Στρατηγική πρόβλεψη της αλυσίδας εφοδιασμού για τους κατασκευαστές

Εισαγωγή

Στη σύγχρονη αλυσίδα εφοδιασμού, η πρόβλεψη είναι απαραίτητη για τις εταιρείες που κατασκευάζουν αντικείμενα για απογραφή και τα οποία δεν είναι κατασκευασμένα κατά παραγγελία. Οι κατασκευαστές θα χρησιμοποιήσουν την πρόβλεψη υλικών για να διασφαλίσουν ότι παράγουν το επίπεδο υλικού που ικανοποιεί τους πελάτες τους χωρίς να δημιουργεί κατάσταση πλεονάζουσας παραγωγικής ικανότητας όπου παράγεται υπερβολικό απόθεμα και παραμένει στο ράφι.

Ομοίως, η πρόβλεψη δεν πρέπει να υπολείπεται και ο κατασκευαστής τις βρίσκει χωρίς απογραφή για να εκπληρώσει τις παραγγελίες του πελάτη. Το κόστος της αποτυχίας να διατηρηθεί μια ακριβής πρόβλεψη μπορεί να είναι οικονομικά καταστροφικό.

Οι προβλέψεις μπορούν να είναι είτε:

• Στατιστικός
• Μη-Στατικό

Οι προβλέψεις αναπτύσσονται για τα έτοιμα προϊόντα, τα εξαρτήματα και τα τμήματα υπηρεσιών της εταιρείας. Η πρόβλεψη χρησιμοποιείται από την ομάδα παραγωγής για να αναπτύξει τις παραγγελίες παραγωγής, εντολής αγοράς, τις ποσότητες και τα επίπεδα αποθεμάτων ασφαλείας.

Η πρόβλεψη δεν είναι στατική και θα πρέπει να επανεξετάζεται από τη διοίκηση σε τακτική βάση. Με τον τρόπο αυτό, οι πληροφορίες σχετικά με τις μελλοντικές τάσεις, το εσωτερικό ή το εξωτερικό περιβάλλον ενσωματώνονται στην πρόβλεψη, ώστε να παρέχουν ακριβέστερο υπολογισμό.

Στατιστική πρόβλεψη

Στο λογισμικό διαχείρισης της αλυσίδας εφοδιασμού, η πρόβλεψη είναι ένας υπολογισμός που τροφοδοτείται με δεδομένα από συναλλαγές σε πραγματικό χρόνο και βασίζεται σε ένα σύνολο μεταβλητών που διαμορφώνονται για μια σειρά στατιστικών προβλέψεων.

Οι επαγγελματίες σχεδιασμού πρέπει να χρησιμοποιούν το λογισμικό για να παρέχουν την καλύτερη δυνατή κατάσταση προβλέψεων και συχνά αυτό παραμένει ανεξέλεγκτο χωρίς επανεξέταση για μεγάλες περιόδους. Για να αξιοποιήσουν καλύτερα τις τεχνικές πρόβλεψης στο λογισμικό της αλυσίδας εφοδιασμού, οι υπεύθυνοι σχεδιασμού θα πρέπει να επανεξετάσουν τις αποφάσεις τους σε σχέση με το εσωτερικό και το εξωτερικό περιβάλλον.

Θα πρέπει να προσαρμόσουν τον υπολογισμό ώστε να παρέχουν μια ακριβέστερη πρόβλεψη με βάση τις τρέχουσες πληροφορίες που έχουν.

Οι στατιστικές προβλέψεις είναι οι καλύτερες εκτιμήσεις για το τι θα συμβεί στο μέλλον με βάση τη ζήτηση που υπήρξε στο παρελθόν.

Τα ιστορικά δεδομένα ζήτησης μπορούν να χρησιμοποιηθούν για την παραγωγή μιας πρόβλεψης χρησιμοποιώντας απλή γραμμική παλινδρόμηση. Αυτό δίνει την ίδια έμφαση στη ζήτηση των ιστορικών περιόδων και προβάλλει τη ζήτηση στο μέλλον.

Ωστόσο, οι προβλέψεις σήμερα δίνουν μεγαλύτερη έμφαση στα πιο πρόσφατα δεδομένα ζήτησης σε σύγκριση με τα παλαιότερα στοιχεία. Αυτό ονομάζεται εξομάλυνση και παράγεται δίνοντας μεγαλύτερη βαρύτητα στα πρόσφατα δεδομένα. Η εκθετική εξομάλυνση αναφέρεται σε όλο και μεγαλύτερη στάθμιση που δίνεται στις πιο πρόσφατες ιστορικές περιόδους. Ως εκ τούτου, μια περίοδος πριν από δύο μήνες έχει μεγαλύτερη βαρύτητα από μια περίοδο πριν από έξι μήνες.

