공급망에서 불확실성을 완화하는 방법은 무엇입니까?

How to mitigate uncertainty in the supply chain?

#supplychain #logistics

 

불확실성은 공급망의 고유 한 특징이며, 수요의 원천, 각 개별 소비자가 다르게 생각하고 때때로 변화하기 때문에 우리는 그것을 근절 할 수 없습니다. 오늘 커피를 마시고 내일 밀크 티를 마시고 싶다면 개인의 요구를 정확하게 파악하기가 어렵습니다.

그러나 흥미롭게도 수요를 함께 집계 할 때 큰 샘플의 변동성이 감소한다는 것을 알게됩니다. 예를 들어, 애프터눈 티를 주문할 때 팀의 몇 명의 사람들이 커피 나 밀크 티를 마시고 싶어하는 사람의 수는 확실히 일방적이지 않으며 수요의 변동은 비교적 작습니다.

우리가 동일하거나 유사한 것들을 하나로 모으면 "풀링"또는 "집계"라는 공급망에 특별한 용어가 있습니다.

예를 들어, 예측을 할 때 동일한 요구 사항을 통합하십시오. 용량을 계산할 때 동일한 워크 스테이션 용량이 집계되어 계산됩니다. 이 관행은 변동성을 줄일 수 있으며 오늘날 나는이 측면에 중점을 둘 것입니다.

1. 풀링은 왜?

예제를 사용하여 수요 변동성으로 무슨 일이 일어나고 있는지 더 설명해 봅시다. 위에서 언급했듯이 소비자 구매 행동에는 많은 무작위성이있어 변동성이 생깁니다. Zhang San은 커피 숍을 열었고 단가를 인상하기 위해 상점은 케이크를 판매했습니다.

그는 어떻게 비축해야합니까? 구매가 너무 많아 케이크가 매진되지 않았습니다. 저장 수명에 도달하면 케이크가 버려지고 버려집니다. 구매가 적고 재고가 충분하지 않아 판매 손실.

재고를 개선하기 위해 Zhang San은 지난 20 일 동안 매장에서 케이크 판매를 계산했습니다. Zhang San의 매장은 한 달에 20 일 일주일에 5 일 동안 영업하며 특정 판매는 다음과 같습니다.

판매 수량 평균 판매와의 차이 절대 값의 차이
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

 

우리는 46 개의 판매량과 21의 최저치를 보았으며 평균 35 명 (라운드)을 보았습니다. 판매량에 대한 실제 결과는 평균과는 크게 다르지만 양의 오프셋과 음의 오프셋으로 인해 평균 0입니다.

우리는 차이의 절대적인 평균을 취하고 싶습니다.이 숫자는 평균 편차 (MAD)라고도하며 월간 평균은 6입니다.

통계적 관점에서 볼 때, 우리는보다 엄격한 표준 편차를 사용해야합니다. Excel의 간단한 계산 후 이번 달 판매에 대한 일련의 분석 결과를 얻을 수 있습니다.

맥스 46
최저한의 21
Average 35
표준 편차 7.1
변동 계수 0.2

 

변동 계수 (CV)는 표준 편차를 평균으로 나눈 값이며 결과는 0.2입니다. 통계적 관점에서 볼 때, 이번 달의 판매는 매우 안정적입니다.

일일 관점에서, 일일 판매와 평균 값의 최대 절대 차이는 14이며, 이는 40%의 평균 값 35, 이는 편차의 크기입니다.

이 20 일의 편차가 요약되면, 평균 절대 값 차이는 6이며, 이는 17%로 35로 나뉘며, 이는 분명히 40%보다 훨씬 안정적입니다. 이는 판매량이 높고 낮고 통계는 20 일의 그룹으로 계산되기 때문입니다. 평균 위와 그 이하의 판매 차이는 서로를 취소하므로 전체보기가 더 안정적입니다.

일일 판매가 크게 변동하기 때문에 Zhang San은 일일 판매 데이터를 살펴보면 만 비축하기가 어렵지만 월별 수요는 비교적 안정적이므로 스타킹에 대한보다 정확한 지침을 제공 할 수 있습니다.

2. 풀링이 무작위 변수를 더 안정적으로 만들 수있는 이유는 무엇입니까?

다음으로 풀링이 통계 이론에서 임의 변수를 더 안정적으로 만드는 이유를 살펴 봅니다.

변동 계수는 분산을 측정하는 요약 통계이며 종종 두 가지 다른 요구 나 제품과 같은 다른 항목을 비교하는 데 사용됩니다. 변동 계수를 비교하여 특성이 얼마나 유사하거나 다른지 확인할 수 있습니다.

우리는 그 전에 한 달의 확률 론적이라면 매일 20 개의 확률 론적 인 합계입니다. 따라서 우리는 월간 랜덤 변수 m과 20 일 일일 랜덤 변수 di를 가지고 있습니다.

