Unternehmen sammeln in verschiedenen Zeiträumen Daten, um sie für Management- und Geschäftszwecke zu nutzen. Die Daten liegen jedoch nicht immer in der für die Analyse am besten geeigneten Form vor und müssen oft aufbereitet werden, wofür es eine Vielzahl von Methoden gibt, darunter auch die Simulation. In diesem Beitrag wird ein Fall vorgestellt, in dem die Simulation als Instrument eingesetzt wird, um auf der Grundlage historischer Daten Erkenntnisse über die Nachfrage zu gewinnen. Mittels Simulation werden die häufigsten Nachfrageereignisse für zwei Arten von Aufträgen sowie die schlimmsten Ereignisse ermittelt. Das Simulationsmodell basiert auf den historischen Daten eines privaten Ölunternehmens, das in Mexiko tätig ist. Darüber hinaus zeigen wir, wie die Simulationsergebnisse die Informationen über die während eines Arbeitsjahres aufgezeichneten Scorecard-Daten verbessern.
Unternehmen zeichnen in der Regel Nachfragedaten auf, um sie für die Vorhersage möglicher zukünftiger Bedarfe zu nutzen und so Risiken wie Vertragsstrafen, Verspätungen, unzureichende Kapazitäten u.a. zu vermeiden oder zu verhindern. Allerdings müssen diese Daten in der Regel so aufbereitet werden, dass sie den Anforderungen der Analyse entsprechen.
Um dies zu erleichtern, verfügen viele Unternehmen über robuste Aufzeichnungssysteme, in denen die Mitarbeiter Daten zeitnah erfassen; allerdings wird nicht immer jeder Schritt eines Vorgangs aufgezeichnet. Dies ist in vielen Unternehmen ein hartnäckiges Problem, was bedeutet, dass die historischen Daten vor ihrer Analyse aufbereitet werden müssen. Doch was passiert, wenn die aufgezeichneten Informationen zwar verwendet werden sollen, aber nicht in der richtigen Form für die Analyse vorliegen? Heutzutage ziehen es viele Unternehmen vor, diese Informationen nicht zu verwenden, während andere eine Vielzahl von Methoden einsetzen, um so viele Erkenntnisse wie möglich für die Planung ihrer zukünftigen Aktivitäten zu gewinnen; Methoden wie Netzwerke (Zou et al. 2011), exponentielle Glättung (Mohammed et al. 2017), Zeitreihenmodelle (Qiu et al. 2016), kausale und stochastische Modelle (Ma et al. 2015) und Simulationen (Chen et al. 2010).
Der Wahrheitsgehalt der Informationen kann die Möglichkeit einer genaueren Planung von Ressourcen, Budget und möglichen neuen Standorten, neuen Arbeitsplätzen oder der Planung von Aktivitäten eröffnen. In diesem Beitrag werden historische Daten aus einer Scorecard analysiert und mit Hilfe der Simulationsmethode aufbereitet, da sie es uns ermöglicht, eine Vielzahl verschiedener möglicher Szenarien für die Modelleinheiten zu erstellen. Ziel dieser Analyse ist die Identifizierung von Risiken durch die Ermittlung von Nachfrageereignissen, die für jeden Monat des Jahres auf Tagesbasis dargestellt werden können.
Bei den von uns analysierten Nachfragedaten handelt es sich um die historischen Daten eines Unternehmens, das Ölquellen in verschiedenen Bundesstaaten Mexikos zementiert. Das Unternehmen bietet im Wesentlichen zwei Arten von Dienstleistungen an: die erste ist der Zementierungsauftrag (i), der die Planung der Zementsuspension und den Bau einer kreisförmigen Wand im Inneren des Ölbohrlochs umfasst, während die zweite sich auf den Pumpauftrag (j) bezieht, der aus der Vermietung von Ressourcen besteht. Um die Nachfrage nach beiden Dienstleistungen zu befriedigen, setzt das Unternehmen für beide Arten von Dienstleistungen, i und j, dieselben Ressourcen ein. Die Gesamtzahl jeder Art von Auftrag pro Monat während eines Jahres wird in einer Scorecard erfasst, deren Daten in Tabelle 1 aufgeführt sind.
In der Praxis wird die Scorecard von der Organisation verwendet, um das zukünftige Verhalten ihrer Arbeit zu prognostizieren. Es ist nicht ungewöhnlich, dass Fehler gemacht werden, die bedeuten, dass es an bestimmten Stellen zu wenig oder zu viele Ressourcen gibt. Dies geschieht, weil die Gesamtzahl der erfassten Aufträge nicht die möglichen Ereignisse, die Tag für Tag eintreten könnten, oder die Häufigkeit der einzelnen Ereignisse zeigt. In Tabelle 1 ist zum Beispiel nicht ersichtlich, wie viele Aufträge am 3. Juli bei der Firma angefordert wurden oder an wie vielen Tagen im Monat die Ressourcen maximal ausgelastet waren. Diese Details sind in solchen Aufzeichnungen nicht enthalten.
