Veri bilimi kullanarak otomotiv iş senaryosu planlamasının karmaşıklıklarının aydınlatılması

Jeopolitik dalgalanmalar ve tedarik zinciri aksaklıkları devam ettikçe, otomotiv sektörü karmaşık üretim planlamasını yönlendirmek için çevik stratejiler benimsemelidir. Örneğin, pandemi sonrası otomotiv endüstrisi, Ford, General Motors ve Toyota gibi büyük OEM'leri üretimi aniden durdurmaya veya küçültmeye zorlayan ciddi bir küresel yarı iletken kıtlığıyla karşı karşıya kaldı.

Bu kesinti, geleneksel, statik planlama yöntemlerinin hızlı tedarik zinciri değişimleriyle başa çıkmadaki sınırlılıklarını ortaya çıkardı. Kıtlık, gerçek zamanlı veri entegrasyonu ve uyarlanabilir tahmin eksikliğinin nasıl önemli üretim gecikmelerine, kaçırılan satış hedeflerine ve artan operasyonel maliyetlere yol açabileceğini vurgulayarak, senaryoları proaktif olarak görselleştirebilen ve stratejileri anında ayarlayabilen veri bilimi odaklı üretim planlamasına duyulan acil ihtiyacın altını çizdi.

Geleneksel olarak, üretim programlarını geliştirmek için kural tabanlı Gelişmiş Planlama Sistemleri (APS) ve Excel odaklı manuel süreçlerin bir kombinasyonuna güvenmişlerdir. Ancak bu yöntemler gerçek zamanlı değişikliklere uyum sağlamakta zorlanmakta ve giderek daha değişken hale gelen bir ortamda etkinliklerini sınırlamaktadır.

Bu nedenle, arz ve talebi dengelemek, kaynak kullanımını optimize etmek ve kârlılığı sağlamak, verimli ve uyarlanabilir üretim planlaması gerektirir. Bunu başarmak için otomotiv OEM'lerinin dalgalanan talep, üretim kısıtlamaları ve potansiyel tedarik zinciri aksaklıkları gibi çok sayıda dinamik faktörü hesaba katması gerekir.

Bu makale, üretim planlamasının OEM iş stratejisindeki kritik rolünü araştırmakta, geleneksel yaklaşımların sınırlamalarını incelemekte ve veri bilimi odaklı optimizasyonun verimliliği ve yanıt verebilirliği nasıl artırabileceğini göstermektedir.

Üretim planlama sürecininönemi OEM'ler için

Üretim planlama, araç üretiminin pazar talebi ve mevcut kaynaklarla uyumlu olmasını sağlar. Nasıl olduğunu anlayalım!

Bu karmaşıklığı, İYM ve hibrit araçlarla pazara hakim olan ve dünya çapında en çok satan OEM'leri analiz ederek ölçebiliriz.

Şekil 1: Planlamada yüksek hacimli karar değişkenleri

Otomotiv ekosistemi, her oyuncunun farklı bir role sahip olduğu karmaşık bir ağdır: müşteriler doğru araçları talep eder, tedarikçiler temel bileşenleri sağlar ve bayiler satış ve servis arasında köprü oluşturur. Bu işin merkezinde, müşteri ihtiyaçlarını, tedarik zinciri kabiliyetlerini, bayi desteğini, düzenlemeleri ve teknolojiyi dengeleyen araçlar üretmekle görevli OEM'ler yer almaktadır.

Her aşama, satış, tedarik zinciri, finans ve operasyonlar arasında kesintisiz koordinasyon gerektiren karmaşık veri, karar ve bağımlılık etkileşimlerini içerir. Tedarikçi gecikmeleri, talep hataları veya üretim darboğazları gibi aksaklıklar sistemde dalgalanarak planlanan ve gerçekleşen çıktı arasındaki uçurumu genişletebilir.

Şekil 2: Talep verilerinin toplanmasından üretim planının uygulanmasına kadar uçtan uca üretim planlama sürecinin temel aşamalarını özetlemektedir

Bu şekil, her bir aşamanın bir öncekinin üzerine nasıl inşa edildiğini ve planlama süreci boyunca basamaklı etkileri olduğunu göstermektedir. Tedarikçi gecikmeleri, talep yanlış hesaplamaları veya üretim darboğazları nedeniyle bir aşamadaki küçük aksaklıklar bile sistem genelinde dalgalanmaya neden olarak planlanan ve gerçekleşen çıktı arasındaki farkı büyütebilir.

