Точка перезаказа (Цепочка поставок)

learn menu
Автор: Жоаннес Верморель, последнее обновление: апрель 2012 года

Точка перезаказа - это уровень запасов SKU, который сигнализирует о необходимости заказа пополнения. Точка перезаказа классически рассматривается как сумма потребности во время поставки плюс резервный запас. На более фундаментальном уровне точка перезаказа является квантильным прогнозом будущего спроса. Расчет оптимальной точки перезаказа обычно включает в себя срок поставки, уровень обслуживания и прогноз спроса. Основываясь на квантильном прогнозе, точка перезаказа значительно повышает качество управления запасами для большинства розничных и производственных предприятий.

Концепция, которую мы здесь описываем под названием “точка перезаказа”, также известна как ROP, уровень перезаказа или уровень срабатывания перезаказа.

Точка перезаказа является важным понятием не только для оптимизации запасов, но и для автоматизации управления запасами. Фактически, большинство ERP и программного обеспечения для управления запасами ассоциируют настройку точки перезаказа с каждым SKU, чтобы обеспечить определенную степень автоматизации управления запасами.

Квантильная оценка спроса

Малоизвестным аспектом управления запасами является то, что точка перезаказа представляет собой квантильный прогноз спроса на горизонт, равный времени выполнения заказа. Фактически, точка перезаказа представляет собой количество товара на складе, которое с вероятностью τ% (желаемый уровень обслуживания) не будет превышено спросом. Если спрос превысит этот порог, что происходит только с частотой 1-τ, то возникает дефицит товара.

Естественные и экстраполированные квантили

Модели квантильного прогнозирования сложны для написания. В результате большинство программного обеспечения для прогнозирования предоставляет только средние прогнозы. Однако, как указано выше, точки перезаказа являются в основном квантильными прогнозами спроса. Поэтому самым популярным способом обхода отсутствия естественных моделей квантилей является экстраполяция средних прогнозов в квантильные прогнозы.

Экстраполяция обычно основана на предположении, что ошибка прогноза следует нормальному распределению. Наше руководство по расчету резервных запасов подробно описывает, как простой средний прогноз может быть экстраполирован в квантильный прогноз. Однако на практике предположение о нормальном распределении ошибки является слабым. Фактически, нормальное распределение:

  • Слишком быстро сходится к нулю, гораздо быстрее, чем эмпирические распределения, наблюдаемые в розничной и производственной торговле.
  • Абсолютно гладкое, в то время как спрос происходит с целыми шагами. Негативное влияние этой гладкости наиболее сильно проявляется на прерывистом спросе.
  • Не подходит для высоких уровней обслуживания (на практике значения выше 90%). Фактически, чем дальше от медианы (50%), тем менее точным является нормальное приближение.

Правило опыта: когда предпочтительны естественные квантили

Несмотря на дополнительные вычислительные затраты, естественные квантили приносят существенные преимущества с точки зрения оптимизации запасов, когда:

  • Уровни обслуживания превышают 90%.
  • Спрос прерывистый, с продажей менее 3 единиц за период (день, неделя, месяц в зависимости от агрегации).
  • Оптовые заказы, то есть покупка одним клиентом более 1 единицы за раз, составляют более 30% объема продаж.

На практике ошибка точки перезаказа (см. раздел ниже) обычно снижается более чем на 20%, если хотя бы одно из этих трех условий выполняется. Это улучшение в основном объясняется тем, что экстраполяция, используемая для превращения среднего прогноза в квантильный, становится слабым звеном расчета.

Точность точек перезаказа с использованием функции потерь pinball

Поскольку точка перезаказа представляет собой не что иное, как квантильный прогноз, возможно оценить точность этого прогноза с помощью функции потерь pinball.

Снижение функции потерь pinball для вашего запаса возможно только с помощью лучших прогнозов (квантильных или экстраполированных). Как правило, снижение функции потерь pinball на 1% приведет к сокращению запаса безопасности на 0,5-1%, сохраняя при этом ту же частоту исчерпания запасов.

Таким образом, становится возможным сравнивать альтернативные стратегии управления запасами с текущей практикой. Если альтернативная стратегия снижает общую ошибку, это означает, что эта стратегия лучше для вашей компании.

