Sie sind auf Seite 1von 29

CHAIR OF PRODUCTION MANAGEMENT

Produktion (Wahlfachstudierende)
Prozessanalyse stochastischer Systeme

Dr. Justus Arne Schwarz


Lehrstuhl für ABWL und Produktion, Prof Dr. Raik Stolletz

Mannheim, 11.09.2018
default
CHAIR OF PRODUCTION MANAGEMENT

Agenda

Kursplan - Teil 1
• Einführung in das Operations Management
• Prozessanalyse deterministischer Systeme
• Prozessanalyse stochastischer Systeme
• Produktionsplanung & Reihenfolgeplanung
• Kapazitätsplanung

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 2


default
CHAIR OF PRODUCTION MANAGEMENT

Agenda

1 Einführung in stochastische Variabilität

2 Wartesysteme mit einer Bedienstation

3 Zusammenhang zwischen den Leistungskenngrößen

4 Skaleneffekte bei mehreren Bedienstationen

Literatur:

• Cachon and Terwiesch (2013), Kapitel 7


• Helber (2014), Kapitel 2.1
• operations-management-online.de
• Schwarz and Stolletz (2013)

2018
c Prof. Dr. R. Stolletz. Alle Rechte vorbehalten.

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 3


default
CHAIR OF PRODUCTION MANAGEMENT

Grundmodell eines Warte- und Bediensystems

Quelle: bbc.co.uk Quelle: theguardian.com

Warteschlange Bedienstation
λ
μ
Ankünfte
• Ankunftsrate λ
Anzahl an Einheiten, die pro Zeiteinheit
im System eintreffen Zeitabhängig

Dynamik
Server
• Bedien-/Bearbeitungsrate µ Stationär
Stationär

Stochastisch
Heterogen

1 Diversität

Anzahl an Einheiten, die pro Zeiteinheit μ


Homogen Homogen

Deterministisch Stochastisch

bearbeitet werden können Warteschlange 2 Unsicherheit

Justus Arne Schwarz λ


Produktion (Wahlfachstudierende) 11.09.2018 4
default
CHAIR OF PRODUCTION MANAGEMENT

Stochastische Variabilität in Wartesystemen

Definition:
Stochastische Variabilität ist alles, was das normale,
vorhersehbare Verhalten eines Systems stört.

Beispiele:
Quelle: bbc.co.uk

Prozess Jobs Bedienstation(en) Stochastik


Check-in Passagiere Schalter/ Check- Ankunftszeit der
am in-Personal Passagiere,
Flughafen Bedienzeiten
Arztpraxis Patienten Arzt Ankunftszeiten der Quelle: Wikipedia
Patienten,
Behandlungszeit
Instand- Reparaturen Handwerker Ankunftszeiten,
haltung Reparaturzeiten
Quelle: supply2build.com

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 5


default
CHAIR OF PRODUCTION MANAGEMENT

Maße stochastischer Variabilität in Bearbeitungszeiten

• Bearbeitungszeit eines Auftrags i: ti (i = 1, 2, ..., I )


• Mittlere Bearbeitungszeit t eines Auftrags:
I
1 X 1
t= · ti = · (t1 + t2 + ... + tI )
I I
i=1

• (Unkorrigierte) Varianz σs2


der Bearbeitungszeiten:
I
1 X 2 1 h 2 2 2
i
σs2 = · (ti − t) = · (t1 − t) + (t2 − t) + ... + (tI − t)
I I
i=1

• (Unkorrigierte) Standardabweichung σs der Bearbeitungszeiten:


v
u
u1 X I
2
p
2
σs = σs = t · (ti − t)
I
i=1

• Variationskoeffizient cvs der Bearbeitungszeiten:


Standardabweichung σs
cvs = =
Mittelwert t
Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 6
default
CHAIR OF PRODUCTION MANAGEMENT

