مترجم: حبیب الله علیخانی
منبع:راسخون
منبع:راسخون
با توجه به کارهای Babai(2011) و همکارانش استفاده از توزیع پارامتری (مانند نرمال، گاما و ...) برای مدل سازی LTD، در زمانی محدود می شود که آیتم ها تناوب قابل توجهی داشته باشند. وقتی تقاضا تغییر بیشتری داشته باشند، توزیع اندازه ی تقاضای واقعی ممکن نیست به توزیع تئوری استاندارد نزدیک شود. روش بوست استرپ که بوسیله ی Efron (1979) پیشنهاد شده است، شامل استفاده از نمونه ی از داده ها، برای بازسازی توزیع اولیه ی آنها می باشد. Bookbinder and Lordahl(1989) روشی را برای کنترل موجودی و تخمین LTD معرفی کرده اند. روش های بوستر استرپ یک روش جایگزین برای فرایند سنتی است و بوسیله ی ان، می توان تخمین های تقاضا را با استفاده از تخمین های بدست اورد که به توزیع تئوری و استاندارد، نزدیک هستند.
Willemain.(2004) و همکارانش یک مدل بوست استرپ جدید بر اساس دو فرایند مارکووین استیت و توزیع اولیه ی بر روی داده های اصلیف پیشنهاد دادند. آنها نتایج فوق العاده ای را از مددل خود گزارش دادند. Hua etal.(2007), Porras and Dekker(2008), Teunterand Duncan (2009) و Zhou andViswanathan(2011) نیز بوستراسترپ ویلیام را با سایر مدل های بوستراسترپ، مقایسه کردند. این مهم است که به این مسئله توجه شود که این مدل های بوستراسترپ زمان انجام کار را به عنوان یک عامل مهم در نظر می گیرند، اگر چه تغییرات کوچک می تواند از آنها به عنوان زمان های انجام کار احتمالی، استفاده کند. در این مقاله نیز از این کار استفاده شده است.
Viswanathan(2011) و همکارانش، یک روش بوست استرپ ساده تر پیشنهاد کردند که شامل حرکت نامنظم نبوده است. مدل آنها، نشاندهنده ی کارایی بالای در زمانی است که این مدل با مدل های ویلیامی و سایر مدل های پارامتری، مقایسه می شود. مطالعه ی انجام شده بوسیله ی Porras andDekker(2008) و Teunter and Duncan (2009 نشان دهنده ی نیازبه یک رخداد تقاضای مینیمم برای اعمال مدل های بوستراسترپ، می باشد. با در نظر گرفتن مسیری که مدل VZ ایجاد می شود، مطالعه ی کنونی، نیازمند 3 رخداد تقاضای مینیمم می باشد تا بدین صورت اجازه داده شود که دو فاصله ی زمانی تقاضا، مینیمم شود. یک زمینه ی ناشناخته در مورد مدل های بوستراسترپ، دینامیک بودن آن برای ساخت مجدد LTD ها در درازمدت می باشد. این موضوع در بخش بعدی گفته شده است.
نقاط ثبت کننده و محاسبه ی اندازه ی لات
این مقاله از یک مدل با بازبینی پیوسته (s,nQ) استفاده کرده است که در آن، سفارش ها در یک اندازه ی لات چندگانه، ارائه شده است. در این حالت، افت ایجاد شده در موجودی، زیر نقطه ی ثبت کننده است. تعداد لات ها، مینیمم است تا بدین صورت، موجودی را دوباره بالا برده و آن را به بالاتر از نقطه ی ثبت کننده برسانیم. مقاله های مختلف، مدل های جایگزین مختلفی برای کنترل موجودی قطعات یدکی، ارائه کرده اند. این مدل ها، معمولاً مدل های ساده ی پیوسته و یا مدل های با بررسی مجدد و دوره ای هستند. Boylan یک مدل با بازبینی مجدد پیوسته را در مطالعه ی مورد خود، استفاده کرده اند اما این نویسندگان گفته اند که هیچ تفاوت قابل توجهی مورد انتظار نیست اگر، از مدل های با بازبینی مجدد و متناوب مورد استفاده قرار گیرد. در یک روش مشابه، Sani (1997) و همکارانش، به تفاوت های حداقلی در مدل های کنترلی مختلف، تحت تقاضای متوسط، اشاره کرده اند.
راه های مختلفی برای مدل سازی و بدست آوردن پارامترهای کنترل موجودی، مانند مینیمم کردن هزینه ها، خدمات دهی به مشتری و سایر موارد، وجود دارد (Silver 1998). در مورد مطالعات انجام شده در زمینه ی قطعات یدکی، برخی نویسندگان مانند مدل هایی را بر اساس CSL پیشنهاد داده اند، در حالی که سایرین مدل ها را بر اساس TFR اعمال کرده اند. با توجه به کارهای Axsäter(2006)، CSL نباید برای کنترل موجودی تجربی، مورد استفاده قرار گیرد زیرا اثر اندازه ی سفارش (Q) را در نظر نگرفته است. استفاده از TFR به عنوان یک معیار برای کاریی، موجب می شود تا رابطه ی میان s و Q و TFR به صورت زیر بیان شود:
که در اینجا، f(x) تابع دانسیته ی احتمال LTD می باشد.
