Lojistik Planlama Ve Modelleme Dersi 1. Ünite Özet

Lojistik Planlama

Lojistik planlama, süreçleri ve oluşabilecek hataları bir an önce çözebilmek amacıyla uygulanacak yol haritasını içerir. Günümüzde lojistik ile tedarik zinciri kavramları birleşik halde kullanılmaya başlanmış ve tedarik ağları lojistik faaliyetlerimiz için bir sınır ve yön belirleyici hal almış durumdadır. Bu nedenle tedarik zinciri ağlarının tasarımı lojistik planlamanın ilk aşamasını oluşturacaktır. Özellikle 4PL lojistik danışmanlık firmalarının ilgi alanına giren ağ tasarımı, firmaların ürün tasarımından dağıtımına kadar verimlilik ve etkinlikte rol oynamaktadır. Belirlenen tedarik ağında ürün ve hizmet akışının zamanında ve doğru miktarda olması, ağ tasarımı eniyilemesi kadar önemlidir. Lojistik faaliyetler süresince ürünlerin genellikle durma (stoklama) veya transfer (taşıma) sürecinde olduğu söylenir. Bu faaliyetler ile ilgili stok yönetimi, taşıma modu ve planı, tesis (depo) yeri seçimi ve depo tasarımı da planlı bir lojistik yönetiminin temel aşamalarını oluşturmaktadır. Lojistik stratejimiz verimlilik veya çeviklik olsun, her iki durumda da lojistik faaliyetlerinin bir plan aşamasında gitmesi başarı için elzemdir. Planlama sadece üretim değil, hizmet süreçlerinin de ilk aşaması ve başarılı bir icraat için yol haritasıdır. Bu bölümde hem durağan hem de rassal talebe karşı dengeli bir stok yönetimi için en çok kullanılan modeller tanıtılacaktır.

Model Nedir?

Model, bir nesne veya olguyu tanımak, tarif etmek veya gözlemlemek için kullanılan ve amacımız açısından onun gibi davranan bir benzerine verdiğimiz genel isimdir. Günümüzde pek çok konuda gerçek nesneler yerine modellerini kullanıyoruz. Bazen gerçek özneye erişimimiz olmamasından dolayı (ör. duygular, soyut varlıklar), bazen gerçek nesnenin çok büyük (ör. güneş sistemi) veya çok küçük (ör. atom) olmasından dolayı, bazen yapılacak deneylerin nesneye zarar verecek olmasından (ör. kırılma testi) veya çok pahalı olmasından dolayı gerçekleri yerine model kullanmayı tercih ederiz. Yeni bir ürün tasarlarken gerçeği olmadığı için ilk tasarımız da ürünün bir prototip modelidir. Modeller, çeşitli açılardan gerçekleri gibi davranış gösterir. Bu çeşitlerine göre de değişik model tipleri olarak adlandırılır. Lojistik sektöründen en çok kullanılan başlıca model tipleri şunlardır:

1. Şekilsel/Görsel Model
2. Analog Model
3. Matematiksel Model

Görsel model, gerçek nesne veya sistem ile fiziksel görünüşleri arasında ölçekli veya kısmi benzerlik gösteren 3 boyutlu nesne veya canlı örnek olabilir. Bu tür modellerde amaç çok ufak bir nesneyi (atom modeli), çok uzakta veya çıplak göz ile görünemeyen sistemleri (güneş sistemi) veya henüz planlama aşamasındaki bir yapıyı (köprü maketi) öğrenci, müşteri veya karar vericinin daha iyi anlaması ve yorumlamasıdır.

Analog model,; görsel modelden farklı olarak, gerçek sistemden çok farklı olmakla birlikte sistemin işleyiş veya davranışlarını anlamamıza yardımcı olan göstergelerdir. Örneğin hız göstergeleri, barometre, termometre veya coğrafi harita; karar vericiye içinde bulunduğu durum ile ilgili bilgi verir. Bunu yaparken gerçek sistemin benzerlerini kullanmaz ama biz bu modellere bakarak durumumuz hakkında bir yargıya varabiliriz.

