Oral Defense Prep Flashcards
(41 cards)
Er din heuristik bedre?
Min heuristik er ikke nødvendigvis bedre end pakkere - selvom man måske får det indtryk i opgaven.
Den kan sagtens være ringere, da den ikke bruger alle rotationer men blot en fast LAFF heuristik.
Jeg finder en forskel mellem observeret brug af E1 (50%) versus IP-modellens brug (30%), hvilket indikerer at 3D-BPH ikke er bedre.
En bedre heuristik = bedre løsning men også større krav til pakkere.
Kan man løse IP med heuristik?
Man kunne lave Simulating Annealing for at sikre (1) intensivering men også (2) diversificering
NS kunne være:
- Vælg pakke med mest impact (ordre vægt * volume)
- Sørg efter forbedring i dennes neighborhood (alle pakker med 1 cm forskel)
- Tilføj til Tabu List for at sikre, at den ikke kun ser på denne ene kasse
- Start forfra
Kan man rulle dette ud til andre steder?
Ja, der er høj grad af anvendelighed hos andre. KPI’erne med størrelse og antal er generelle og gælder for alle steder.
Derudover gør feasibility matrixen det nemt at lave nye regler for, hvilke ordre må pakkes hvordan.
Også nemt at ændre på mulige box-designs
Hvad er din anbefaling til TH?
Svært uden at kende costs - især purchase costs.
Anbefalingen til deres nuværende setup er at vælge så få som muligt.
Hvad vil du gøre anerledes?
(1) FORECAST DEMAND fremfor historisk
(2) Begrænsning på antallet af “ens” pakker
(3) Mulighed for inddragelse af omkostninger
(4) Test på tværs af flere virksomheder for at understøtte generalisering
Hvad nu hvis TH kun vil lave to ændringer og er tilfredse med en sub-optimal løsning?
Det løser jeg ikke grundet min antagelse om komplet optimalitet
Det man kunne gøre var:
(1) Lave en heuristik alá min PR algoritme som blot greedily vælger det bedste swap mellem ALLE kasser
(2) Lave samme heuristik men med evaluering af par, så man ser på den bedste samlede effekt af to kronologiske swaps
Men TH burde ikke have denne interesse grundet hvor ringe den nuværende er samt feedback fra dem
Tror du TH implementerer noget af dette i virkeligheden?
Dele af analysen, ja.
- At porteføljen skal have overtal af små pakker
- At flest de kan opnå ret gode resultater uden 100 varianter
- At de skal mindske deres shipping label
I praksis vil de nok i højere grad overveje fleksible materialer (poser). Dette er dog svære at modellere.
De har en kuvert, men du laver kasser. Hvad har det af konsekvens?
Kan ikke tillade mig at være ligeså fleksibel som dem
Jeg risikerer at den mindste er for stor i forhold til virkeligheden.
Man skal dog ikke nødvendigvis se min som en kasse - det kan også være en pose hvor det jeg angiver at maks målene, når den er fyldt
Hvordan kunne man tage fleksible emballagetyper med?
Det er svære, da en pose ikke har én deterministisk størrelse, men fylder der, som varerene indeni fylder + buffer.
Derudover har visse poser og kuverter forskellige højder, hvis de ikke er helt flex ved kanterne. Det er svært at modeller.
En helt flex pose kunne dog tages med ved at sige at alle ordre med en volumen < x, de kan pakkes i en pose, og derved er denne ordres volumen lig sin egen og ikke emballagens volumen.
Hvis ikke p-median, hvordan kunne man ellers have løst det?
(1) Heuristisk - how?
(2) Clustering og selection
Hvordan forskellig fra assortment og hvordan forskellig fra packing?
Assortment:
- Man kender varianterne på forhånd og skal blot vælge
Packing:
- Man pakker items i isolation og ikke på tværs af ordre
- Ser ikke på valg af kasser
Beskriv data cleaning steps
(1) Remove orders with not real items
(2) Remove XL items
(3) Remove orders with +10 items
(4) Remove orders packaged into “others”
Hvorfor ikke optimering i 3?
