Как смягчить неопределенность в цепочке поставок?

#Supplychain #logistics

 

Неопределенность является неотъемлемой особенностью цепочек поставок, и мы не можем искоренить ее, потому что источник спроса, каждый отдельный потребитель думает по -разному и время от времени изменяется. Если вы хотите выпить кофе сегодня и выпить чай молока завтра, трудно точно понять индивидуальные потребности.

Но интересно, когда мы объединяем спрос вместе, мы обнаруживаем, что волатильность большой выборки уменьшается. Например, при заказе послеобеденного чая, сколько людей в команде хотят выпить кофе или чай с молоком, безусловно, не будет односторонним, а колебание спроса относительно невелико.

Когда мы объединяем некоторые из тех же или похожих вещей, в цепочке поставок есть особый термин, называемый «объединение» или «заполнителя».

Например, при создании прогнозов интегрируйте те же требования. При расчете пропускной способности та же самая способность рабочей станции агрегируется и подсчитывается. Эта практика может снизить волатильность, и сегодня я сосредоточусь на этом аспекте.

1. Почему объединение?

Давайте воспользуемся примером для дальнейшего иллюстрации того, что происходит с волатильностью спроса. Как упоминалось выше, существует большая случайность в поведении покупателей, что создает волатильность. Чжан Сан открыл кофейню, и для повышения цены на залог магазин также продавал торты.

Как он должен запастись? Слишком много покупок, а торты не распроданы. Когда срок годности достигнут, торты будут отброшены и выброшены. Меньше покупок, недостаточное запасы и потеря продаж.

Чтобы лучше запастись, Чжан Сан посчитал продажи тортов в магазине за последние 20 дней. Магазин Zhang San открыт пять дней в неделю, 20 дней в месяц, и конкретные продажи заключаются в следующем.

Дни	Количество продаж	Разница от средних продаж	Разница в абсолютном значении
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

 

Мы увидели пик 46 продаж и минимум 21, в среднем 35 (округлый). Фактические результаты по объему продаж сильно варьируются от среднего, но они в среднем по нулю из -за положительных и отрицательных смещений.

Мы хотим принять абсолютное среднее значение разницы, это число также называется средним отклонением (безумным), а его среднеме - 6.

С статистической точки зрения мы должны использовать стандартное отклонение, которое является более строгим. После простого расчета в Excel мы можем получить серию результатов анализа о продажах этого месяца.

Макс	46
Минимум	21
Average	35
Среднеквадратичное отклонение	7.1
Коэффициент вариации	0.2

 

Коэффициент вариации (CV) - это стандартное отклонение, деленное на среднее, а результат составляет 0,2. С статистической точки зрения продажи этого месяца очень стабильны.

С ежедневной точки зрения максимальная абсолютная разница между ежедневными продажами и средним значением составляет 14, что составляет 40%, разделенное на среднее значение 35, что является величиной отклонения.

Когда отклонения этих 20 дней суммируются, средняя разница в абсолютной стоимости составляет 6, что составляет 17%, разделенное на 35, что, очевидно, гораздо более стабильно, чем 40%. Это связано с тем, что объем продаж высок и низкий, а статистика рассчитывается в группах 20 дней. Разница в продажах выше и ниже среднего отменяет друг друга, поэтому общий вид более стабильный.

Для Zhang San трудно запастись только путем рассмотрения ежедневных данных о продажах, потому что ежедневные продажи сильно колеблются, но ежемесячный спрос является относительно стабильным, что может дать более точные инструкции для хранения.

2. Почему объединение может сделать случайные переменные более стабильными?

Далее мы рассмотрим, почему объединение делает случайные переменные более стабильными из статистической теории.

Коэффициент вариации - это сводная статистика, которая измеряет дисперсию и часто используется для сравнения различных элементов, таких как две разные потребности или продукты. Мы можем сравнить их коэффициенты вариации, чтобы увидеть, насколько похожи или разные их характеристики.

Ранее мы видели, что если есть стохастик на один месяц, это сумма 20 ежедневных стохастиков. Таким образом, у нас есть ежемесячная случайная переменная M и 20 ежедневных случайных переменных Di.

