Lageroptimering refererer til at reducere overskydende lagerbeholdning, undgå tabt salg på grund af manglende tilgængelighed af varer på lager, veldefinerede sikkerhedslagre og genbestillingspunkter og meget mere. I denne artikel demonstrerer jeg, hvordan simulering kan bruges til at mestre udfordringerne ved lageroptimering. Et kommercielt projekteksempel fra en farmaceutisk forsyningskæde (casestudie) understreger mine udtalelser og analyser.

Udfordringer med lageroptimering i reelle verden

Overvej dette: Hvad sker der i vores kunders varehuse?

• “Jeg har for meget inventar”
• “Jeg mister salg, fordi jeg ikke har det rigtige varelager”
• “Der er ikke nok sikkerhedslager”
• “Genbestillingspunkter blev defineret for længe siden”
• “Vi har altid arbejdet med disse partistørrelser, hvorfor skulle vi ændre dem?”
• “Lagerhuset har for meget forældet inventar og forårsager for meget skrotning”
• “Min leverandørs leveringstid er meget varierende og påvirker min planlægning”

Hvis du er lager-, forsyningskæde- eller driftsleder, lyder nogle af disse udsagn bekendt for dig.

Lagerstyring og -planlægning omfatter en bred vifte af operationelle kompleksiteter dikteret af interne begrænsninger og særlige forhold i en virksomhed. Desuden er lagerstyring også dikteret af eksterne faktorer forårsaget hovedsageligt af variationer i udbud og efterspørgsel gennem hele forsyningskæden. Traditionelt er lagerpolitikker blevet defineret af analytiske modeller. Politikker plejede at være stive og bygget på præmisser, der ikke tilpasser sig op- og nedture i nutidens forsyningskæder.

Analytiske modeller og statiske formler er ikke i stand til at fange dynamikken i lagerplanlægning. Derudover tillader de ikke validering af sikkerhedslager eller lagerpolitik før deres faktiske implementering og implementering. En trial-and-error-tilgang kan dog forårsage nedetider, før en “god nok” løsning er fundet.  

Så hvad er den korrekte tilgang til dette problem?

Simulering tager højde for dynamisk lagerudvikling

En simuleringsmodel beskriver et system og de handlingsregler, som det opererer under. Dette inkluderer relevante indbyrdes afhængigheder mellem de forskellige systemelementer samt logikken i relaterede forretningsprocesser. Ydermere giver en simuleringsmodel planlæggere mulighed for at teste og eksperimentere i et risikofrit miljø, mens de fanger alle detaljer og kompleksiteter i en forsyningskæde. Sådanne kompleksiteter er forårsaget af f.eks. tilfældige eller tidsafhængige effekter og effekter, der interagerer i systemet, såsom udsving i efterspørgsel, variation i leveringstider, ændringer i partistørrelser eller ordrefrekvenser. Mange af disse effekter betragtes ikke i analytiske modeller.

Og der er flere fordele ved en dynamisk simulering:

• Ydeevneovervågning over tid
• Ingen sort boks model
• Spotlight på relevante afvejninger

Ydeevneovervågning over tid

Et simuleringsstudie modellerer lagerniveauer over tid. På den måde kan analytikere undersøge trinvise ændringer og spotte brudpunkter i planlægningen. En eksemplarisk simuleret beholdningsprojektionstidsserie kan ses i nedenstående figur.

Krav, der overstiger tilgængeligt lager, resulterer i efterslæb. Den røde kurve i ovenstående diagram viser backlog-udviklingen. Det repræsenterer utilgængelighed af det anmodede produkt på den krævede forsendelsesdato. Dette har en negativ effekt på salgsomsætning og kundetilfredshed.

Lagersimulering er ikke en sort boks

En anden fordel ved lagersimulering er, at brugeren kan se, hvorfor den optimale lagerpolitik er valgt. Desuden hjælper visualisering af lagersimuleringskørsler brugere med at forstå, hvordan lagerpolitikker er blevet defineret. I modsætning til analytiske modeller er der ingen behov for antagelser eller abstraktioner.