Процесс может показаться немного запутанным, потому что мы применяем термин точность в контексте, где может не существовать прогнозов (например, если у компании нет процесса прогнозирования). Хитрость заключается в том, что целевые уровни запасов сами по себе представляют неявные квантильные прогнозы спроса. Функция потерь pinball позволяет оценить качество этих неявных прогнозов.

Скачать: reorder-point-accuracy.xlsx

Представленный выше файл Microsoft Excel демонстрирует, как оценить точность точки перезаказа с использованием функции потерь pinball. В файле присутствуют несколько столбцов ввода:

  • Название продукта: только для удобства чтения.
  • Уровень обслуживания: желаемая вероятность не исчерпания запасов.
  • Время доставки: задержка для выполнения операции пополнения запасов.
  • Точка перезаказа: порог (часто называемый Мин), который инициирует пополнение запасов. Точки перезаказа являются значениями, которые тестируются на точность.
  • День N: количество проданных единиц в этот день. Выбранная в этом файле компоновка удобна, потому что тогда становится возможным вычислить потребность в пополнении с помощью функции OFFSET в Excel (см. ниже).

Затем в файле присутствуют два столбца вывода:

  • Потребность в пополнении: представляет собой общий спрос между началом Дня 1 и концом Дня N (где N равно времени доставки, выраженному в днях). Здесь используется функция OFFSET для суммирования варьирующегося количества дней с использованием времени доставки в качестве аргумента.
  • Потеря пинбола: представляет точность точки перезаказа. Это значение зависит от потребности в пополнении, точки перезаказа и уровня обслуживания. В Excel мы используем функцию IF для различия случаев переоценки и недооценки.

Для согласованности анализа настройки ввода (точки перезаказа, уровни обслуживания и времена доставки) необходимо извлечь одновременно. Исходя из принятых в этом файле соглашений, это время может быть либо в самом конце Дня 0, либо непосредственно перед началом Дня 1. Затем эти настройки проверяются на основе данных о продажах, которые происходят после этого.

Важно: В большинстве ERP-систем исторические значения точек перезаказа, времен доставки и уровней обслуживания не сохраняются. Поэтому, если вы хотите сравнить свои точки перезаказа, вам нужно начать с создания снимка этих значений. Затем вам нужно подождать определенное время, которое охватывает большую часть времен доставки. На практике вам не нужно ждать, пока будет охвачено самое длительное время доставки. Чтобы получить значимую оценку, вы можете ограничиться временем, которое охватывает, скажем, 80% времен доставки.

Наконец, после того, как для каждого SKU будет получено значение потери пинбола, мы вычисляем сумму потерь пинбола в правом нижнем углу файла. При сравнении двух методов вычисления точек перезаказа лучшим считается метод, который дает наименьшую общую потерю пинбола.

Потеря пинбола, Вопросы/Ответы

Эта потеря пинбола выглядит подозрительно. Вы не придумали эту функцию только для того, чтобы повысить относительную производительность Lokad?

Функция потери пинбола известна уже десятилетия. Если вы согласны с гипотезой, что точка перезаказа должна быть определена как значение, которое покрывает спрос с определенной вероятностью (уровень обслуживания), то учебники по статистике указывают, что функция потери пинбола должна использоваться для оценки вашего квантильного оценщика. Ранние работы по этому вопросу датируются концом 1970-х годов, но для более новых материалов см. Koenker, Roger (2005) Quantile Regression, Cambridge University Press.

Как можно оценить качество точки перезаказа для одного SKU с помощью потери пинбола?

Вы не можете оценить качество точки перезаказа для одного SKU, глядя на одну точку во времени. Если ваш уровень обслуживания отличается от 50%, потеря пинбола имеет большую дисперсию. В результате вам нужно усреднить значения потерь по нескольким десяткам различных дат, чтобы получить надежную оценку при рассмотрении одного SKU. Однако на практике мы рекомендуем вместо этого усреднять потери по многим SKU (а не по многим датам). С набором данных, содержащим более 200 SKU, потеря пинбола обычно является достаточно стабильным индикатором, даже если вы рассматриваете только одну точку во времени для проведения сравнительного анализа.

Потеря пинбола очень сильно реагирует на очень высокие уровни обслуживания. Не приведет ли это к созданию очень больших запасов в случае очень высоких уровней обслуживания?