Matematiksel model ise soyut bir şekilde gerçek sistemleri açıklamamıza yardımcı olur. Çoğu zaman sözel anlatımlar ile yaptığımız bu sistem davranışlarını açıklama işini matematiksel ifadeler ile ifade edebilmemiz daha sonrasında bu modelleri kullanarak değişik durum ve koşullarda o sistemin nasıl davrandığını anlamamıza ve hatta en iyileyebilmemize de yardımcı olacağı için analitik araştırmalarda en çok başvurulan model tipidir. Matematiksel modelde, gözlem altındaki sistemin davranışları parametreler, sabitler ve değişkenler arasında yazılan matematiksel ifadeler kullanılarak açıklanmaya çalışılır. Bu tür modeller, kullanılan değişken tipine ve matematiksel ifadelerin seviyesine göre ayrıca alt tiplere ayrılır.

Matematiksel modeller: Matematiksel modeller genellikle belli varsayımlar altında gerçek problem veya sistemleri matematiksel fonksiyon ve gösterimler ile tanımlayan modellerdir. Matematiksel modelin temel taşları sistem parametrelerini tanımlayan sabit ve değişkenlerdir. Bu parametreler tanımlandıktan sonra sıra sistemin davranışlarını betimleyen fonksiyon ve eşitliklere gelir.

Modelleme

Modelleme daha çok matematiksel model oluşturma süreci için kullanıldığından, model ve modelleme sözcükleri sıkça karıştırılır. Model, özelinde matematiksel model, sistem parametrelerinin fonksiyonlar ile ifade edildiği bir ilişkiler topluluğu iken modelleme; gerçek sistemi en iyi ifade eden matematiksel ifadeleri, karar vericinin ihtiyacı duyduğu parametreler cinsinden oluşturma sanatıdır. Bu sebeple matematiksel modeli anlamak için temel matematik bilgisi yeterli iken başarılı bir modelleme süreci için matematik bilgisi yanında sistemci bir yaklaşım ve deneyim de gereklidir. Bu sebeple pek çok yöneylem kitabı modellemeyi, sanat ile matematiğin birlikteliği olarak yorumlar.

Yedi Aşamalı Problem Çözme Metodolojisi

1. Aşama problemin tanımı: Yöneylem araştırmalarının başlangıcı bir gerçek hayat problemi olmalıdır. Bu bir kuruluşun veya bir bireyin problemi olabilir. Karar verici olarak tanımladığımız bu kurum veya birey problemini anlatır. Yöneylem araştırmacısının (analist) görevi öncelikle bu anlatılanların altındaki gerçek problemi keşfetmek ve onun doğru tanımını yapmaktır.
2. Aşama veri toplama: Modelleme sürecinin bu aşaması en zoru olabilir. Bir problemi her yönüyle tanımlamak için gereken verilerin bir kısmı kurum dışında üretiliyor ve herkese açık olmayabilir. Kurum kendi içindeki verileri dahi analist ile paylaşmak istemeyebilir veya kabul etse dahi bu verileri analistin istediği biçimde saklamıyor olabilir.
3. Aşama model geliştirme: Özellikle matematiksel model geliştirmeye çalıştığımızda bu aşamada, araştırmacının artık analitik becerilerini hayal gücü ile birleştirerek problem tanımına en yakın modeli 2. aşamada tanımlanan veri tipleri kullanarak oluşturması gerekmektedir. Bu aşamada model tanımına bağlı kalmaya çalışırken gereksiz detaylardan da kaçınmalı ve en basit model oluşturulmaya çalışılmalıdır. Aksi takdirde ya 5. aşamada bu modeli çözmek ya da 7. aşamada bu çözümü uygulamakta zorluk çekilecektir.
4. Aşama model doğrulama: Bu aşama da en az model geliştirme kadar önemlidir, çünkü problem tanımı tam dahi olsa eğer 3. aşamada yanlış amaç veya kısıt fonksiyonu seçildiyse ya da problem tanımının kompleks yapısı gereği seçilen fonksiyonlar sistem verileri için tanımsız olabiliyorsa modelimiz çalışmayacak veya anlamsız sonuçlar oluşturacak olabilir. Bu yüzden oluşturulan model mevcut sistem verileri ile test edilmeli ve model çıktıları gerçek gözlemler ile tutarlı mı diye kontrol edilmelidir.
5. Aşama en iyileme veya karar verme: Bu aşamaya kadar gelindiğinde elimizde problem tanımını bire bir yansıtan bir modelimiz vardır ve bu, amacımız için kullanılabilir. Amacımız ya olabilirlik kararı verme ya da eniyileme olabilir. Amaç problem tanımı sırasında belirlenmiştir. Bu kitapta daha çok eniyileme modelleri üzerinde duracağız. Doğrusal programlama modelleri genelde bir amaç fonksiyonu ve problem parametrelerini tanımlayan kısıtlar serisinden oluşur.
6. Aşama yönetime sunuş: Bu aşamada analist kurguladığı modeli ve çözüm önerisini (veya tavsiyelerini) karar vericiye (müşteri) sunar. Aynı ilk aşama olduğu gibi modelden probleme bir geri dönüş olması gerekir. İlk aşamada problemi modele kodlayan analist, bu sefer de terskodlama (decoding) dediğimiz model sonuçlarını karar vericinin anlayacağı seviye ve dile uygun hale getirerek sunmalıdır. Genellikle karar vericilerin (yöneticilerin) matematiksel olmayan bir dil kullandıklarını düşünürsek bu aşamanın önemi daha iyi anlaşılır.
7. Aşama uygulama ve raporlama: Yöneylem araştırması uygulamalı bir bilim dalıdır ve gerçek bir yöneylem problemi uygulanmadığı sürece tamamlanmış sayılmaz. Bu sebeple 7 aşamalı problem çözme sürecimizin de son ama belki en önemli bölümü son aşamadır. Başarılı bir model kurmak ve çözüm önerilerini karar vericiye iletmek analistin işinin bittiği anlamına gelmez. Yöneylem analistinin görevi ancak, modelin önerdiği tavsiyelerin uygulanabilir olduğu ve başta hedeflenen amaca ulaştıran bir uygulamanın mümkün olduğu kesinleştiğinde biter.

