SCM - Zarządzanie zapasami
Jak widać w ramach głównych celów łańcucha dostaw, jednym z podstawowych celów SCM jest zapewnienie efektywnego zarządzania wszystkimi działaniami i funkcjami w firmie, jak również w całej firmie.
Istnieją przypadki, w których wydajność w łańcuchu dostaw można zapewnić dzięki wydajności zapasów, a dokładniej poprzez utrzymanie efektywności w redukcji zapasów. Chociaż uważa się, że zapasy są odpowiedzialne za efektywne zarządzanie łańcuchem dostaw, menedżerowie łańcucha dostaw uznają potrzebę ich posiadania. Jednak niepisaną zasadą jest utrzymanie zapasów na absolutnym minimum.
Wiele strategii jest opracowywanych w celu usprawnienia zapasów poza łańcuchem dostaw i utrzymania inwestycji w zapasy na jak najniższym poziomie. Menedżerowie łańcucha dostaw mają tendencję do utrzymywania zapasów na jak najniższym poziomie z powodu inwestycji w zapasy. Koszt lub inwestycja związana z posiadaniem zapasów może być wysoka. Koszty te obejmują nakłady pieniężne niezbędne do zakupu zapasów, koszty nabycia zapasów (koszt zainwestowania w zapasy zamiast inwestowania w coś innego) oraz koszty związane z zarządzaniem zapasami.
Rola zapasów
Zanim zrozumiemy rolę zapasów w łańcuchu dostaw, musimy zrozumieć serdeczne relacje między producentem a klientem. Obsługa klientów, sprostanie ich wymaganiom i tworzenie relacji z producentem to kluczowy element zarządzania łańcuchami dostaw.
Istnieje wiele przypadków, w których postrzegamy koncepcję relacji opartych na współpracy jako istotę zarządzania łańcuchem dostaw. Jednak głębsza analiza relacji w łańcuchu dostaw, zwłaszcza tych obejmujących przepływy produktów, ujawnia, że sednem tych relacji jest ruch zapasów i przechowywanie.
Ponad połowa z nich polega na zakupie, transferze lub zarządzaniu zapasami. Jak wiemy, zapasy odgrywają bardzo ważną rolę w łańcuchach dostaw, będąc ich istotną cechą.
Najbardziej podstawowe funkcje, które spełniają zapasy w łańcuchach dostaw, są następujące -
- Dostarczać i wspierać równowagę popytu i podaży.
- Aby skutecznie radzić sobie z przepływami do przodu i do tyłu w łańcuchu dostaw.
Firmy muszą zarządzać wymianą dostawców na rynku wyższego szczebla i wymaganiami klientów niższego szczebla. W tej sytuacji firma wchodzi w stan, w którym musi zachować równowagę pomiędzy zaspokajaniem potrzeb klientów, co w większości przypadków jest bardzo trudne do przewidzenia z precyzją lub dokładnością, a utrzymaniem odpowiedniej podaży materiałów i towarów. Saldo to można uzyskać poprzez inwentaryzację.
Modele optymalizacji
Modele optymalizacji łańcucha dostaw to te modele, które kodyfikują praktyczne lub rzeczywiste problemy w modelu matematycznym. Głównym celem konstrukcji tego modelu matematycznego jest maksymalizacja lub minimalizacja funkcji celu. Oprócz tego do tych kwestii dodano pewne ograniczenia dotyczące definiowania wykonalnego regionu. Staramy się wygenerować wydajny algorytm, który zbada wszystkie możliwe rozwiązania i na koniec zwróci najlepsze rozwiązanie. Różne modele optymalizacji łańcucha dostaw są następujące -
Programowanie liniowe w liczbach całkowitych mieszanych
Programowanie liniowe mieszanych liczb całkowitych (MILP) to podejście do modelowania matematycznego stosowane w celu uzyskania najlepszego wyniku systemu z pewnymi ograniczeniami. Model ten jest szeroko stosowany w wielu obszarach optymalizacji, takich jak planowanie produkcji, transport, projektowanie sieci itp.
MILP zawiera liniową funkcję celu wraz z pewnymi ograniczeniami skonstruowanymi przez zmienne ciągłe i całkowite. Głównym celem tego modelu jest uzyskanie optymalnego rozwiązania funkcji celu. Może to być wartość maksymalna lub minimalna, ale należy ją osiągnąć bez naruszania któregokolwiek z nałożonych ograniczeń.
Można powiedzieć, że MILP jest szczególnym przypadkiem programowania liniowego, które wykorzystuje zmienne binarne. W porównaniu z normalnymi modelami programowania liniowego są one nieco trudne do rozwiązania. Zasadniczo modele MILP są rozwiązywane przez komercyjne i niekomercyjne solwery, na przykład: Fico Xpress lub SCIP.
Modelowanie stochastyczne
Modelowanie stochastyczne to matematyczne podejście polegające na przedstawianiu danych lub przewidywaniu wyników w sytuacjach, w których występuje do pewnego stopnia losowość lub nieprzewidywalność.
Na przykład w jednostce produkcyjnej proces produkcyjny ma na ogół nieznane parametry, takie jak jakość materiałów wejściowych, niezawodność maszyn i kompetencje pracowników. Parametry te mają wpływ na wynik procesu produkcyjnego, ale nie można ich zmierzyć wartościami bezwzględnymi.
W tego typu przypadkach, w których musimy znaleźć wartości bezwzględne dla nieznanych parametrów, których nie można dokładnie zmierzyć, stosujemy modelowanie stochastyczne. Ta strategia modelowania pomaga w przewidywaniu wyniku tego procesu przy określonym poziomie błędu, biorąc pod uwagę nieprzewidywalność tych czynników.
Modelowanie niepewności
Stosując realistyczne podejście do modelowania, system musi uwzględniać niewiadome. Niepewność jest oceniana do poziomu, na którym niepewne cechy systemu są modelowane z charakterem probabilistycznym.
Do scharakteryzowania niepewnych parametrów z rozkładami prawdopodobieństwa stosujemy modelowanie niepewności. Z łatwością bierze pod uwagę zależności jako dane wejściowe, podobnie jak łańcuch Markowa, lub może wykorzystywać teorię kolejkowania do modelowania systemów, w których czekanie odgrywa kluczową rolę. Są to typowe sposoby modelowania niepewności.
Optymalizacja dwupoziomowa
Problem dwupoziomowy pojawia się w rzeczywistych sytuacjach, gdy trzeba podjąć zdecentralizowaną lub hierarchiczną decyzję. W tego typu sytuacjach wiele stron podejmuje decyzje jedna po drugiej, co wpływa na ich zysk.
Do tej pory jedynym rozwiązaniem problemów dwupoziomowych były metody heurystyczne dla realistycznych rozmiarów. Podejmowane są jednak próby ulepszenia tych optymalnych metod, aby obliczyć optymalne rozwiązanie również dla rzeczywistych problemów.