Değer Akış Haritalarında Belirlenen Darboğazların Çözümü İçin Bayes Ağları İle Senaryo Üretimi: Çamaşır Makinası Fabrikasında Bir Uygulama

Abstract

Günümüzde giderek artan rekabet ortamı, küreselleşme olgusu ve teknoloji alanındaki büyük gelişmeler bulunduğu sektöre bakılmaksızın tüm şirketlerin üzerindeki zorlayıcı unsurların etkisini sürekli artırmaktadır. Şirketler gittikçe sertleşen piyasa koşullarında fark yaratabilmek ve hayatlarını sürdürebilmek için faaliyet gösterdikleri sektörlere göre değişen çözümler üretmektedirler. Rekabet koşullarının en sert şekilde yaşandığı sektörlerin başında gelen üretim sektöründe faaliyet gösteren firmalar daha hızlı ve daha düşük maliyetli üretim yapmak, üretim maliyetlerini minimize ederek karlılık seviyelerini artırmak için çaba göstermekteler. Üretim sektöründe verimliliğin ve üretim kapasitesinin artırılması için toplam kalite veya yalın üretim teknikleri gibi güncel teknikler kullanılır. Bu yöntemlerin başarılı olması içinse verimliliği düşüren etmenlerin neler olduğu kesin olarak saptanmalı, problemler tanımlanmalı ve analitik çözümler üretilmelidir. Değer akış haritalama tekniği, üretim firmaları için önemi son yıllarda daha da iyi anlaşılan yalın üretim yöntemlerinden biridir. Üretimde yer alan tüm malzeme ve bilgi akışını ve ürünlerin ortaya çıkması için gerçekleştirilmesi gereken süreçleri gösteren değer akış haritaları, firmaların kaynaklarını verimsiz kullanmalarına sebebiyet veren süreçlerin incelenmesinde ve iyileştirilmesi gereken proseslerin tespit edilmesinde önemli katkı sağlayan bir yalın üretim metodolojisidir. Değer akış haritalama tekniğinde birbirini etkileyen süreçlerin ilişkileri analiz edilerek, gelecek senaryoları ile daha etkin bir çözüm üretilebilir. Bayes ağları, karar verme süreçlerine destek olmak için çözüm alternatifleri arasındaki ilişkileri görselleştiren bilişsel haritaları kullanır. Bilişsel haritalama tekniğini temel alarak oluşturulan bir bayes ağı modeli, çözüm alternatiflerini temsil eden düğümler, kaynakları temsil eden düğümler ve problemleri sembolize eden düğümlerden oluşmaktadır. Bayes ağlarında yer alan bu düğümlerde kesinlik içeren her tanımlama modelin oluşturulmasını ve incelenmesini kolaylaştırmaktadır. Kısıtlı kaynak değişkenlerini de değerlendirmeye alan bayes modeli oluşturulup incelendikten sonra karar alma süreçlerine fikir sağlayıcı veriler elde edilebilir. Bu çalışma kapsamında bayes inanç ağları modeli kullnılarak değer akış haritalama tekniğine bağlı olarak belirlenen darboğazların incelemesi gerçekleştirilmiştir. Beyaz eşya üretimi sektöründe faaliyet gösteren bir fabrika da uygulama yapılmıştır. Bunun için, ilk olarak bayes ağlarında işletme kaynakları olarak tanımlana değişkenler belirlenmiştir. Daha sonra ele alınacak darboğaz süreçler ve bu darboğazlara yönelik çözüm alternatiflerine ait değişkenler belirlenerek bu değişkenlerin farklı olasılık durumları tespit edilmiştir. Darboğaz süreçlerin ortadan kaldırılması için uygulanacak alternatif çözümleri, bu çözümler arasındaki ilişkileri ve koşullu olasılık tablolarını belirleyebilmek için uzmanlar ile sürekli görüşülmüş ve üç farklı anket uygulaması yapılmıştır. Daha sonra farklı senaryo koşulları altında model incelenerek modelde yer alan değişkenlerin farklı olasılık durumları için darboğaz süreçlerin çözüm beklentisindeki değişimler analiz edilmiştir. Ardından her bir çözüm alternatifinin problemli alanlar üzerindeki birebir etki derecesini analiz edebilmek için duyarlılık analizleri yapılmış ve elde edilen sonuçlar derlenerek gelecek durum akış haritasında kullanılabilecek veriler olarak kayıt altına alınmıştır. Son olarak da, modele dair kısıtlar ele alınarak gelecekte yapılacak çalışmalara öneriler sunularak bu tekniğin geliştirilebilmesi için değerlendirmelerde bulunulmuştur.