Matematiksel Modeller ve Çözüm Yöntemleri

Doğrusal programlama modeli sabit olarak adlandırılan kesinlikle bilinen sistem parametreleri ile karar vericinin kontrolü altındaki, karar değişkeni olarak tanımladığımız parametrelerin karışımından oluşan matematiksel ilişkilerden oluşur. Her DP’nin bir amaç fonksiyonu ve doğrusal ilişkilerden oluşan kısıtlar seti vardır. Fonksiyonların doğrusal olması, değişkenlerin reel değerler alabilmesi nedeniyle amaç fonksiyonunu en iyileyen çözümü cebirsel yöntemlerle makul bir zaman aralığında bulmak mümkün olduğu için en çok kullanılan matematiksel model tipidir.

DP modellerin başarısının sırrı karar değişkenlerinin reel sayı olabilmesidir. Fakat gerçek hayat problemlerinde karar değişkenleri sıklıkla doğal sayı olmak zorundadır. Bu probleme ek bir kısıt getirmekle beraber modele etkisi daha fazla olduğu için bu tip modeller tam sayılı doğrusal programlama (TDP) olarak sınıflandırılırlar.

DP’deki matematiksel ilişkilerden (amaç fonksiyon veya kısıt) en az biri doğrusal değilse bu model tipine doğrusal olmayan programlama (DOP) denir. Gerçek hayat problemlerinde karar değişkenlerinin davranışları genelde doğrusal değildir, bu sebeple DOP ile daha gerçekçi modeller oluşturabiliriz ama tek bir fonksiyon dahi doğrusal olmadığı durumda doğrusal cebir yöntemleri en iyi çözümü garantilemekten uzaktır. Bu sebeple, genelde daha uzun zamanda ve yaklaşık çözümler ya da ancak belli problem tiplerinde en iyi çözüme ulaşılabilinir.

DP da sabit olarak kabul ettiğimiz sistem parametreleri rassal davranış gösterirse artık bunlara stokastik değişken dememiz gerekir ki bu da DP tanımına uymaz. Bu durumda ya modelimizi, rassal değişkenlerin uç değerlerini sistem sabiti kabul ederek en kötü durum DP modelini, veya ortalama değerler üzerinden bir ortalamadeğer DP modelini kurar ve devam ederiz; ya da cebirsel kısıtlarımızı birer olasılık eşitsizliğine dönüştürerek stokastik programlama (SP) modeli oluşturabiliriz. SP da bu tür kısıtlara, şans kısıtı denir ve modelin bu kısıtı sağlama olasılığının belli bir oranın üstünde olması beklenir.