مترجم: حبیب الله علیخانی
منبع:راسخون
منبع:راسخون
مقایسه ی زمان های انجام سفارش PDA
این ممکن است که هزینه های بین زمان انجام سفارش هفتگی و ماهانه را با استفاده از جفت های D1×K1 ، E1×L1 ، I1×P1، H1×O1، G1×N1، F1×M1 و J1×Q1 ، مقایسه کنیم. دوباره باید گفت که در مقایسه، از یک آزمون t استفاده می شود که در این آزمون، سطح اطمینان 95 % می باشد. جدول 1 نتایج مربوط به TFR های مختلف را نشان می دهد.
در هر مورد که فرضیه ی صفر، رد می شود، این رد شدن، نشاندهنده ی نتایج بهتر در مورد زمان انجام ماهانه می باشد. با نگاه بر RFR ها، در بیشتر موارد، نتایج هفتگی نسبت به نتایج ماهانه، بهتر یا برابر می باشد. بنابراین، تجزیه و تحلیل دیگر، زمان های هفتگی را رد می کند و تمرکز تنها بر روی 10 سیاست ترکیبی واقع می شود. خواه PDA دارای نتایج بهتری نسبت به SDA باشد یا نباشد، این مورد هنوز هم سوالات پاسخ نداده ای را به همراه دارد.
ارجعیت داده های ماهانه ممکن است ایجاد شود که علت آن ارجعیت اثرات فصلی بر روی داده های هفتگی می باشد. در حقیقت، ما به این مسئله اشاره کرده ایم که متوسط فروش در هفته ی اخر هر ماه، دو برابر فروش در هفته ی اول همان ماه می باشد و این الگو، تقریبا در تمام ماه ها، تکرار می شود.
دلایل مربوط به این الگوها، در ارتباط با اثرات "انتهای ماه" بر روی اهداف فروش می باشد و موجب حصول حجم بالایی از فروش در روزهای آخر می شود. در شروع هر ماه، این فروش، افت می کند. استفاده از داده های ماهانه، این مسئله را برطرف می کند.
مدل SMA نسبت به مدل SBA
یکی دیگر از تلاش ها ب منظور کاهش در روش های جایگزین، می تواند با مقایسه ی سیاست های مشابهی انجام شود که در آنها، تنها تفاوت در مدل پیش بینی شده می باشد. جدول 2 نتایج مربوط به هزینه های پرداختی برای آزمون t می باشد.
اگر چه K1 هزینه های نسبتا پایین تری نسبت به N1 ایجاد می کند، RFR آن به صورت تکراری بدتر از N1 می باشد. با مقایسه ی L1 و O1 همچنین این نشان داده شده است که اولی دارای هزینه های پایین تری است اما مورد دوم، RFR بهتری دارد. در مورد M1 نسبت به P1، هیچ تفاوت هزینه ای قابل توجه، نشان داده شده است و RFR های مشابه، برای حالت TFR برابر با 80، 90 و 95 % مشاهده شده است.
به هر حال، نتایج متفاوت بدست آمده از این مقایسه، اجازه ی رد سایر روش های جایگزین را نمی کند.
هم پوشانی بهترین سیاست
با نگاه بر روی نتایج SKU، بسیاری از سیاست ها، دارای کارایی مشابهی هستند. تجزیه و تحلیل مربوط به همپوشانی سیاست ها، بدین منظور انجام شده است که بتوان روش های جایگزین دیگر را اصلاح نمود. با در نظر گرفتن هر SKU در هر بخش، این ممکن است تا بهترین سیاست تحت هر TFR تشخیص داده شود. بهترین سیاست ها، به صورت زیر می باشد:
اگر RFR از یک سیاست منفرد بهتر نسبت به TFR باشد، این مورد انتخاب می شود.
اگر بیش تر از یک RFR از TFR موجود، بهتر باشد، یکی از آنهاکه دارای هزینه ی کمتری است، انتخاب می شود.