Реальность управления запасами заключается в том, что достижение уровня обслуживания 99,9% требует огромного количества запасов. Действительно, 99,9% означает, что вы не хотите допустить более 1 дня без товара каждые 3 года. Использование очень высокого уровня обслуживания в формуле резервного запаса не приводит к образованию массовых запасов. Однако, использование очень высокого уровня обслуживания в формуле также не приводит к эквивалентному уровню обслуживания на практике. Другими словами, вы можете ввести 99,9% в ваше программное обеспечение, но на практике ваш наблюдаемый уровень обслуживания не превысит 98%. Эта ситуация вызвана предположением о нормальном распределении спроса. Это предположение, используемое в классической формуле резервного запаса, неверно и создает ложное чувство безопасности. Квантили, однако, намного более агрессивно реагируют на высокие уровни обслуживания (т.е. большие запасы). Однако, квантили просто более точно отражают реальность. Очень высокие уровни обслуживания требуют очень больших запасов. Вы не можете достичь 100% уровня обслуживания, вам нужно идти на компромисс.

В вашем образцовом листе вы используете ежедневные данные. Что насчет использования еженедельных данных вместо них?

Если ваше время доставки длительное и может быть выражено в неделях, а не в днях, то да, вы можете использовать исторические данные, агрегированные по неделям, приближение должно быть хорошим. Однако, если ваше время доставки в среднем меньше 3 недель, то погрешность, вносимая еженедельным округлением, может быть очень значительной. В таких ситуациях вам действительно следует рассмотреть ежедневно агрегированные данные. Ежедневные данные могут усложнить обработку данных внутри листа Excel из-за их подробности. Однако, на практике потеря пинбола не предназначена для вычисления внутри листа Excel, за исключением целей доказательства концепции. Единственный аспект, который действительно имеет значение, - это подача системы оптимизации запасов ежедневными данными.

Заблуждение: точка перезаказа приводит к большим редким заказам

Ориентирование на точки перезаказа не подразумевает ничего относительно качества управления запасами. Действительно, так как точки перезаказа могут непрерывно изменяться (обычно с помощью автоматизации программного обеспечения), любая стратегия запасов может быть представлена через соответствующие значения точек перезаказа, меняющиеся со временем.

Большие и редкие заказы встречаются в компаниях, которые не обновляют свои точки перезаказа динамически. Однако, проблема не вызвана самими точками перезаказа, а отсутствием автоматизации программного обеспечения, которая регулярно обновляла бы эти точки перезаказа.

Несколько поставщиков с разными временами доставки

Количество товара на складе, которое должно быть сравнено с точкой перезаказа, обычно является суммой товара на руках и товара в пути. Действительно, при оформлении заказа необходимо предвидеть уже имеющийся товар в пути.

Ситуация может быть усложнена, если один и тот же заказ может быть передан нескольким поставщикам, поставляющим одинаковые артикулы с разными временами доставки (и, как правило, с разными ценами). В такой ситуации предзаказ, сделанный у местного поставщика, может быть доставлен раньше, чем старый предзаказ, сделанный у удаленного поставщика.

Для более точного моделирования ситуации с двумя поставщиками становится необходимым ввести вторую точку перезаказа для каждого артикула. Первая точка перезаказа запускает пополнение запасов у удаленного поставщика (предполагая, что этот поставщик дешевле, в противном случае нет смысла покупать у этого поставщика), в то время как вторая точка перезаказа запускает пополнение запасов у местного поставщика.

Поскольку у местного поставщика меньшее время доставки, вторая точка перезаказа ниже первой. Интуитивно понятно, что заказы делаются у местного поставщика только тогда, когда становится очень вероятным, что запасы будут исчерпаны и уже слишком поздно заказывать у удаленного поставщика.

Особенность Lokad

Квантильные прогнозы превосходят расчет точек перезаказа в большинстве ситуаций, встречающихся в розничной торговле и производстве. Сила этого подхода может быть наиболее просто объяснена тем, что в статистике прямые измерения превосходят косвенные измерения. Однако мы не утверждаем, что средние прогнозы бесполезны. Средние прогнозы имеют множество других применений помимо строгого расчета точки перезаказа. Например, когда речь идет о визуализации прогнозов, квантили обычно сложнее понять.