Karmaşıklığa ek olarak, farklı departmanlar benzersiz KPI'larla çalışır ve genellikle birbiriyle çelişen hedefler yaratır. Satış, müşteri memnuniyetine ve gelire öncelik verirken, tedarik zinciri ekipleri verimlilik ve maliyet kontrolüne odaklanır ve üretim, kapasiteyi optimize etmeyi ve arıza süresini en aza indirmeyi amaçlar. Bu önceliklerin dengelenmesi, genel uyumu sağlamak için ödünleşim gerektirir.

Geleneksel yaklaşımlar bu ekosistemdeki çok sayıda veri noktası, kısıtlama ve karşılıklı bağımlılıkla mücadele eder. Gelişmiş senaryo görselleştirme ile desteklenen proaktif bir zihniyet, zorlukları öngörmek, ödünleşimleri değerlendirmek ve kurumsal hedeflerle uyumlu bilinçli kararlar almak için gereklidir.

Mevcut üretim planlama metodolojisindekizorluklar

• Manuel müdahaleler: Kapsamlı manuel veri girişi ve ayarlamalar gerektirir, gerçek zamanlı değişikliklere verilen yanıtları yavaşlatır.
• Sınırlı ölçeklenebilirlik: Büyük veri kümelerini işlemek ve modern üretim senaryolarının karmaşıklığını yönetmek için mücadele edin.

• Statik planlama: Tedarik zincirindeki aksaklıklara, talep artışlarına veya beklenmedik kısıtlamalara uyum sağlayamama.

• Parçalanmış veriler ve birbirinden kopuk süreçler: Departmanlar (Satış, Tedarik Zinciri ve Üretim) arasında sınırlı işbirliği ve entegrasyon, sorunsuz planlama ve uyumu engellemektedir.

• Gerçek zamanlı beklenmedik durum yok: Beklenmedik durum planları oluşturacak yeteneklerin olmaması, etkinin geç keşfedilmesine ve optimal olmayan kararlara neden olur.
• Hataya açık süreçler: Manuel çabalara aşırı bağımlılık, verimsizlik ve planlama hataları riskini artırır.
  

Şekil 3: Mevcut üretim planlama metodolojisindeki zorluklar

Veri destekli üretim: karar vericileri kolaylaştırma

Veri bilimi, otomobil üreticilerinin üretim planlamasını otomatikleştirmesine ve değişikliklere gerçek zamanlı olarak uyum sağlayan daha etkili, duyarlı planlar oluşturmasına yardımcı olabilir. Nagarro'da üretim planlamasına yönelik veri bilimi temelli çevik bir yaklaşım geliştirdik.

Ezber bozan yaklaşımımız dört temel adımı takip etmektedir:

Şekil 4: Nagarro'nun üretim planı oluşturma yaklaşımı

Tanımlama ve alma - veri noktaları ve kısıtlamalar

Herhangi bir karmaşık üretim planlama senaryosunda etkili karar verme, temel karar etmenlerinin belirlenmesine ve anlaşılmasına bağlıdır. Bu itici güçler, farklı zaman ölçeklerinde büyük veri miktarlarını, kısıtlamaları ve istenen iş sonuçlarını değerlendirerek ödünleşim kararlarını şekillendirmeye yardımcı olur. Aşağıda üretim planlama kararlarını etkileyen kritik girdiler yer almaktadır:

Veri noktaları , optimum bir üretim planı oluşturmak için çözülmesi gereken değişkenlerdir:

• Üretim sayıları: Talep tahminleri, kapasite ve tedarik zinciri kısıtlamalarına bağlı olarak zaman dilimi başına üretilen birimler.

• Model karışımı: Müşteri talebini, tesis kapasitesini ve parça bulunabilirliğini yansıtan çeşitli araç modellerinin tahsisi.

OEM'ler, pazar ihtiyaçları ve operasyonel kabiliyetlerle uyumlu doğru bir üretim planı oluşturmak için bu değişkenleri dikkatle analiz etmeli ve dengelemelidir.

