SCM-재고 관리

공급망의 주요 목표에서 볼 수 있듯이 SCM의 기본 목표 중 하나는 회사 내부 및 회사 전체의 모든 활동과 기능을 효율적으로 관리하는 것입니다.

재고 감소의 효율성을 유지함으로써보다 정확하게 재고의 효율성을 통해 공급망의 효율성을 보장 할 수있는 경우가 있습니다. 재고는 효율적인 공급망 관리에 대한 책임으로 간주되지만 공급망 관리자는 재고의 필요성을 인정합니다. 그러나 작성되지 않은 규칙은 인벤토리를 최소한으로 유지하는 것입니다.

공급망을 넘어 재고를 간소화하고 재고 투자를 가능한 한 낮게 유지하려는 목적으로 많은 전략이 개발됩니다. 공급망 관리자는 재고 투자로 인해 재고를 가능한 한 낮게 유지하는 경향이 있습니다. 재고 소유와 관련된 비용이나 투자가 높을 수 있습니다. 이러한 비용은 재고 구매에 필요한 현금 지출, 재고 확보 비용 (다른 것에 투자하는 대신 재고에 투자 한 비용) 및 재고 관리와 관련된 비용으로 구성됩니다.

인벤토리의 역할

공급망에서 재고의 역할을 이해하기 전에 제조업체와 고객 간의 따뜻한 관계를 이해해야합니다. 고객을 처리하고, 수요에 대처하고, 제조업체와 관계를 구축하는 것은 공급망 관리의 중요한 부분입니다.

협력 관계의 개념이 공급망 관리의 본질로 표시되는 경우가 많이 있습니다. 그러나 공급망 관계, 특히 제품 흐름을 포함한 관계에 대한 심층 분석을 통해 이러한 관계의 핵심은 재고 이동 및 보관이라는 것을 알 수 있습니다.

절반 이상이 재고 구매, 이전 또는 관리에 의존합니다. 아시다시피 재고는 공급망에서 매우 중요한 역할을하며 두드러진 특징입니다.

재고가 공급망에서 갖는 가장 기본적인 기능은 다음과 같습니다.

  • 수요와 공급의 균형을 공급하고 지원합니다.
  • 공급망의 순방향 및 역방향 흐름에 효과적으로 대처합니다.

기업은 업스트림 공급 업체 교환 및 다운 스트림 고객 요구를 관리해야합니다. 이 상황에서 회사는 정밀도 나 정확성으로 예측하기 매우 어려운 고객의 요구를 충족시키는 것과 재료 및 물품의 적절한 공급을 유지하는 것 사이에서 균형을 유지해야하는 상태에 들어간다. 이 잔액은 인벤토리를 통해 얻을 수 있습니다.

최적화 모델

공급망의 최적화 모델은 실제 또는 실제 문제를 수학적 모델로 코드화하는 모델입니다. 이 수학적 모델을 구성하는 주요 목적은 목적 함수를 최대화하거나 최소화하는 것입니다. 이 외에도 실행 가능 영역을 정의하기 위해 이러한 문제에 몇 가지 제약이 추가됩니다. 가능한 모든 솔루션을 검토하고 결국 최상의 솔루션을 반환하는 효율적인 알고리즘을 생성하려고합니다. 다양한 공급망 최적화 모델은 다음과 같습니다.

혼합 정수 선형 계획법

혼합 정수 선형 계획법 (MILP)은 몇 가지 제한이있는 시스템의 최상의 결과를 얻는 데 사용되는 수학적 모델링 접근 방식입니다. 이 모델은 생산 계획, 운송, 네트워크 설계 등과 같은 많은 최적화 영역에서 광범위하게 사용됩니다.

MILP는 연속 및 정수 변수로 구성된 일부 제한 제약과 함께 선형 목적 함수로 구성됩니다. 이 모델의 주요 목적은 목적 함수의 최적 솔루션을 얻는 것입니다. 이것은 최대 값 또는 최소값이 될 수 있지만 부과 된 제약 조건을 위반하지 않고 달성되어야합니다.

MILP는 이진 변수를 사용하는 선형 계획법의 특별한 경우라고 말할 수 있습니다. 일반 선형 계획법 모델과 비교할 때 해결하기가 약간 어렵습니다. 기본적으로 MILP 모델은 Fico Xpress 또는 SCIP와 같은 상업용 및 비 상업용 솔버로 해결됩니다.

확률 적 모델링

확률 적 모델링은 데이터를 표현하거나 임의성 또는 어느 정도 예측 불가능한 상황에서 결과를 예측하는 수학적 접근 방식입니다.

예를 들어, 생산 단위에서 제조 프로세스에는 일반적으로 입력 재료의 품질, 기계의 신뢰성 및 직원 내 역량과 같은 몇 가지 알려지지 않은 매개 변수가 있습니다. 이러한 매개 변수는 제조 공정의 결과에 영향을 주지만 절대 값으로 측정하는 것은 불가능합니다.

정확하게 측정 할 수없는 알려지지 않은 매개 변수에 대한 절대 값을 찾아야하는 이러한 유형의 경우에는 확률 적 모델링 접근 방식을 사용합니다. 이 모델링 전략은 이러한 요인의 예측 불가능 성을 고려하여 정의 된 오류율로이 프로세스의 결과를 예측하는 데 도움이됩니다.

불확실성 모델링

현실적인 모델링 접근 방식을 사용하는 동안 시스템은 불확실성을 고려해야합니다. 불확실성은 시스템의 불확실한 특성이 확률 적 성격으로 모델링되는 수준으로 평가됩니다.

확률 분포로 불확실한 매개 변수를 특성화하기 위해 불확실성 모델링을 사용합니다. Markov 체인과 마찬가지로 종속성을 입력으로 쉽게 고려하거나 대기가 필수적인 역할을하는 시스템을 모델링하기 위해 대기열 이론을 사용할 수 있습니다. 이것은 불확실성을 모델링하는 일반적인 방법입니다.

이중 수준 최적화

분산 또는 계층 적 결정이 필요할 때마다 실제 상황에서 이중 수준 문제가 발생합니다. 이러한 유형의 상황에서 여러 당사자가 차례로 결정을 내리고 이는 각자의 이익에 영향을 미칩니다.

지금까지 이중 수준 문제를 해결하는 유일한 솔루션은 실제 크기에 대한 휴리스틱 방법을 사용하는 것입니다. 그러나 실제 문제에 대한 최적의 솔루션을 계산하기 위해 이러한 최적의 방법을 개선하려는 시도가 진행되고 있습니다.