DI가 독립적이고 동일한 분포라고 가정하면 정규 분포에 속합니다. 평균 µ 및 표준 편차 σ의 정규 분포가 있습니다.

월별 판매의 임의 변수가 정규 분포, 즉 일일 및 월별 배포판이 동일하다면이 두 시간 척도 사이의 전환 관계를 설정해야합니다.

일일 월 평균 µ20 * µ 표준 편차 σ√20 * σ

먼저 평균을 살펴보십시오. 한 달에 근무일 수는 20 일이므로 한 달은 20 일이므로 일일 평균을 직접 곱하고 월 평균까지 기다릴 수 있습니다. 이는 이해하기 쉬운 월 평균까지 기다릴 수 있습니다.

표준 편차는 이러한 방식으로 계산되지 않습니다. 공식에 따르면 샘플 크기의 제곱이 필요하며 √20입니다. 월간 표준 편차는 √20 회 σ입니다.

일일 변동 계수는 σ/µ이며, 즉 1*(σ/µ)이며 월간 변동은 다음과 같습니다.

분명히 0.22의 월간 변동 계수는 일일 1보다 적습니다. 이는 수요가 집계 된 후 월간 변동성이 일일보다 적어 관련 공급망 전략을 공식화하는 데 도움이된다는 수학적 증거입니다.

 

3. 사용 시나리오

3.1 지연 전략

공급망의 지연 전략은 제품의 생산 공정을 일반화 단계와 차별화 단계로 나눕니다. 기업은 먼저 공통 구성 요소를 생산하고 가능한 한 제품 분화의 제조 공정을 지연시킵니다.

최종 사용자가 제품의 외관 또는 기능을 요청할 때까지 제품의 차별화 된 생산이 완료되지 않습니다. 예를 들어, 아침 식사 상점의 콩 우유의 경우 제품의 일반화 단계에있는 제품은 원래 콩 우유 주스이며, 차별화 된 제품은 원래 주스를 기반으로 가공 된 달콤하고 짠 우유입니다.

단일 제품의 수요 변동성은 모든 제품의 수요 변동성보다 확실히 크기 때문에 아침 식사 레스토랑은 모든 Soymilk 제품에 대한 수요를 단일 제품보다 정확도로 더 높은 예측을해야합니다.

우리는 또한 개별 상품 수요가 다를 것이기 때문에 다른 상품에 대한 수요를 예측할 때이 접근법을 사용하지만 이러한 차이는 서로를 취소하여 전체 예측이 더 정확하게 만듭니다.

 

3.2 인벤토리 설정

일부 신선한 식품 전자 상거래 회사는 전선 창고 모델을 사용하여 창고 주변에서 몇 킬로미터 이내에 커뮤니티에 서비스를 제공합니다.

단일 전면 창고의 스타킹 편차는 상대적으로 높을 것입니다. 여러 전면 창고의 요구 사항을 결합한 경우 지역 일반 창고를 사용하여 이러한 전면 창고의 요구를 충당하고 일반 창고에서 프론트웨어 하우스로 배포하면 전체 재고 비용과 정시 배송 속도를 최적화 할 수 있습니다.

총 위치는 각 전면 위치의 수요를 모으고 변동성을 늦 춥니 다.

 

3.3 생산 능력

생산 계획을 수행 할 때는 일반적 으로이 라인에서 세 가지 유형의 제품 A, B 및 C와 같은 생산 라인의 용량을 계획합니다. 실제 상황이 항상 변하기 때문에 A, B 및 C 생산의 특정 수를 결정할 수 없을 수도 있습니다. 때로는 재료가 부족하고 A를 생산할 수 없으며 B 또는 C를 수행 할 수 있기 때문입니다.

따라서 완전한 생산 라인의 용량을 계획 할 때 종종 모든 기능을 집계합니다. 월간 생산 및 판매 조정 회의에서 우리는 생산할 특정 수량을 결정하는 데 어려움이있을 수 있지만 대신 생산 라인의 총 생산 능력을 계획합니다. 위에서, 우리는 이것을하는 것이 더 정확하고 휘발성이 적다는 것을 알고 있습니다.

제품의 실제 생산 공정에서 예상치 못한 상황이 필연적으로 발생하고 일부는 과도하게 완료되며 일부는 표적 이하이지만 실제로는 서로 보상 할 수 있습니다.

요약하면, Baichuan Juhai Pooling은 매우 실용적인 공급망 전략으로 다양한 변동성을 효과적으로 완화시킬 수 있습니다. 집계 된 치수에는 시간과 수량이 포함되며 상황에 따라 유연하게 적용해야합니다.

 


코멘트를 남겨주세요

이 사이트는 reCAPTCHA에 의해 보호되며, Google의 개인 정보 보호 정책 서비스 약관 이 적용됩니다.