Bagaimana untuk mengurangkan ketidakpastian dalam rantaian bekalan?

#SupplyChain #Logistics
Ketidakpastian adalah ciri rantaian bekalan yang wujud, dan kami tidak dapat membasmi ia, kerana sumber permintaan, setiap pengguna individu berfikir secara berbeza, dan perubahan dari semasa ke semasa. Jika anda ingin minum kopi hari ini dan minum teh susu esok, sukar untuk memahami keperluan individu dengan tepat.
Tetapi dengan menarik, apabila kita mengagregatkan permintaan bersama -sama, kita mendapati bahawa turun naik sampel besar berkurangan. Sebagai contoh, semasa memesan teh petang, berapa ramai orang dalam pasukan yang ingin minum kopi atau teh susu pasti tidak akan menjadi satu sisi, dan turun naik permintaan agak kecil.
Apabila kita mengumpulkan beberapa perkara yang sama atau serupa, terdapat istilah khas dalam rantaian bekalan yang dipanggil "pengumpulan" atau "agregat".
Sebagai contoh, apabila membuat ramalan, mengintegrasikan keperluan yang sama. Apabila mengira kapasiti, kapasiti stesen kerja yang sama diagregatkan dan dikira. Amalan ini dapat mengurangkan turun naik, dan hari ini saya akan memberi tumpuan kepada aspek ini.
1. Mengapa mengumpulkan?
Mari kita gunakan contoh untuk menggambarkan lebih lanjut apa yang berlaku dengan turun naik permintaan. Seperti yang disebutkan di atas, terdapat banyak rawak dalam tingkah laku pembelian pengguna, yang mewujudkan turun naik. Zhang San membuka kedai kopi, dan untuk meningkatkan harga unit, kedai itu juga menjual kek.
Bagaimana dia harus menyimpan? Terdapat terlalu banyak pembelian, dan kek tidak habis dijual. Apabila kehidupan rak dicapai, kek akan dibuang dan dibuang. Kurang pembelian, inventori yang tidak mencukupi, dan kehilangan jualan.
Untuk mendapatkan stok yang lebih baik, Zhang San mengira jualan kek di kedai dalam tempoh 20 hari yang lalu. Kedai Zhang San dibuka lima hari seminggu, 20 hari sebulan, dan jualan khusus adalah seperti berikut.
Hari | Kuantiti jualan | Perbezaan dari jualan min | Perbezaan nilai mutlak |
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 jualan dan rendah 21, dengan purata 35 (bulat). Keputusan sebenar untuk jumlah jualan berbeza -beza dari purata, tetapi mereka purata sifar kerana offset positif dan negatif.
Kami mahu mengambil purata mutlak perbezaan, nombor ini juga dipanggil sisihan yang bermakna (MAD), dan min bulanannya ialah 6.
Dari sudut pandangan statistik, kita harus menggunakan sisihan piawai, yang lebih ketat. Selepas pengiraan mudah dalam Excel, kita boleh mendapatkan satu siri hasil analisis mengenai jualan bulan ini.
Maks | 46 |
Minimum | 21 |
Average | 35 |
Sisihan piawai | 7.1 |
Pekali variasi | 0.2 |
Koefisien variasi (CV) adalah sisihan piawai yang dibahagikan dengan min, dan hasilnya ialah 0.2. Dari sudut pandangan statistik, jualan bulan ini sangat stabil.
Dari perspektif harian, perbezaan mutlak maksimum antara jualan harian dan nilai purata ialah 14, iaitu 40% dibahagikan dengan nilai purata 35, iaitu magnitud sisihan.
Apabila penyimpangan 20 hari ini disimpulkan, perbezaan nilai mutlak purata adalah 6, iaitu 17% dibahagikan dengan 35, yang jelas lebih stabil daripada 40%. Ini kerana jumlah jualan adalah tinggi dan rendah, dan statistik dikira dalam kumpulan 20 hari. Perbezaan jualan di atas dan di bawah purata membatalkan satu sama lain, jadi pandangan keseluruhan lebih stabil.
Adalah sukar bagi Zhang San untuk menyimpan hanya dengan melihat data jualan harian, kerana jualan harian berubah -ubah banyak, tetapi permintaan bulanan agak stabil, yang dapat memberikan arahan yang lebih tepat untuk stok.
2. Mengapa pengumpulan boleh membuat pembolehubah rawak lebih stabil?
Seterusnya, kita akan melihat mengapa penyatuan menjadikan pembolehubah rawak lebih stabil dari teori statistik.
Koefisien variasi adalah statistik ringkasan yang mengukur penyebaran dan sering digunakan untuk membandingkan item yang berbeza, seperti dua keperluan atau produk yang berbeza. Kita boleh membandingkan koefisien variasi mereka untuk melihat bagaimana ciri -ciri mereka yang serupa atau berbeza.
Kami telah melihat sebelum ini jika terdapat stokastik satu bulan, ia adalah jumlah 20 stochastics setiap hari. Oleh itu, kami mempunyai pembolehubah rawak bulanan m, dan 20 pembolehubah rawak harian di.