اگر هیچکدام از RFR ها از TFR بهتر نباشد، یکی از آنها که دارای هزینه ی کمتری است، در نظر گرفته می شود.
اگر هیچ کدام از RFR ها بهتر از TFR نباشد، سیاست دارای RFR بهتر، انتخاب می شود.
در موردی که نتایج مشابه بود، یک سیاست به صورت رندوم، انتخاب می شود.
به دیل اینکه تعداد زیادی از نتایج معادل، ایجاد می شود، این ضروری است که تعداد دفعاتی که یک سیاست بهتر عمل کرده را اندازه گیری کنیم. رد یک سیاست که دارای نتایج همپوشانی کننده است، موجب می شود تا اتلاف های حداقلی ایجاد شود. این مسئله موجب می شود تا سیاست دیگری با همان کارایی جایگزین شود. جدول 3 نشاندهنده ی مقدار نقاط SKU است که دارای بهترین کارایی تحت TFR می باشد، در حالی که جدول 4 نشاندهنده ی میزان مناسب بودن هر سیاست می باشد. میزان مناسب بودن به عنوان تعداد SKU بدست آمده از جدول 3، در نظر گرفته می شود.
این جالب است بدانید که یک میزان بالایی از تناسب ، در سیاست Q2 وجود دارد و نتایج پایینی برای A1، B1، L1 و M1 مشاهده می شود. تنها یک مقدار زیر 50 % وجود دارد در حالی که در جدول قبل، 10 مورد زیر 50% مشاهده شد.
بهترین سیاست برای هر گروه از SKU
تقاضای هفتگی برای طبقه بندی 10032 SKU استفاده شده است. این کار با توجه به کارهای Syntetosetal.(2005) انجام شده است. نتایج بدست آمده در شکل 1 نشان داده شده است. بیشتر SKU ها (75.4 %) دارای زمان های رسیدن بالایی هستند اما قابلیت تغییر در اندازه در آنها پایین است و به عنوان گروه با حرکت آهسته، طبقه بندی می شوند. گروه دوم گروه ناهنجار هستند که هم دارای زمان های رسیدن بالا می باشند و هم قابلیت تغییر در اندازه را دارا می باشد. تقاضاهای آهسته و ناهنجار بیش از 88 % از کل را به خود اختصاص داده اند. به عبارت دیگر، تنها 1.3 % از SKU ها، آیتم هایی هستند که در آنها هم زمان رسیدن و هم قابلیت تغییر در اندازه ی آنها پایین است.
اگر چه شکل 1 بیان کننده ی طبقه بندی متوسط در طی 6 سال ثبت داده ها می باشد، تجزیه و تحلیل دیگری با در نظر گرفتن دوره ی بررسی، باید انجام شود. همانگونه که یکی از اهداف این مقاله، تشخیص بهترین سیاست برای اعمال در هر بخش است، طبقه بندی SKU ها بر اساس داده های ثبت شده قبلی و کارایی سیاست ها، نسبت به سیاست های قبلی، انجام شده است. ایده ی مورد استفاده در اینجا، این است که مشارکت کننده ها، باید طبقه بندی را به صورت شبه سالانه بررسی کنند. نتایج جزئی در مورد هر سیاست و هر گروه، در ضمیمه ی A آورده شده است.
شکل 2 تا 5 نشان دهنده ی نتایج شبیه سازی است که برای هر گروه و هر سیاست آورده شده است.
یک خلاصه از پیشنهادات در شکل 6 اورده شده است. پیشنهادات شامل تمام مدل های پیشنهادی است که شبیه سازی شده است (به جز توزیع های LTD: نرمال، نرمال- پواسون ترکیبی و گاما- پواسون ترکیبی). اگر چه توزیع نرمال کمترین هربنه ها می باشد ، این توزیع برای همه ی گروه ها، پیشنهاد نمی شود، زیرا این هزینه های حداقل موجب می شود تا RFR کاهش یابد. د=ر مورد توزیع نرمال- پواسون و گاما پواسون ترکیبی که در ارتباط با استفاده از داده های تقاضای منفرد (SDA) می باشند، فرایند تبدیل از یک چنین مدل هایی استفاده می کند.
