The Plant s(t)imulator

Waarom het voorspellen van de marktvraag niet voldoende is binnen Sales & Operations Planning. De toekomst ligt in simulatie.

Operatoren van België NV

Op 1 mei 2020 blokletterde Het Laatste Nieuws “Professor biostatistiek Niel Hens is autoriteit in voorspellen van pandemie”. Een goed verstaander begrijpt maar al te goed wat men met deze ietwat misleidende titel bedoelt: niemand had ooit de Covid-19 pandemie kunnen voorspellen, tenzij Nostradamus misschien. Daarom heeft niemand op tijd voorraden mondmaskers aangevuld, dozen handgel besteld, voldoende beademingsapparatuur voorzien of pakken toiletpapier ingeslagen. Wat we nu vooral willen, is de controle terugkrijgen na de corona-schokgolf. Dat lukt pas als we ten volle begrijpen hoe het virus zich verspreidt en wat de consequenties daarvan voor mens en maatschappij zijn.

Niel Hens is geen ziener zoals Nostradamus, hij kijkt niet vooruit of voorspelt niets. Hij berekent gewoon wat de mogelijke gevolgen zijn van al dan niet genomen maatregelen of van ons gedrag dat we in min of meerdere mate aanpassen. Deze rekenoefeningen steunen op een wiskundige representatie van ons socio-economisch weefsel waarin wij als mens machines zijn die virussen mee helpen produceren, waarbij ons gedrag het transportsysteem vormt voor het virus, de medische sector de onderhoudsingenieurs van de machines zijn en de overheid de operator die aan de knoppen zit en het geheel bestuurt. Het wiskundig model kan niet voorspellen wat er exact “zal” gebeuren, of de curve piekt of vlakt, laat staan hoe het gedrag van de Belg wijzigt. Maar het geeft wel een griezelig nauwkeurig inzicht in wat er “kan” gebeuren. Die berekende voorspelling is de waardevolle, levensnoodzakelijke handleiding voor de operatoren van België NV.

De toekomst van voorspellen

Een dergelijke handleiding wordt meer dan ooit noodzakelijk voor bedrijven in België, Europa en de rest van de wereld. Want deze pandemie zal na de eerste golf nog heel wat naschokken door onze productie- en bevoorradingsketen sturen. Bedrijven willen vanzelfsprekend anticiperen op volgende golven of zich desnoods heroriënteren, waardoor ze minder afhankelijk worden van “global business as usual”.

Daarvoor moet het Sales & Operations (S&OP) planningsproces vele stappen verdergaan dan gewoon de marktvraag voorspellen of de productie en toelevering operationeel voor te bereiden. Op strategisch en tactisch vlak willen beslissingsnemers inzichten verwerven met “what-if” analyses, gebaseerd op scenario’s die buiten de krijtlijnen van normale, gekende operaties vallen. Managementteams moeten rekening houden met een veelheid aan parameters, zoals het modelleren van “bullwhip” effecten, de schaarste in de toelevering, de overbevraging van bepaalde producten, mogelijke productieproblemen door het uitvallen van personeel, het stopzetten van continue productieprocessen, het gebruik maken van herwerkte lijnopstellingen (tijdelijke) assortimentsbeperkingen, transportvertragingen, enzovoorts.

Het voorspellen van tijdsreeksen blijft nog steeds belangrijk. Maar om het in statistische termen uit te drukken: de standaarddeviaties van marktvraag en de leadtimes zullen bij het maken van middellange tot lange termijnbeslissingen waarschijnlijk niet meer de belangrijkste drivers zijn. Onzekerheden binnen het ondernemen worden voortaan ingegeven door grotere wijzigingen, ook op mondiaal vlak.

Betekent dit dat men voortaan rekening moet houden met vergezochte en exotische scenario's bij het plannen? Helemaal niet. Dankzij simulatie kunnen we nagaan welke schakels binnen de productieketting onze flexibiliteit belemmeren. Het is nu meer dan ooit de moeite waard om The Theory of Constraints van Eliyahu Goldratt onder de loep te nemen. Ondernemingen die - naar analogie met het biometrisch-sociologisch model van Niel Hens - in staat zijn de algemene principes van deze theorie naar een bruikbare toolset te vertalen om zo een gekwantificeerde kijk op hun processen te verwerven, zullen beter dan wie ook gewapend zijn om de onzekerheden van vandaag om te zetten in kansen voor morgen.

Data scientists 4.0

Klinkt als een mooi ideaal, maar wie weet dit te realiseren? Data science concentreert zich in de bedrijfswereld vooral op predictieve modellen die gericht zijn om faalkansen, kwaliteitsissues en veranderende marktbehoeftes te voorspellen of om naar anomalieën in data te zoeken en zo ongekende afwijkingen van de normale productie parameters vast te stellen.

