La simulación es cada vez más popular para la planificación de fábricas, el diseño de procesos, la optimización de la cadena de suministro y la gestión de la cadena de suministro. En este artículo, proporciono una descripción general básica y una introducción a las técnicas de simulación relevantes. Es importante señalar que al elegir una canalización de simulación para su proyecto, no tiene que hacer una selección o decisión exclusiva. Su elección no es exclusiva. Con eso quiero decir que es posible combinar múltiples técnicas de simulación en un modelo. Me refiero a tales modelos como modelos de simulación híbridos. Sin embargo, los analistas de la cadena de suministro deben ser conscientes del hecho de que un error común en los estudios de simulación es que el desarrollador del modelo elige la técnica con la que se siente cómodo en lugar de la más adecuada para resolver el problema.

En el artículo en cuestión, presento tres técnicas de simulación principales utilizadas en el contexto de la optimización de la cadena de suministro y el diseño de fábricas. Como ingeniero industrial me parece importante tener un conocimiento completo de las herramientas y métodos disponibles para resolver un problema. Y, como demostraré en este artículo, cada técnica de simulación tiene sus propias ventajas y desventajas.

Las principales técnicas de simulación que se encuentran en el dominio de la optimización de la cadena de suministro son:

• Simulación de eventos discretos
• Simulación basada en agentes
• Sistemas dinámicos

Además de estas técnicas principales de simulación, también presentaré algunos otros métodos que también pueden clasificarse como simulaciones relacionadas con la cadena de suministro:

• Simulación del Monte Carlo
• Juego de azar
• Pronósticos de hoja de cálculo

Todos estos métodos de simulación se pueden clasificar en función de su nivel de detalle y su horizonte de planificación.

He resumido algunas aplicaciones ejemplares de técnicas de modelado de simulación en la siguiente tabla.

Simulación de eventos discretos como técnica de simulación

Encuentro que la mayoría de los modelos de simulación de eventos discretos se utilizan para investigar secuencias de eventos, es decir, procesos. En otras palabras, una simulación de eventos discretos a menudo se usa para investigar las interdependencias del sistema en trabajos de ensamblaje, sistemas de manejo de materiales, centros de trabajo, centros de llamadas, almacenes, sistemas de transporte, operaciones mineras, hospitales y muchos más.

En un modelo de simulación de eventos discretos, un sistema y sus operaciones se modelan como secuencias de eventos en el tiempo. Una simulación de eventos discretos salta de un evento a otro, y cada evento está marcado por cambios en al menos un estado del sistema. No se supone que haya cambios de estado entre dos eventos consecutivos.

Ventajas de los modelos de simulación de eventos discretos

• Técnica de simulación ampliamente conocida
• Ganancias de eficiencia computacional simplemente considerando cambios en el sistema basados ​​en eventos
• Enfoque de simulación apropiado para cualquier sistema descrito por secuencias detalladas de entidades
• Buen enfoque para analizar el comportamiento estocástico
• Puede tener en cuenta las distancias espaciales y los movimientos de las entidades del sistema relevantes
• En general, la simulación de eventos discretos es un enfoque microscópico (es decir, un enfoque adecuado para modelar procesos en un nivel de modelado granular bastante fino con un nivel de abstracción relativamente bajo a medio)
• En general, se utiliza para analizar sistemas deterministas.

Desventajas de los modelos de simulación de eventos discretos

• No es adecuado para el análisis de políticas
• No es adecuado para analizar objetivos estratégicos de investigación de alto nivel.

