Jak napisać pracę magisterską z logistyki i zarządzania łańcuchem dostaw – poradnik

Praca magisterska z logistyki to projekt, który łączy teorię z bardzo konkretną praktyką. Już na etapie wyboru tematu musisz wiedzieć, czy będziesz optymalizować trasy, modelować procesy magazynowe, analizować zakłócenia w łańcuchu dostaw, czy może budować model symulacyjny w AnyLogic. To decyduje o wszystkim: o metodologii, źródłach danych i narzędziach.

Kierunek jest szeroki – „logistyka i zarządzanie łańcuchem dostaw” obejmuje zarówno mikroproblemy (jak skrócić czas kompletacji zamówień w konkretnym magazynie) jak i makroproblemy (jak zaprojektować globalną sieć dystrybucji odporną na zakłócenia). Promotor oczekuje, że na etapie konspektu już wiesz, po której stronie stoisz.

Najczęstszy błąd pierwszorocznych magistrantów: zbyt ogólne ujęcie. „Zarządzanie łańcuchem dostaw w branży X” to temat na encyklopedię, nie na pracę o objętości 70-100 stron. Zawęź do konkretnego procesu, konkretnej firmy lub konkretnej metody – i tam wejdź głęboko.

Specyfika kierunku i typy prac

Prace magisterskie z logistyki dzielą się na kilka typów i promotor najczęściej ma preferencje co do tego, który preferuje.

Praca analityczno-empiryczna opiera się na danych z jednej lub kilku firm. Mapujesz procesy, zbierasz dane (czas cyklu, poziom zapasów, koszty transportu), identyfikujesz problem i proponujesz usprawnienie. Tu liczy się dostęp do danych – bez tego nie napiszesz rzetelnej pracy empirycznej.

Praca modelarska lub symulacyjna – budujesz model procesu w narzędziu (Arena, AnyLogic, FlexSim), kalibrujesz go na danych historycznych, a następnie testujesz scenariusze („co jeśli zwiększymy liczbę wózków o 2?”, „co jeśli popyt wzrośnie o 30%?”). Tego typu praca wymaga opanowania jednego z narzędzi symulacyjnych na poziomie pozwalającym napisać sensowny rozdział metodologiczny.

Praca optymalizacyjna buduje model matematyczny (programowanie liniowe, VRP – Vehicle Routing Problem, TSP – Travelling Salesman Problem) i rozwiązuje go narzędziem (Excel Solver, CPLEX, Gurobi, Python z biblioteką PuLP lub OR-Tools). Wymaga solidnych podstaw matematycznych i umiejętności formułowania funkcji celu i ograniczeń.

Praca koncepcyjna lub przeglądowa – przegląd literatury i synthesis wiedzy na temat wybranego zagadnienia. Promotorzy rzadko akceptują tego typ jako całość pracy magisterskiej – oczekują, że co najmniej jeden rozdział wnosi własne dane lub obliczenia.

Wybór tematu

Logistyka wewnętrzna: magazynowanie, transport, kompletacja

Logistyka wewnętrzna (intralogistyka) to procesy zachodzące wewnątrz jednego zakładu lub centrum dystrybucji. Tu masz do dyspozycji dużo ciekawych problemów badawczych.

Kompletacja zamówień (order picking) pochłania w typowym magazynie 50-65% kosztów operacyjnych. Możesz analizować metody kompletacji (pick-to-light, put-to-wall, zone picking, wave picking), mierzyć czas cyklu i błędy kompletacji, a następnie zaproponować optymalizację układu magazynu (slotting). Do slottingu używasz analizy ABC/XYZ – łączysz ją z danymi o rotacji artykułów i lokalizacji w magazynie.

Rozmieszczenie towaru w magazynie (layout design) to problem optymalizacyjny – chcesz zminimalizować dystans pokonywany przez operatorów. Tu możesz sformułować prosty model LP lub użyć heurystyki.

Zarządzanie flotą wózków widłowych: liczba wózków, planowanie tras, czas bezczynności. Dane zbierasz z systemu WMS (Warehouse Management System) – jeśli firma udostępni logi, masz materiał na bardzo konkretną analizę.

Supply chain management (SCM): koordynacja dostawców, zamawianie, ryzyko zakłóceń

SCM to zarządzanie przepływem towarów, informacji i finansów między wieloma podmiotami – od surowców do klienta końcowego. Praca z tego obszaru wymaga spojrzenia szerszego niż jeden zakład.