Compelling influence of increasingly competitive environment, globalization and the major advances in the field of technology constantly affect all companies regardless of their sector. Companies always try to apply new implementations to sustain their life in today’s world. Accordingly, the manufacturing field can be described as on of the most competitive sector in the industry. Companies which operate in the manfucturing sector, strive to increase the level of profitability by minimizing production costs. In the industry there are some advantageous methods to increase the productivity and production capacity such as lean production and total quality management. To imply these methods succesfully, the factors which reduce the efficiency should be precisely identified and described and then analytical solutions should be executed. A value stream is all the actions (both value and non-value added) the required to bring a product, or group of products that use many of the same resources in much the same way, through the main flow essential to every product – from raw material to the customer. VSM is an enterprise improvement technique to visualise an entire production process, representing information and material flow, to improve the production process by identifying waste and its sources. VSM is a pencil and paper visualization tool that shows flow of material and information as a product makes its way through the value stream. The value stream map is created using a predefined set of icons. VSM creates a common language about a production process, enabling more purposeful decisions to improve the value stream. Value Stream Mapping (VSM) is one of the most widely used Lean Manufacturing tools, which integrates the business wide benefits of a manufacturing company. Using VSM, work flows are linked to show the cycle time, resource utilization and job sequences. This map also demonstrates the bottlenecks and helps defining the problems. Value Stream Mapping technique gives the researcher an opportunity to analyze the relations of interacting process and it can supply better solutions with future scenarios. Using the cognitive mapping technique will certainly improve VSM results by demonstrating the cause and effect relations among the influential factors for the processes to be leanified. Furthermore, achieving different company based importance for the waste or inefficiency will allow the choice of critical ones and avoid unnecessary time and effort usage. Bayesian Network technique will use the cognitive maps to analyze alternative solutions in order to support the decisions. Bayesian networks (BN) (also generally referred to as probabilistic networks, causal probability networks, probabilistic cause-effect models) help us to model a domain containing uncertainty. Simply put, Bayesian networks are probabilistic networks derived from Bayes theorem, which allows the inference of a future event based on prior evidence. A Bayesian network consists of a graphpical structure, encoding a domain s variables, the qualitative relationships between them, and a quantitative part, encoding probabilities over the variable. One important aspect of BNs is its graphical structure, which enables us to represent the components of complex probabilistic reasoning in an intuitive graphical format, making understanding and communicating easy for the mathematically unsophiscated. Another important aspect is the quantitative part of BNs, which is able to accomodate subjective judgements (expert opinions) as well as probabilities based on objective data. Bayesian networks are directed acyclic graphs (DAGs). A graph is defined as a set of nodes (vertices) and a set of edges (arcs) with each arc being a pair of nodes. A directed acyclic graphs is therefore a directed graph that has no cycles. Bayesian networks have had considerable applications in many fields both in academia and industry. Industrial application of Bayesian technology spans several fields including medical and mechanical diagnosis, risk and reliability assessment, and financial risk management. In the academic field, bayesian networks applied to problems in medical diagnosis, in heuristic search, in ecology, in data mining and also in intelligent trouble shooting systems. In the literature it can be seen that, there are different types of inference methodology in Bayesian networks. There exist two classes of inference algorithms - one that gives exact solutions and the other that gives approximate solutions. The are several classes of exact inference algorithms and also there some classes of approximate solutions that we mentioned in the thesis with the main features in order to gather better understanding about bayesian networks. Building a Bayesian network is an iterative process and also a trade of between a very detailed and rich model to obtain accurate results on the one hand, and the cost and complexity of obtaining the detailed probabilities and maintaining the network afterwards on the other hand. Quantifying the network basically means assessing the probability distributions for each of the nodes represented in the network. The information for assessing the probability distributions can either be obtained from objective past data, if available, or elicitation of probabilities from domain experts. Both types of data can be used separately or in combination with each other. Objective data are often not available for use in most Bayesian networks. Although some information can be obtained from historical data bases most of these are either insufficient for analysis or not in a form that can be easily encoded into a Bayesian network. Level of certainties in each node of the Bayesian network will direct the edifice of different decisions. The choice of an alternative can then be justified by the evaluation of principal resources. Conditional scenarios will be achieved as a result of all these analysis. Some strengths or advantages of Bayesian Networks and Value Stream Mapping tools has been also widely discussed in the thesis. Additionally, it is also mentioned how to pass through these limitations about bayesian networks and value stream mapping to get desired results. In this study, we propose a model that uses creation of Bayesian belief network to analyze and the bottlenecks as problems based on the Value Stream Mapping. A case study is run for a global white furniture manufacturer. In other words, we firstly designed the value stream map of the company. We then focused on inputs of the bayesian network so, company resources, bottlenecks and alternative solutions are described to be used in the bayesian network modelling of the study. After that, we created the conditional probability tables of the company resources in order to make different kind of analysis under the different situations. In this case, three consecutive surveys are realized among the manufacturing leaders in order to determine the causal factors, alternative solutions and conditional probabilities for the influences. Several scenarios and sensitivity analysis are prepared and analyzed in the light of the Bayesian network methodology and the results are investigated to support decision making under the different probability condition of each factors. The difficulties experienced during the case study are also discussed and further improvements are proposed in the paper. At the end, we propose some inferences to build the future state map by using value stream mapping and bayesian network approaches together.