Las aplicaciones bien conocidas de la simulación de eventos discretos son, por ejemplo, las siguientes (además, consulte la tabla anterior):

• Simulación de procesos de producción
• Simulación de procesos de transporte
• Simulación de procesos de almacenamiento
• Simulación de sistemas de equipos de manejo de materiales
• Simulación de procesos de tratamiento de pacientes

La simulación basada en agentes como técnica de simulación

Los estudios de modelado y simulación basados ​​en agentes se centran en las interacciones entre agentes individuales. Los estudios de simulación que utilicen este enfoque se centrarán en comprender cómo ciertos comportamientos macroscópicos (por ejemplo, cambio de temperatura, ingresos totales por ventas generados, cantidad total de comercio que tiene lugar en una sociedad, etc.) de un sistema emergen de interacciones microscópicas de agentes individuales. Esto puede ser relevante para los objetivos de gestión de la cadena de suministro especialmente estratégicos.

Cuando desarrollo un modelo basado en agentes, lo desarrollo conceptualmente definiendo primero los grupos de agentes. A continuación, defino sus estados, transiciones de estado, propiedades y comportamientos. Como desarrollador de modelos, también puedo agregar procesos a los agentes. En otras palabras, un agente puede contener una simulación de eventos discretos.

Se podría pensar, por ejemplo, en poblaciones de agentes para compradores y vendedores en un mercado. Un modelo basado en agentes modelará estos tipos de agentes, definiendo sus propiedades e interacciones. Por ejemplo, un agente de compras puede tener una propiedad que describa su necesidad de comprar un bien. Un vendedor podría, por otro lado, comprender una propiedad que describa su disposición a vender y el precio mínimo al que el agente está dispuesto a vender. Estas propiedades pueden ser dinámicas y pueden cambiar a lo largo de una simulación. Las interacciones y las reglas de interacción entre vendedores y compradores pueden describir el proceso de negociación. Por ejemplo, un agente de compras podría buscar varios vendedores y pedirles su precio de venta. El agente de compras podría entonces colocar una orden de venta a uno de los vendedores.

Además, queda claro a partir de esto que todos los agentes en un modelo necesitan algún tipo de entorno para interactuar. Las interacciones se basan en reglas, es decir, un modelo basado en agentes comprenderá algún tipo de gobernanza de interacción.

Ventajas de los modelos de simulación basados ​​en agentes

• Puede considerar interacciones y propiedades detalladas de los agentes.
• Puede considerar las propiedades espaciales de la interacción del agente.
• Permite que los modelos incorporen comportamientos receptivos, así como otros tipos de comportamientos interactivos, como la proactividad, la autonomía, la capacidad social, el aprendizaje, etc.
• Permite un enfoque de modelado de abajo hacia arriba para estudiar la aparición de comportamientos de alto nivel como resultado de interacciones microscópicas de bajo nivel.
• A menudo se considera la técnica de simulación más avanzada que permite modelos muy detallados.
• Enfoque de modelado muy flexible
• de naturaleza estocástica; considera los eventos estocásticos, así como la influencia de los comportamientos del sistema estocástico
• A menudo se percibe como una forma natural de modelar, especialmente los sistemas sociales (como, por ejemplo, las cadenas de suministro)

Desventajas de los modelos de simulación basados ​​en agentes

• Lo más probable es que sea menos adecuado para sistemas con altos niveles de atributos homogéneos
• Computacionalmente caro
• Puede ser un enfoque exagerado
• Enfoque de modelado desafiante, especialmente en términos de implementación del modelo.
• El enfoque tiende a dar como resultado modelos ricos en parámetros; pero los modelos con muchos parámetros tienden a dar poca información científica
• No admite colas en el modelo (a diferencia de la simulación de eventos discretos)
• No es realmente adecuado para modelar ningún tipo de procesos secuenciales, como por ejemplo, procesos de ensamblaje en una fábrica.
• Técnica de simulación menos establecida y, por lo tanto, menos popular entre los profesionales de quirófano y los ingenieros industriales.