Kısıtlamalar kararları önemli ölçüde şekillendirir ve bunları anlamak karmaşık ekosistemde yol almanın anahtarıdır. Bazı kritik kısıtlamalar şunlardır:

• Talep kısıtlamaları: Pazar talebini karşılamak için gereken maksimum üretimi tanımlayın, aşırı üretimi (ve yüksek taşıma maliyetlerini) veya eksik üretimi (ve satış kaybını) önleyin.

Örneğin, aşırı iyimser bir tahmin tedarik zincirlerini ve üretim hatlarını zorlayabilirken, aşırı muhafazakar bir tahmin karşılanmamış müşteri talebi ve memnuniyetsiz bayilikler bırakabilir.

• Üretim kısıtlamaları: Tesis kapasitesi, işgücü mevcudiyeti, çalışma programları ve bakım döngüleri gibi çıktıyı kısıtlayan sınırlamaları dahil edin.

• İlişki kısıtlamaları: Farklı modellerin belirli üretim hatları ve parça tahsisi ile nasıl eşleştiğini düşünün. Örneğin, birden fazla modelde kullanılan bir parça, gecikmesi veya kullanılamaması durumunda darboğaz yaratabilir.

• Tedarik kısıtlamaları: Tedarik sürelerini, tedarikçi güvenilirliğini ve tedarik zincirindeki olası aksaklıkları hesaba katarak tedarikçilerden bileşenlerin bulunabilirliğine odaklanın.

Ayarlayın, uyarlayın, dönüştürün - boru hatlarınıtemizleyin, normalleştirin ve yapılandırın

Ham veriler, bilinçli üretim kararları için tek başına yetersizdir; uygun yapılandırma ve ön işleme olmadan, tutarsızlıklar ve parçalanma verimsizliklere ve yanlış hizalamaya yol açar. Dönüşüm hattı, gelişmiş modelleme için çeşitli kaynaklardan gelen verilerin temizlenmesi, standartlaştırılması ve optimize edilmesi için kritik öneme sahiptir.

Modern üretim planlaması, üretim programları, makine kullanımı ve envanter seviyelerinden işgücü kullanılabilirliği, finansal kısıtlamalar, satış talebi tahminleri ve lojistik ayrıntılarına kadar hem yapılandırılmış hem de yapılandırılmamış verilerden yararlanır. Her bir unsur doğru, duyarlı ve uygun maliyetli bir üretim planı oluşturmak için gereklidir.

Sağlam bir dönüşüm hattı şunları sağlar:

• Veri temizleme ve hizalama: Veri bütünlüğünü korumak için tutarsızlıkların, mükerrerlerin ve eksik değerlerin giderilmesi.

• Zaman pencereleri arasında toplama: Kısa, orta ve uzun vadeli planlama için talep ve kapasite verilerinin yapılandırılması.

• Normalleştirme ve standartlaştırma: Farklı veri formatlarının (örneğin, tedarikçi teslimat programları ile Tesis operasyon zaman çizelgeleri) birleşik bir yapıya dönüştürülmesi.

• Veri türlerinin birleştirilmesi: Sayısal verilerin (maliyet ölçümleri, teslimat zaman çizelgeleri) yapılandırılmamış kaynaklarla (bakım günlükleri, sensör okumaları) entegre edilmesi.

Bu ön işleme aşaması, üretim kapasitesini satış talebi, finansal kısıtlamalar ve lojistik ile uyumlu hale getirerek maliyet verimliliğini artırmak, arıza süresini en aza indirmek ve pazar duyarlılığını geliştirmek için Doğrusal Programlama gibi optimizasyon modellerinin kullanılmasını sağlar. Parçalanmış verileri eyleme geçirilebilir içgörülere dönüştüren dönüşüm hattı, gerçek zamanlı senaryo planlaması ve veriye dayalı karar verme için temel oluşturarak OEM'lere günümüzün karmaşık otomotiv ortamında ihtiyaç duydukları çevikliği kazandırır.

