Ocena zmienności popytu

Nawet dziś spotykamy się z firmami, które mają trudności ze zróżnicowaniem swoich strategii magazynowania w zależności od profilu popytu. Czy kiedykolwiek polecono ci, abyś zgromadziła zapasy na miesiąc w celu zabezpieczenia sprzedaży?

W wielu sektorach przemysłu i dystrybucji polityka ta opiera się po prostu na zapewnieniu określonej liczby dni pokrycia i nie jest zróżnicowana w zależności od samego produktu.

W jednym miesiącu można sprzedać 10 000 sztuk, a w następnym 5 000 sztuk. Ile wynosi miesięczny zapas?

„Zapasy o wartości jednego miesiąca” oczywiście nic nie znaczą. Ma to znaczenie po fakcie, podczas śledzenia wyników rotacji zapasów – ale nie ma znaczenia dla doboru wielkości cyklu uzupełniania zapasów.

Wzory statystyczne i współczynniki zmienności

Od dziesięcioleci proponuje się wzory statystyczne pozwalające określić wielkość zapasów bezpieczeństwa na podstawie historii zużycia, przy założeniu określonego wskaźnika obsługi klienta (POK).

Inaczej niż dotychczas w DDMRP proponuje się, aby w przypadku buforów dynamicznych ustalić współczynniki zmienności w celu określenia wielkości czerwonej strefy bezpieczeństwa.

Podejście to może wydawać się zbyt uproszczone, ale doświadczenie pokazuje, że w przypadku pozycji o dobrej powtarzalności popytu, a więc nadających się do dynamicznego buforowania zapasem, te współczynniki zmienności dają znacznie lepsze odpowiedzi niż wzory na zapasy bezpieczeństwa. Wzory na zapasy bezpieczeństwa często prowadzą do wyższych poziomów zapasów i są z natury statyczne. DDMRP przywrócił nieco zdrowego rozsądku w identyfikacji i ocenie zmienności oraz nadał znaczenie i widoczność tej klasyfikacji.

Formuła statystyczna może być nadal dobrym wyborem, ale w przypadku artykułów o sporadycznym zużyciu, dla których odpowiedni jest bufor statyczny – ni można go dostosować do rytmu popytu.

Jak określić zakresy zmienności i współczynniki zmienności, które należy stosować w strefie czerwonej bufora?

Współczynnik zmienności

Najbardziej rozpowszechnioną metodą klasyfikacji artykułów na podstawie zmienności popytu jest wykorzystanie współczynnika zmienności:

Na podstawie portfolio artykułów można obliczyć współczynniki zmienności i utworzyć rodziny produktów o podobnej zmienności. Dla każdej rodziny przypisywany jest odpowiedni współczynnik zmienności. W systemie Intuiflow proces ten jest wykonywany za pomocą kreatora profilowania bufora zapasów, który umożliwia skonfigurowanie odpowiednich ustawień zapasów dla tysięcy artykułów w ciągu kilku sekund.

Zalecamy, aby obliczenia CoV były wykonywane w oparciu o dzienne próbki zapotrzebowania, ponieważ to właśnie w rytmie dziennym, biorąc pod uwagę dzisiejsze zapotrzebowanie, nasi planiści muszą podejmować decyzje.

Możliwe jest także obliczanie CoV w skali tygodnia lub miesiąca, co prowadzi do niższych wartości. Progi kategorii zmienności należy dostosować, ale w większości przypadków istnieje silna korelacja między zmiennością mierzoną w skali tygodnia lub dnia: pozycje o niskiej / średniej / wysokiej / bardzo wysokiej zmienności pozostaną takie same.

Pozycje o wysokiej zmienności często wymagają dokładniejszej analizy:

1. czy są klienci, którzy składają duże jednorazowe zamówienia?
2. czy skoki popytu powinny być wyłączone z oceny zmienności?
3. czy te pozycje naprawdę muszą być magazynowane?
4. jeśli rzeczywiście muszą być utrzymywane w formie zapasu, czy lepszym rozwiązaniem nie byłby bufor statyczny?

Ograniczenia stosowania współczynników zmienności

Współczynnik zmienności jest dobrą podstawą do rozróżniania kategorii zmienności pozycji, ale nie daje pełnej charakterystyki sygnału popytu.

Na przykład dwie pozycje A i B poniżej będą miały taką samą wartość CoV, ale ich sygnały zapotrzebowania są znacząco różne. W zależności od czasu realizacji uzupełnienia, pozycja B będzie wymagała wyższej strefy czerwonej.

Sztuczna inteligencja (AI) i grupowanie

Techniki data science zapewniają bardziej kompleksowe podejście do charakteryzowania sygnałów popytu. Na przykład na poniższym wykresie przedstawiono 7 pozycji, które mają podobne sygnały popytu – co niekoniecznie jest oczywiste dla ludzkiego oka…

Wszystkie te elementy można powiązać z poniższym ogólnym sygnałem popytu:

Elementy te mają wartości CoV między 50% a 150%, co mogło doprowadzić do zaklasyfikowania ich do różnych kategorii zmienności, choć ich sygnały są podobne.

Wykorzystując podejście oparte na sztucznej inteligencji, możemy definiować grupy artykułów (profile buforów) na podstawie podobieństwa wzorców popytu. Następnie możemy przeprowadzać symulacje w tle, aby zatwierdzić parametry strefy czerwonej naszych buforów dynamicznych. Im więcej danych zasila silnik uczenia maszynowego, tym lepsze są wyniki.

Tradycyjne podejście CoV często stanowi znaczne ulepszenie w stosunku do dotychczasowych praktyk, a jego zaletą jest prostota i czytelność. Sztuczna inteligencja pozwala na bardziej szczegółowe generowanie grup elementów, ale musi pozostać zrozumiała i czytelna, aby planiści mogli jej zaufać.

Więcej informacji na temat wykorzystania AI w aplikacjach Intuiflow znajdziesz tutaj.