Verhindere tote Bestände durch doppelte Quantilprognosen
Der Bestand, der jeder SKU zugeordnet ist, ist eine Antizipation der Zukunft. Aus einer technischeren Sichtweise kann der Nachbestellpunkt der SKU als eine Quantilprognose betrachtet werden. Das Quantil gibt die geringste Menge an Lagerbestand an, die vor Lagerausfällen erhalten werden sollte, um eine Wahrscheinlichkeit zu erreichen, die dem Service Level entspricht.
Obwohl diese Sichtweise sehr mächtig ist, sagt sie tatsächlich nichts über das Risiko der Überbevorratung aus, also das Risiko, tote Bestände zu schaffen, da lediglich die Ausfallseite des Problems statistisch direkt angesprochen wird. Dennoch ist das Risiko der Überbevorratung wichtig, wenn Waren verderblich sind oder wenn die Nachfrage nach dem Produkt abrupt verschwinden kann – wie es bei consumer electronics der Fall ist, wenn die Nachfolgegeneration auf den Markt kommt.
Z.B.: Betrachten wir den Fall eines westlichen Einzelhändlers, der unter anderem Schneeketten verkauft. Die Lieferzeit zum Import der Ketten beträgt 3 Monate. Die Region, in der sich der Einzelhändler befindet, ist nicht sehr kalt, und nur ein Winter von fünf rechtfertigt den Einsatz von Schneeketten. Für jeden kalten Winter liegt die lokale Nachfrage nach Schneeketten bei 1.000 Sets. In diesem Zusammenhang schlagen Quantilprognosen mit einem Service Level von über 80% vor, mehr als 1.000 Sets auf Lager zu haben, um die Wahrscheinlichkeit von Lagerausfällen unter 20% zu halten. Wenn der Winter jedoch nicht kalt ist, steckt der Händler möglicherweise mit seinem unverkauften Lager an Schneeketten fest – 1.000 Sets oder mehr, möglicherweise über Jahre hinweg. Der üblicherweise durch Quantile berechnete Nachbestellpunkt konzentriert sich auf Aufwärtssituationen mit Nachfragegipfeln, sagt jedoch nichts über Abwärtssituationen aus, in denen die Nachfrage verdampft.
Doch das Risiko der Überbevorratung kann ebenfalls durch Quantile gesteuert werden, erfordert jedoch eine zweite Quantilberechnung, bei der ein anderes Set an Werten für tau (τ, nicht das Service Level) und lambda (λ, nicht die Lieferzeit) zugrunde gelegt wird.
In der üblichen Situation gilt:
R = Q(τ, λ)
Mit
- R ist der Nachbestellpunkt (eine Anzahl von Einheiten)
- Q ist das Quantilprognosemodell
- τ ist das Service Level (ein Prozentsatz)
- λ ist die Lieferzeit (eine Zahl von Tagen)
Wie am obigen Beispiel verdeutlicht, kann eine solche Nachbestellpunktberechnung zu hohen Werten führen, die das finanzielle Risiko eines Nachfragerückgangs, bei dem das Unternehmen mit toten Beständen dasteht, nicht berücksichtigen.
Um das Risiko der Überbevorratung zu handhaben, kann die Formel wie folgt angepasst werden:
R = MIN(Q(τ, λ), Q(τx, λx))
Mit
- τx ist das maximal akzeptable Risiko der Überbevorratung
- λx ist der anwendbare Zeitraum, um sich von dem Lagerbestand zu befreien
In diesem Fall wird der übliche Nachbestellpunkt durch eine alternative Quantilberechnung begrenzt.
Der Parameter τx wird verwendet, um das akzeptable Risiko der Überbevorratung widerzuspiegeln; daher wird anstelle von Werten von 90%, wie sie für übliche Service Levels verwendet werden, typischerweise ein niedriger Prozentsatz, etwa 10% oder weniger, in Betracht gezogen.
Der Parameter λx wird verwendet, um die Dauer darzustellen, die den Lagerwert gefährden würde, weil die Waren verderblich oder veraltet sind.
Z.B.: Betrachten wir den Fall eines Lebensmittelgeschäfts, das Tomaten mit einer Lieferzeit von 2 Tagen verkauft. Der Händler schätzt, dass die Tomaten innerhalb von 5 Tagen im Regal 20% ihres Marktwerts verlieren werden. Somit entscheidet der Händler, dass der Tomatenbestand ausreichend niedrig bleiben sollte, sodass die Wahrscheinlichkeit, den gesamten Tomatenbestand innerhalb von 5 Tagen nicht zu verkaufen, unter 10% liegt. Daher übernimmt der Händler die zweite Formel für den Nachbestellpunkt R mit τ=90% und λ=2 Tagen, um eine hohe Verfügbarkeit in Verbindung mit τx=10% und λx=5 Tagen sicherzustellen und so das Risiko toter Bestände unter Kontrolle zu halten.
Derzeit unterstützt Salescast standardmäßig keine doppelte Quantilberechnung, es ist jedoch möglich, denselben Effekt zu erzielen, indem zwei Durchläufe mit unterschiedlichen Lieferzeit- und Service-Level-Parametern durchgeführt werden.