Gelişmiş tekniklerkullanarak kaosu optimize edin ve düzenleyin

Otomotiv endüstrisinde üretim planlamasını optimize etmek, gelişmiş veri bilimi ve matematiksel optimizasyon modelleri gerektiren çok boyutlu bir zorluktur. Talep tahminleri, üretim kapasitesi, tedarik zinciri sınırlamaları, finansal kısıtlamalar, sürdürülebilirlik hedefleri ve pazar dalgalanmaları gibi kısıtlamalar nedeniyle OEM'ler karar alma süreçlerini kolaylaştırmak ve verimliliği en üst düzeye çıkarmak için sağlam ve veri odaklı bir yaklaşım benimsemelidir.

İyi uygulanan bir veri bilimi modeli, ham içgörüleri optimize edilmiş üretim planlarına dönüştürür:

• Amaç Fonksiyonunun Formüle Edilmesi: Temel hedeflerin tanımlanması (örneğin, üretim çıktısını en üst düzeye çıkarmak, hat verimliliğini artırmak, maliyetleri en aza indirmek).

• Kritik Kısıtlamaları Dahil Etme: Gerçekçi planlama sağlamak için talep sınırlarını, sıralı işleme sınırlarını, işgücü kullanılabilirliğini, tesis programlarını ve tedarik zinciri kısıtlamalarını ele almak.

• Karar Değişkenlerinin Optimize Edilmesi: Kaynakların en iyi şekilde tahsisinin belirlenmesi (örneğin, üretim hacimleri, model karışımı, tesis kullanımı).

Karmaşıklığın üstesinden gelmek için çeşitli optimizasyon teknikleri uygulanmaktadır:

• Doğrusal Programlama (LP): Makine, işgücü ve malzemelerin verimli kullanımı için kaynak tahsisini optimize eder.

• Tamsayılı Programlama (IP): Tedarikçi seçimi, üretim partileri ve iş vardiyaları gibi ayrı kararları yönetir.

• Doğrusal Olmayan Programlama (NLP): Üretim verimliliğinin enerji tüketimi veya emisyon azaltımı ile dengelenmesi gibi karmaşık ilişkileri modeller.

• Metasezgisel Yöntemler (örn. Genetik Algoritmalar, Karınca Kolonisi Optimizasyonu): Uyarlanabilir zamanlama veya yönlendirme optimizasyonu gibi büyük ölçekli, dinamik problemleri keşfedin.

• Stokastik Optimizasyon: Esnek planlama için talep ve arzdaki belirsizlikleri hesaba katar.
• Takviyeli Öğrenme (RL): Piyasa değişikliklerine dinamik olarak yanıt vermek için gerçek zamanlı, uyarlanabilir karar verme olanağı sağlar

Otomotiv üreticileri bu teknikleri kapsamlı bir optimizasyon hattına entegre ederek maliyet verimliliği, kaynak kullanımı, sürdürülebilirlik ve pazar duyarlılığıarasında denge kurabilir ve çevik, esnek, veri odaklı ve geleceğe hazır bir üretim planlama stratejisi sağlayabilir.

Ölçün ve ustalaşın - farklı zaman ölçeklerinde farklı iş hedefleri

Üretim sürecinin herhangi bir noktasında, OEM'ler üretim planlama kararlarının farklı zaman dilimlerinde çeşitli iş sonuçlarını nasıl etkileyeceğini değerlendirmelidir.

Temel iş hedeflerinden bazıları şunlardır:

• Hat verimliliği: Optimum üretim hattı performansı sağlayarak verimi en üst düzeye çıkarmak ve arıza süresini en aza indirmek, böylece maliyetleri ve döngü sürelerini azaltmak.

• Kârlılık: Maliyetleri düşürmek, talebi karşılamak ve kalite standartlarını korumak için üretim planlarını optimize etmek.

• Talep karşılama: Aşırı üretimden (fazla envanter ve depolama maliyetleri) veya eksik üretimden (stoklar ve satış kaybı) kaçınmak için üretimi doğru tahminlerle hizalamak.

• Sürdürülebilirlik ve kaynak optimizasyonu: Verimli kaynak kullanımı, enerji tasarruflu operasyonlar ve etkin atık yönetimi yoluyla kapsam 1 ve kapsam 2 emisyonlarını en aza indirerek kaynak israfını azaltmak ve ÇSY hedeflerini karşılamak.