Zarządzanie zapasami: modele zamawiania (EOQ – Economic Order Quantity i jego modyfikacje, model z popytem probabilistycznym, model z wieloma okresami). Obliczasz optymalną wielkość zamówienia, punkt zamawiania (reorder point), zapas bezpieczeństwa przy założonym poziomie obsługi (fill rate, service level). Mierzysz efektywność: wskaźnik rotacji zapasów, days of supply, stockout rate.

Analiza zakłóceń (supply chain disruptions) – od 2020 roku bardzo popularny temat. Mapujesz ryzyko zakłóceń (FMEA – Failure Mode and Effects Analysis dla łańcucha dostaw), analizujesz strategie odporności (resilience): dual sourcing, safety stock buffers, nearshoring.

Dobór dostawców i ocena wielokryterialna: metody AHP (Analytic Hierarchy Process) lub TOPSIS do rankingowania dostawców według kryteriów: cena, jakość, czas dostawy, ryzyko geograficzne.

E-logistyka i ostatnia mila (last mile delivery)

Ostatnia mila to odcinek od centrum dystrybucji do klienta końcowego – i jednocześnie najdroższy element całego łańcucha dostaw (25-35% całkowitych kosztów transportu według raportów McKinsey i Capgemini).

Tematy badawcze: optymalizacja tras dostawy (VRP i jego warianty – VRPTW z oknem czasowym, CVRP z ograniczeniami pojemnościowymi), analiza punktów odbioru (PUDO – Pick-Up Drop-Off points) jako alternatywy dla dostaw do domu, emisja CO2 różnych środków transportu na ostatniej mili (rowery cargo, electric vans, drony – to na razie głównie literatura prospektywna).

Dane zbierasz z systemów TMS (Transport Management System) lub od firm kurierskich (DPD, DHL, InPost udostępniają dane partnerom akademickim – zapytaj, zanim stwierdzisz, że danych nie ma).

Logistyka zwrotna (reverse logistics) i gospodarka cyrkularna

Logistyka zwrotna obejmuje przepływ towarów od klienta z powrotem do producenta lub do punktu recyklingu. W e-commerce stopa zwrotów sięga 20-30% dla odzieży, więc to realny problem biznesowy.

Możesz analizować: koszty obsługi zwrotów, czas cyklu (od zgłoszenia do refundacji lub ponownego wprowadzenia do sprzedaży), klasyfikację przyczyn zwrotów (rozmiar, jakość, zmiana decyzji), oraz procesy reconditioningu (refurbishing, resale, recykling).

Gospodarka cyrkularna (circular economy) wchodzi do prac magisterskich przez dyrektywę UE i rosnące zainteresowanie ESG – możesz tu powiązać logistykę zwrotną z raportowaniem emisji.

Teorie i koncepcje

Lean logistics i Toyota Production System (TPS): Just-in-Time, kanban, heijunka

Lean logistics wywodzi się z Systemu Produkcyjnego Toyoty (Toyota Production System, TPS). Fundamentalne założenie: eliminuj marnotrawstwo (muda) – nadprodukcję, zbędne zapasy, zbędny transport, przestoje, zbędne ruchy, defekty i nadmierne przetwarzanie.

Just-in-Time (JIT) oznacza dostarczanie materiałów dokładnie wtedy, gdy są potrzebne – nie wcześniej (bo generuje zapasy) i nie później (bo zatrzymuje produkcję). W pracy magisterskiej możesz analizować warunki wdrożenia JIT: niezawodność dostawców, czas realizacji zamówień (lead time), poziom zmienności popytu.

Kanban to system sygnałów sterujących przepływem materiałów. Klasyczny kanban: karta sygnalizuje, że pojemnik z częściami się skończył i należy zamówić kolejny. W pracy możesz modelować liczbę kart kanban optymalizującą poziom zapasów.

Heijunka (poziomowanie produkcji) to wyrównywanie harmonogramu produkcji, żeby unikać pików i dolin. Przeciwdziała efektowi bicza (patrz niżej).