از شکل 6، ما می توانیم نتایج زیر را بدست آوریم:
PDA نتایج بهتری را نسبت به روش تقاضای منفرد (SDA) ایجاد می کند. این روش بوسیله ی Kreveretal.(2005) توسعه یافته است (برای تمام گروه ها به جز آیتم های آهسته تحت TFR برابر با 90 و 95).
صرفنظر از پیش بینی مدل ها، بوست استرپ برای آیتم های ناهنجار و تحت هر TFR مورد استفاده قرار می گیرد. مدل MSA تنها برای آیتم های آهسته و تحت TFR برابر با 80 استفاده می شود، در حالی که روش SBA تنهاا برای آیتم های نامنظم و همچنین آیتم های آهسته تحت TFR برابر با 95 و 99 % استفاده می شود.
صرفنظر از LTD، توزیع گاما همواره برای تخمین های SBA استفاده شده است. توزیع بی نرمال منفی (NBD) با توجه به تخمین های SMA و برای آیتم های آهسته تحت TFR برابر با 80 % انتخاب شده است. این مورد برای SDA تحت TFR برابر با 90 و 95 % انتخاب شده است. در گروه های باقیمانده، پیشنهاد استفاده از بوست استرپ می باشد.
بحث در مورد RFR ضربدر TFR
به دلیل اینکه بیشتر نتایج مربوط به RFR به TFR نمی رسد، این ضروری است که در مورد دلایل و اقدامات متقابل، صحبت کنیم. در حالت ایده آل، ما باید انتظار داشته باشیم که RFR به صورت رندوم در حوالی TFR توزیع شده است. در جهان واقعی، چندین جنبه ممکن است بر روی RFR اثرگذار باشد. این مورد به صورت زیر است:
راهنمایی مربوط به Teunter و Duncan: همانگونه که این نویسندگان گفته اند: تمام سیکل های تکمیل شدن، بوسیله ی وقوع یک تقاضا، شروع می شود. مدل های بوست استرپ و SBA می توانند به گونه ای تنظیم شوند که موجب تصحیح این اثر شود. به هر حال، این مسئله برای SMA و SDA نیز ممکن است. بنابراین، مقادیری بایاس منفی مشاهده شده است.
ضرب داده های پرت در توزیع LTD پارامتری: تمام مدل های مورد بررسی (به جز بوست استرپ) توزیع های پارامتری را برای LTD در نظر گرفته اند. در این مطالعه، پارامترهای توزیعی از سابقه ی فروش، تخمین زده شده اند. در حقیقت، تمام توزیع پارامتری زیر چیزی تخمین زده شده است که در توزیع تقاضای واقعی، مشاهده می شود.
این شگفت آور نیست که نگاه تنها بر روی نتایج RFR (جدول 6)، نشان دهنده ی این است که بوست استرپ، نتایج بهتری ارائه می دهد؛ همانگونه که در توزیع داده های واقعی در نظر گرفته شده است. بنابراین، وجود داده های پرت همچنین برخی از مشاهدات مربوط به بایاس منفی را توجیه می کند.
داده های مورد استفاده برای حصول پارامترها ضربدر داده های مورد استفاده برای مطالعه ی RFR: کنترل موجودی، یک وظیفه ی دینامیک است به نحوی که پارامترهای موجود بدست آمده و سپس به داده های جدید، اعمال می شود. در نظر گرفتن خودروسازهای مورد مطالعه، بیشتر تقاضای اخیر روند مثبتی را نمایش می دهد که این مسئله نیز منجر به بروز بایاس منفی می شود.
ما اعتقاد داریم که دلیل اصلی کارایی تضعیف شده در مورد RFR، به دلیل مقادیر زیاد داده های پرتی است که وجود دارد. بنابراین، ما برخی استراتژی ها را معرفی کردیم که یک چنین مشکلی را برطرف کند.