با توجه به کارهای انجام شده بوسیله ی Tyworth (2000),و همکارانش، راه حل لحظه ای s و Q برای معادله ی هشتم، یک وظیفه ی پیچیده است و در آن استفاده از مقادیر سفارش اقتصادی، نتایجی نزدیک به نتیجه ی بهینه را شکل می دهد.
Platt (1997) و همکارانش، نشان دادند که یک راه حل بهتر از EOQ وجود دارد. این راه حل زمانی استفاده می شود که اندازه ی لات و نقطه ی سفارش دهنده ی مجدد به صورت متوالی و تحت یک TFR تعیین شده باشد. راه حل آنها در واقع محاسبه ی اندازه ی لات به صورت زیر است:
که در اینجا، A برابر با هزینه ی ثابت سفارش، D ̅ تقاضای متوسط بر واحد زمان، C برابر با SKU بر واحد هزینه ها، h هزینه های انبارداری و
واریانس LTD می باشد.در این مقاله، گرد کردن اندازه ی لات (Q) بر اساس کارهای Axsäter(2006) و به صورت زیر انجام می شود:
توزیع زمان انجام تقاضا (LTD)
شکل 1 راه های مختلفی را نشان می دهد که LTD از داده های قبلی، مدل سازی می شود. از این روش، در این مقاله، استفاده شده است. توزیع نرمال یک انتخاب طبیعی در مدل سازی LTD است، مخصوصاً در متحرک های سریع. Silver (1998) و همکاران استدلال کرده اند که توزیع نرمال دارای تطابق خوبی با داده های تجربی دارد و به سهولت در نرم افزارهای تجاری، مشاهده می شود. با تقسیم تقاضا به اجزای متمایز و مستقل، استفاده از توزیع اجزا همچنین یک انتخاب خوب است. در مورد توزیع جایگزین، بسیاری از نویسندگان پیشنهاد کرده اند که از توزیع بی نرمال منفی (NBD) استفاده شود. NBD منجر به ایجاد یک فرایند رسیدن پواسونی با تقاضای با توزیع لوگاریتمی می شود.
در این مقاله، ما همچنین از توزیع گاما استفاده کردیم. علت این مسئله داشتن خواص بسیار خوب در این نوع توزیع است. در این روش یک گستره وسیع از اشکال توزیعی، تحت پوشش قرار می گیرند. توزیع های نرمال- پواسون و گاما- پواسون، نیز در این مقاله مورد استفاده قرار گرفته اند زیرا هر دوی این توزیع ها، دارای فرمولاسیون تحلیلی خاص هستند و بوسیله ی آنها می تواند نقطه ی ثبت کننده را تحت SDA بدست آورد.
اطلاعات LTD از داده های قبلی جمع آوری شد. این اطلاعات در شکل 1 نشان داده شده است و سپس از آنها برای بدست آوردن نقاط سفارش دهنده، استفاده شده است (جدول 1). بیشتر این فرمولاسیون های تکراری هستند که از نقطه ی s=0 شروع می شود و تا زمانی پیش می رود که پایین ترین مقدار، ارضا شود.
تبدیل اهداف CSL به TFR
فرمول های مربوط به نقاط سفارش دهنده در این مقاله، بر اساس TFR است به جز مواردی که در انها از توزیع نرمال- پواسون و نرمال گاما استفاده شده است. با در نظر گرفتن نیاز مربوط به مقایسه ی روش های مختلف، تبدیل های زیر مورد استفاده قرار می گیرند:
برای بدست آوردن اندازه ی لات برای TFR های مختلف، از معادله ی 2.9 استفاده می شود.
از CSL برابر با 50 % استفاد کنید.
نقاط سفارش دهنده ی مجدد، برای CSL کنونی محاسبه می شود (با استفاده از معادله ی سیزدهم و چهاردهم).
از نقطه ی سفارش دهنده ی مجدد و اندازه ی لات، میزان انجام کار (FR) را از معادله ی شانزدهم بدست می آوریم.
در مورد FR≥TFR ، از نقطه ی سفارش مجدد استفاده کنید و در غیر اینصورت، CSL را به میزان 1 % افزایش داده و به قسمت 3 بازگردید.
روش بالا، روشی پیچیده است، زیرا معادله ی شانزدهم LTD را به عنوان یک توزیع نرمال در نظر می گیرد که مشابه با معادله ی سیزدهم و چهاردهم نیست.
به هر حال، این تخمین با توجه به مجاز بودن مقایسه ی نتایج بدست آمده از کارهای Krever.(2005) با نتایج سایرین، قابل انجام می باشد.