Beispiel: Stochastische Variabilität von Prozesszeiten

Nagelmaschine
Quelle: autec-gmbh.com

[Sekunden] Szenario 1 Szenario 2 Szenario 3


t1 4.78 4.78 4.78
t2 4.86 2.33 2.33
t3 4.74 4.74 4.74
t4 5.00 5.00 5.00
t5 4.82 4.82 4.82
t6 5.04 5.04 5.04
t7 4.52 4.52 4.52
t8 4.96 7.47 33.72
t9 5.12 5.12 5.12
t10 4.56 4.56 4.56
Mittelwert t 4.8400 4.8380 7.4630
Standardabweichung σs 0.1880 1.1643 8.7857
Variationskoeffizient cvs 0.0389 0.2407 1.1772

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 7


default
CHAIR OF PRODUCTION MANAGEMENT

Agenda

1 Einführung in stochastische Variabilität

2 Wartesysteme mit einer Bedienstation

3 Zusammenhang zwischen den Leistungskenngrößen

4 Skaleneffekte bei mehreren Bedienstationen

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 8


default
CHAIR OF PRODUCTION MANAGEMENT

Leistungskenngrößen

Warteschlange Bedienstation
λ
μ
Ankünfte

• Auslastung ρ = µλ
• Durchsatz th = λ
Anzahl an Einheiten, die den Prozess pro Zeiteinheit
Server durchlaufen
1
• Warteschlangenlänge
μ Lq
• Work in Process (Bestand)Warteschlange
Ls
Anzahl der
2 Jobs in der
Anzahl der Jobs im System
λ μ
Warteschlange
Ankünfte …
• Durchlaufzeit Ws • Wartezeit
N Wq
Dauer, die eine Einheit im System μ die eine Einheit in der
Dauer,
verbringt Warteschlange verbringt
• Jobs sind
* Rohmaterialien oder Fertigerzeugnisse in der Fertigung
* Aufträge oder Kunden in Dienstleistungsprozessen
Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 9
default
CHAIR OF PRODUCTION MANAGEMENT

Einfluss stochastischer Variabilität

• λ = 0.2/min, µ = 0.25/min
• Deterministische Zwischenankunfts- und deterministische Prod.zeiten (I)
Bearbeitungszeit

Zeit [min]
10 20 30 40 50

• Deterministische Zwischenankunfts- und stochastische Produktionszeiten (II)


Bearbeitungszeit

Deterministische Ankünfte
Deterministische Bedienzeiten
Zeit [min]
10 20 30 40 50

• Stochastische Zwischenankunfts- und deterministische Produktionszeiten (III)


Bearbeitungszeit

Deterministische Ankünfte
Stochastische Bedienzeiten
Zeit [min]
10 20 30 40 50

• Stochastische Zwischenankunfts- und stochastische Produktionszeiten (IV)


Bearbeitungszeit

Stochastische Ankünfte
Deterministische Bedienzeiten
Zeit [min]
10 20 30 40 50

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 10


default
CHAIR OF PRODUCTION MANAGEMENT

Deterministische Ankünfte (λ = 0.2/min, µ = 0.25/min)

(I) Deterministische Produktionszeiten (II) Stochastische Produktionszeiten


Deterministische
Job Ankünfte, 1 2 3 4 Deterministische
Job Ankünfte, 1 2 3 4
Deterministische Bedienzeiten Stochastische Bedienzeiten
Ankunftszeitpunkt [min] 1 6 11 16 Ankunftszeitpunkt [min] 1 6 11 16
Zwischenankunftszeit [min] - 5 5 5 Zwischenankunftszeit [min] - 5 5 5
Produktionszeit [min] 4 4 4 4 Produktionszeit [min] 7 3 4 2
Wartezeiten [min] 0 0 0 0 Wartezeiten [min] 0 2 0 0

Einheiten im Einheiten im
System Ls(t) System Ls(t)

1 1

0 5 10 15 20 0 5 10 15 20
Zeiteinheiten t Zeiteinheiten t

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 11


default
CHAIR OF PRODUCTION MANAGEMENT

Stochastische Zwischenankunftszeiten (λ = 0.2/min, µ = 0.25/min)

