discrepantes, llamados valores atípicos, que pueden "contaminar" la muestra si no se eliminan. Esta eliminación de valores atípicos debe ser juiciosa y siempre debidamente justificada.
• Con los datos ya tratados, el siguiente paso es averiguar qué distribución de probabilidad se ajusta mejor a los datos recopilados. Entre las distribuciones más conocidas tenemos las distribuciones normal, uniforme, exponencial y triangular. Cada una de estas distribuciones tiene un conjunto de parámetros que la caracterizan. Por ejemplo, la normal se define por la media y la desviación estándar, mientras que la exponencial se caracteriza solo por la media. Existen en el mercado softwares especializados en jerarquizar las distribuciones que mejor reflejan la muestra recolectada, entre los que podemos mencionar StatFit® (complemento Simul8®) e Input Analyzer (vinculado a Arena®).

Figuras 2: Ejemplos de distribuciones de probabilidad continuas y parámetros asociados [2]

• Antes de iniciar el modelado computacional del problema, es importante estructurar el modelado conceptual. En él se definirán los bloques principales del diagrama de flujo del proceso utilizado para modelar el problema, con la secuenciación de actividades, la previsión de colas y las decisiones a tomar durante la simulación.
• A continuación, el modelo conceptual debe traducirse a un modelo computacional utilizando algún software disponible en el mercado. Incluso se pueden ejecutar en Excel® simulaciones más simples y pequeñas con pocos recursos involucrados, pero a medida que crece el tamaño del problema, se hace necesario el uso de software especializado. De forma simplificada, los modelos computacionales están constituidos por:

1. Entidades – objetos que fluyen en el sistema, como pasajeros en una terminal de aeropuerto;
2. tarea – características asociadas con una entidad, como la preferencia en atender a un pasajero;
3. Procesos – actividades a realizar en el modelo, que pueden o no estar asociadas a algún recurso, como el servicio en el mostrador de facturación;
4. Recursos – elementos que permitan asistir a las entidades en un proceso, como tótems o empleados de líneas aéreas que facturen a los pasajeros;
5. Colas – Se forman cuando todos los recursos disponibles para realizar un proceso están ocupados cuando llega una nueva entidad para ser atendida, como las colas que se forman en el mostrador de facturación cuando todos los empleados o tótems están ocupados.

En general, el software permite simular particularidades de la operación, como fallas aleatorias de recursos, el tiempo máximo que las entidades están dispuestas a esperar en fila antes de dar de baja el servicio, llegadas programadas en ventanas de tiempo, sincronización de actividades y sorteo basado en un regla general algún atributo a alguna entidad. También es en esta etapa que debemos insertar los insumos relacionados con cada distribución de probabilidad de cada actividad (como la tasa de llegada de entidades al sistema y los tiempos de servicio), los costos asociados a cada recurso (si desea generar un costo informe al final de la simulación) y el tiempo total que desea ejecutar la simulación.

Figuras 3: Ejemplo de modelado computacional en Simul8® del flujo de un pasajero, incluyendo salida en aeropuerto de origen, vuelo y desembarque en aeropuerto de destino [3]

• Todavía en el modelado computacional, debemos definir qué indicadores de rendimiento queremos saber sobre el sistema para poder formatear el informe de resultados generado por el software. Entre los indicadores que habitualmente se monitorean, tenemos el tiempo medio de cola y la cola media formada en cada proceso (para identificar cuellos de botella), la tasa de utilización de cada recurso empleado en cada actividad (para identificar posibles ociosidades y/o equipos sobredimensionados), tiempo promedio total de permanencia de las entidades en el sistema y número de entidades que abandonaron el servicio por exceso de tiempo de espera en la cola.
• Luego de estos pasos se debe iniciar la simulación, que suele ir acompañada de una interfaz gráfica en la que es posible monitorear la llegada de entidades al sistema, la ejecución de actividades y la formación de colas. Esta interfaz gráfica puede ser bastante simple o más detallada y realista, como se muestra en el video anterior de Servicios del Aeropuerto de Vancouver. Para evitar que algunos datos aleatorios muy discrepantes generados durante la simulación interfieran con los resultados obtenidos, puede ser interesante replicar la simulación tantas veces como sea necesario para alcanzar un intervalo de confianza preestablecido para los resultados.
• Finalmente, se debe analizar el reporte de indicadores de desempeño del sistema generado por el software. Con estos datos en la mano, es posible evaluar si los recursos están dimensionados adecuadamente para el servicio que se planea ofrecer a los clientes, si existe algún cuello de botella en el sistema y cómo interactúan las actividades entre sí.

La aplicación de la simulación no se restringe al dimensionamiento de sistemas de transporte, como aeropuertos, puertos, muelles de un centro de distribución, plazas de peaje o estaciones de metro. Es posible, entre muchas otras actividades, evaluar el rendimiento de una línea de producción o incluso el funcionamiento de un almacén.

Ya sea para probar un nuevo modelo operativo, o para escalar o planificar un sistema “desde cero”, la simulación es una herramienta importante para ayudar a los profesionales de la logística en la toma de decisiones en entornos con incertidumbre asociada.

Referencias:

[ 1 ] https://www.youtube.com/watch?v=JuXwEbAvk2Q

[ 2 ] https://www.slideserve.com/brenna-hardin/continuous-probability-distributions

[ 3 ] https://blog.simul8.com/simul8-tip-label-based-batching-and-collecting/

[ 4 ] https://www.anylogic.com/

[ 5 ] https://www.simul8.com/

[ 6 ] https://www.arenasimulation.com/

[ 7 ] https://www.simio.com/index.php

[8] Botter, RC Apuntes de clase del curso PNV5005 – Modelado y análisis de sistemas de transporte intermodal mediante técnicas de simulación. Programa de Maestría en Ingeniería de Sistemas Logísticos Poli-USP. 2019.