مترجم: حبیب الله علیخانی
منبع:راسخون




 

روش شناسی

این بخش مدل شبیه سازی پیشنهاد شده برای سیستم کنترل موجودی را نشان می دهد. این بخش شامل ساختار دیتابیس، موارد برون نهشتی، هزینه ها و ساختار مربوط به انجام سفارش، می باشد. TFR و فاکتورهای اکسپوننسیالی مربوطه انتخاب شدند، مدل بوست استرپ اصلاخ شده و همچنین فلوچارت مربوط به شبیه سازی، مورد استفاده قرار گرفت.

ساختار دیتابیس

داده های مربوط به تقاضای قبلی، برای یک دوره ی 6 ساله، جمع آوری شد. این جمع آوری در بین سال های 2007 تا 2013 انجام شده است. سه سال اول، دوره ی تنظیم کننده و شش ماه بعدی دوره ی پیش گرم و 2.5 سال باقیمانده، به عنوان دوره ی واقعی آزمایش، در نظر گرفته شد. این داده ها از دیتابیس اصلی تولیدکننده های اتومبیل، بدست آمده اند. در یک فرایند تمیزکاری، هر اطلاعاتی غیر از اطلاعات مربوط به لوازم یدکی، حذف شد.
تقاضاهای مربوط به آیتم های جایگزین، نیز تحت آیتم های جدید، در نظر گرفته شده است. بعد از این فرایند تمیزکاری، دیتابیس به مقدار 10032 کاهش یافت.
موارد برون نهشتی،برخی از محققین از فیلترها برای تشخیص تقاضای اکسپوننسیالی بالا، استفاده کرده است. یک چنین انتظاراتی پیش بینی می شود و بنابراین برروی سیکل های مصرف- تهیه، اثرگذار نمی باشند.
جدول 1 اطلاعات دیتابیس مربوط به مقادیر مورد انتظار را از یک توزیع نرمال، آورده است. از جدول 1، این فهمیده می شود که در حد بالایی مربوط به دو انحراف استاندارد، درصدهای مربوط به دیتابیس، برابر یا زیر مقداری است که تحت توزیع نرمال و استاندارد، مورد انتظار بود. برای حد بالایی، دیتابیس برون نهشتی بیشتری نسبت به توزیع نرمال دارد.
اگر چه حذف اطلاعات نامناسب، موجب اثر خوب بر روی افزایش RFR می شود، عدم وجود توضیحات کافی برای اکثر این موارد، دلیل حذف برخی از داده های نامناسب، می باشد.
ساختارهای هزینه ای و ساختارهای مربوط به زمان انجام تقاضا
ساختار هزینه ی که در این مطالعه مورد استفاده قرار گرفته است، شامل موارد زیر می شود:
A هزینه های ثابت سفارش
b هزینه های ثابت برگشت خوردن سفارش
b ̂ هزینه های برگشت خوردن بر واحد زمان (دلار بر واحد زمان)
C SKU بر واحد
h هزینه ی انبارداری (درصد بر واحد زمان)
مدیران خودروسازی، این هزینه ها را برای هر SKU تخمین می زنند. به دلیل قابلیت اطمینان موجود با خودروسازها، تمام هزینه ها، به عنوان هزینه های با دقت مناسب، در نظر گرفته شده است بنابراین، نسبت ها حفظ شده است در حالی که، مقادیر واقعی نامعلوم می باشد. دو هزینه ی سفارش ثابت ثبت شده است که این مورد به منبع SKU وابسته می باشد. این مورد یک مقدار $1.00 برای آیتم های وارداتی و یک هزینه ی $7.92 برای فروشندگاه محلی می باشد. تفاوت در هزینه های سفارش ثابت، به دلیل تفاوت در فرایند انتقال و خرید این محصولات از منبع آنها می باشد. آیتم های وارداتی عمدتا از خارج از کشور تهیه می شوند و بنابراین، هزینه های آنها نسبت به وسایل داخلی، بیشتر می باشد.
هزینه های انبارداری شامل هزینه های سرمایه گذاری و چندین هزینه ی دیگر مانند هزینه های رهن، انتقال، بیمه، خسارت و ... می باشد. هزینه های انبارداری به میزان 21.5 % در سال، تخیمین زده شد.
هزینه های ثابت برگشت خوردن و هزینه های برگشت خوردن سفارش بر واحد بوسیله ی هزینه های ثابت سفارش و هزینه های انبارداری محاسبه می شود. مدیران خودروساز بر این باور هستند که پدیده ی بازگشت سفارش منجر به چندین هزینه ی ثابت اضافی می شوند که در ارتبا ط با سفارش های اورژانسی، حمل و نقل و افزایش هزینه های گفته شده در بالا، می باشد.
برای زمان انجام سفارش، 170 فروشنده ی مختلف در 10032 sku شناسایی شده اند. زمان های انجام سفارش، به عنوان احتمال در طی شبیه سازی، در نظر گرفته می شوند. برای هر فروشنده، یک مینیمم و یک ماکزیمم و یک زمان احتمالی، تخمین زده می شود. آن دسته از داده هایی که در توزیع مثلثی، مورد استفاده قرار گرفتند، زمان های تحویل سفارش واقعی را در طی شبیه سازی، بدست آوردند. توزیع مثلثی به دلیل سهولت مدل سازی غیر منفی و ایجاد توزیع متقارن از زمان های انجام سفارش، در داده های مربوط به خودروسازها، آورده شده است.

