LOJİSTİK PLANLAMA VE MODELLEME - Deneme Sınavı - 5

Yukarıdaki örnekte de görüleceği üzere bir karar ağacı şu bileşenlerden oluşur:
• Karar noktaları: şekilde kareler ile gösterilir, karar vericinin bu noktada seçenekleri karşılaştırması ve en iyi seçeneği belirlemesi beklenir. Yukarıdaki örneğimizde tek bir karar noktası vardır ve “yeni depo” ile “kapasite arttırma” seçenekleri arasında tercih yapılması gerekmektedir.
• Karar dalları: karar noktalarından çıkan oklar ile gösterilir ve o karar noktasındaki seçenekleri ifade eder. Yukarıdaki örneğimizde “yeni depo” ile “kapasite arttırma” seçeneklerinin yer aldığı oklar karar dallarıdır

• Şans noktaları: şekilde daireler ile gösterilir, bu noktada karar vericinin kontrolünde olmayan, belirli olasılıklar ile gerçekleşmesi beklenen olaylar belirtilir. Şans noktalarında beklenen değer ya da fayda hesaplanır. Örneğimizde bir tane şans noktası bulunmaktadır ve bu noktada olabilecek iki olayın yani “yüksek talep” ve “düşük talep”
oluşması durumundaki beklenen kâr hesaplanmıştır.
• Şans dalları: şans noktalarından çıkan oklar ile gösterilir ve o şans noktasındaki olabilecek olayları gösterir. Üzerinde olayların olasılıkları da belirtilir. Örneğimizde “yüksek talep” ve “düşük talep” olayları ve bunlara karşılık gelen olasılıklar gösterilmiştir

Karar ağacı yöntemi kararları ve olayları göstermek için oldukça kullanışlıdır. Fakat bunun bir şekil ile ifade ediliyor olması nedeni ile karar ve şans noktaları ile dallarının artması halinde çok karmaşık bir hale de gelebilir. Karar ağacı oluşturmanın yöntemini şu şekilde belirtebiliriz:
Adım 1: Problemin tanımlanması
Adım 2: Karar ağacının, karar noktaları, şans noktaları, karar dalları ve şans dalları kullanılarak çizilmesi.
Adım 3: Şans dallarının yani olayların olasılık değerlerinin yerleştirilmesi
Adım 4: Son noktadan başlayarak, geriye doğru, şans noktaları için beklenen değerin hesaplanması, karar noktaları için seçeneklerin karşılaştırarak en iyi seçeneğin belirlenmesi
Adım 5: Ağacın en başındaki karar noktasından başlayarak, ileriye doğru, en iyi karar seçenek adımlarının belirlenmesi.

Çevik tedarik zinciri uygulaması müşteri talebinde çeşitli sebepler ile hızlı değişkenlik ve oynaklıkların olması beklenen ürünleri sunan tedarik zincirleri için uygundur.

Dijital teknolojinin tedarik zincirine tam entegrasyonu ile oluşacak sisteme Dijital Tedarik Zinciri denir.

Tepki zamanı: Müşterinin talebinin oluşması ile talebin karşılanması arasındaki süredir.

Müşteri deneyimi: müşterinin tedarik zinciri ile etkileşiminin müşteri üzerinde yarattığı etkidir.

Karar ağacı bileşenleri;

Stok planlamasında önemli parametrelerden birisi de sürelerdir. Bir siparişin verildikten ne kadar süre sonra elimize ulaşacağı bilgisi ne zaman sipariş vermemiz gerektiğine doğrudan etkiler. Bu nedenle: • siparişin işlem görme süresi, • eğer sipariş bir üretim süreci sonrasında hazırlanacak ise üretim süresi, • siparişin hazırlanma süresi, • yükleme-indirme süresi, • ulaşım süresi

Teslimat süresi bir siparişin verilmesinden itibaren, siparişin teslim edilmesine kadar geçen toplam süredir.