(III) Deterministische Produktionszeiten (IV) Stochastische Produktionszeiten


Stochastische
Job Ankünfte, 1 2 3 4 Stochastische
Job Ankünfte, 1 2 3 4
Deterministische Bedienzeiten Stochastische Bedienzeiten
Ankunftszeitpunkt [min] 2 4 6 15 Ankunftszeitpunkt [min] 2 4 6 15
Zwischenankunftszeit [min] - 2 2 9 Zwischenankunftszeit [min] - 2 2 9
Produktionszeit [min] 4 4 4 4 Produktionszeit [min] 7 3 4 2
Wartezeiten [min] 0 2 4 0 Wartezeiten [min] 0 5 6 1

Einheiten im Einheiten im
System Ls(t) System Ls(t)

1 1

0 5 10 15 20 0 5 10 15 20
Zeiteinheiten t Zeiteinheiten t

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 12


default
CHAIR OF PRODUCTION MANAGEMENT

Simulations Tools

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 13


default
CHAIR OF PRODUCTION MANAGEMENT

Analytische Leistungsbewertung (eine Bedienstation)

Warteschlange Bedienstation
λ
μ
Ankünfte

• Erwartete Wartezeit (Kingman Formel) (Kingman, 1961)

cva2 + cvs2 ρ 1
E[Wq ] ≈ · Server·
2 1−ρ µ
1
wobei μ
Warteschlange
ρ = µλ Auslastung λ 2
μ
cva Variationskoeffizient der Zwischenankunftszeiten
Ankünfte
cvs Variationskoeffizient der Bedienzeiten …
N
μ
• Drei Faktoren bestimmen die Wartezeit
→ Stochastische Variabilität, Auslastung und Bedienzeit
Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 14
default
CHAIR OF PRODUCTION MANAGEMENT

Auswirkung von Variabilität und Auslastung auf die Wartezeit (µ = 1.0/h)

60

Erwartete Wartezeit (in h) 50

40

30

Zunehmende
Variabilität der
20
Zwischenankunfts-
und ĞĂƌďĞŝƚƵŶŐƐͲ
10
zeiten
𝑐𝑣𝑎2 + 𝑐𝑣𝑠2 = 1.0 (Beispiel) 𝑐𝑣𝑎2 + 𝑐𝑣𝑠2 = 2.0 𝑐𝑣𝑎2 + 𝑐𝑣𝑠2 = 4.0

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Auslastung
𝑐𝑣𝑎2 + 𝑐𝑣𝑠2 = 1.0 𝑐𝑣𝑎2 + 𝑐𝑣𝑠2 = 2.0 𝑐𝑣𝑎2 + 𝑐𝑣𝑠2 = 4.0


Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 15
default
CHAIR OF PRODUCTION MANAGEMENT

Agenda

1 Einführung in stochastische Variabilität

2 Wartesysteme mit einer Bedienstation

3 Zusammenhang zwischen den Leistungskenngrößen

4 Skaleneffekte bei mehreren Bedienstationen

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 16


default
CHAIR OF PRODUCTION MANAGEMENT

Beispiele: Zusammenhang zwischen den Leistungskenngrößen

U.S. Winzer B.Sc. Großer PC


Immigration Programm Hersteller
Flusseinheit Einwanderungs- Weinflasche B.Sc. Student Computer
antrag
Durchsatz th Genehmigte 260 Mio. 400 Studenten 5000 Stück pro
oder abgelehnte Flaschen pro pro Jahr Tag
Visa: 6.3 Mio. Jahr
pro Jahr
Durchlaufzeit Durchschnitt- Durchschnitt- 3 Jahre 10 Tage
Ws liche Bear- liche Lagerzeit
beitungszeit: im Weinkeller:
7.6 Monate 3.46 Jahre
Work in Ausstehende 900 Mio. 1200 Studenten 50000
Process Ls Anträge: 4.0 Flaschen Computer
Mio. Anträge