TFRو انتخاب فاکتورهای اکسپوننسیالی

شبیه سازی تحت مقادیر مختلف از TFR انجام شده است: 80%، 90%، 95% و 99%. این مقادیر مشابه مقادیر مورد استفاده بوسیله ی Nenes (2012) و همکارانش می باشد. خودروسازها دارای مسئولیت مهمی در زمینه ی تحویل قطعات یدکی به شبکه ی توزیع خود هستند. بنابراین، استفاده از TFR پایین تر، مطلوب نمی باشد و یا پیشنهاد نیز نمیشود. شرکت ها معمولاً مقادیر مختلفی از TFR را با توجه به اهمیت هر SKU، انتخاب می کنند. برخی از مطالعات قبلی، ازک یک TFR ثابت استفاده کرده اند بنابراین، نتیجه گیری های انها، محدود به این TFR می باشد. در این مقاله، ما تمایل داریم تا تغییر در TFR را نیز مورد بررسی قرار دهیم.
در داخل تخمین های SBA و همچنین واریانس مربوط به تقاضای تخمین زده شده، محققین باید فاکتورهای اکسپوننسیالی را تعریف کنند. در این مقاله، فاکتورهای اکسپوننسیالی در میزان 20 % ثابت شده است.

مدل های بوست استرپ اصلاح شده

مدل بوست استرپ مورد استفاده در این مقاله، از مدل VZ که در بخش قبل در مورد آن صحبت شد، استفاده می کند. اصلاحات انجام شده با توجه به راهنمایی Teunter و Duncan انجام شده است و این مسئله نشاندهنده ی احتمال ایجاد زمان های انجام سفارش احتمالی و فرایند اتفاقی می باشد. جدول 2 نشاندهنده ی رویه ی مرحله به مرحله برای ساخت LTD از نمونه ی اولیه می باشد .
با توجه به راهنمایی Teunter و Duncan، رویه در ابتدا بر اساس اندازه ی تقاضا انتخاب شده است. بعد از آن، بازه های زمانی مربوط به رخداد تقاضا یا سفارش بعدی، در زمان تعیین شده و در مقایسه با زمان انجام سفارش قبل، اجرا می شود. فرایند تصادفی شامل یک اصلاح بر روی مورد پیشنهاد شده بوسیله ی Willemain (2004) و همکارانش می باشد (جدول 3).
برای بوست استرپ کردن، یک مینیمم از سه رخداد تقاضا، مورد نیاز است و همچنین سه اندازه ی تقاضا و دو بازده زمانی میان یک چنین تقاضایی، مهیا شده است. برخلاف مطالعات دیگر، در این مطالعه، یک ماکزیمم 25 برای رهداد تقاضا در نظر گرفته شده است و از ان در رویه ی بوستراسترپ، استفاده شده است. این ماکزیمم ضروری است زیرا بوستراسترپ همچنین برای آیتم های غیر متناوب نیز استفاده می شود. بنابراین، اگر رخداد بیش از 25 در نظر گرفته شود، لسن مسئله بدین متعناست که بیش از 25 ماه یا 25 هفته اطلاعات، مورد نیاز است. یک چنین داده های بزرگی می تواند برای LTD بدست آمده از روش بوستراسترپ، مشکل افرین باشد.