Algunas aplicaciones típicas de los modelos de simulación basados ​​en agentes son, por ejemplo:

• Modelos de congestión de tráfico
• Enrutamiento de robots autónomos (por ejemplo, modelos de ruta de hormigas)
• Interacciones microeconómicas, por ejemplo, formación de precios en una economía de mercado competitiva

La dinámica de sistemas como enfoque de simulación

La dinámica del sistema es un enfoque de modelado que yo y otros analistas de la cadena de suministro utilizamos para modelar sistemas complejos basados ​​en un marco de modelado compuesto por existencias, flujos, variables y ciclos de retroalimentación. El objetivo principal es comprender el comportamiento macroscópico del sistema a partir de bucles de retroalimentación anticipados o conocidos en un sistema. Este enfoque es adecuado cuando, por ejemplo, se busca investigar los niveles de inventario en una cadena de suministro y se desea comprender cómo los bucles de retroalimentación y los retrasos en la retroalimentación afectan los niveles de inventario, la disponibilidad y la escasez de suministro.

Ventajas de los modelos de dinámica de sistemas

• Adecuado para modelar el comportamiento del sistema macroscópico
• Adecuado para abordar cuestiones abstractas y consideraciones de política

Desventajas de los modelos de dinámica de sistemas

• Lo más probable es que no sea adecuado para investigar la influencia del comportamiento y las dependencias del sistema microscópico.
• No es bueno para aspectos detallados de un sistema, como por ejemplo, colas, programación de trabajos, secuencias de procesos

Algunas aplicaciones ejemplares del modelado de dinámica de sistemas son:

• Investigación de dependencias de cadena de suministro de alto nivel (plazos de entrega, tiempos de anuncio de pedidos, inventarios, etc.)
• Efectos de látigo
• Interacciones de tiempo de ciclo de alto nivel
• Ciclo de vida de la demanda del producto

Simulación de Montecarlo como enfoque de simulación

Una simulación Monte-Carlo es una técnica de simulación que utiliza muestreo aleatorio. Uso esta técnica para problemas que no puedo resolver o modelar con un esfuerzo razonable usando otras técnicas. También utilizo la simulación Monte-Carlo para la evaluación de riesgos. De hecho, este es el uso más común de la simulación Monte-Carlo. Por ejemplo, se puede utilizar la simulación de Montecarlo para evaluar el riesgo de la evolución de los precios de las materias primas (basándose únicamente en datos de precios históricos).

La simulación de Montecarlo siempre aplica un muestreo aleatorio incluso cuando el problema o la característica subyacente es determinista. Volviendo a mi punto de que la simulación Monte-Carlo es un enfoque popular para la evaluación del riesgo de formación de precios (mercados de valores, materias primas, etc.), puedo, por ejemplo, utilizar esta técnica de simulación para predecir la evolución de los precios de las materias primas y las acciones. También puedo usar un enfoque analítico para esto, sin embargo, con mayor esfuerzo y costo.

Ventajas de los modelos de simulación de monte-carlo

• Puede analizar sistemas que no son determistas.
• Puede investigar el comportamiento del sistema estocástico
• Enfoque flexible (la simulación de Montecarlo es un concepto y se puede aplicar de muchas maneras diferentes)
• Enfoque adecuado cuando los enfoques analíticos no son factibles o solo pueden realizarse con un gran esfuerzo y/o costo
• Por ejemplo, la simulación Monte-Carlo puede predecir los precios de las materias primas o las acciones, mientras que un enfoque analítico determinista sería factible pero más difícil de implementar y comprender.

Desventajas de los modelos de simulación de monte-carlo

• La calidad de los resultados de la simulación depende en gran medida de la calidad de los datos de entrada
• Sin consideraciones específicas de colas de tareas y secuenciación
• Ignora dependencias estadísticas entre variables
• Enfoque de modelado no natural, requiere un alto nivel de abstracción por parte del desarrollador del modelo.