Value Stream Mapping (VSM) to narzędzie lean do mapowania przepływu wartości – rysujesz cały proces od surowca do klienta, zaznaczasz przepływ materiałów i informacji, identyfikujesz straty. VSM jest jednocześnie narzędziem analitycznym i komunikacyjnym – używasz go w rozdziale metodologicznym do pokazania stanu obecnego (AS-IS) i proponowanego (TO-BE).

Theory of Constraints (Goldratt): bottleneck, drum-buffer-rope

Theory of Constraints (TOC) Eliyahu Goldratta (1984, „The Goal”) mówi: każdy system ma jedno ograniczenie (constraint, bottleneck), które determinuje jego przepustowość. Optymalizowanie wszystkiego poza bottleneckiem nie zwiększa przepustowości systemu.

Metoda Drum-Buffer-Rope (DBR): bottleneck nadaje rytm całemu systemowi (drum), bufor zapasów chroni bottleneck przed przestojami (buffer), a lina synchronizuje wejście materiałów z tempem bottlenecka (rope).

W pracy magisterskiej możesz: zidentyfikować bottleneck w procesie produkcyjnym lub magazynowym (przez analizę czasów cyklu i współczynnika wykorzystania), obliczyć efekt zwiększenia przepustowości bottlenecka (Throughput Accounting), lub porównać DBR z planowaniem MRP.

Total Quality Management (TQM): Deming, Juran, Six Sigma (DMAIC, DPMO)

TQM to filozofia zarządzania jakością opierająca się na ciągłym doskonaleniu, zaangażowaniu wszystkich pracowników i orientacji na klienta. Deming (14 zasad, koło PDCA) i Juran (trilogia jakości: planowanie, kontrola, doskonalenie) to podstawowi autorzy.

Six Sigma to metodyka redukowania defektów do poziomu 3,4 DPMO (defects per million opportunities – defektów na milion możliwości). Poziom „sześć sigm” odpowiada procesowi, w którym niemal każda operacja (99,99966%) przebiega bez defektu.

DMAIC to cykl doskonalenia Six Sigma: Define (zdefiniuj problem i cel), Measure (zmierz obecny stan procesu), Analyze (analizuj przyczyny defektów – diagram Ishikawy, analiza Pareto, 5 Why), Improve (wdrożenie usprawnień), Control (kontroluj, żeby nie wrócić do starego stanu).

W pracy magisterskiej z logistyki możesz zastosować DMAIC do redukcji błędów kompletacji, skrócenia lead time, redukcji kosztów zwrotów.

SCOR model: plan/source/make/deliver/return/enable

SCOR (Supply Chain Operations Reference) to model referencyjny opracowany przez Supply Chain Council (dziś APICS). Opisuje procesy łańcucha dostaw na trzech poziomach szczegółowości i definiuje metryki (KPI) dla każdego procesu.

Sześć procesów SCOR: Plan (planowanie – prognozowanie popytu, planowanie zapasów, planowanie produkcji), Source (zaopatrzenie – wybór dostawców, zamawianie, odbiór), Make (produkcja – zlecenia produkcyjne, zarządzanie jakością), Deliver (dystrybucja – magazynowanie, kompletacja, transport), Return (zwroty – od klienta i do dostawcy), Enable (procesy wspierające – zarządzanie danymi, relacjami, zgodnością).

Metryki SCOR na poziomie 1: Reliability (OTIF – on-time in-full, fill rate), Responsiveness (Order Fulfillment Cycle Time), Agility (Upside Supply Chain Flexibility), Cost (Total Supply Chain Management Cost), Assets (Cash-to-Cash Cycle Time, Days of Inventory).

W pracy magisterskiej możesz użyć SCOR jako ramy do diagnozy łańcucha dostaw firmy i porównania wybranych KPI z benchmarkami branżowymi.

Bullwhip effect (efekt bicza): przyczyny i sposoby redukcji

Efekt bicza (bullwhip effect) opisuje zjawisko, w którym niewielkie wahania popytu u klienta końcowego powodują coraz większe wahania zamówień w górę łańcucha dostaw – do hurtownika, producenta, dostawcy surowców. Termin pochodzi od kształtu zmienności, która rośnie jak amplituda biczowanego bata.

Klasyczna praca: Lee, Padmanabhan, Whang (1997) „The Bullwhip Effect in Supply Chains”, Sloan Management Review. Autorzy zidentyfikowali cztery przyczyny: prognozowanie popytu (każde ogniwo prognozuje samodzielnie), przetwarzanie zamówień (order batching – zamawianie dużymi partiami), zmienność cen (forward buying przy promocjach), niedobory i gry alokacyjne (shortage gaming).