In diesem Papier wird ausgehend von den Scorecard-Daten ein Modell erstellt, um Informationen über Ereignisse zu erhalten, die dem Unternehmen einen besseren Einblick in das Nachfrageverhalten geben. Dies gilt insbesondere für die häufigeren Ereignisse und solche, die nur sporadisch auftreten, aber operative Risiken für das Unternehmen verursachen können, wie z. B. Verspätungen, Strafen und Nichteinhaltung von Vorschriften.
Der Zweck des Simulationsmodells besteht darin, die häufigsten Ereignisse zu generieren und diejenigen zu finden, die für das Unternehmen kritisch sein könnten. Das Nachfragesimulationsmodell wird für jeden Monat des Jahres ausgeführt, in dem die Nachfrage gemäß den Daten in Tabelle 1 simuliert wurde.
SIMIO ist die Simulationsplattform, die wir für die Ausführung des Modells gewählt haben, weil ihre Eigenschaften für die Entwicklung des Modells und seine spätere Verwendung mit anderen Modellen geeignet sind. Das Simulationsmodell verfügt über Server zur Erzeugung von Entitäten, die die Jobs i und j repräsentieren. Jeder Server reagiert auf Verteilungen, die den Scorecard-Daten entsprechen (Tabelle 1). Beide Server sind mit einer Senke verbunden, in der die Anzahl der Aufträge jeder Art pro Tag gezählt wird. Als Ergebnis des Modells erhält man monatlich die Anzahl der Tage, an denen i Zementier- und j Pumparbeiten stattfinden.
Das Modell zeichnet die Ergebnisse ab dem Tag 1200 auf, um die Ergebnisse zu melden. Die Simulationsergebnisse wurden nach 1000 Tagen Simulationszeit ermittelt.
Die Ergebnisse der Validierung des Modells werden durch den Vergleich von Tabelle 2 mit Tabelle 1 veranschaulicht, in der die Durchschnittswerte der Modellläufe pro Auftrag für jeden Monat angegeben sind.
Neben dem Simulationsmodell wurde auch ein mathematisches Modell erstellt, das einen Vergleich der resultierenden Ereignisse ermöglicht.
Das System besteht aus einer realistischen virtuellen 3D-Welt auf dem NIH-Campus in Bethesda, die in einer Vielzahl von Anwendungen zum besseren Verständnis und zur Verbesserung der Planung und Erbringung von Dienstleistungen eingesetzt werden kann. Aus visueller Sicht ist das Modell so konzipiert, dass es über einen Computerbildschirm oder eine VR-Hardware betrachtet und mit ihm interagiert werden kann. Darüber hinaus können durch Experimente/Szenarien quantitative Ergebnisse erzielt werden.
Das Modell bietet auch die Möglichkeit, ein Notfallszenario oder einen bestimmten Campus-Betriebsprozess im Detail zu üben. Als Notfallszenarien werden zunächst eine Gebäude-/Campusevakuierung und ein aktives Schießszenario betrachtet. Das System ist so konzipiert, dass der Benutzer nachvollziehen kann, wie sich ein solches Szenario in einem bestimmten Gebäude auf dem Campus abspielen könnte und wie sich das Szenario auf die Abläufe auf dem gesamten Campus auswirkt und mit ihnen interagiert.
Die ersten Systeme für den Campusbetrieb sind der Zugang für Mitarbeiter und Besucher sowie das Shuttlebussystem. Das System ist so konzipiert, dass es die Inputs und Outputs dieser Prozesse und die Interaktion mit dem gesamten Campus genau abbildet und in der Lage ist, eine Person durch das gesamte System zu verfolgen (z. B. ein Besucher fährt auf den Campus, durchläuft die Sicherheitskontrolle, parkt, geht zu einem Gebäude, nimmt an einer Evakuierungsübung teil, kehrt zum Gebäude zurück, kehrt zum Fahrzeug zurück und verlässt den Campus).
Dieses Modell wird verwendet, um mit Änderungen der Dienstleistungen zu experimentieren, um die Kapazität besser an die Nachfrage anzupassen und so zu einer kosteneffizienten Nutzung begrenzter Haushaltsmittel beizutragen und für aufkommende Szenarien zu planen, wie z. B. eine Sperrung der Straßen auf dem Campus, eine Evakuierung von Gebäuden, eines Teils oder des gesamten Campus oder ein Szenario mit einem aktiven Schützen.
Ein Basismodell wird auf einer hohen Ebene entwickelt, so dass bestimmte Prozesse oder Abläufe auf einer granularen Ebene dargestellt werden können und bei Bedarf weitere Detailstufen hinzugefügt werden können, sowohl aus visueller als auch aus analytischer Sicht. Die detaillierteren Modelle helfen bei der Entwicklung von Verarbeitungszeitparametern, die im Hauptmodell verwendet werden sollen. Auf diese Weise können bei Bedarf detaillierte Modelle entwickelt und erstellt werden.