هر زمان که فرایند بوستر استرپ اجرا می شود، بیشتر داده های اخیر در دیتابیس تقاضا، ثبت می شوند. برای هر SKU، اگر دیتابیس شامل بیش از 25 دوره تقاضای صفر باشد، تنها آخرین 25 ریکورد مربوط به تقاضا، مورد استفاده قرار می گیرد. بسته به تناوب در تقاضا، یک SKU می تواند به انتهای شبیه سازی خود برسد، خواه با در نظر گرفتن کل داده ها یا با در نظر گرفتن تنها 25 ریکورد آخر.
شکل 3 بخش قبل این مقاله نشاندهنده ی خرابی های انجام شده در زمینه ی 136 ران و برای هر SKU می باشد. اولین سه سال برای شروع مدل، مورد استفاده قرار گرفته است. شبیه سازی در واقع درسپتامیر 2010 شروع شده است. در این شبیه سازی، موارد زیر در نظر گرفته شده است:
موجودی در دست s+Q (هر SKU در سطح مینیمم شروع می شود).
سفارش های بازگشتی برابر با صفر است
سفارش های بازگشتی مربوط به فروشنده ها، برابر با صفر می باشد.
اگر چه این شرایط اولیه ی برابر برای همه ی SKU ها، ممکن است واقعی نباشد، آنها دارای اثر بر روی شبیه سازی نیستند، زیرا اولین 6 ماه مربوط به شبیه سازی در نتیجه گیری، در نظر گرفته نشده است. 2.5 سال باقیمانده است که در زمان نتیجه گیری، در نظر گرفته شده است.
شکل 1 نشاندهنده ی فلوچارت اصلی شبیه سازی است. این فرایند در فلوچارت توصیف شده است. در واقع قطعات یدکی به صورت سلسله مراتبی، طبقه بندی شده اند: برخی از طبقه بندی ها کمتر انتخاب می شود در حالی که برخی دیگر، بیشتر.
شکل 2 و3 نشاندهنده ی جزئیات مربوط به شبیه سازی عملی و اجرایی می باشد.
این مدل با استفاده از صفحات اکسل و نرم افزار ویژوآل بیسیک، اجرا شده است.

نتایج و بحث

مقایسه میان سیاست های مختلف بوسیله ی دو اندازه گیری انجام شده است: هزینه های کل متحمل شده و RFR. ما تجزیه و تحلیل را با استفاده از کاهش تعداد نتایج مقایسه ای جایگزین از جمله فراوانی بازبینی، زمان اجرای سفارش و مدل تخمین، ساده سازی کردیم. از یک چنین مقایسه هایی، 34 سیاست ترکیبی اولیه برای هر TFR به 10 سیاست کاهش یافت. ساده سازی دیگر، تجزیه و تحلیل سیاست هایی بود که دارای همپوشانی بودند. 8 سیاست ترکیبی نهایی تحت طبقه بندی تعریف شده بوسیله ی Syntetos (2005) و همکارانش در نظر گرفته شد. بخش های بعدی شامل مقایسه ی داده های کلی، آزمون t جفتی و بحث در مورد سیاست های دارای همپوشانی می باشد.