تشخیص قبلی تقاضای مورد انتظار و مقادیر پیش سفارش ضروری برای حمایت از آنها: اگر چه خودروسازهایی که هم اکنون مورد بررسی قرار گرفته است، دارای یک چنین پیش سفارش هایی هستند، آنها یک چنین تقاضای خاصی را در داده ها، قید نکردند. به دلیل عدم ثبت این موارد در مطالعه ی کنونی، ما یک چنین استراتژی هایی را بر روی شبیه سازی خود، اعمال نکردیم اما به محققین این مسئله را پیشنهاد می کنیم.
هم تراز کردن مشتری های خودروساز به منظور اختصاص سیاست های مربوط به جلوگیری از ایجاد پیک های ماهانه: یک پدیده که در یک چنین صنعتی مشاهده می شود، تفاوت در تقاضا در هفته ی اول هر ماه و هفته ی آخر همان ماه می باشد. این تقاضا یک پیک را در راواخر هفته تحمل می کند. به منظور انجام و نیل به این اهداف، برخی مدیران سفارش های بزرگی را وارد خط تولید می کنند و در نتیجه، تغییرات بیشتری را در تقاضا ایجاد می کنند. برای این مطالعه، متوسط تقاضا در هفته ی آخر هر ماه، دو برابر با تقاضای هفته ی اول، در نظر گرفته می شود. این مسئله توصیف می کند که چرا داده های هفتگی، در زمانی مقایسه، نباید مورد استفاده قرار گیرند.
افزایش TFR مورد استفاده برای حصول (s,Q) بالاتر از مقدار TFR واقعی : این روش به منظور تصحیح استفاده شده است: بیایید در مورد این روش صحبت کنیم. ما باید TFR را افزایش داده و مقدار آن را به حدود 80 % برسانیم. در این روش، ما باید TFR را افزایش دهیم و برخی اوقات آن را به بالاتر از 9 =0 % برسانیم تا بدین صورت برای هر SKU، متوسط RFR بزرگتر یا معادل با 90 % را بدست آوریم. RFR کل برابر با متوسط RFR در هر SKU می باشد بنابراین، یک مقدار قابل توجه ممکن است ایجاد شود. انتخاب این مسئله که چه SKU برای تصحیح ضروری است، عملی نیست زیرا نتایج قبلی نباید در آینده یکسان باشد. افزایش TFR بر روی SKU ها، می تواند هزینه های اضافی ایجاد کند.
نتیجه گیری
این مقاله یک مطالعه ی موردی بر روی مدیریت موجودی لوازم یدکی می باشد. در این مقاله، روش های مختلف را با استفاده از شبیه سازی، ارزیابی کرده است. نتایج مربوط به شبیه سازی، پیشنهادهای خوبی را برای هر گروه از SKU ها و مقادیر مختلف از TFR ((80،90، 95 و 99%) ارائه کرده است.
نتایج به این مورد اشاره دارند که پارامترهای این مدل باید به صورت ماهانه، مورد ارزیابی قرار گیرد، به جز مدل بوست استرپ که باید داده ها به صورت سالانه، ارزیابی شود. برای آیتم های پرت یا نامنظم، سیاست هایی پیشنهاد می شود که به TFR وابسته نیستند، در حالی که برای آیتم های کمتر، یک چنین پیشنهادهایی به TFR، حساس می باشند.
اگر چه عمومیت دادن تنها به این مطالعه ی موردی وابسته است، متخصصین شاغل در صنایع مشابه، می توانند از این نتایج، بهره برداری کنند. هر 6 ماه:
SKU ها را با استفاده از آخرین داده های 6 ماهه، طبقه بندی کنید.
از سیاست هایی استفاده کنید که در شکل 12 ارائه شده است.
توزیع LTD را به روز رسانی کرده و سپس (s,Q) را برای آیتم های بدست آمده از بوست استرپ، محاسبه کنید.