Lagersimulering sætter afvejninger  i søgelyset

En simuleringsmodel letter visualisering og evaluering af  afvejninger  mellem kundeserviceniveauer og lageromkostninger og giver derfor mulighed for at definere den optimale lagerinvesteringsallokering. Jeg illustrerede dette i nedenstående figur.

Ovenstående diagram sammenligner de nuværende vs. forskellige optimale politikker. Alle optimale politikker er pareto-optimale. Det vil sige, at der ikke kan opnås en forbedring af en af ​​de to præstationsindikatorer (udsolgt forhold og investeringssum) uden en forringelse af den respektive anden præstationsindikator. Resultaterne er afledt af simuleringskørsler ved hjælp af en lagersimuleringsmodel .

Simulering muliggør scenarieanalyse

En simuleringsundersøgelse kan teste lagerdrift over en bred vifte af scenarier med vidt forskellige begrænsninger (areal, volumen, vægt, arbejdskapital, kapacitetsinvestering osv.). Derudover kan nye planlægningsparametre og stokastiske processer inkluderes i lagersimuleringen. Baseret på disse overvejelser kan forretningsbeslutninger træffes baseret på “nær” virkelige driftsforhold og begrænsninger.

Eksemplariske simulationsanvendelser

Baseret på min erfaring lister jeg flere udfordringer i lagerplanlægning, som kan løses med simulering:

• Optimering af lagerpolitik:  Jeg udfordrer den nuværende politik og definerer det bedste sæt planlægningsparametre for hver SKU med styringsindikatorer, der er specifikke for din virksomheds- og serviceniveaumål. Den nye politik vil ikke være vilkårlig og vil tage højde for variabler såsom leveringstider, partistørrelser, gennemgangsperioder og omkostninger.
• Sikkerhedslagerdefinition:  Baseret på udsving i efterspørgsel, variation i leveringstider, driftsafbrydelser og branchespecifikke risici kan jeg definere passende sikkerhedslagerniveauer for hvert produkt i din virksomhed.
• Kvantificering af bedre prognoser:  Mere robuste prognoser har stor indflydelse gennem hele forsyningskæden. Forbedrede prognoser reducerer driftsusikkerheden og krævede derfor sikkerhedslager. En simuleringsbaseret tilgang kan kvantificere effekten af ​​prognosenøjagtighed på lageromkostninger og serviceniveauer.

Casestudie til optimering af kommerciel bestand

En apotekskæde i Latinamerika led af lagerbeholdninger og restordrer på flere produkter samt store lagre af andre SKU’er. Dette problem opstod i alle dets distributionscentre. Lagerpolitikker, der i vid udstrækning var defineret af intuition og meget varierende efterspørgsel, førte til dårlige driftsresultater og for høje kapitalomkostninger.

På baggrund af disse begrænsninger og udfordringer arbejdede vi sammen med virksomheden og definerede en optimal lagerpolitik for dets færdige produkter. Dette gjorde det muligt for apotekskæden at opnå de målrettede udsolgte niveauer, samtidig med at den var i stand til at reducere arbejdskapitalen. 

Efter at have modelleret virksomhedens MRP med dets lagerpolitikker og simuleret distributionsoperationer med forskellige planlægningsparametre, udviklede vi adskillige scenarier, der reducerede lageromkostninger og lagerudfald. Det valgte scenarie genererede besparelser på 0,8 mio. USD i lagerinvesteringer og reducerede lager-out-indikatoren med 3,8 %.

Oswaldo Almonacid

Hej! Mit navn er Oswaldo Almonacid. Jeg er redaktør med ansvar for Latinamerika.

Jeg er en supply chain konsulent med særlig interesse anvendelsen af analytics-baserede løsninger. Jeg hjælper mine kunder med at opnå en overlegen supply chain performance. I øjeblikket har jeg som projektleder hos Black Andes Analytics engageret mig i projekter indenfor optimeret lagerstyring, efterspørgselsprognoser og driftssynlighed i sundhedspleje-, kosmetik-, olie- og gas- og CPG-industrien. Jeg har deltaget i projekter i USA og Latinamerika.

Jeg har en kandidatgrad i Supply Chain Management fra Massachusetts Institute of Technology (MIT).