Bagaimana cara mengurangi ketidakpastian dalam rantai pasokan?

#Supplychain #logistics

 

Ketidakpastian adalah fitur yang melekat dari rantai pasokan, dan kami tidak dapat memberantasnya, karena sumber permintaan, setiap konsumen individu berpikir secara berbeda, dan perubahan dari waktu ke waktu. Jika Anda ingin minum kopi hari ini dan minum teh susu besok, sulit untuk secara akurat memahami kebutuhan individu.

Tetapi yang menarik, ketika kami mengumpulkan permintaan bersama, kami menemukan bahwa volatilitas sampel besar berkurang. Misalnya, saat memesan teh sore, berapa banyak orang di tim yang ingin minum kopi atau teh susu pasti tidak akan satu sisi, dan fluktuasi permintaan relatif kecil.

Ketika kita menyatukan beberapa hal yang sama atau serupa, ada istilah khusus dalam rantai pasokan yang disebut "pooling" atau "agregat".

Misalnya, saat membuat perkiraan, mengintegrasikan persyaratan yang sama. Saat menghitung kapasitas, kapasitas workstation yang sama dikumpulkan dan dihitung. Praktek ini dapat mengurangi volatilitas, dan hari ini saya akan fokus pada aspek ini.

1. Mengapa Pooling?

Mari kita gunakan contoh untuk menggambarkan lebih lanjut apa yang terjadi dengan volatilitas permintaan. Seperti disebutkan di atas, ada banyak keacakan dalam perilaku pembelian konsumen, yang menciptakan volatilitas. Zhang San membuka kedai kopi, dan untuk meningkatkan harga unit, toko juga menjual kue.

Bagaimana dia harus menyimpannya? Ada terlalu banyak pembelian, dan kue tidak terjual habis. Ketika umur simpan tercapai, kue akan dibuang dan dibuang. Lebih sedikit pembelian, inventaris yang tidak mencukupi, dan kehilangan penjualan.

Untuk persediaan yang lebih baik, Zhang San menghitung penjualan kue di toko dalam 20 hari terakhir. Toko Zhang San buka lima hari seminggu, 20 hari sebulan, dan penjualan spesifik adalah sebagai berikut.

Hari -hari	Jumlah penjualan	Perbedaan dari penjualan rata -rata	Perbedaan nilai absolut
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

 

Kami melihat puncak 46 penjualan dan rendah 21, dengan rata -rata 35 (bulat). Hasil aktual untuk volume penjualan sangat bervariasi dari rata -rata, tetapi mereka rata -rata nol karena offset positif dan negatif.

Kami ingin mengambil rata -rata absolut dari perbedaan, angka ini juga disebut Meanabsoleuty Deviation (MAD), dan rata -rata bulanannya adalah 6.

Dari sudut pandang statistik, kita harus menggunakan standar deviasi, yang lebih ketat. Setelah perhitungan sederhana di Excel, kita bisa mendapatkan serangkaian hasil analisis tentang penjualan bulan ini.

Max	46
Minimum	21
Average	35
Deviasi standar	7.1
Koefisien variasi	0.2

 

Koefisien variasi (CV) adalah standar deviasi yang dibagi dengan rata -rata, dan hasilnya adalah 0,2. Dari sudut pandang statistik, penjualan bulan ini sangat stabil.

Dari perspektif harian, perbedaan absolut maksimum antara penjualan harian dan nilai rata -rata adalah 14, yang 40% dibagi dengan nilai rata -rata 35, yang merupakan besarnya penyimpangan.

Ketika penyimpangan 20 hari ini diringkas, perbedaan nilai absolut rata -rata adalah 6, yang 17% dibagi dengan 35, yang jelas jauh lebih stabil dari 40%. Ini karena volume penjualan tinggi dan rendah, dan statistik dihitung dalam kelompok 20 hari. Perbedaan penjualan di atas dan di bawah rata -rata membatalkan satu sama lain, sehingga pandangan keseluruhan lebih stabil.

Sulit bagi Zhang San untuk menyimpan hanya dengan melihat data penjualan harian, karena penjualan harian berfluktuasi, tetapi permintaan bulanan relatif stabil, yang dapat memberikan instruksi yang lebih akurat untuk stocking.

2. Mengapa pengumpulan dapat membuat variabel acak lebih stabil?

Selanjutnya, kita akan melihat mengapa pooling membuat variabel acak lebih stabil dari teori statistik.

Koefisien variasi adalah statistik ringkasan yang mengukur dispersi dan sering digunakan untuk membandingkan item yang berbeda, seperti dua kebutuhan atau produk yang berbeda. Kita dapat membandingkan koefisien variasi mereka untuk melihat seberapa mirip atau berbeda karakteristiknya.

Kami telah melihat sebelumnya bahwa jika ada stokastik satu bulan, itu adalah jumlah 20 stokastik harian. Jadi kami memiliki variabel acak bulanan M, dan 20 variabel acak harian di.