Dieses Basismodell besteht aus einem realistischen 3D-Modell des Straßen- und Fußgängerverkehrsnetzes auf dem Campus sowie der Gebäude mit den dargestellten Gebäudeeingängen und -ausgängen. Dieses Basismodell umfasst mehrere Teilsysteme des Campus, die zuvor als unabhängige Modelle entwickelt wurden und nun in ein einziges Modell integriert sind. Zu diesen Systemen gehören der Campus-Zugang, ein Shuttle-Bus-System, der Campus-Verkehr (sowohl bei normalem Verkehrsfluss als auch bei einer Evakuierung) und Szenarien mit aktiven Schützen.
Im Basismodell wird zum Beispiel ein Gebäude als "Black Box" mit definierten Ein- und Ausgängen dargestellt. Auf diese Weise verfügt ein Gebäude über eine bestimmte Anzahl von Stellen, an denen die Bewohner das Gebäude betreten und verlassen können. Detailliertere Prozesse innerhalb des Gebäudes können in einem separaten Teilmodell entwickelt werden, das unabhängig ausgeführt werden oder eine Schnittstelle zum größeren Modell bilden kann (z. B. eine Gebäudeevakuierung oder ein aktives Schießszenario). Das aktuelle Modell wurde mit der Simulationssoftware Simio in Zusammenarbeit mit dem Simio-Partner Mosimtec, LLC, entwickelt. Die 3D-Modellierung wurde mit Trimble Sketchup und Daten von ORF und Open Street Maps durchgeführt. Frühere Ansätze zur Modellierung dieser Teilsysteme wurden in Arena entwickelt.
Das Simulationsmodell generiert eine Kombination von Jobs i und j mit der entsprechenden Häufigkeit der einzelnen Ereignisse für jeden Monat des Jahres. Diese Kombination einer Reihe von Jobs ermöglicht es uns, die häufigsten Ereignisse zu gruppieren und die Nachfrage pro Monat zu verstehen. Gleichzeitig liefern uns die Informationen über die Ereignisse Informationen, die für die Verwaltung der Ressourcen nützlich sind.
Mit den detaillierten Informationen ist es möglich, die Ereignisse oder Szenarien zu erkennen, die nicht häufig vorkommen, aber an einem bestimmten Tag im Jahr eintreten können. Abbildung 1 zeigt auch Ereignisse, die in der Nähe der Wahrscheinlichkeitsregion von Ereignissen liegen, jedoch mit einem zeitlichen Unterschied in der ermittelten Häufigkeit. Diese Ereignisse können analysiert werden, um zu wissen, wie die Organisation reagieren wird, wenn sie eintreten, und folglich kann ein Aktionsplan formuliert werden.
Abbildung 1. Anzahl der in der Januar-Simulation erzeugten Aufträge i und j. Die Bedeutung der Aufbereitung der Daten mit Hilfe der in diesem Beitrag vorgestellten Methodik liegt darin, dass die Kenntnis der Informationsdetails betriebliche Risiken vermeiden kann, indem der Überraschungsfaktor des Systems verringert wird.
In Anbetracht der sich verändernden Umwelt und der Widerstandsfähigkeit, die Systeme in Bezug auf ihre eigene Realität aufweisen müssen, können robustere Ansätze und Werkzeuge bessere Ergebnisse liefern. In diesem Sinne bietet die Risikoidentifizierung mit Hilfe von Werkzeugen, die detailliertere Informationen über ein System liefern, einen guten Einblick in die verschiedenen Risikosituationen, mit denen eine Organisation konfrontiert sein kann. Die Simulation ist ein Werkzeug, mit dem wir ein System und seine Informationen besser und schneller analysieren können und das die Emulation unerwarteter Änderungen mit dem möglichen Verhalten eines Systems ermöglicht.
Dieses Simulationswerkzeug hat in den NIH zu einer erheblichen Kosteneinsparung beigetragen und die Notfallplanung verbessert, die sich auf das Leben und das Wohlergehen der NIH auswirkt. Die durchgeführten Projekte haben es ermöglicht, die Forschung ohne Unterbrechung fortzusetzen und fundierte Entscheidungen zu treffen, die sich auf die Sicherheit der NIH und der umliegenden Gemeinden auswirken.
Die Entwicklung und Analyse der von der Simulation bereitgestellten Output-Metriken ermöglichte es den Entscheidungsträgern, die Auswirkungen von Systemänderungen auf die Leistungserbringung besser zu verstehen und Risiken besser zu erkennen, zu verstehen und abzumildern, die durch das Experimentieren mit der breiten Palette von Szenarien, die die Simulation bereitstellen kann, ermittelt wurden.
Durch die Verwendung dieses skalierbaren und modularen Ansatzes besteht ein erhebliches Potenzial für die Integration anderer Campus- und Forschungssysteme in dieses Modell und ermöglicht den Entscheidungsträgern ein besseres Verständnis dafür, wie Systeme miteinander interagieren und sich auf umfassendere Ziele auswirken. Obwohl diese Modelle speziell für die NIH entwickelt wurden, können auch andere Behörden und Organisationen diese Ansätze nutzen, um ähnliche Herausforderungen zu lösen. 4480 Rodriguez und
Das OQM-Team möchte sich bei der Leitung der NIH und des ORS/ORF sowie bei den zahlreichen Mitarbeitern bedanken, die dieses Projekt unterstützt haben.