Sposoby redukcji: VMI (Vendor Managed Inventory – dostawca zarządza zapasami u klienta na podstawie dostępu do danych sprzedaży), CPFR (Collaborative Planning, Forecasting and Replenishment – wspólne prognozowanie), EDI (Electronic Data Interchange – wymiana danych w czasie rzeczywistym), codzienne uzupełnianie małymi partiami (eliminuje order batching).

Zrównoważony łańcuch dostaw (sustainable SCM): emisja CO2, ślad węglowy transportu

Zrównoważony łańcuch dostaw (Green SCM, Sustainable SCM) uwzględnia wpływ środowiskowy i społeczny obok efektywności ekonomicznej.

Transport odpowiada za około 7% globalnej emisji CO2 (dane IEA). W logistyce liczymy: ślad węglowy transportu (kg CO2 na tonokilometr), porównując tryby transportu: samolot (ok. 500 g CO2/tKm), samochód ciężarowy (ok. 60-150 g CO2/tKm), kolej (ok. 20-40 g CO2/tKm), morski (ok. 8-15 g CO2/tKm). Dane do obliczeń bierzesz z kalkulatora EcoTransIT World lub metodologii GLEC (Global Logistics Emissions Council Framework).

Raportowanie ESG w logistyce: od 2024 roku duże firmy w UE raportują emisje w ramach CSRD (Corporate Sustainability Reporting Directive). Scope 3 emisji obejmuje transport – to materiał na rozdział o raportowaniu środowiskowym w łańcuchu dostaw.

Metodologia badań logistycznych

Modelowanie procesów: BPMN 2.0, VSM, SIPOC

Zanim przejdziesz do analizy lub optymalizacji, musisz opis procesu. Trzy główne narzędzia:

BPMN 2.0 (Business Process Model and Notation) – standard OMG do modelowania procesów biznesowych. Rysujesz przepływ zdarzeń, czynności, bram (gateway), pul (pool) i torów (lane). W logistyce używasz BPMN do mapowania procesu przyjęcia towaru, procesu kompletacji zamówień, procesu obsługi zwrotów. Narzędzia: Camunda Modeler (bezpłatny), Bizagi Modeler (bezpłatny), draw.io (bezpłatny).

VSM (Value Stream Mapping) – narzędzie lean do mapowania przepływu wartości. Rysujesz standardowe symbole (magazyn trójkąt, przepływ push, pull, systemy informacyjne), zaznaczasz czasy cyklu (cycle time), czasy przejścia (lead time), zapasy między procesami, liczbę operatorów. Obliczasz Value-Added Time i Non-Value-Added Time. Proporcja VAT do total lead time to miara marnotrawstwa.

SIPOC (Suppliers – Inputs – Process – Outputs – Customers) to narzędzie Six Sigma do wstępnego opisu zakresu procesu. Używasz go na początku fazy Define w DMAIC.

Symulacja dyskretna: Arena, AnyLogic, FlexSim

Symulacja dyskretna (Discrete Event Simulation, DES) modeluje system jako sekwencję zdarzeń w czasie. Każde zdarzenie zmienia stan systemu (np. klient wchodzi do kolejki, maszyna zaczyna przetwarzanie, wózek wyjeżdża z magazynu).

Arena (Rockwell Automation) – klasyczne narzędzie akademickie, licencja studencka jest bezpłatna. Budujesz model z bloków (Create, Process, Decide, Dispose), definiujesz rozkłady statystyczne dla czasów (np. triangular(5, 8, 15) dla czasu kompletacji pozycji), uruchamiasz replikacje i analizujesz wyniki (średnia, odchylenie, percentyle, wykresy zajętości zasobów).

AnyLogic – nowsze narzędzie, obsługuje DES, modelowanie agentowe (Agent-Based Modeling) i dynamikę systemów. Licencja Personal Learning Edition jest bezpłatna. AnyLogic jest szczególnie dobry do modeli kombinowanych (np. pojazdy AGV w magazynie jako agenci + kolejki jako DES).

FlexSim – specjalizuje się w 3D symulacji procesów magazynowych i produkcyjnych. Wersja akademicka dostępna przez uczelnię.