Dengan asumsi bahwa DI independen dan semua distribusi yang sama, mereka termasuk dalam distribusi normal. Kami memiliki distribusi normal dengan rata -rata μ dan standar deviasi σ.

Dan jika variabel acak dari penjualan bulanan juga mematuhi distribusi normal, yaitu, distribusi harian dan bulanan adalah sama, maka kita perlu membangun hubungan konversi antara dua skala waktu ini.

Rata -rata bulanan harian µ20 * µ standar deviasi σ√20 * σ

Pertama -tama lihat rata -rata, karena jumlah hari kerja per bulan adalah 20 hari, jadi sebulan sama dengan 20 hari, kita dapat secara langsung melipatgandakan rata -rata harian dengan 20, dan menunggu sampai rata -rata bulanan, yang lebih mudah dipahami.

Deviasi standar tidak dihitung dengan cara ini. Menurut rumus, kuadrat ukuran sampel diperlukan, yaitu √20. Deviasi standar bulanan adalah √20 kali σ.

Koefisien variasi harian adalah σ/µ, yaitu: 1*(σ/µ), dan variasi bulanan adalah: (√20*σ) /20*μ=0.22* (σ/µ).

Jelas koefisien variasi bulanan 0,22 kurang dari harian 1. Ini adalah bukti matematika bahwa setelah permintaan dikumpulkan, volatilitas bulanan kurang dari harian, yang akan membantu kami merumuskan strategi rantai pasokan yang relevan.

 

3. Skenario Penggunaan

3.1 Strategi Penundaan

Strategi penundaan dalam rantai pasokan membagi proses produksi suatu produk menjadi tahap generalisasi dan tahap diferensiasi. Perusahaan menghasilkan komponen umum terlebih dahulu, dan menunda proses pembuatan diferensiasi produk sebanyak mungkin.

Produksi produk yang berbeda tidak selesai sampai pengguna akhir meminta penampilan atau fungsi produk. Misalnya, untuk susu kedelai di toko sarapan, produk dalam tahap generalisasi produk adalah jus susu kedelai asli, dan produk yang dibedakan adalah susu manis dan asin yang diproses berdasarkan jus asli.

Volatilitas permintaan dari satu produk jelas lebih besar dari semua produk, sehingga restoran sarapan harus mengumpulkan permintaan untuk semua produk susu kedelai untuk membuat prediksi dengan akurasi yang lebih tinggi daripada produk tunggal.

Kami juga menggunakan pendekatan ini ketika memperkirakan permintaan untuk komoditas lain, karena permintaan komoditas individu akan bervariasi, tetapi perbedaan ini akan membatalkan satu sama lain, membuat perkiraan keseluruhan lebih akurat.

 

3.2 Pengaturan Inventaris

Beberapa perusahaan e-commerce makanan segar menggunakan model gudang depan untuk melayani masyarakat dalam beberapa kilometer di sekitar gudang.

Penyimpangan dalam stocking gudang depan tunggal akan relatif tinggi. Jika kami menggabungkan persyaratan beberapa gudang depan, gunakan gudang umum regional untuk memenuhi kebutuhan gudang depan ini, dan mendistribusikan dari gudang umum ke gudang depan, kami dapat mengoptimalkan biaya inventaris keseluruhan dan tingkat pengiriman tepat waktu.

Posisi total mengumpulkan permintaan dari setiap posisi depan dan memperlambat volatilitas.

 

3.3 Kapasitas Produksi

Ketika kami melakukan perencanaan produksi, kami umumnya merencanakan kapasitas jalur produksi, misalnya, tiga jenis produk A, B, dan C dapat diproduksi pada jalur ini. Saya mungkin tidak dapat menentukan jumlah spesifik produksi A, B dan C, karena situasi aktual akan selalu berubah, kadang -kadang ada kekurangan bahan, tidak dapat menghasilkan A, hanya dapat melakukan B atau C.

Jadi ketika kami merencanakan kapasitas untuk jalur produksi lengkap, kami sering mengumpulkan semua kemampuan. Dalam pertemuan koordinasi produksi dan penjualan bulanan, kami mungkin mengalami kesulitan menentukan jumlah spesifik yang akan diproduksi, tetapi sebaliknya merencanakan total kapasitas produksi lini produksi. Dari atas, kita tahu bahwa melakukan ini akan lebih akurat dan kurang fluktuatif.

Dalam proses produksi aktual produk, situasi yang tidak terduga pasti akan terjadi, ada yang terlalu lengkap, beberapa di bawah target, tetapi mereka memang dapat saling memberi kompensasi untuk mencapai tujuan keseluruhan kami.

Singkatnya, Baichuan Juhai Pooling adalah strategi rantai pasokan yang sangat praktis, yang secara efektif dapat mengurangi berbagai volatilitas. Dimensi agregat termasuk waktu dan kuantitas, yang perlu diterapkan secara fleksibel sesuai dengan situasi.