Đây là bài cuối cùng trong loạt bài về hoạt động và hỗ trợ cho các hệ thống phức tạp (hoặc hệ thống của hệ thống), chẳng hạn như lưới điện, đường xe lửa hoặc dây chuyền lắp ráp. Các hệ thống như vậy gần như phổ biến trong kinh doanh ngày nay, nhưng chúng tôi hiếm khi xem xét các yêu cầu chuỗi cung ứng của chúng cho đến khi có vấn đề.
Trong các bài viết trước, chúng tôi đã xem xét hai khía cạnh quan trọng của hệ thống quản lý hệ thống
- cách các phương pháp phân tích nâng cao, chẳng hạn như tối ưu hóa khoảng không quảng cáo, có thể cung cấp cho các nhà quản lý hiểu biết định lượng họ cần quản lý chi phí và hiệu suất hoạt động và hỗ trợ (O&S) của hệ thống
- tầm quan trọng của bài kiểm tra về áp lực chiến lược duy trì của bạn để dự đoán các hành vi cấp hệ thống, chẳng hạn như hiệu suất tổng thể và khả năng phục hồi đối với các sự kiện không lường trước được.
Trong bài đăng này, chúng tôi sẽ đề cập đến một yếu tố quan trọng khác của quản lý hệ thống phức tạp: các số liệu thích hợp để đánh giá hiệu suất hệ thống.
Thông thường trong kinh doanh, chúng ta sử dụng các thước đo về sự thuận tiện. Chúng tôi chọn các số liệu vì chúng tôi có dữ liệu phù hợp hoặc chúng là kết quả của kỹ thuật tối ưu hóa. Ngoài ra, hầu hết các kỹ thuật tối ưu hóa phân tích tối đa hóa hiệu suất của hệ thống con hoặc quy trình so với một hoặc nhiều chỉ số. Thật không may, các giải pháp này không đủ mạnh để đáp ứng nhu cầu của hệ thống các hệ thống với nhiều loại đầu vào hậu cần và kết quả hoạt động.
Người quản lý các hệ thống phức tạp phải bắt đầu với câu hỏi quan trọng nhất: Hệ thống tổng thể hỗ trợ khách hàng của tôi tốt như thế nào? Để xác định điều này, trước tiên bạn phải biết những chỉ số nào quan trọng đối với khách hàng của bạn.
Hãy lấy hai ví dụ mà chúng tôi biết rõ:
- Bên cạnh sự an toàn, tính sẵn có của máy bay cũng rất quan trọng đối với hoạt động của một hãng hàng không. Tuy nhiên, khách hàng của hãng hàng không quan tâm đến thời gian khởi hành, điểm đến và giao hành lý tại sân bay.
- Mặc dù thời gian hoạt động của thiết bị là rất quan trọng đối với một tiện ích, nhưng khách hàng của nó muốn cung cấp điện, điện thoại hoặc nước không bị gián đoạn.
Nếu người quản lý hệ thống không thể nhìn thấy hiệu suất của hệ thống thông qua con mắt của khách hàng, thì ngay cả những thước đo có mục đích tốt nhất cũng có thể dẫn đến các giải pháp không hiệu quả. Một câu hỏi quan trọng không kém nhưng không kém phần thách thức đối với các nhà quản lý là “Làm thế nào để mỗi hệ thống con đóng góp vào chỉ số tổng thể, lấy khách hàng làm trung tâm này?”
Để trả lời những câu hỏi như thế này, các nhà quản lý có thể chuyển sang mô phỏng. Mô phỏng là vô giá nếu bạn cần một thước đo tổng thể về hiệu suất hệ thống khi nhìn qua mắt khách hàng. May mắn thay, nhiều gói mô phỏng có khả năng trực quan hóa dữ liệu cung cấp cái nhìn lấy khách hàng làm trung tâm về hiệu suất hệ thống.