W pracy magisterskiej musisz przejść przez: konceptualizację modelu (jakie elementy, jakie zasoby, jakie procesy), weryfikację (czy model działa zgodnie z założeniami – face validity, structured walkthrough), walidację (czy model odtwarza rzeczywistość – porównanie output modelu z danymi historycznymi, test Welcha lub chi-kwadrat dla rozkładów), analizę scenariuszy, wnioski.

Liczba replikacji: minimum 20-30 dla uzyskania stabilnych przedziałów ufności. Używasz metody batch means lub independent replications.

Optymalizacja: LP/MIP, TSP, VRP

Programowanie liniowe (LP) i całkowitoliczbowe (MIP – Mixed Integer Programming) to formalne podejście do optymalizacji. Definiujesz: zmienne decyzyjne (co optymalizujesz), funkcję celu (minimalizuj koszty transportu, maksymalizuj przepustowość), ograniczenia (pojemność magazynu, czas pracy kierowców, okna czasowe dostaw).

Narzędzia: Excel Solver (wystarczy dla małych modeli, do kilkuset zmiennych), Python z bibliotekami PuLP, OR-Tools (Google), scipy.optimize – dostępne bezpłatnie. CPLEX i Gurobi (przemysłowe solvery) mają bezpłatne licencje akademickie.

Problem komiwojażera (TSP – Travelling Salesman Problem): znaleźć najkrótszą trasę przechodzącą przez N miast dokładnie raz. Problem NP-trudny – dla dużych instancji używasz heurystyk (nearest neighbor, 2-opt, 3-opt) lub metaheurystyk (algorytmy genetyczne, simulated annealing).

VRP (Vehicle Routing Problem) to uogólnienie TSP: wiele pojazdów, każdy z ograniczoną pojemnością, muszą obsłużyć N klientów minimalizując łączny dystans lub koszt. Warianty: VRPTW (z oknami czasowymi dostawy), CVRP (z ograniczeniami pojemnościowymi), MDVRP (z wieloma depot).

Analiza ABC/XYZ zapasów

Analiza ABC dzieli asortyment według wartości zużycia (obrotu):

• Klasa A: 20% artykułów generujących 70-80% wartości obrotu
• Klasa B: 30% artykułów – 15-25% wartości
• Klasa C: 50% artykułów – 5-10% wartości

Analiza XYZ segmentuje według regularności popytu:

• Klasa X: bardzo regularne zużycie, niski współczynnik zmienności (CV poniżej 0,2)
• Klasa Y: sezonowe lub umiarkowanie zmienne (CV 0,2-0,5)
• Klasa Z: bardzo nieregularne (CV powyżej 0,5)

Macierz ABC/XYZ (9 kategorii AX, AY, AZ, BX…) pozwala dobrać strategię zarządzania zapasami do każdego segmentu. AX: optymalizacja, JIT, częste dostawy małymi partiami. CZ: zapas buforowy, rzadkie zamawianie lub outsourcing.

Metody ilościowe: prognozowanie popytu

Prognozowanie popytu to punkt wyjścia dla planowania zapasów i produkcji. Błąd prognozy (MAPE – Mean Absolute Percentage Error, MAE, RMSE) bezpośrednio przekłada się na poziom zapasów bezpieczeństwa.

Metoda Holta (podwójne wygładzanie wykładnicze) uwzględnia trend. Metoda Holta-Wintersa (potrójne wygładzanie) uwzględnia trend i sezonowość. ARIMA (AutoRegressive Integrated Moving Average) – model szeregów czasowych oparty na autokorelacji i różnicowaniu.

W Pythonie: biblioteka statsmodels ma implementacje Holt-Winters (ExponentialSmoothing) i ARIMA. W Excelu: możesz ręcznie zaimplementować wygładzanie wykładnicze.

Do oceny modelu: podział na zbiór treningowy (np. 80% danych) i testowy (20%), obliczenie MAPE na zbiorze testowym, porównanie alternatywnych modeli.

Studia przypadku: analiza firmy logistycznej lub producenta

Case study to dominująca metodologia w pracach empirycznych z logistyki. Yin (2003) i Eisenhardt (1989) to podstawowe referencje metodologiczne.