Предполагая, что DI являются независимыми и все одинаковое распределение, они принадлежат к нормальному распределению. Мы имеем нормальное распределение со средним µ и стандартным отклонениями σ.

И если случайная переменная ежемесячных продаж также подчиняется нормальному распределению, то есть ежедневные и ежемесячные распределения одинаковы, тогда нам необходимо установить взаимосвязь между этими двумя временными масштабами.

Ежедневное среднем ежемесячно µ20 * µ Стандартное отклонение σ√20 * σ

Сначала посмотрите на среднее значение, поскольку количество рабочих дней в месяц составляет 20 дней, поэтому месяц равен 20 дням, мы можем напрямую умножить в среднем на 20 на 20 и подождать до среднемесячного среднего, что легче понять.

Стандартное отклонение не рассчитывается таким образом. Согласно формуле, требуется квадрат размера образца, который составляет √20. Ежемесячное стандартное отклонение составляет √20 раз σ.

Ежедневный коэффициент вариации составляет σ/µ, то есть: 1*(σ/µ), а ежемесячное изменение составляет: (√20*σ) /20* мк=0.222 (σ/µ).

Очевидно, что ежемесячный коэффициент вариации 0,22 меньше, чем ежедневно 1. Это математическое доказательство того, что после агрегирования спроса ежемесячная волатильность меньше, чем ежедневная, что поможет нам сформулировать соответствующие стратегии цепочки поставок.

 

3. Сценарии использования

3.1 Стратегия задержки

Стратегия задержки в цепочке поставок делит производственный процесс продукта на стадию обобщения и этап дифференциации. Сначала предприятия производят общие компоненты и максимально задерживают производственный процесс дифференциации продукции.

Дифференцированное производство продукта не завершено до тех пор, пока конечный пользователь не запросит внешний вид или функцию продукта. Например, для соевого молока в магазине завтрака продуктом на стадии обобщения продукта является оригинальный сок соевого молока, а дифференцированный продукт - это сладкое и соленое молоко, обрабатываемое на основе оригинального сока.

Волатильность спроса на единый продукт определенно больше, чем у всех продуктов, поэтому рестораны для завтрака должны собирать спрос на все продукты для соевого языка, чтобы делать прогнозы с более высокой точностью, чем любой отдельный продукт.

Мы также используем этот подход при прогнозировании спроса на другие товары, потому что индивидуальный спрос на товары будет варьироваться, но эти различия отменяют друг друга, что сделает общий прогноз более точным.

 

3.2 Настройки инвентаря

Некоторые компании по электронной коммерции свежих продуктов используют модель Front Warehouse для обслуживания сообщества в нескольких километрах вокруг склада.

Отклонение в чулок одного переднего склада будет относительно высоким. Если мы объединим требования нескольких передних складов, используем региональный общий склад, чтобы покрыть потребности этих передних складов, и распределить с общего склада на передние склады, мы можем оптимизировать общие затраты на запасы и своевременные показатели доставки.

Общая позиция собирает спрос на каждую переднюю позицию и замедляет волатильность.

 

3.3 Производственные мощности

Когда мы делаем планирование производства, мы обычно планируем мощность производственной линии, например, три типа продуктов A, B и C могут быть произведены на этой линии. Возможно, я не смогу определить конкретное количество производства A, B и C, поскольку фактическая ситуация всегда будет меняться, иногда возникает нехватка материалов, не может производить A, может только B или C.

Поэтому, когда мы планируем возможности для полной производственной линии, мы часто собираем все возможности. На ежемесячном совещании по координации производства и продаж у нас может возникнуть трудности с выбором конкретного количества, которое должно быть произведено, но вместо этого планируем общую производственную мощность производственной линии. Из вышесказанного мы знаем, что это будет более точным и менее изменчивым.

В фактическом производственном процессе продуктов неожиданные ситуации неизбежно возникнут, некоторые из них переполняются, некоторые из них находятся недостаточно, но они действительно могут компенсировать друг другу, чтобы достичь нашей общей цели.

Подводя итог, подводя итог, Baichuan Juhai Pooling - очень практическая стратегия цепочки поставок, которая может эффективно облегчить различную волатильность. Совокупные измерения включают время и количество, которые должны быть гибко применяться в соответствии с ситуацией.