همچنین هر ماه،
LTD را به روزرسانی کنید و (s,Q) را برای تمام آیتم ها به جز آنهایی که از بوست استرپ بدست آمده اند، محاسبه کنید.
این ضروری است که بر روی این مطلب تمرکز کرد که داده های مربوط به تقاضا باید به صورت منفرد ثبت گردد تا اجازه ی استفاده از SDA را داشته باشیم. داده های مشابه باید به صورت داده های بسته ای تبدیل شود و بدین صورت فرایند طبقه بندی به صورت مناسب انجام شود. علاوه بر این، باید به اثر داده های پرت، توجه خاص شود و اثر آنها در نتایج را بررسی نمود. باید داده های پرت از دیتابیس، خارج شود. صرفنظر از SDA، نتایج مناسبی که بوسیله ی Krever (2005)ارائه شده است، در این مقاله، مورد تأیید قرار نگرفته است. اگر چه NBD مربوط به SDA بهترین سیاست را تحت TFR برابر با 90 و 95 %ایجاد کرده است، Krever (2005)) فرمولاسیون خاصی را برای استفاده از توزیع نرمال پواسون و گاما پواسون، پیشنهاد کرده است که در هیچ مقاله ی دیگری بدان اشاره نشده است. پیوستگی مربوط به مورد کنونی، ممکن است به خاطر دلایل مختلفی به خطر افتد: در حالی که SDA یک مدل بر پایه ی CSL است و از TFR مشتق شده است، تبدیل برای انجام مقایسه، ضروری است. تحقیقات دیگری باید انجام شود تا بتوان بر اساس آنها مدل های مشتق شده از TFR را تحت SDA توسعه دهد.
تحقیقات دیگر نیز برای ارزیابی کارایی مدل بوست استرپ مورد استفاده در مطالعه ی کنونی، ضروری می باشد. این مدل باید به صورت گسترده تحت آزمایش قرار گیرد.
جدول مربوط به ضمیمه
استفاده از مطالب این مقاله، با ذکر منبع راسخون، بلامانع می باشد.
این ممکن است که هزینه های بین زمان انجام سفارش هفتگی و ماهانه را با استفاده از جفت های D1×K1 ، E1×L1 ، I1×P1، H1×O1، G1×N1، F1×M1 و J1×Q1 ، مقایسه کنیم. دوباره باید گفت که در مقایسه، از یک آزمون t استفاده می شود که در این آزمون، سطح اطمینان 95 % می باشد. جدول 1 نتایج مربوط به TFR های مختلف را نشان می دهد.
ارجعیت داده های ماهانه ممکن است ایجاد شود که علت آن ارجعیت اثرات فصلی بر روی داده های هفتگی می باشد. در حقیقت، ما به این مسئله اشاره کرده ایم که متوسط فروش در هفته ی اخر هر ماه، دو برابر فروش در هفته ی اول همان ماه می باشد و این الگو، تقریبا در تمام ماه ها، تکرار می شود.
دلایل مربوط به این الگوها، در ارتباط با اثرات "انتهای ماه" بر روی اهداف فروش می باشد و موجب حصول حجم بالایی از فروش در روزهای آخر می شود. در شروع هر ماه، این فروش، افت می کند. استفاده از داده های ماهانه، این مسئله را برطرف می کند.
مدل SMA نسبت به مدل SBA
یکی دیگر از تلاش ها ب منظور کاهش در روش های جایگزین، می تواند با مقایسه ی سیاست های مشابهی انجام شود که در آنها، تنها تفاوت در مدل پیش بینی شده می باشد. جدول 2 نتایج مربوط به هزینه های پرداختی برای آزمون t می باشد.
به هر حال، نتایج متفاوت بدست آمده از این مقایسه، اجازه ی رد سایر روش های جایگزین را نمی کند.