Single-case study: dogłębna analiza jednej firmy lub jednego procesu. Uzasadnione gdy przypadek jest wyjątkowy (revelatory case), krytyczny (critical case) lub typowy (representative case). Musisz argumentować wybór.

Multiple-case study: analiza porównawcza kilku firm. Silniejsza zewnętrzna trafność wyników, ale wymaga więcej danych.

Techniki zbierania danych w case study: wywiady z pracownikami (magazynierzy, kierownicy logistyki, kierowcy), obserwacja bezpośrednia (shadowing operatorów), analiza dokumentów (raporty WMS, dane z TMS, arkusze kompletacji), ankiety (do zbadania percepcji jakości procesu przez pracowników).

Źródła danych i narzędzia

GS1, SAP WM/EWM, WMS

GS1 to globalna organizacja standaryzująca kody kreskowe (EAN-13, GS1-128), kody RFID (GTIN, SSCC) i wymianę danych EDI (Electronic Data Interchange). W pracy możesz opisywać rolę standardów GS1 w śledzeniu przepływu towarów (traceability).

SAP WM (Warehouse Management) i jego następca SAP EWM (Extended Warehouse Management) to systemy zarządzania magazynem klasy enterprise. Moduły WM generują dane o ruchach towarów, czasach transferu, zajętości miejsc. Do pracy akademickiej rzadko masz bezpośredni dostęp do systemu, ale firma może wyeksportować zagregowane dane.

Inne WMS: Manhattan Active WM, Körber WMS (dawniej HighJump), Infor WMS, Generix – popularne w Polsce duże magazyny e-commerce i 3PL.

Dane branżowe

Do analizy sektora korzystaj z:

• Polska Izba Spedycji i Logistyki (pisil.pl) – raporty branżowe, dane o polskim rynku TSL
• GUS – Transport wyniki działalności (rocznik statystyczny transportu) – dane o przewozach w Polsce
• Eurostat (ec.europa.eu/eurostat) – transport statistics – dane unijne, długie szeregi czasowe
• TLP (Związek Pracodawców Transport i Logistyka Polska) – raporty o rynku transportowym
• Roland Berger, McKinsey, Capgemini – raporty o e-logistyce, last mile, reverse logistics

Do literatury naukowej: bazy Scopus, Web of Science, Google Scholar. Szukaj w Journal of Supply Chain Management, International Journal of Production Economics, European Journal of Operational Research, Transportation Research Part E.

Mapowanie tras: Google Maps API, OpenRouteService, ArcGIS

Do wizualizacji i optymalizacji tras:

Google Maps API (Distance Matrix API) – oblicza czasy i dystanse między punktami, obsługuje macierze O-D (origin-destination). Dla celów akademickich koszt jest niski (bezpłatny kredyt 200 USD miesięcznie).

OpenRouteService (openrouteservice.org) – bezpłatne API oparte na OpenStreetMap, dostępne bez ograniczeń dla akademickich zastosowań. Obsługuje optymalizację tras (Optimization API oparte na Vroom solver).

OSRM (Open Source Routing Machine) – możesz uruchomić lokalnie na danych OpenStreetMap.

ArcGIS Network Analyst – narzędzie GIS z zaawansowanymi funkcjami routingu i optymalizacji lokalizacji (facility location, coverage analysis). Licencja studencka ArcGIS dostępna przez uczelnie (ESRI Education Program).

Python: biblioteka NetworkX do analizy grafów sieci transportowych, folium do wizualizacji na mapach Leaflet.

Struktura pracy magisterskiej z logistyki

Typowa struktura (70-100 stron):

Wstęp (3-5 stron): cel pracy, zakres, pytania badawcze lub hipotezy, metody, struktura.

Rozdział 1 – Podstawy teoretyczne (15-20 stron): przegląd literatury na temat wybranego zagadnienia. Nie encyklopedia logistyki – tylko to, co bezpośrednio wiąże się z twoim problemem badawczym. Cytuj oryginalne prace (Goldratt 1984, Lee i in. 1997, Holt 1957, Winters 1960), nie podręczniki.

Rozdział 2 – Metodologia (8-12 stron): typ badania (case study, symulacja, optymalizacja), uzasadnienie wyboru metody, opis narzędzi (np. model Arena – opis bloków, rozkłady, liczba replikacji), źródła danych, sposób weryfikacji i walidacji.