Man kunne have lavet optimering - vælg bedste 1 ændring mellem A og B, men dette er at skyde gråspurve med kanoner
Hvordan kunne clustering spille en rolle i der her problem?
Andre papers omkring BSP bruger clustering til først at cluster ens ordre sammen, og så derefter finde en repræsentant kasse for alle ordre i den cluster.
p-Median deler også elementer af clustering, da den skal bestemme hvilke kunder skal clusters sammen til samme facility.
Derved er clustering en underlæggende del af problemet, da det omhandler inddelingen af population i mindre subsets, der deler ligheder.
Hvad skal TH gøre herfra?
(1) Reducer shipping labels
(2) Kasser eller fleksible løsninger
(3) I hvor høj grad kan processer tilpasse
(4) Økonomisk impact
Hvad kan man ellers gøre for at minimere environmental footprint i sin distribution?
(1) Grønnere transport ved parterne
(2) Retur-flow af varer og emballage
(3) Mere fleksible bulk-kasser, så de kan tilpasse ordremængde
(4) Reducér transportafstande gennem nærmere market-proximity
Hvor opstår luft ellers?
Problemet med luft i emballage skyldes flere aktører i følge Brüel og Hulten:
- Produkter og ordre tillader ikke nem pakning
- Labels kræver bestemt størrelse
- Lastbiler og bulk-kasser passer ikke
- Manuel pakning er sub-optimal
- Branding kræver sub-optimale kasser
- Standardisering og simplificering
Hvorfor er TH’s utilization så lav?
(1) Bredt sortiment
(2) Stor størrelsesforskel på items
(3) Nogle 1 item, andre 10 items
I følge research er dette opskriften på ringe utilization
Hvad ville der ske hvis man valgte en bedre heuristik? Ville det være praktisk?
Den valgte heuristik er blot én mulighed (LAFF)
En bedre heuristik ville resulterer i, at feasibility-matrixen tillod andre kombinationer af ordre og kasser, som måske kunne pakke items tættere og derved bruge mindre kasser.
Man skal sørge for at afveje om den valgte heuristik på et tidspunk bliver så godt, at pakkerne ikke kan genskabe pakkemønstrene effektivt.
En “for god” heuristik riskerer derfor at lave order-to-box allokeringer, som er upraktiske for pakkerne
Hvordan kan man bruge feedback fra pakkerne til at refine A matrix?
A matrix er udelukkende 3D-BPH.
Jeg finder en forskel mellem observeret brug af E1 (50%) versus IP-modellens brug (30%), hvilket indikerer at 3D-BPH ikke er bedre.
Man kunne bruge praktisk info ved siden af 3D-BPH ved:
(1) Angive kendt nuværende størrelse (e.g. E1)
(2) Alle kasser der minimum er E1 = feasible
(3) Brug 3D-BPH til at mindre end E1
Ved multikriterie - hvad kunne man ellers gøre?
(1) Vægtet metode: Man vægter betydningen af hvert objekt i én samlet funktion
Problemet med denne er at man skal kende vægtene og at den ikke kan håndtere forskellige units (cm3 og antal)
(2) Leksikografisk: Man optimere i rækkefølge
Virker hvis man har et mål med forrang (e.g., minimere omkostninger) og derefter ønsker optimering af andre, sekundære “nice-to-have” parametre. Leksikografisk er derved “gratis” altid at lave.
Problemet med denne er, at man ikke optimere med hensyn til andre mål. Disse optimeres givet krav om resultat for foregående mål.
ECM har fordelen af at håndtere forskellige units uden normalisering + generere Pareto løsninger
Sammenspil mellem simulering og optimering
Simuleringen understøtter optimeringen i at den belyser konsekvensen af at tage en given optimal beslutning.
Hvorfor random pakke sequence i simulering. Er det ikke kronologisk?
Pakkerne bliver ikke nødvendigvis pakket i den rækkefølge de er bestilt. Derfor mest rigtigt at randomisere.
TH kunne dog overveje om de skulle se på dette så ordrene pakkes i en bestemt rækkefølge (f.eks. layer-building).
Hvordan vil TH kunne ændre deres bulk-pakkeprocess?
Layer-building - nem heuristik
Intermediate storage - mere information