هم پوشانی بهترین سیاست
با نگاه بر روی نتایج SKU، بسیاری از سیاست ها، دارای کارایی مشابهی هستند. تجزیه و تحلیل مربوط به همپوشانی سیاست ها، بدین منظور انجام شده است که بتوان روش های جایگزین دیگر را اصلاح نمود. با در نظر گرفتن هر SKU در هر بخش، این ممکن است تا بهترین سیاست تحت هر TFR تشخیص داده شود. بهترین سیاست ها، به صورت زیر می باشد:
اگر RFR از یک سیاست منفرد بهتر نسبت به TFR باشد، این مورد انتخاب می شود.
اگر بیش تر از یک RFR از TFR موجود، بهتر باشد، یکی از آنهاکه دارای هزینه ی کمتری است، انتخاب می شود.
اگر هیچکدام از RFR ها از TFR بهتر نباشد، یکی از آنها که دارای هزینه ی کمتری است، در نظر گرفته می شود.
اگر هیچ کدام از RFR ها بهتر از TFR نباشد، سیاست دارای RFR بهتر، انتخاب می شود.
در موردی که نتایج مشابه بود، یک سیاست به صورت رندوم، انتخاب می شود.
به دیل اینکه تعداد زیادی از نتایج معادل، ایجاد می شود، این ضروری است که تعداد دفعاتی که یک سیاست بهتر عمل کرده را اندازه گیری کنیم. رد یک سیاست که دارای نتایج همپوشانی کننده است، موجب می شود تا اتلاف های حداقلی ایجاد شود. این مسئله موجب می شود تا سیاست دیگری با همان کارایی جایگزین شود. جدول 3 نشاندهنده ی مقدار نقاط SKU است که دارای بهترین کارایی تحت TFR می باشد، در حالی که جدول 4 نشاندهنده ی میزان مناسب بودن هر سیاست می باشد. میزان مناسب بودن به عنوان تعداد SKU بدست آمده از جدول 3، در نظر گرفته می شود.
تقاضای هفتگی برای طبقه بندی 10032 SKU استفاده شده است. این کار با توجه به کارهای Syntetosetal.(2005) انجام شده است. نتایج بدست آمده در شکل 1 نشان داده شده است. بیشتر SKU ها (75.4 %) دارای زمان های رسیدن بالایی هستند اما قابلیت تغییر در اندازه در آنها پایین است و به عنوان گروه با حرکت آهسته، طبقه بندی می شوند. گروه دوم گروه ناهنجار هستند که هم دارای زمان های رسیدن بالا می باشند و هم قابلیت تغییر در اندازه را دارا می باشد. تقاضاهای آهسته و ناهنجار بیش از 88 % از کل را به خود اختصاص داده اند. به عبارت دیگر، تنها 1.3 % از SKU ها، آیتم هایی هستند که در آنها هم زمان رسیدن و هم قابلیت تغییر در اندازه ی آنها پایین است.
شکل 2 تا 5 نشان دهنده ی نتایج شبیه سازی است که برای هر گروه و هر سیاست آورده شده است.
PDA نتایج بهتری را نسبت به روش تقاضای منفرد (SDA) ایجاد می کند. این روش بوسیله ی Kreveretal.(2005) توسعه یافته است (برای تمام گروه ها به جز آیتم های آهسته تحت TFR برابر با 90 و 95).
صرفنظر از پیش بینی مدل ها، بوست استرپ برای آیتم های ناهنجار و تحت هر TFR مورد استفاده قرار می گیرد. مدل MSA تنها برای آیتم های آهسته و تحت TFR برابر با 80 استفاده می شود، در حالی که روش SBA تنهاا برای آیتم های نامنظم و همچنین آیتم های آهسته تحت TFR برابر با 95 و 99 % استفاده می شود.
صرفنظر از LTD، توزیع گاما همواره برای تخمین های SBA استفاده شده است. توزیع بی نرمال منفی (NBD) با توجه به تخمین های SMA و برای آیتم های آهسته تحت TFR برابر با 80 % انتخاب شده است. این مورد برای SDA تحت TFR برابر با 90 و 95 % انتخاب شده است. در گروه های باقیمانده، پیشنهاد استفاده از بوست استرپ می باشد.