Rozdział 3 – Charakterystyka obiektu badań i diagnoza stanu obecnego (10-15 stron): opis firmy lub procesu, mapa stanu obecnego (VSM lub BPMN), KPI stanu obecnego, zidentyfikowane problemy.

Rozdział 4 – Wyniki badań / propozycja rozwiązania (15-25 stron): wyniki modelu symulacyjnego lub optymalizacyjnego, alternatywne scenariusze i ich porównanie, analiza wrażliwości.

Rozdział 5 – Wnioski i rekomendacje (5-8 stron): odpowiedź na pytania badawcze, ograniczenia badania, kierunki dalszych badań.

Typowe błędy

Brak kwantyfikacji efektów proponowanych usprawnień

To najczęstszy powód obniżenia oceny. Opisujesz, że „wdrożenie systemu kanban poprawi zarządzanie zapasami” – ale promotor pyta: o ile? Jakie zapasy? Jakie koszty?

Każda propozycja usprawnienia musi mieć policzony efekt: redukcja poziomu zapasów z 15 do 10 dni, skrócenie czasu kompletacji z 12 do 9 minut, zmniejszenie MAPE prognozy z 18% do 12%, redukcja pustych przebiegów z 35% do 22%.

Jeśli firma nie dała ci danych, żebyś policzył efekt dokładnie – rób analizę wrażliwości: „przy założeniu redukcji zapasów bezpieczeństwa o 20%, roczne oszczędności zamrożonego kapitału wyniosą X zł”.

Zbyt ogólne „case study” bez danych liczbowych

„Firma X zarządza łańcuchem dostaw efektywnie. Posiada 3 centra dystrybucji. Stosuje system SAP.” To opis, nie analiza.

Analiza to: „Średni czas kompletacji zamówienia wynosi 14,3 minuty (odchylenie standardowe 3,8 min, n=450 pomiarów). Bottleneck zidentyfikowano na etapie weryfikacji zamówienia (avg. utilization 94%). Symulacja scenariusza dodatkowego stanowiska weryfikacji skraca czas oczekiwania w kolejce z 3,2 do 0,8 minuty przy 95% przedziale ufności [0,6; 1,0].”

Mylenie logistyki z zarządzaniem łańcuchem dostaw

Logistyka (logistics) to fizyczny przepływ towarów, informacji i finansów wewnątrz organizacji. Zarządzanie łańcuchem dostaw (supply chain management, SCM) to koordynacja przepływu między organizacjami – od surowca do klienta końcowego.

Praca o optymalizacji tras dostawy z jednego magazynu to praca logistyczna. Praca o koordynacji dostaw od 40 dostawców do 5 fabryk to praca SCM. Nie mieszaj obu perspektyw bez wyraźnego uzasadnienia.

FAQ – Najczęstsze pytania

Wymagania formalne i egzamin

Format pracy zależy od uczelni, ale typowe wymagania: czcionka Times New Roman 12 lub Arial 11, interlinia 1,5, marginesy 2,5-3 cm (lewy 3,5 cm na oprawę), numeracja stron, spis treści, spis rysunków i tabel, bibliografia w jednym stylu (APA lub ISO 690). Sprawdź wytyczne swojego wydziału – różnice bywają spore.

Rysunki i tabele muszą mieć podpis (Rysunek X: …, Tabela Y: …) i źródło (jeśli własne: opracowanie własne; jeśli z literatury: pełne dane źródłowe). Każdy rysunek i tabela muszą być powołane w tekście przed ich wystąpieniem.

Na egzaminie magisterskim komisja pyta przede wszystkim o metodologię. Musisz umieć obronić: dlaczego wybrałeś tę metodę a nie inną, jak weryfikowałeś i walidowałeś model, jakie są ograniczenia badania, co zrobiłbyś inaczej mając więcej czasu i zasobów.

Przygotuj się na pytania: „Dlaczego Arena a nie AnyLogic?”, „Jak sprawdziłeś poprawność modelu?”, „Co oznacza MAPE 12% w kontekście twoich wyników?”, „Jak zdefiniowałeś bottleneck i jak go zmierzyłeś?”.

Jeśli używasz narzędzi optymalizacyjnych – bądź gotowy do wyjaśnienia funkcji celu i ograniczeń słowami, bez wzorów matematycznych. Komisja chce wiedzieć, czy rozumiesz co optymalizujesz i dlaczego.

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.