Nếu không có quan điểm khách hàng này, việc cung cấp sản phẩm hoặc dịch vụ có thể thành công nhưng vẫn là thất bại. Các vấn đề hệ thống trở nên rõ ràng với các công cụ trực quan hóa. Ví dụ: mô phỏng có thể hiển thị nếu
- quy trình hậu cần dòng chảy bị tắc nghẽn
- một số hoạt động quá tải với công việc trong khi những hoạt động khác đang đói với công việc
- người dùng cho vay đang nhận được đủ hỗ trợ để tránh bị gián đoạn trong của chúng các hoạt động.
Hầu hết các gói mô phỏng cũng có khả năng thống kê tích hợp sẵn tinh vi hỗ trợ việc sử dụng các cảm biến để thu thập, tổng hợp và mô tả thống kê các hoạt động của quá trình. Khi được sử dụng cùng nhau, các khả năng phân tích và trực quan này có thể cung cấp cho các nhà quản lý những hiểu biết sâu sắc về hành vi có thể xảy ra của hệ thống của họ và các hệ thống con thành phần của nó theo các chiến lược O&S thay thế, các điều kiện hoạt động không chắc chắn, v.v.
Khi được sử dụng đúng cách, sự kết hợp giữa tối ưu hóa phân tích và mô phỏng Monte Carlo cung cấp cho người quản lý hệ thống khả năng đánh giá hiệu suất của hệ thống từ quan điểm của khách hàng.
Hình 1 so sánh phạm vi nhiệm vụ của hệ thống với tính khả dụng của nó trên một loạt các lựa chọn thay thế đầu tư hàng tồn kho. Đường màu xanh lam là tính khả dụng của hệ thống dự kiến từ phân tích tiết kiệm dựa trên mức độ sẵn sàng (RBS). Đường màu đỏ biểu thị phạm vi nhiệm vụ của hệ thống tương ứng được tạo ra từ mô phỏng Monte Carlo.
Hình 1: Việc bổ sung phạm vi phủ sóng từ mô phỏng Monte Carlo vào giải pháp khả dụng RBS
Đường cong tính khả dụng có một điểm khác biệt, cho thấy tính khả dụng – chứ không phải mức độ bao phủ – nhạy cảm hơn với đầu tư hàng tồn kho, ít nhất là đối với trường hợp này. Lưu ý cách đường cong khả dụng bắt đầu phẳng ra khoảng 20 triệu đô la. Đường cong phạm vi bảo hiểm của sứ mệnh màu đỏ cũng phẳng nhưng khoảng 10 triệu đô la. Trong ví dụ này, đầu tư vào khoảng không quảng cáo được đề xuất rất khác nhau tùy thuộc vào chỉ số hiệu suất nào được sử dụng.
Khi được thực hiện đúng cách, việc kết hợp các phân tích mô phỏng và phân tích, giống như những phân tích được mô tả trong các bài đăng gần đây của tôi, có thể tiết kiệm đáng kể thời gian, công sức và tài nguyên cho tổ chức. Nhưng các phân tích tốt nhất bắt đầu bằng cách hiểu và sau đó nắm bắt hiệu suất hoặc kết quả cấp hệ thống nào là quan trọng nhất đối với khách hàng của bạn.
Với kiến thức này trong tay, các nhà quản lý có thể sử dụng hiệu quả hơn các phương pháp tối ưu hóa phân tích hiện đại để quản lý hệ thống hệ thống của mình.
David K. Peterson, Tiến sĩ, là một cố vấn cao cấp với LMI, chuyên về tiết kiệm dựa trên sự sẵn sàng. Ông đã tư vấn cho các cơ quan liên bang về các dự án phân tích chuỗi cung ứng và hoạt động. Nghiên cứu gần đây của ông về quản lý hệ thống và tối ưu hóa khoảng không quảng cáo, đồng tác giả với Vitali Volovoi, Tiến sĩ và Margaret S. Wise, đã xuất hiện trong số tháng 7 / tháng 8 năm 2016 của APICS tạp chí. Peterson gần đây cũng đã trình bày hội thảo trên web APICS Extra Live “Tối ưu hóa phụ tùng cho các mạng phức tạp” có sẵn theo yêu cầu cho các Thành viên ASCM.
Nguồn: ascm.org