بحث در مورد RFR ضربدر TFR
به دلیل اینکه بیشتر نتایج مربوط به RFR به TFR نمی رسد، این ضروری است که در مورد دلایل و اقدامات متقابل، صحبت کنیم. در حالت ایده آل، ما باید انتظار داشته باشیم که RFR به صورت رندوم در حوالی TFR توزیع شده است. در جهان واقعی، چندین جنبه ممکن است بر روی RFR اثرگذار باشد. این مورد به صورت زیر است:
راهنمایی مربوط به Teunter و Duncan: همانگونه که این نویسندگان گفته اند: تمام سیکل های تکمیل شدن، بوسیله ی وقوع یک تقاضا، شروع می شود. مدل های بوست استرپ و SBA می توانند به گونه ای تنظیم شوند که موجب تصحیح این اثر شود. به هر حال، این مسئله برای SMA و SDA نیز ممکن است. بنابراین، مقادیری بایاس منفی مشاهده شده است.
ضرب داده های پرت در توزیع LTD پارامتری: تمام مدل های مورد بررسی (به جز بوست استرپ) توزیع های پارامتری را برای LTD در نظر گرفته اند. در این مطالعه، پارامترهای توزیعی از سابقه ی فروش، تخمین زده شده اند. در حقیقت، تمام توزیع پارامتری زیر چیزی تخمین زده شده است که در توزیع تقاضای واقعی، مشاهده می شود.
این شگفت آور نیست که نگاه تنها بر روی نتایج RFR (جدول 6)، نشان دهنده ی این است که بوست استرپ، نتایج بهتری ارائه می دهد؛ همانگونه که در توزیع داده های واقعی در نظر گرفته شده است. بنابراین، وجود داده های پرت همچنین برخی از مشاهدات مربوط به بایاس منفی را توجیه می کند.
ما اعتقاد داریم که دلیل اصلی کارایی تضعیف شده در مورد RFR، به دلیل مقادیر زیاد داده های پرتی است که وجود دارد. بنابراین، ما برخی استراتژی ها را معرفی کردیم که یک چنین مشکلی را برطرف کند.
تشخیص قبلی تقاضای مورد انتظار و مقادیر پیش سفارش ضروری برای حمایت از آنها: اگر چه خودروسازهایی که هم اکنون مورد بررسی قرار گرفته است، دارای یک چنین پیش سفارش هایی هستند، آنها یک چنین تقاضای خاصی را در داده ها، قید نکردند. به دلیل عدم ثبت این موارد در مطالعه ی کنونی، ما یک چنین استراتژی هایی را بر روی شبیه سازی خود، اعمال نکردیم اما به محققین این مسئله را پیشنهاد می کنیم.
هم تراز کردن مشتری های خودروساز به منظور اختصاص سیاست های مربوط به جلوگیری از ایجاد پیک های ماهانه: یک پدیده که در یک چنین صنعتی مشاهده می شود، تفاوت در تقاضا در هفته ی اول هر ماه و هفته ی آخر همان ماه می باشد. این تقاضا یک پیک را در راواخر هفته تحمل می کند. به منظور انجام و نیل به این اهداف، برخی مدیران سفارش های بزرگی را وارد خط تولید می کنند و در نتیجه، تغییرات بیشتری را در تقاضا ایجاد می کنند. برای این مطالعه، متوسط تقاضا در هفته ی آخر هر ماه، دو برابر با تقاضای هفته ی اول، در نظر گرفته می شود. این مسئله توصیف می کند که چرا داده های هفتگی، در زمانی مقایسه، نباید مورد استفاده قرار گیرند.
