Tedarik zincirindeki belirsizliği nasıl hafifletir?

How to mitigate uncertainty in the supply chain?

#Tedarik zinciri lojistiği

 

Belirsizlik tedarik zincirlerinin doğal bir özelliğidir ve onu yok edemeyiz, çünkü talep kaynağı, her bir tüketici farklı düşünür ve zaman zaman değişir. Bugün kahve içmek ve yarın süt çayı içmek istiyorsanız, bireysel ihtiyaçları doğru bir şekilde kavramak zordur.

Ancak ilginç bir şekilde, talebi bir araya getirdiğimizde, büyük örneğin oynaklığının azaldığını görüyoruz. Örneğin, ikindi çayı sipariş ederken, takımdaki kaç kişinin kahve veya süt çayı içmek istediği kesinlikle tek taraflı olmayacak ve talebin dalgalanması nispeten küçük.

Aynı veya benzeri şeylerden bazılarını bir araya getirdiğimizde, tedarik zincirinde "havuzlama" veya "agrega" adlı özel bir terim vardır.

Örneğin, tahminler yaparken aynı gereksinimleri entegre edin. Kapasiteyi hesaplarken, aynı iş istasyonu kapasitesi toplanır ve sayılır. Bu uygulama oynaklığı azaltabilir ve bugün bu yöne odaklanacağım.

1. Neden havuz yapıyor?

Talep oynaklığı ile neler olup bittiğini daha fazla göstermek için bir örnek kullanalım. Yukarıda belirtildiği gibi, tüketici satın alma davranışında oynaklık yaratan çok fazla rastgelelik vardır. Zhang San bir kahve dükkanı açtı ve birim fiyatını artırmak için dükkan da kek sattı.

Nasıl stok yapmalı? Çok fazla alım var ve kekler satılmıyor. Raf ömrüne ulaşıldığında, kekler atılacak ve atılacaktır. Daha az alım, yetersiz envanter ve satış kaybı.

Daha iyi stoklamak için Zhang San, son 20 gün içinde mağazadaki kek satışlarını saydı. Zhang San'ın mağazası haftada beş gün, ayda 20 gün açıktır ve belirli satışlar aşağıdaki gibidir.

Günler Satış miktarı Ortalama satışlardan fark Mutlak değerdeki fark
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

 

Ortalama 35 (yuvarlak) ile 46 satış ve 21'in düşük bir zirvesi gördük. Satış hacmi için gerçek sonuçlar ortalamadan büyük ölçüde değişir, ancak pozitif ve negatif ofsetler nedeniyle ortalama sıfırdır.

Farkın mutlak ortalamasını almak istiyoruz, bu sayıya Meanabsolute Sapma (MAD) olarak da adlandırılır ve aylık ortalaması 6'dır.

İstatistiksel bir bakış açısından, daha titiz olan standart sapmayı kullanmalıyız. Excel'de basit bir hesaplamadan sonra, bu ayın satışları hakkında bir dizi analiz sonucu alabiliriz.

Maksimum 46
Asgari 21
Average 35
Standart sapma 7.1
Varyasyon katsayısı 0.2

 

Varyasyon katsayısı (CV) standart sapmanın ortalamaya bölünmesiyle ve sonuç 0.2'dir. İstatistiksel bakış açısından, bu ayın satışları çok istikrarlı.

Günlük perspektiften bakıldığında, günlük satışlar ve ortalama değer arasındaki maksimum mutlak fark 14'tür, bu da% 40 ortalama 35 değerine bölünür, bu da sapmanın büyüklüğüdür.

Bu 20 günün sapmaları özetlendiğinde, ortalama mutlak değer farkı 6'dır, bu% 17 35'e bölünür, bu da% 40'tan çok daha kararlıdır. Bunun nedeni, satış hacminin yüksek ve düşük olması ve istatistiklerin 20 günlük gruplar halinde hesaplanmasıdır. Ortalamanın üstünde ve altındaki satışlardaki fark birbirini iptal etmektir, bu nedenle genel görünüm daha kararlıdır.

Zhang San'ın sadece günlük satış verilerine bakarak stoklaması zordur, çünkü günlük satışlar büyük ölçüde dalgalanır, ancak aylık talep nispeten istikrarlıdır, bu da stoklama için daha doğru talimatlar sağlayabilir.

2. Havuzlama neden rastgele değişkenleri daha kararlı hale getirebilir?

Daha sonra, havuzlamanın neden rastgele değişkenleri istatistiksel teoriden daha kararlı hale getirdiğine bakacağız.

Varyasyon katsayısı, dağılımı ölçen ve genellikle iki farklı ihtiyaç veya ürün gibi farklı öğeleri karşılaştırmak için kullanılan özet bir istatistiktir. Özelliklerinin ne kadar benzer veya farklı olduğunu görmek için varyasyon katsayılarını karşılaştırabiliriz.

Bundan daha önce gördük, eğer bir aylık stokastik varsa, bu günlük 20 stokasti toplamı. Dolayısıyla aylık rastgele değişken m ve 20 günlük rastgele değişkenimiz var.