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 17


default
CHAIR OF PRODUCTION MANAGEMENT

Little’s Law (Little, 1961)

• Voraussetzung: ρ = µλ < 1
• Little’s Law beschreibt den Zusammenhang zwischen Bestand und
Durchlaufzeit

Work in Process = Durchsatz · Durchlaufzeit


E[Ls ] = th · E[Ws ]

• Ist für Erwartungswerte gültig


• Gilt auch für den Zusammenhang zwischen Warteschlangenlänge und
Wartezeit

E[Lq ] = th · E[Wq ]

• Anwendbar für Systeme mit und ohne stochastische Variabilität


Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 18
default
CHAIR OF PRODUCTION MANAGEMENT

Beispiel: Little’s Law


λ
• Auslastung ρ = µ
• Durchsatz th = λ Beispiel von Folie 10:
• Erwartete Wartezeit (Kingman)
I II III IV
cv 2 + cvs2 ρ 1
E[Wq ] = a · · λ 0.2 0.2 0.2 0.2
2 1−ρ µ
µ 0.25 0.25 0.25 0.25
• Erwartete Warteschlangenlänge (Little) cva2 0 0 1 1
cvs2 0 1 0 1
E[Lq ] = λ · E[Wq ]
ρ 0.8 0.8 0.8 0.8
• Erwartete Durchlaufzeit E[Wq ] 0 8 8 16
E[Lq ] 0 1.6 1.6 3.2
1
E[Ws ] = E[Wq ] + E[Ws ] 4 12 12 20
µ E[Ls ] 0.8 2.4 2.4 4
• Erwarteter Bestand (Little)
E[Ls ] = λ · E[Ws ]
Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 19
default
CHAIR OF PRODUCTION MANAGEMENT

Agenda

1 Einführung in stochastische Variabilität

2 Wartesysteme mit einer Bedienstation

3 Zusammenhang zwischen den Leistungskenngrößen

4 Skaleneffekte bei mehreren Bedienstationen

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 20


default
CHAIR OF PRODUCTION MANAGEMENT

Konfiguration von Warteräumen

Mehrere parallele Eine Warteschlange ”Take a Number”


Warteschlangen Zeilenumbruch

Server Server Server Server Server Server Server


Server Server
Server ServerServer Server Server Server Server Server Server Server Server

1 2 3 1 2 3

9 8 9 8
10 7 10 7
4 4
6 14 6 14
13 13
5 5
Eingang 12 11 12 11

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 21


default Ankünfte
CHAIR OF PRODUCTION MANAGEMENT

Analytische Leistungsbewertung: N parallele Bedienstationen

Server
1
μ
Warteschlange
2
λ μ
Ankünfte …
N
μ

• Erwartete Wartezeit (Kingman Formel)



cva2 + cvs2 ρ 2·(N+1)−1 1
E[Wq ] ≈ · ·
2 N(1 − ρ) µ
wobei
λ
ρ = N·µ Auslastung
cva Variationskoeffizient der Zwischenankunftszeiten
cvs Variationskoeffizient der Bedienzeiten
Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 22
default
CHAIR OF PRODUCTION MANAGEMENT

Vergleich verschiedener Konfigurationen

(A) Zwei unabhängige Kundencenter


λ
μ Eine (A) (B)
Bedien-
λλ stat.
μμ
E [Ws ] 5.00 5.00 2.81
λ
μ E [Wq ] 4.00 4.00 1.81
(B) Mehrere Bedienstationen mit
gemeinsamer Warteschlange E [Ls ] 4.00 8.00 4.49
μ
2∙λ
E [Lq ] 3.20 6.40 2.89
μ
μ ρ 0.80 0.80 0.80
2∙λ

μ
2∙λ
2∙μ

Beide Systemkonfigurationen
2∙λ mit λ = 0.8/min, µ = 1.0/min und cva2 = cvs2 = 1.0.
2∙μ

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 23


default
CHAIR OF PRODUCTION MANAGEMENT

Skaleneffekte (,,Economies of Scale“)