افزایش TFR مورد استفاده برای حصول (s,Q) بالاتر از مقدار TFR واقعی : این روش به منظور تصحیح استفاده شده است: بیایید در مورد این روش صحبت کنیم. ما باید TFR را افزایش داده و مقدار آن را به حدود 80 % برسانیم. در این روش، ما باید TFR را افزایش دهیم و برخی اوقات آن را به بالاتر از 9 =0 % برسانیم تا بدین صورت برای هر SKU، متوسط RFR بزرگتر یا معادل با 90 % را بدست آوریم. RFR کل برابر با متوسط RFR در هر SKU می باشد بنابراین، یک مقدار قابل توجه ممکن است ایجاد شود. انتخاب این مسئله که چه SKU برای تصحیح ضروری است، عملی نیست زیرا نتایج قبلی نباید در آینده یکسان باشد. افزایش TFR بر روی SKU ها، می تواند هزینه های اضافی ایجاد کند.
نتیجه گیری
این مقاله یک مطالعه ی موردی بر روی مدیریت موجودی لوازم یدکی می باشد. در این مقاله، روش های مختلف را با استفاده از شبیه سازی، ارزیابی کرده است. نتایج مربوط به شبیه سازی، پیشنهادهای خوبی را برای هر گروه از SKU ها و مقادیر مختلف از TFR ((80،90، 95 و 99%) ارائه کرده است.
نتایج به این مورد اشاره دارند که پارامترهای این مدل باید به صورت ماهانه، مورد ارزیابی قرار گیرد، به جز مدل بوست استرپ که باید داده ها به صورت سالانه، ارزیابی شود. برای آیتم های پرت یا نامنظم، سیاست هایی پیشنهاد می شود که به TFR وابسته نیستند، در حالی که برای آیتم های کمتر، یک چنین پیشنهادهایی به TFR، حساس می باشند.
اگر چه عمومیت دادن تنها به این مطالعه ی موردی وابسته است، متخصصین شاغل در صنایع مشابه، می توانند از این نتایج، بهره برداری کنند. هر 6 ماه:
SKU ها را با استفاده از آخرین داده های 6 ماهه، طبقه بندی کنید.
از سیاست هایی استفاده کنید که در شکل 12 ارائه شده است.
توزیع LTD را به روز رسانی کرده و سپس (s,Q) را برای آیتم های بدست آمده از بوست استرپ، محاسبه کنید.
همچنین هر ماه،
LTD را به روزرسانی کنید و (s,Q) را برای تمام آیتم ها به جز آنهایی که از بوست استرپ بدست آمده اند، محاسبه کنید.
این ضروری است که بر روی این مطلب تمرکز کرد که داده های مربوط به تقاضا باید به صورت منفرد ثبت گردد تا اجازه ی استفاده از SDA را داشته باشیم. داده های مشابه باید به صورت داده های بسته ای تبدیل شود و بدین صورت فرایند طبقه بندی به صورت مناسب انجام شود. علاوه بر این، باید به اثر داده های پرت، توجه خاص شود و اثر آنها در نتایج را بررسی نمود. باید داده های پرت از دیتابیس، خارج شود. صرفنظر از SDA، نتایج مناسبی که بوسیله ی Krever (2005)ارائه شده است، در این مقاله، مورد تأیید قرار نگرفته است. اگر چه NBD مربوط به SDA بهترین سیاست را تحت TFR برابر با 90 و 95 %ایجاد کرده است، Krever (2005)) فرمولاسیون خاصی را برای استفاده از توزیع نرمال پواسون و گاما پواسون، پیشنهاد کرده است که در هیچ مقاله ی دیگری بدان اشاره نشده است. پیوستگی مربوط به مورد کنونی، ممکن است به خاطر دلایل مختلفی به خطر افتد: در حالی که SDA یک مدل بر پایه ی CSL است و از TFR مشتق شده است، تبدیل برای انجام مقایسه، ضروری است. تحقیقات دیگری باید انجام شود تا بتوان بر اساس آنها مدل های مشتق شده از TFR را تحت SDA توسعه دهد.
تحقیقات دیگر نیز برای ارزیابی کارایی مدل بوست استرپ مورد استفاده در مطالعه ی کنونی، ضروری می باشد. این مدل باید به صورت گسترده تحت آزمایش قرار گیرد.
جدول مربوط به ضمیمه
/ج