I. Talep tahmini

II. Stok yönetimi

III. Taşımacılık

V. Tedarik zinciri yönetimi

I. Doğru ürünü, doğru zamanda, doğru miktarda ve doğru yerde müşteriye teslim etmek.

II. Orduları hareket ettirme sanatı.

IV. Hesaplama bilimi.

V. Müşteri ihtiyaçlarını en uygun maliyet ile kendisine ulaştırma süreçlerinin toplamıdır

II. Görsel

III. Soyut

IV. Analog

V. Matematiksel

II. Model oluşturma

III. Kontrol etme

IV. Raporlama ve Dokümantasyon

V. Model çözümlemesi

1. Aşama: Problem 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. Çoğu zaman karar verici problemini anlatırken kendi ön yargılarını da bu anlatımına ekleyerek problemi anlattığı için yanlı bir model yaratılarak yanlış problemin çözülmesi de olasıdır. Bu yanılgıyı önlemek için analist(ler) neden sorusunu tekrar tekrar sormalıdır. Yöneylem araştırmasının tanımındaki disiplinler arası çalışma burada çok işe yarayacaktır. Hep aynı tür problemleri çözen uzmanlarda sık görünen uzman körlüğü de dediğimiz az olasılıklı problemleri göz ardı etme alışkanlığı, farklı disiplinlerden uzmanların olduğu bir araştırma takımında daha zor görülecektir. Örneğin, bir banka şubesi müdürü son zamanlarda şubeden pek çok müşterilerinin hizmet almadan döndüğünü fark ediyor ve banko işlemlerinde verimliliği artırmak ve bekleme sürelerini azaltmak için bir analisti yardıma çağırıyor. Analist banko işlem süreçlerini incelemeden önce banka şubesinde bir gözlem yapınca asıl sorunun müşteriler için bekleme salonunda sadece iki sandalye olduğunu fark ediyor. Eğer müşteri geliş saatleri düzenli de- ğilse ki pek çok banka şubesi için durum böyledir, bekleme süresinin uzunluğundan önce bekleme yeri olmamasının da müşteri kaybına yol açabileceğini görebilir ve modelini tüm olasılıklara göre kurgularsa daha gerçekçi bir model kurmuş olur.

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. Sistemin gerçek verilerini kullanmada bir sakınca varsa veya hali hazırda toplanmış veri yoksa bu sefer sistemmı kullanılarak olası sistem girdileri sentetik olarak yaratılıp bu veriler ile sistem test edilir. Eğer makul sonuçlar elde ediliyorsa 3. aşamada oluşturduğumuz modelin doğru çalıştığına güvenimiz tamdır ve 5. aşamaya devam edebiliriz. Modelin seçilen girdiler için çıktıları beklendiği gibi değilse iki olasılık vardır. Birincisi, model mevcut durum hakkında yanlış varsayımlar yapmış olabilir. Bu durumda analist, modeli gerçek sistemi daha doğru bir şekilde betimleyinceye kadar hassaslaştırmalıdır. İkincisi, model doğru çalışıyor olabilir; ancak analistin bu girdi seti için beklentisi hassas olmayabilir. Bu durumda, hata modelde de- ğil analiste aittir. Bunu ayırt edebilmek için sistem dikkatle incelenmelidir ve model doğru beklentileri sağlıyor mu diye tekrar test edilmelidir.

I. Doğrusal programlama

II. Tam sayılı programlama

III. Doğrusal olmayan programlama

IV. Doğrusal olmayan tam sayılı programlama

Her zaman hızlı çalışması

Tam sayılı doğrusal programlama 

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.

Lojistik sistemindeki tüm bileşenleri ve faaliyetleri içinde barındıran, hammadde tedarikçisinden müşteriye kadar uzanan, mal ve bilgi akışının yürütüldüğü ağa tedarik zincir diyoruz. Yanıt E seçeneğidir.

Taktik seviye kararlar orta vadelidir ve satın alma, üretim, stok kararları, ulaştırma modlarının seçimi, müşteri kontratları gibi kararları içerir. Yanıt A seçeneğidir.