نتایج عمومی

جدول 4 و 5 خلاصه ای از نتایج مربوط به 136 ران شبیه سازی را نشان می دهد. یک تجزیه و تحلیل ساده بر روی جدول، نتایج زیر را منتج می شود:
نتایج مربوط به هزینه، موجب می شود تتا ما از ساده ترین مدل، استفاده کنیم: یعنی از LTD ترکیبی نرمال با تخمین های SMA.
نتایج RFR از استفاده از پیچیده ترین مدل بوست استرپ حاصل می شوند.
این جالب است بدانید که هیچ کدام از RFR ها در زمان در نظر گرفتن حالت 95 و 99%، به TFR نمی رسند. تنها 9 تا از TFR های 80 % و 5 تا از TFR های 90 %، در بین 34 تا قرار گرفته اند. وقتی تقاضا به صورت رندوم می باشد، این انتظار وجود دارد که RFR همچنین به صورت تصادفی در اطراف TFR قرار گرفته اند و بدین صورت پارامترهای (s,Q) تعیین می شوند. نتایج مربوط به بایاس منفی، برای مدلی انتظار می رود که از راهنمایی Teunter و Duncan استفاده نکرده است. در تحقیق کنونی، مدل های SBA و بوستر استرپ، شامل راهنمایی Teunter و Duncan می باشد اما هنوز هم دارای بایاس منفی است. دلیل اصلی این مسئله، مقادیر بزرگ از داده های تقاضای پرت و یا حتی الگوهای غیر ثابت در برخی تقاضاها می باشد. وقتی یک داده ی پرت، وجود دارد، سیستم موجودی، کارایی پایین تری دارد و میزان RFR کاهش می یابد.
همانگونه که انتظار می رفت، اثر داده های پرت بر روی RFR، قوی تر از تمام توزیع های پارامتری است، در حالی که بوست استرپ غیر پارامتری، موجب می شود تا RFR نزدیک تر به TFR ایجاد شود.

اثر بازبینی فراوانی مربوط به پارامترها

اول اینکه ما احتمال حذف یکی از فراوانی های مربوط به بازبینی پارامترها را مورد بررسی قرار دادیم. از آنجایی که هر SKU تحت هر دو فراونی شبیه سازی شده است، این ممکن است که نتایج مربوط به هزینه را در هر SKU و از طریق یک آزمایش t مقایسه کنیم. جدول 6 و 7 نشاندهنده ی نتایج مربوط به 68 تست است که با استفاده از نرم افزار R انجام شده است. هر سیاست ترکیبی، بوسیله ی یک حرف از A تا Q ، نامگذاری شده است (مشابه جدول 4 و 5)، در حالی که بررسی های ماهانه با عدد 1 و بازبینی های شبه سالانه، با عدد 2 بیان شده است. تجزیه و تحلیل با استفاده از سطح اطمینان 95 % انجام شده است. تنها تفاوت در متوسط ها، بیان شده است اگر فرضیه ی صفر، رد شود.
در سطح اطمینان 95 %، 48 تا از 68 تست، فرضیه ی صفر را رد نکرده اند، این مسئله نشاندهنده ی این است که هیچ تفاوت قابل توجهی میان هر دو روش جایگزین وجود ندارد. 13 تا از تست ها، دارای هزینه های پایین تری در زمان بررسی ماهانه می باشند و تنها 7 مورد از هزینه های بهبود یافته، در مورد بررسی های شبه سالانه می باشد. 4 تا از 7 مورد، برای سیاست های بوست استرپ می باشد که با J و Q نامگذاری شده اند بنابراین، بازبینی ماهانه، تحت این سیاست، در نظر گرفته نشده است. 3 مورد باقیمانده که در آنها بررسی به صورت شبه سالانه انجام شده است، نتایج زیر را بیان کرده اند:
تحت TFR برابر با 80 %، سیاست B2 دارای هزینه ی کمتری نسبت به B1 می باشد اما به دلیل اینکه سیاست های O1 و O2 دارای RFR مشابه هستند و هر دو حالت دارای پایین ترین هزینه می باشد، حذف شده است.
تحت TFR برابر با 99 %، سیاست E2 و H2 دارای هزینه ی پایین تری نسبت به سیاست های E1 و H1 می باشند اما به دلیل اینکه سیاست های J2 و Q2 دارای RFR نزدیک هب TFR می باشد و هزینه ی پایین تری دارد، حذف شده است.
بنابراین، از 34 جایگزین برای هر TFR، ما 17 مورد را برای تجزیه و تحلیل بعدی نگه داشته ایم. ارجعیت مربوط به بازبینی ماهانه، مطابق با کارهای Babai (2009) و همکارانش می باشد و این مسئله محتمل است که علت آن، الگوهای غیر ثابت در مورد تقاضا می باشد.

/ج