El juego como técnica de simulación

El juego es una técnica de simulación que se utiliza ampliamente en la gestión de la cadena de suministro. El término “juego” puede, por ejemplo, referirse a la preparación y ejecución de talleres en los que los participantes asumen roles relevantes y simulan la ejecución de procesos y procedimientos. Un ejemplo de esto es un juego de roles que simula la ejecución de un proceso de producción simple. Utilizo juegos para investigar estrategias de control de producción competidoras/alternativas en talleres con varios participantes de diferentes roles. También utilicé simulaciones de juegos en las que pedí a los planificadores de producción que hablaran sobre sus pasos de planificación diarios en forma de taller para comprender sus rutinas, preocupaciones y lógica de toma de decisiones.

A lo largo del taller, por ejemplo, presentaré a los planificadores de producción una situación relevante (por ejemplo, una demanda definida, un inventario, un retraso o un escenario de disponibilidad) y, en forma de debates interactivos, utilizaré rotafolios, diagramas de flujo, documentos de papel y mapas mentales para «jugar a través de» todos los pasos de toma de decisiones que los planificadores de producción participantes pueden pensar.

Es a través de estas discusiones que se pueden introducir nuevas ideas, por ejemplo, para controlar el tamaño de los lotes, MOQs o similares, en cualquier tipo de organización. Una de las principales razones de esto es que un «juego» de este tipo permite que todos estén en sintonía con respecto a los procesos y procedimientos. Esto evita malentendidos y aumenta la aceptación entre el personal operativo (en este caso, los planificadores de producción). En resumen, la simulación de «juegos» puede resultar en una mayor transparencia del proceso, verificaciones de escenarios y, por lo tanto, menores riesgos, recopilación temprana de comentarios, revisión por pares por parte de las partes interesadas y pruebas rápidas de nuevas ideas y conceptos. Además, es un enfoque que no requiere fuertes habilidades cuantitativas.

Ventajas del juego como técnica de simulación

• Permite el juego de roles y el análisis de escenarios, por ejemplo, capacitar al personal, aumentar la conciencia o probar estrategias, procesos y procedimientos.
• Puede ser un buen enfoque para el análisis conceptual, por ejemplo, para comparar diferentes lógicas de control (por ejemplo, push vs. pull)
• A menudo toma la forma de un taller inclusivo que es una excelente manera de comunicar ideas y conceptos.

Desventajas del juego como técnica de simulación

• Tiende a simplificar en exceso (por ejemplo, no es realmente un enfoque basado en datos)
• No es un enfoque adecuado para la mayoría de los casos, además de la capacitación, las pruebas de procesos y procedimientos o la evaluación de estrategias y conceptos.

Herramientas de simulación basadas en hojas de cálculo

Las hojas de cálculo son ampliamente utilizadas en la industria. Algunas hojas de cálculo implementan lo que podría denominarse simulaciones. Ejemplos de esto son las hojas de cálculo que, por ejemplo, calculan los niveles de inventario en función de los patrones de pedidos y los plazos de entrega esperados, o que estiman los costos de transporte para diferentes ubicaciones de almacén. Muchos otros ejemplos podrían enumerarse aquí.

Ventajas de los modelos de simulación basados ​​en hojas de cálculo

• Enfoque muy flexible
• Intercambiable e interactivo (al menos si el desarrollador de hojas de cálculo quiere)
• Buen enfoque para problemas que se pueden describir con sumas y adiciones, por ejemplo, desarrollos de inventario, desarrollos de ventas, pronósticos de acumulación, etc.

Desventajas de los modelos de simulación basados ​​en hojas de cálculo

• Los modelos más complejos se volverán rápidamente confusos para otros analistas, es decir, difíciles de seguir (por ejemplo, una simulación de Montecarlo podría ser más fácil de interpretar y comprender en el código fuente de Python en comparación con una hoja de cálculo de Excel)
• No es adecuado para modelos dinámicos de sistemas, de eventos discretos o basados ​​en agentes; aunque se podría intentar, por ejemplo, implementar un modelo basado en agentes en Excel, se volverá desordenado rápidamente.

Linnart Felkl

Ingeniero industrial especializado en optimización y simulación (R, Python, SQL, VBA)