Wie kann man die Unsicherheit in der Lieferkette mildern?

#Lieferkettenlogistik

 

Unsicherheit ist ein inhärentes Merkmal von Lieferketten, und wir können sie nicht ausrotten, da die Quelle der Nachfrage, jeder einzelne Verbraucher anders denkt und sich von Zeit zu Zeit ändert. Wenn Sie heute Kaffee trinken und morgen Milchtee trinken möchten, ist es schwierig, die individuellen Bedürfnisse genau zu erfassen.

Interessanterweise stellen wir, wenn wir die Nachfrage zusammensetzen, jedoch fest, dass die Volatilität der großen Stichprobe abnimmt. Wenn Sie beispielsweise einen Nachmittagstee bestellen, wird wie viele Menschen im Team Kaffee oder Milchtee definitiv nicht einseitig trinken und die Nachfrageschwankung ist relativ gering.

Wenn wir einige der gleichen oder ähnlichen Dinge zusammenbringen, gibt es einen besonderen Begriff in der Lieferkette mit dem Namen "Pooling" oder "Aggregat".

Integrieren Sie beispielsweise beispielsweise die gleichen Anforderungen. Bei der Berechnung der Kapazität wird die gleiche Arbeitsstationskapazität aggregiert und gezählt. Diese Praxis kann die Volatilität verringern, und heute werde ich mich auf diesen Aspekt konzentrieren.

1. Warum bündeln?

Lassen Sie uns ein Beispiel verwenden, um weiter zu veranschaulichen, was mit der Nachfragevolatilität los ist. Wie oben erwähnt, gibt es im Kaufverhalten der Verbraucher viel Zufälligkeit, was Volatilität schafft. Zhang San eröffnete ein Café, und um den Einheitspreis zu erhöhen, verkaufte das Geschäft auch Kuchen.

Wie soll er eindecken? Es gibt zu viele Einkäufe und die Kuchen sind nicht ausverkauft. Wenn die Haltbarkeit erreicht ist, werden die Kuchen weggeworfen und weggeworfen. Weniger Einkäufe, unzureichendes Inventar und Umsatzverlust.

Um sich besser zu bewegen, zählte Zhang San den Umsatz von Kuchen im Geschäft in den letzten 20 Tagen. Das Geschäft von Zhang San ist fünf Tage in der Woche, 20 Tage im Monat geöffnet, und die spezifischen Verkäufe sind wie folgt.

Tage	Verkaufsmenge	Unterschied vom mittleren Umsatz	Unterschied im absoluten Wert
1	42	7	7
2	30	-5	5
3	24	-11	11
4	35	0	0
5	43	8	8
6	38	3	3
7	34	-1	1
8	29	-6	6
9	44	9	9
10	21	-14	14
11	33	-2	2
12	42	7	7
13	46	11	11
14	31	-4	4
15	37	2	2
16	31	-4	4
17	44	9	9
18	36	1	1
19	41	6	6
20	27	-8	8
Average	35	0	6

 

Wir sahen einen Höhepunkt von 46 Umsätzen und ein Tief von 21 mit durchschnittlich 35 (abgerundet). Die tatsächlichen Ergebnisse für das Verkaufsvolumen variieren stark vom Durchschnitt, aber sie sind aufgrund der positiven und negativen Offsets durchschnittlich Null.

Wir wollen den absoluten Mittelwert des Unterschieds einnehmen, diese Zahl wird auch als Meanabsolut -Abweichung (MAD) bezeichnet, und ihr monatlicher Mittelwert beträgt 6.

Aus statistischer Sicht sollten wir die strengere Standardabweichung verwenden. Nach einer einfachen Berechnung in Excel können wir eine Reihe von Analyseergebnissen zum Umsatz dieses Monats erhalten.

Max	46
Minimum	21
Average	35
Standardabweichung	7.1
Variationskoeffizient	0.2

 

Der Variationskoeffizient (CV) ist die Standardabweichung geteilt durch den Mittelwert, und das Ergebnis beträgt 0,2. Aus statistischer Sicht sind der Umsatz dieses Monats sehr stabil.

Aus täglicher Sicht beträgt die maximale absolute Differenz zwischen dem täglichen Umsatz und dem Durchschnittswert 14, was 40% geteilt durch den Durchschnittswert von 35 ist, was die Größe der Abweichung entspricht.

Wenn die Abweichungen dieser 20 Tage zusammengefasst sind, beträgt die durchschnittliche Absolutwertdifferenz 6, was 17% geteilt durch 35 ist, was offensichtlich viel stabiler als 40% ist. Dies liegt daran, dass das Verkaufsvolumen hoch und niedrig ist und die Statistiken in Gruppen von 20 Tagen berechnet werden. Der Umsatzunterschied über und unter dem Durchschnitt storniert sich gegenseitig, sodass die Gesamtansicht stabiler ist.

Für Zhang San ist es schwierig, sich nur durch die Betrachtung der täglichen Verkaufsdaten zu versorgen, da die täglichen Verkaufsverkäufe stark schwankt, aber die monatliche Nachfrage ist relativ stabil, was genauere Anweisungen für die Lagerung liefern kann.

2. Warum Pooling können zufällige Variablen stabiler machen?

Als nächstes werden wir uns ansehen, warum das Pooling zufällige Variablen aus der statistischen Theorie stabiler macht.

Der Variationskoeffizient ist eine zusammenfassende Statistik, die die Dispersion misst und häufig zum Vergleich verschiedener Elemente wie zwei unterschiedlichen Anforderungen oder Produkten verwendet wird. Wir können ihre Variationskoeffizienten vergleichen, um zu sehen, wie ähnlich oder unterschiedlich ihre Eigenschaften sind.