Predictieve modellen blijven uiteraard relevant, maar meer dan ooit groeit de nood aan profielen die in staat zijn om de samenhang tussen productie, voorraadbeheer en commerciële overwegingen te vertalen naar wiskundige modellen. Het vergt vooral creativiteit om de reële wereld om te zetten naar abstracte, wiskundige vergelijkingen. Naast simulatiemodellen die bijvoorbeeld gebaseerd zijn op Monte Carlo-experimenten zullen we steeds vaker terug grijpen naar operations research en mathematische optimalisatie in het bijzonder.

Het is niet toevallig dat tijdens WOII meer dan 200 operations research wetenschappers werkten voor het Britse leger. Veel tactische beslissingen werden gebaseerd op scenario’s berekend op basis van lineaire programmatie. Zo werd D-Day volledig georkestreerd met behulp van dit soort technieken. Rekenwerk slorpte toen vooral veel mankracht op. Gelukkig beschikken we 75 jaar later over een rekenkracht waarvan de geallieerden zelfs niet konden dromen. Ook optimalisatie-algoritmes zijn sterk geëvolueerd sinds die tijd, net omdat CPU-kracht exponentieel toenam, wat extreem belangrijk is voor dit soort onderzoek.

We hebben met andere woorden alles voor handen om maximaal in te zetten op deze technologie. Onze data scientists moeten zich wel aanpassen en ook de weg van wiskundige modellering verkennen naast het voor hen vertrouwde pad van supervised en unsupervised learning. Net zoals datamanagement vaak gecentraliseerd wordt in een bedrijf om een complete datakijk te krijgen op de operaties, zullen in de toekomst ook teams in het leven worden geroepen die zich bezighouden met wiskundige modellering. In eerste instantie zullen zij eenvoudige uitdagingen aangaan zoals het automatiseren van productieplanningen. Heel wat bedrijven vertrouwen reeds in deze technologie en zetten hier op in. Dit merken wij aan de toenemende vraag van onze klanten om dit soort systemen te implementeren.

De taak van planners is niet langer beperkt tot het opleveren van een productieplan. Actoren in het S&OP proces verwachten eveneens what-if analyses om in te kunnen spelen op lastminute commerciële uitdagingen. Gezien de typische complexiteit van scheduling moeten planners zich laten ondersteunen door deze technieken. De data scientist 4.0 helpt hierbij en moet de productiekrijtlijnen van ingenieurs en planners, de commerciële overwegingen van het sales team en de financiële targets van het management samen omzetten naar een stelsel van wiskundige ongelijkheden en objectieven om zo tot een unieke toolset voor de planners te komen.

Naar de tekentafel

Naarmate de techniek op vlak van rekenkracht en algoritmes vordert, zullen modellen steeds dichter op alle nuances van de realiteit aansluiten. We weten dat professionele servers met hun huidige capaciteit geen probleem hebben om modellen met verschillende miljoenen variabelen te optimaliseren, een aantal dat al snel bereikt wordt bij de simulatie van een realistisch proces.

Deze systemen zijn niet langer science-fiction, maar bouwen we reeds vandaag. Het idee is om deze als onderdeel te laten functioneren of uit te breiden naar de tactische en vervolgens ook de strategische planning. Hierbij is de evolutie van rekenkracht bepalend. De Wet van Moore die het vooruitzicht gaf van exponentiële groei van rekenkracht blijkt de laatste jaren wat minder wetmatig. De fysische grenzen van transistor technologie lijken bereikt. Voor een verderzetting van die exponentiële groei moeten we onze hoop zoeken in kwantumcomputers en neurale emulatie.

Maar voorlopig stellen we het nog even met de klassieke transistor technologie bij het bouwen van een optimalisatie systeem. Waar en hoe je start zal  afhangen van het soort productieproces dat je aanstuurt. De meer strategische simulatiemodellen zijn makkelijker inzetbaar in de procesindustrie , zoals chemie of petrochemie.Voor de maakindustrie is het uitbouwen van geautomatiseerde batchscheduling systeem een slimme eerste logische keuze.

Op strategisch niveau is het de kunst om zo breed mogelijk naar de productieketting te kijken zonder te stranden in details die geen impact op de resultaten in mogelijke scenario’s hebben. Eens de samenhang tussen de verschillende bedrijfsprocessen is gemodelleerd kan de stap naar wiskundige formalisatie gezet worden. Deze stap is voor tactische toepassingen vaak eenvoudiger dan het modelleren van een schedulingproces in batchproductie. Dit operationele niveau heeft dan weer het voordeel beter afgelijnd te zijn en is bovendien ook goed gekend door expertplanners.

Vanuit welk standpunt men ook start, simulatie brengt zeker nieuwe inzichten en bij uitstek zelfs in situaties die nooit eerder voorkwamen. Voor onze maatschappij bleken deze tools al meermaals levensnoodzakelijk. Tachtig jaar geleden redden dergelijke technieken de levens van honderdduizenden tijdens de oorlog, vandaag beschermen ze ons tegen een dodelijk virus. Voor onze fabrieken kunnen het gamechangers zijn in tijden waar nog maar eens blijkt dat verandering de enige constante is. Je hoeft dus geen Nostradamus te heten om gewapend te zijn voor de uitdagingen van toekomst.