Dengan mengandaikan bahawa DI adalah bebas dan semua pengedaran yang sama, mereka tergolong dalam taburan normal. Kami mempunyai taburan normal dengan min μ dan sisihan piawai σ.
Dan jika pemboleh ubah rawak jualan bulanan juga mematuhi taburan normal, iaitu, pengagihan harian dan bulanan adalah sama, maka kita perlu mewujudkan hubungan penukaran antara skala dua kali ini.
Bulanan setiap hari μ20 * μ sisihan piawai σ√20 * σ
Pertama melihat purata, kerana bilangan hari bekerja sebulan adalah 20 hari, jadi sebulan adalah sama dengan 20 hari, kita boleh secara langsung membiak purata harian sebanyak 20, dan tunggu sehingga purata bulanan, yang lebih mudah difahami.
Penyimpangan piawai tidak dikira dengan cara ini. Menurut formula, kuadrat saiz sampel diperlukan, iaitu √20. Penyimpangan piawai bulanan ialah √20 kali σ.
Pekali harian variasi adalah σ/μ, iaitu: 1*(σ/μ), dan variasi bulanan ialah: (√20*σ) /20*μ=0.22* (σ/μ).
Jelas sekali pekali bulanan variasi 0.22 adalah kurang daripada harian 1. Ini adalah bukti matematik bahawa selepas permintaan diagregatkan, volatiliti bulanan kurang daripada yang harian, yang akan membantu kita merumuskan strategi rantaian bekalan yang relevan.
3. Senario penggunaan
3.1 Strategi Kelewatan
Strategi kelewatan dalam rantaian bekalan membahagikan proses pengeluaran sesuatu produk ke peringkat generalisasi dan tahap pembezaan. Perusahaan menghasilkan komponen yang sama terlebih dahulu, dan menangguhkan proses pembuatan pembezaan produk sebanyak mungkin.
Pengeluaran produk yang dibezakan tidak selesai sehingga pengguna akhir meminta penampilan atau fungsi produk. Sebagai contoh, untuk susu soya di kedai sarapan, produk dalam peringkat generalisasi produk adalah jus susu soya asal, dan produk yang dibezakan adalah susu manis dan asin yang diproses berdasarkan jus asal.
Volatiliti permintaan produk tunggal pasti lebih besar daripada semua produk, jadi restoran sarapan harus mengagregatkan permintaan untuk semua produk soatmilk untuk membuat ramalan dengan ketepatan yang lebih tinggi daripada mana -mana produk tunggal.
Kami juga menggunakan pendekatan ini apabila meramalkan permintaan untuk komoditi lain, kerana permintaan komoditi individu akan berbeza -beza, tetapi perbezaan ini akan membatalkan satu sama lain, menjadikan ramalan keseluruhan lebih tepat.
3.2 Tetapan Inventori
Beberapa syarikat e-dagang makanan segar menggunakan model gudang depan untuk melayani komuniti dalam beberapa kilometer di sekitar gudang.
Penyimpangan dalam stok gudang depan tunggal akan agak tinggi. Jika kita menggabungkan keperluan beberapa gudang depan, gunakan gudang umum serantau untuk menampung keperluan gudang depan ini, dan mengedarkan dari gudang umum ke gudang depan, kita dapat mengoptimumkan kos inventori keseluruhan dan kadar penghantaran tepat waktu.
Jumlah kedudukan mengumpulkan permintaan setiap kedudukan depan dan melambatkan turun naik.
3.3 Kapasiti Pengeluaran
Apabila kami melakukan perancangan pengeluaran, kami secara amnya merancang kapasiti garis pengeluaran, contohnya, tiga jenis produk A, B, dan C boleh dihasilkan pada baris ini. Saya mungkin tidak dapat menentukan bilangan pengeluaran A, B dan C, kerana keadaan sebenar akan sentiasa berubah, kadang -kadang terdapat kekurangan bahan, tidak dapat menghasilkan A, hanya boleh dilakukan B atau C.Oleh itu, apabila kita merancang keupayaan untuk barisan pengeluaran yang lengkap, kita sering mengagregatkan semua keupayaan. Dalam mesyuarat koordinasi pengeluaran bulanan dan jualan, kami mungkin mengalami kesukaran untuk menentukan kuantiti tertentu yang akan dihasilkan, tetapi sebaliknya merancang jumlah kapasiti pengeluaran garisan pengeluaran. Dari atas, kita tahu bahawa melakukan ini akan menjadi lebih tepat dan kurang menentu.
Dalam proses pengeluaran produk sebenar, situasi yang tidak dijangka tidak dapat dielakkan, ada yang terlalu siap, ada yang kurang sasaran, tetapi mereka dapat mengimbangi satu sama lain untuk mencapai matlamat keseluruhan kami.
Untuk meringkaskan, Baichuan Juhai Pooling adalah strategi rantaian bekalan yang sangat praktikal, yang dapat mengurangkan pelbagai volatiliti. Dimensi agregat termasuk masa dan kuantiti, yang perlu digunakan secara fleksibel mengikut keadaan.
Tinggalkan komen