Sürdürülebilir bir üretim planı yalnızca çevresel etkiyi azaltmakla kalmaz, aynı zamanda yasal düzenlemelere uygunluğu sağlar ve marka itibarını artırır.

Bu karar etmenlerinin her biri, OEM'in hedefleriyle uyumlu kapsamlı bir üretim planı oluşturmak için birlikte çalışır. Veri noktaları, kısıtlamalar ve istenen iş sonuçları arasındaki etkileşimi anlamak, bilinçli kararlar almak ve operasyonel verimliliği sürdürmek için çok önemlidir.

Ayrıca, veri bilimi temelli optimizasyon tekniklerinin üzerineGenAI desteklibir Akıllı Asistan eklenmesi , üretim planlama sürecine daha yüksek verimlilik ve zeka getirmektedir.

Bu yapay zeka destekli asistan, planlamacılara tedarik zinciri kesintileri, üretim kapasitesi ve talep dalgalanmaları gibi senaryolara ilişkin içgörüler için sistemi kolayca sorgulamaları için sezgisel bir erişim sağlar .

Ayrıca asistan, acil durum planları için proaktif öneriler oluşturarak planlamacıların aksaklıkları hızlı bir şekilde yönlendirmesine ve üretim programlarını dinamik olarak ayarlamasına yardımcı olabilir.

Etkin planlama özellikleriylesenaryoların üstesinden gelmek

Gerçek zamanlı senaryo planlaması , üretim gecikmelerinin önlenmesine yardımcı olur.Geciken tekbirparça sevkiyatıbile500-1.000 aracın üretimini durdurarak günlük binlerce dolarlık potansiyel kayıplara neden olabilir.

Uçtan uca senkronizasyon , talep tahminlerini, tedarikçi programlarını, tesis operasyonlarını ve lojistiği hizalamaya yardımcı olarak değer zincirindeki kesintileri en aza indirir.

Çok amaçlı optimizasyon verimliliklerin kilidini açar. Tesis kullanımındaki her yüzde birlik artış yılda milyon dolar tasarruf sağlar.

Değer zinciriboyunca derslerin uygulanması

OEM'lerdeki başarılı üretim artışları, büyük ölçüde hammadde sağlayıcılarının ve tedarikçilerin artan talepleri karşılamak için üretimlerini ölçeklendirme becerilerine bağlıdır. Birbiriyle bağlantılı olan bu yapı, düzenli ve etkili bir hızlanma sağlamak için değer zinciri boyunca işbirliğinin önemini vurgulamaktadır.

OEM'ler için kapasite artırımını zorlaştıran aynı zorluklar tedarikçileri de sık sık, hatta bazen daha şiddetli bir şekilde etkilemektedir. Örneğin tedarikçiler, sermaye yatırımlarındaki kısıtlamalar nedeniyle üretim kapasitelerini artırmada önemli engellerle karşılaşabilirler. OEM'lere kıyasla zaten düşük olan kar marjları ve sınırlı mali rezervleri ile tedarikçiler artan talebe aynı hızla uyum sağlamakta zorlanabilir.

Bu zorlukların üstesinden gelmek, veri paylaşımı, işbirliğine dayalı planlama ve proaktif senaryo modellemesinin ekosistem genelinde çabaların hizalanmasına yardımcı olduğu senkronize bir yaklaşım gerektirir. OEM'ler ve tedarik zinciri ortakları birlikte çalışarak riskleri azaltabilir, esnekliği artırabilir ve daha sorunsuz üretim ölçeklenebilirliği sağlayabilir.

Üretim planlamasının geleceği, geleneksel araçların sınırlamalarının üstesinden gelmek ve dinamik bir otomotiv ortamında başarılı olmak için yapay zeka destekli optimizasyondan yararlanmakta yatıyor. OEM'ler gelişmiş veri bilimi tekniklerini benimseyerek gerçek zamanlı uyarlanabilirlik elde edebilir, çevik acil durum planları oluşturabilir ve maksimum verimlilik ve karlılık için operasyonları optimize edebilir.

Genel iş senaryosu planlama süreçlerinizde devrim yaratmanıza ve sürekli değişen pazarda bir adım önde olmanıza yardımcı olalım.