فراوانی بازبینی پارامتری
به روز رسانی پارامترهای کنترل موجودی در موجودی های قطعات یدکی، در مقالات مختلف، به طور اندک مورد مطالعه قرار گرفته اند. Bucher (2011) و همکارانش، بررسی ها و بازبینی های سالانه ی مروبط به گروه بندی آیتم ها را پیشنهاد داده است. به طور مشابه، Bacchetti (2013) تشخیص داده است که در دنیای واقعی، آیتم ها می توانند بین گروه های تقاضا حرکت کنند.
اگر چه آنها یک رویه ی خاص را برای یک چنین به روزرسانی، پیشنهاد نکرده اند.
تخمین های مربوط به تقاضا می تواند بعد از اینکه هر داده ی جدید، بدست آمد، مورد ارزیابی مجدد قرار گیرد. پارامترهای کنترل موجودی، همچنین می تواند از زمانی که یک سری تخمین جدید ایجاد می شود، مورد بررسی مجدد قرار گیرد. نه تنها پارامترهای مدل می توانند مورد بررسی قرار گیرد، بلکه همچنین این مدل می تواند به خودی خود، و در زمانی که داده ها موجود باشندد، تغییر کنند.
مطالعات اندکی این موضوع را ادرس دهی کرده است. Syntetos (2009) بررسی پارامترها را تنها به صورت چهارماهه و تنها برای آیتم های مهم تر انجام داده است. این مسئله به دلیل محدودیت های تحقیقاتی اتفاق افتاده است، اگر چه برای تمام آیتم ها مانند الگوهای تقاضای دراز مدت، بررسی مجدد، پیشنهاد شده است. Nenes (2010) همچنین توسعه های ایجاد شده در سیستمی را گزارش داده اند که در آن پارامترها بر اساس اصل شبه سالانه و برای داده های دو سال آخر، مورد بررسی قرار گرفته اند. Syntetos (2010) بررسی پارامترهای کنترل موجودی را برای هر دوره ی زمانی (در این دوره، هفتگی)، انجام دادند.
در این رویه، Babai (2009) یک مدل به روز رسانی را نسبت به پارامتر سازی استاتیک، مقایسه کردند. آنها از مدل دینامیک نیز استفاده کردند، اگر چه هر دو سطح مورد استفاده در این روش، مشابه بودند.
با در نظر گرفتن مدل های بوست استرپ، هیچ کدام از مقالات قبلی ، بر روی نیاز به به روزرسانی توزیع LTD به صورت دینامیک، توجه نکرده اندد. در روش کنونی، از حالت دینامیک بهره برده شده است که در شکل 3 بدان اشاره شده است.
Huiskonen (2001) و Boylan (2008 و همکارانش، به این مسئله اشاره کردند که طبقه بندی آیتم های برای مدیریت موجودی، باید اجازه دهد تا توجه مدیریتی مناسبی، ایجاد شود، تخمین تقاضای خوبی انجام شود و مدل های کنترل موجودی و سطوح سرویس دهی مختلف در داخل گروه ها تعیین شوند. Bucher and Meissner(2011) بر روی این مسئله تمرکز کرده اند که یک انتخاب مناسب برای سیاست های مدیریت موجودی مربوط به طبقه بندی مختلف، می تواند مزیت هایی را هم در زمینه ی کاهش هزینه ها و هم در زمینه ی سطوح خدمات، ایجاد کند. Syntetos (2009) و همکارانش همچنین به این نکته اشاره کرده اند که سازمان هایی که دارای موجودی قطعات یدکی هستند، اغلب این آیتم ها را بر اساس معیارهای خاص و میزان خدمت دهی هر گروه، طبقه بندی می کنند.
مقالات کارهای زیادی در زمینه ی طبقه بندی قطعات یدکی، انجام داده اند. Williams (1984) اولین بار پارتیشن بندی متغیرهای تقاضا را بر اساس اجزای اساسی انجام داده است که بوسیله ی این کار، طبقه بندی مناسبی از آیتم ها، پدید می آید. Eaves and Kingsman (2004 بر اساس ایده های Williams (1984) روشی را توسعه دادند و یک روش طبقه بندی جدید با تمرکز بر روی مدل های پیش بینی تقاضا، ارائه کردند. طبقه بندی Syntetos (2005) در شکل 2 نشان داده شده است. 4 فصل بر اساس دو بعد موجود، در نظر گرفته شده است: قابلیت تغییر در اندازه ی تقاضا، متوسط بازه های زمانی مربوط به تقاضا. مقادیر مربوط به قطع به ترتیب برابر با 0.49 و 1.32 در نظر گرفته شده است. این حدود مربوط به قطع، به صورت ریاضی تعیین شده است. این کار با مقایسه ی خطای مربعات متوسط (MSE) مربوط به مدل های پیش بینی مختلف، بدست آمده است. حد قطع که بوسیله ی Syntetos (2005) بدست آمده است، دارای اعتبار عمومی بالاتری می باشد.
استفاده از مطالب این مقاله، با ذکر منبع راسخون، بلامانع می باشد.