Alpha Factor

Η στάθμιση ονομάζεται Alpha Factor και όσο υψηλότερη είναι η στάθμιση, ή ο συντελεστής Alpha τόσο λιγότερες ιστορικές περιόδους χρησιμοποιούνται για τη δημιουργία της πρόβλεψης.

Για παράδειγμα, ένας υψηλός συντελεστής Alpha δίνει μεγάλη βαρύτητα στις πρόσφατες περιόδους και η ζήτηση από περιόδους για ένα ή δύο χρόνια πριν σταθμίζεται τόσο ελαφρώς ώστε να μην επηρεάζει τη συνολική πρόβλεψη. Ένας χαμηλός συντελεστής Alpha σημαίνει ότι τα ιστορικά δεδομένα είναι πιο συναφή με την πρόβλεψη.

Οι ιστορικές περιόδους γενικά περιέχουν δεδομένα ζήτησης από ένα σταθερό μήνα, δηλαδή τον Ιούνιο ή τον Ιούλιο. Ωστόσο, αυτό εισάγει σφάλμα στον υπολογισμό, καθώς ορισμένοι μήνες έχουν περισσότερες ημέρες από άλλους μήνες και ο αριθμός των εργάσιμων ημερών μπορεί να διαφέρει.

Ορισμένες εταιρείες χρησιμοποιούν την καθημερινή ζήτηση για να μετριάσουν αυτό το σφάλμα, παρόλο που ο προγνώστης κατανοεί το λάθος, μπορούν να χρησιμοποιηθούν μηνιαίες ιστορικές περιόδους μαζί με δείκτη παρακολούθησης για να προσδιοριστεί πότε η πρόβλεψη αποκλίνει σημαντικά από την πραγματική ζήτηση.Το επίπεδο στο οποίο το σήμα παρακολούθησης επισημαίνει την απόκλιση καθορίζεται από τον υπεύθυνο της προγνωστικής ή το λογισμικό και ποικίλλει μεταξύ βιομηχανιών, εταιρειών και προϊόντων.

Μία μικρή απόκλιση μπορεί να απαιτεί παρέμβαση όταν το προϊόν που προβλέπεται είναι υψηλό, ενώ ένα στοιχείο χαμηλής αξίας μπορεί να μην απαιτεί να εξεταστεί η πρόβλεψη σε τόσο υψηλό επίπεδο.

Μη στατιστική πρόβλεψη

Η μη στατιστική πρόβλεψη βρίσκεται στο λογισμικό διαχείρισης της αλυσίδας εφοδιασμού, όπου η ζήτηση προβλέπεται με βάση τις ποσότητες που καθορίζονται από τους υπεύθυνους παραγωγής.

Αυτό συμβαίνει όταν ο προγραμματιστής εισέρχεται σε μια υποκειμενική ποσότητα που πιστεύει ότι η ζήτηση θα είναι χωρίς καμία αναφορά στην ιστορική ζήτηση. Η άλλη μη στατιστική πρόβλεψη που συμβαίνει είναι όταν η ζήτηση για ένα στοιχείο βασίζεται στα αποτελέσματα των σχεδιασμών απαιτήσεων υλικών (MRP).

Αυτό παίρνει τη ζήτηση για το τελικό αγαθό και εκρήγνυται το χαρτί των υλικών έτσι ώστε να υπολογίζεται η ζήτηση για τα εξαρτήματα. Η ζήτηση εξαρτημάτων μπορεί στη συνέχεια να τροποποιηθεί από τον υπεύθυνο σχεδιασμού με βάση την αξιολόγηση και τη γνώση του σημερινού περιβάλλοντος.

Η προκύπτουσα πρόβλεψη βασίζεται στην τρέχουσα ζήτηση και δεν θα ενσωματώνει καμία ζήτηση από προηγούμενες περιόδους. Πολλές εταιρείες θα χρησιμοποιήσουν ένα συνδυασμό μη στατιστικών και στατιστικών προβλέψεων σε όλη τη σειρά προϊόντων τους.

Η στατιστική πρόβλεψη βασίζεται σε σύνθετους υπολογισμούς και η μελλοντική ζήτηση μπορεί να προσδιοριστεί βάσει της ζήτησης από ιστορικές περιόδους.

Η πρόβλεψη παρέχει στον προγραμματιστή έναν οδηγό για τη μελλοντική ζήτηση, αλλά καμία πρόβλεψη δεν είναι απόλυτα ακριβής και η εμπειρία και η γνώση του σχεδιασμού για το σημερινό και το μελλοντικό περιβάλλον είναι σημαντικές για τον προσδιορισμό της μελλοντικής ζήτησης για τα προϊόντα μιας εταιρείας.

Αυτό το άρθρο έχει ενημερωθεί από τον Gary Marion, εμπειρογνώμονα Logistics και Supply Chain Expert για την ισορροπία.