4.5
* Ankunftsrate Nλ mit
λ = 0.8/min 4.0

* N Bedienstationen mit 3.5

µ = 1.0/min

Erwartete Wartezeit
3.0
→ Konstante Auslastung
ρ = 80% 2.5

2.0

Server
1.5
1
μ
Warteschlange 1.0
2
Nλ μ
0.5
Ankünfte …
N 0.0
μ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Anzahl Bedienstationen (N)
Ergebnis:


Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 24
default
CHAIR OF PRODUCTION MANAGEMENT

Einfluss der Auslastung auf Skaleneffekte

4.5

4.0

Erwartete Wartezeit
3.5

3.0
• Wähle λ so, dass
2.5
ρ = 0.4, 0.6, 0.8
2.0
• Ankunftsrate Nλ
1.5
• N Bedienstationen mit
1.0
µ = 1.0/min
0.5

0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Anzahl Bedienstationen (N)
ρ = 0.4 ρ = 0.6 ρ = 0.8

Ergebnis:

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 25


default
CHAIR OF PRODUCTION MANAGEMENT

Skaleneffekte

• Was wird beeinflusst?

* s

* s

• Wovon hängen sie ab?

* s

* s

* s

• Negative Skaleneffekte?

* s

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 26


default
CHAIR OF PRODUCTION MANAGEMENT

Wartesysteme steuern = Erwartungen managen

• Psychologie des Wartens


* That Old Empty Feeling : Wartezeit vergeht
langsamer
* A Foot in the Door : Warten vor einem
Service erscheint länger als Warten während
dem Service
* The Light at the End of the Tunnel: Ängste
reduzieren durch Aufmerksamkeit
* Excuse Me, But I Was First: Gerechtigkeit bei
Source: fmk-aufzuege.com
first come, first served (FCFS)
• Gesetzmäßigkeiten in Dienstleistungssystemen
* Maister’s First Law : Kunden vergleichen Erwartung mit Wahrnehmung
* Skinner’s Law : Die andere Warteschlange ist immer schneller
* Jenkin’s Corollary : Wenn man jedoch wechselt, bewegt sich die
vorherige Warteschlange schneller

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 27


default
CHAIR OF PRODUCTION MANAGEMENT

Zusammenfassung und Fazit

• Stochastische Variabilität ist normal, nicht die Ausnahme!


* Ursachen verstehen und vermeiden wenn möglich
* Mit dem Rest umgehen
• Gemeinsame Warteschlange
• Überkapazität/Sicherheitskapazität
• Leistungskenngrößen und Zusammenhänge
* E[Ls ] = th · E[Ws ] und E[Lq ] = th · E[Wq ]
• Skaleneffekte
* reduzieren den Einfluss der stochastischen Variabilität
* hängen von Auslastung und der Größe des Systems ab
• Analytics verwenden um
* qualitativen Eindruck vom System zu erhalten
* spezifische Empfehlungen/Szenarien zu untersuchen
* Kapazität zu planen

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 28


default
CHAIR OF PRODUCTION MANAGEMENT

Literatur

Cachon, G. and C. Terwiesch (2013). Matching supply with demand (3 ed.).


Singapore: McGraw-Hill Education.
Helber, S. (2014). Operations Management Tutorial (1 ed.). Hildesheim: Stefan
Helber.
Kingman, J. F. C. (1961). The single server queue in heavy traffic. In
Mathematical Proceedings of the Cambridge Philosophical Society, Volume 57,
pp. 902–904. Cambridge University Press.
Little, J. D. (1961). A proof for the queuing formula: L= λ w. Operations
research 9 (3), 383–387.
Schwarz, J. A. and R. Stolletz (2013). Warteschlangentheorie in der
Betriebswirtschaftslehre - Grundlagen und zentrale Zusammenhänge.
Wirtschaftswissenschaftliches Studium (WiSt) 42 (5), 261–264.

Justus Arne Schwarz Produktion (Wahlfachstudierende) 11.09.2018 29