Wir haben zuvor gesehen, wenn es eine einmonatige Stochastik gibt, ist es die Summe von 20 täglichen Stochastik. Wir haben also eine monatliche Zufallsvariable M und 20 tägliche Zufallsvariablen di.

Unter der Annahme, dass DI unabhängig und alle gleiche Verteilung sind, gehören sie zur Normalverteilung. Wir haben eine Normalverteilung mit mittlerer µ- und Standardabweichung σ.

Und wenn die zufällige Variable des monatlichen Umsatzes auch einer Normalverteilung folgt, dh die täglichen und monatlichen Ausschüttungen sind gleich, dann müssen wir eine Konversionsbeziehung zwischen diesen beiden Zeitskalen herstellen.

Täglich monatlicher Mittelwert µ20 * µ Standardabweichung σ√20 * σ

Schauen Sie sich zunächst den Durchschnitt an, da die Anzahl der Arbeitstage im Monat 20 Tage beträgt und ein Monat 20 Tage beträgt, können wir den täglichen Durchschnitt direkt mit 20 multiplizieren und bis zum monatlichen Durchschnitt warten, was leichter zu verstehen ist.

Die Standardabweichung wird auf diese Weise nicht berechnet. Nach der Formel ist das Quadrat der Stichprobengröße erforderlich, was √20 ist. Die monatliche Standardabweichung ist √20 -mal σ.

Der tägliche Variationskoeffizient beträgt σ/µ, dh 1*(σ/µ), und die monatliche Variation beträgt: (√20*σ) /20* µ=0,22* (σ/µ).

Offensichtlich ist der monatliche Variationskoeffizient von 0,22 geringer als der tägliche 1. Dies ist ein mathematischer Beweis dafür, dass die monatliche Volatilität nach der aggregierten Nachfrage geringer ist als die tägliche, was uns hilft, relevante Lieferkettenstrategien zu formulieren.

 

3. Nutzungsszenarien

3.1 Verzögerung der Strategie

Die Verzögerungsstrategie in der Lieferkette unterteilt den Produktionsprozess eines Produkts in eine Generalisierungsstufe und eine Differenzierungsstufe. Unternehmen produzieren zuerst gemeinsame Komponenten und verzögern den Herstellungsprozess der Produktdifferenzierung so weit wie möglich.

Die differenzierte Produktion des Produkts wird erst abgeschlossen, wenn der Endbenutzer das Erscheinungsbild oder die Funktion des Produkts anfordert. Zum Beispiel ist das Produkt in der Generalisierungsphase des Produkts für die Sojamilch im Frühstücksgeschäft der ursprüngliche Sojamilchsaft, und das differenzierte Produkt ist die süße und salzige Milch, die auf der Grundlage des ursprünglichen Safts verarbeitet wird.

Die Nachfragevolatilität eines einzelnen Produkts ist definitiv größer als die aller Produkte, sodass Frühstücksrestaurants die Nachfrage nach allen Sojamilch -Produkten zusammenfassen sollten, um Vorhersagen mit höherer Genauigkeit zu treffen als jedes einzelne Produkt.

Wir verwenden diesen Ansatz auch, wenn wir die Nachfrage nach anderen Rohstoffen prognostizieren, da die individuelle Rohstoffnachfrage variieren wird. Diese Unterschiede werden sich jedoch gegenseitig absagen, was die Gesamtprognose genauer macht.

 

3.2 Inventareinstellungen

Einige E-Commerce-Unternehmen für frische Lebensmittel nutzen das Vorderlagermodell, um die Gemeinde innerhalb weniger Kilometer rund um das Lager zu bedienen.

Die Abweichung eines einzigen Vorderlagers wird relativ hoch sein. Wenn wir die Anforderungen mehrerer Vorranglager kombinieren, verwenden wir ein regionales allgemeines Lagerhaus, um die Bedürfnisse dieser Frontlager zu decken und aus dem allgemeinen Lagerhaus an die Vorderlager zu verteilen, können wir die gesamten Inventarkosten und die pünktlichen Lieferraten optimieren.

Die Gesamtposition sorgt für die Nachfrage jeder vorderen Position und verlangsamt die Volatilität.

 

3.3 Produktionskapazität

Wenn wir eine Produktionsplanung durchführen, planen wir im Allgemeinen die Kapazität einer Produktionslinie, beispielsweise können in dieser Linie drei Arten von Produkten A, B und C hergestellt werden. Möglicherweise kann ich nicht in der Lage sein, die spezifische Anzahl von A-, B- und C -Produktion zu bestimmen, da sich die tatsächliche Situation immer ändert, manchmal gibt es Mangel an Materialien, kann nicht a produzieren, kann nur B oder C ausführen.

Wenn wir also die Kapazität für eine vollständige Produktionslinie planen, aggregieren wir häufig alle Fähigkeiten. Bei dem monatlichen Treffen für Produktions- und Vertriebskoordination haben wir möglicherweise Schwierigkeiten, sich für die zu erzeugende spezifische Menge zu entscheiden, planen jedoch stattdessen die Gesamtproduktionskapazität der Produktionslinie. Aus diesem Grund wissen wir, dass dies genauer und weniger volatil ist.

Im tatsächlichen Produktionsprozess von Produkten werden unerwartete Situationen unweigerlich auftreten, einige sind übereinstimmend, einige sind unter-zielgerichtet, können sich jedoch gegenseitig kompensieren, um unser Gesamtziel zu erreichen.

Zusammenfassend ist Baichuan Juhai Pooling eine sehr praktische Strategie zur Lieferkette, die die verschiedene Volatilität effektiv lindern kann. Die aggregierten Abmessungen umfassen Zeit und Menge, die entsprechend der Situation flexibel angewendet werden müssen.