Efekt byczego bicza
- Krzysztof Patla
- 14 lut 2017
- 3 minut(y) czytania
Dzięki statystycznej prognozie popytu prawie milion złotych zysku rocznie. Producent słodyczy poprawił prognozy popytu o 15% dzięki czemu dostępność produktów zwiększyła się 5% i dała więcej sprzedaży. Rotacja zapasów wzrosła o 50% i zmniejszył się kapitał zamrożony w zapasach. Lepsze prognozy poprawiły również terminowość dostaw do odbiorców oraz pozwoliły na negocjację cen zakupu dzięki przewidywalności zamówień.
Dzięki statystycznemu prognozowaniu możemy osiągać trafność prognoz ponad 75% [1], a dzięki statystycznej kontroli zapasów zapanujemy nad pozostałymi 25% niepewności, które są efektem byczego bicza, najbardziej dokuczając producentom. U producentów i u dystrybutorów w zarządzaniu zapasami najlepiej sprawdzi się tandem analityka predykcyjna w prognozowaniu plus statystyczna kontrola zapasów.
Efekt byczego bicza polega na tym, że stosunkowo niewielkie odchylenia popytu u finalnych klientów rosną znacząco w łańcuch dostaw przypominając falę po strzale z byczego bicza. Wielkość zamówień w kolejnych szczeblach łańcucha dostaw rośnie, ale nie odzwierciedla rzeczywistych zmian popytu u klientów detalicznych, lecz zawiera szereg decyzji menadżerów odnośnie zapasów [2]. John Sterman na podstawie gry piwnej sformułował przyczyny efektu byczego bicza określając je jako dążenie menadżerów do optymalizacji działań w ramach określonych pionów funkcyjnych [5].
Dzięki analityce predykcyjne poprawiamy trafność prognoz, które dają nam zapas pod ręką, kiedy pojawi się popyt i jednocześnie minimalizują ten zapas, żeby nie zamrażać kapitału. Poprawiając dostępność produktów zwiększamy sprzedaż. Trafność predykcji dodatkowo zwiększymy, jeżeli uwzględnimy akcje promocyjne, nawet dane o pogodzie. Warto walczyć o każdy punkt procentowy w trafniejszych prognozach, bo to więcej przychodów i mniej zapasów.
Dopełnieniem predykcji jest statystyczna kontrola zapasów i popytu, dzięki której szybko tłumimy wzmocnione przenoszenie popytu w postaci efektu byczego bicza. W efekcie efekt jest eliminowany, poziom zapasów pozostaje stabilny i dostępny. Powstaje nam zintegrowany system zarządzania i monitorowania popytu dostarczający rekomendacji dla optymalizacji decyzji o zapasach.
Predykcyjne prognozowanie na danych, wykorzystując aparat ekonometryczno-statystyczny, zastępuje manualne estymacje. Największą korzyść osiąga się, gdy efekty predykcji są kompleksowo wykorzystywane przez wszystkie działy firmy. Predykcja typowo stosowana jest do generowania prognoz przyszłych wartości szeregu czasowego - ciągu danych próbkowanych w określonych chwilach czasu, np. dzienna wielkość popytu, godzinowy poziom zapasów. Proces ten realizowany jest poprzez sformułowanie zadania, dobór adekwatnej metody, horyzontu - mamy prognozy krótko, średnio i długoterminowe - i sprawdzeniu dokładności wygenerowanej prognozy, co pozwala ocenić zarówno jakoś rezultatu, jak i trafność doboru metody. Pierwszym wyzwaniem jest odpowiednie przygotowanie danych do obliczeń. Dane wejściowe wymagają wstępnej analizy jakości, uzupełnienia i uspójnienia, muszą posiadać określony rozmiar historyczny. Są metody dla długich i krótkich szeregów czasowych, nawet kilkutygodniowej historii sprzedaży, na przykład w branży odzieżowej, gdzie mamy produkty na jeden sezon. W tej branży kluczem do sukcesu jest optymalny miks produktu.
W kolejnym kroku dobieramy właściwą metodę do właściwie przygotowanych danych. Nie bez znaczenia pozostaje także ustalenie maksymalnego horyzontu, na jaki ma być wykonywana prognoza. W prognozowaniu nie chodzi tylko o uzyskanie wyniku, ale przede wszystkim o możliwość optymalizacji decyzji z predykcji, więc prognoza musi mieć dużą wiarygodność. Predykcja sprawdzi się w optymalizacji zapasów, produkcji, a nawet zmniejszeniu liczby awarii.
Ciągły rozwój predykcji pozwala poprawiać jej trafność, poprzez dalsze wykorzystanie wielowariantowego prognozowania, dekompozycję danych wejściowych na składową cykliczną i trend, segmentację oraz filtrację. Modele mogą być proste i złożone, statyczne i dynamiczne, deterministyczne bądź stochastyczne. Dobieramy równania matematyczne dla konkretnego procesu w przedsiębiorstwie, problemu biznesowego. Rozwój predykcji to poprawa trafności dająca lepsze poziomy zapasów, a dopełnieniem w zarządzaniu zapasami jest statystyczna kontrola.
Bardzo duży wpływ na rozwój statystycznej kontroli procesów miał Deming, który udowodnił, że do efektywnego zarządzania jakością potrzebne jest myślenie statystyczne. W przemyśle powszechnie stosuje się statystyczną kontrolę do sprawdzania stabilności procesu produkcyjnego. W ostatnich latach naukowcy empirycznie udowodnili [4], że koncepcja statystycznej kontroli sprawdza się w mitygowaniu efektu byczego bicza wzmacniając predykcję w stabilizacji dostępności i poziomu zapasów.
Predykcja w prognozowaniu ma swoją trafność w przewidywaniu rzeczywistego popytu, w oparciu o którą podejmujemy decyzje o poziomie zapasów. Za pomocą statystycznej kontroli monitorujemy popyt i zapasy. Gdy obserwujemy odchylenie od normy, to błyskawicznie korygujemy prognozę, skutecznie zarządzając zapasami dzięki tandemowi predykcyjnego prognozowania i statystycznej kontroli.
Prawie 100 lat osiągnięć nauki w rozwoju technik statystycznej
kontroli przemysł wykorzystuje do redukcji liczby wadliwych produktów oraz zwiększania wydajności. Badając na bieżąco dane monitorujemy proces, jego zmienność, identyfikujemy problemy, a nawet przewidujemy problemy jak zagrożenie krytycznego poziomu zapasów. Odkrywamy wiedzę i zysk ukryty w danych. Analiza danych historycznych pozwala nam dodatkowo na przykład negocjować ceny z dostawcami, bo dzięki przewidywalności możemy zmienić politykę zakupową.
Do rozwiązywania problemu prognozowania naukowcy odkrywają i rozwijają coraz bardzie zaawansowane analizy predykcyjne stosując algorytmy uczenia maszynowego czy sztuczną inteligencję, żeby odkrywać wiedzę i zysk ukryty w danych.
Comments