DI'nin bağımsız ve aynı dağılımın hepsi olduğunu varsayarsak, bunlar normal dağılıma aittir. Ortalama µ ve standart sapma σ ile normal bir dağılımımız var.

Aylık satışların rastgele değişkeni de normal bir dağılıma neden olursa, yani günlük ve aylık dağılımlar aynısa, bu iki zaman ölçeği arasında bir dönüşüm ilişkisi kurmamız gerekir.

Günlük aylık ortalama µ20 * µ Standart sapma σ√20 * σ

İlk olarak ortalamaya bakın, aylık iş günü sayısı 20 gün olduğundan, bir ay 20 güne eşittir, günlük ortalamayı doğrudan 20 ile çoğaltabilir ve aylık ortalamaya kadar bekleyebiliriz, bu daha kolay anlaşılır.

Standart sapma bu şekilde hesaplanmaz. Formüle göre, √20 olan numune boyutunun karesi gereklidir. Aylık standart sapma √20 kat σ'dır.

Günlük varyasyon katsayısı σ/µ, yani: 1*(σ/µ) ve aylık varyasyon: (√20*σ) /20*µ=0.22* (σ/µ).

Açıkçası 0.22 aylık varyasyon katsayısı günlük 1'den daha azdır. Bu, talep toplandıktan sonra, aylık oynaklığın günlük olandan daha az olduğuna dair matematiksel bir kanıttır, bu da ilgili tedarik zinciri stratejilerini formüle etmemize yardımcı olacaktır.

 

3. Kullanım senaryoları

3.1 Gecikme Stratejisi

Tedarik zincirindeki gecikme stratejisi, bir ürünün üretim sürecini bir genelleme aşamasına ve farklılaşma aşamasına ayırır. İşletmeler önce ortak bileşenler üretir ve ürün farklılaşmasının üretim sürecini mümkün olduğunca geciktirir.

Ürünün farklılaşmış üretimi, son kullanıcı ürünün görünümünü veya işlevini talep edene kadar tamamlanmaz. Örneğin, kahvaltı dükkanındaki soya sütü için, ürünün genelleme aşamasındaki ürün orijinal soya sütü suyudur ve farklılaşmış ürün, orijinal meyve suyu temelinde işlenen tatlı ve tuzlu süttür.

Tek bir ürünün talep oynaklığı kesinlikle tüm ürünlerinkinden daha büyüktür, bu nedenle kahvaltı restoranları, tüm soya ürünlerinin herhangi bir üründen daha yüksek doğrulukla tahminler yapması için talebi toplamalıdır.

Bu yaklaşımı, diğer emtialar için talebi tahmin ederken de kullanıyoruz, çünkü bireysel emtia talebi değişecektir, ancak bu farklılıklar birbirini iptal ederek genel tahminleri daha doğru hale getirecektir.

 

3.2 Envanter Ayarları

Bazı taze gıda e-ticaret şirketleri, depo çevresinde birkaç kilometre içinde topluluğa hizmet etmek için ön depo modelini kullanıyor.

Tek bir ön deponun stoklanmasındaki sapma nispeten yüksek olacaktır. Birkaç ön deponun gereksinimlerini birleştirirsek, bu ön depoların ihtiyaçlarını karşılamak için bölgesel bir genel depo kullanır ve genel depodan ön depolara dağıtılırsak, genel envanter maliyetlerini ve zamanında teslimat oranlarını optimize edebiliriz.

Toplam pozisyon, her bir ön pozisyonun talebini toplar ve oynaklığı yavaşlatır.

 

3.3 Üretim Kapasitesi

Üretim planlaması yaptığımızda, genellikle bir üretim hattının kapasitesini planlıyoruz, örneğin bu hatta üç tip A, B ve C üretilebilir. A, B ve C üretiminin belirli sayısını belirleyemeyebilirim, çünkü gerçek durum her zaman değişecektir, bazen malzeme sıkıntısı vardır, A üretemez, sadece B veya C yapabilir.

Dolayısıyla, tam bir üretim hattı kapasitesini planladığımızda, genellikle tüm yetenekleri toplarız. Aylık üretim ve satış koordinasyonu toplantısında, üretilecek belirli miktara karar vermekte zorluk çekebilir, bunun yerine üretim hattının toplam üretim kapasitesini planlayabiliriz. Yukarıdakilerden, bunu yapmanın daha doğru ve daha az değişken olacağını biliyoruz.

Ürünlerin gerçek üretim sürecinde, beklenmedik durumlar kaçınılmaz olarak gerçekleşecek, bazıları aşırı tamamlanmış, bazıları hedef düşüktür, ancak genel hedefimize ulaşmak için birbirlerini telafi edebilirler.

Özetlemek gerekirse, Baichuan Juhai Havuz, çeşitli oynaklığı etkili bir şekilde hafifletebilen çok pratik bir tedarik zinciri stratejisidir. Toplu boyutlar, duruma göre esnek bir şekilde uygulanması gereken zaman ve miktarı içerir.

 


yorum Yap

Bu site reCaptcha ile korunuyor. Ayrıca bu site için Google Gizlilik Politikası ve Hizmet Şartları geçerlidir.