Istota i znaczenia zapasu zabezpieczającego i jego implikacje z błędami prognoz popytuIstota i znaczenia zapasu zabezpieczającego i jego implikacje z błędami prognoz popytuIstota i znaczenia zapasu zabezpieczającego i jego implikacje z błędami prognoz popytuIstota i znaczenia zapasu zabezpieczającego i jego implikacje z błędami prognoz popytu
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Angielski
  • Polski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Przedziały predykcji jako kwantyfikacja prognoz z wykorzystaniem sieci neuronowej
            15 lutego 2022
            Perspektywy zastosowania sieci neuronowych LSTM i GRU w zarządzaniu łańcuchem dostaw
            17 marca 2022
            Aktualności

            Istota i znaczenia zapasu zabezpieczającego i jego implikacje z błędami prognoz popytu

            Zapas zabezpieczający jest utrzymywany dla zabezpieczenia przed zmiennością popytu (odchyleniami popytu od prognoz) oraz zmiennością czasu cyklu uzupełnienia zapasów. Właściwy poziom  zapasu bezpieczeństwa pozwala uniknąć sytuacji braku zapasu w przypadku nieoczekiwanego wzrostu popytu lub wydłużenia się cyklu dostawy [1]. Niezbędne informacje do wyznaczenia zapasu zabezpieczającego to [2]:

            1. Oszacowanie odchylenia standardowego błędu prognozy popytu w cyklu uzupełnienia zapasu sPT. Do jego wyznaczenia konieczna jest znajomość:
            • prognozy średniej wartości popytu P,
            • odchylenia standardowego błędu prognozy s,
            • oczekiwanego czasu cyklu uzupełnienia zapasu T,
            • odchylenia standardowego czasu cyklu uzupełnienia σT.
            1. Wymagany poziom obsługi, który można wyznaczyć na podstawie [2]:
            • doświadczenia,
            • danych literaturowych,
            • porównań z konkurencją,
            • określonych wymagań odbiorców,
            • rachunku optymalizacyjnego przy znajomości kosztów utrzymywania zapasu i kosztu wystąpienia braku w zapasie.
            1. Przyjęty sposób odnawiania zapasu.

            Zapas zabezpieczający, w podstawowym modelu, jest wyznaczany zgodnie z formułą [3]:

            ZB = ω • sPT

            gdzie:
            ω – współczynnik bezpieczeństwa zależny od przyjętego poziomu obsługi oraz typu rozkładu częstości występowania wielkości popytu,

            sPT – zmienność (odchylenie standardowe)  błędu prognozy popytu w cyklu uzupełnienia zapasu.

            Wartość sPT zależy od zmienności zapotrzebowania (popytu) i zmienności czasu cyklu uzupełnienia zapasu. Aby poprawnie obliczyć zapas zabezpieczający należy również wziąć pod uwagę poniższe parametry:

            1. Jeżeli mamy do czynienia ze zmiennym popytem (sP > 0) oraz stałym (powtarzalnym) czasem cyklu uzupełniania zapasu (σT=0) wówczas:

            2. Jeżeli mamy do czynienia ze stałym popytem (sP = 0) oraz zmiennym czasem cyklu uzupełniania zapasu (σT > 0) wówczas:

            3. Jeżeli popyt i czas cyklu uzupełniania zapasu są zmienne wówczas:

            Jak wynika z powyższych formuł wielkość błędu prognozy implikuje poziom zapasu zabezpieczającego. Metody prognozowania oparte na głębokich sieciach neuronowych mogą zatem wpłynąć na zmniejszenie poziomu zapasu zabezpieczającego w przypadku poprawy trafności prognoz.

            Zapas zabezpieczający należy do części nierotującej zapasu całkowitego i jest on ze wszech miar niezbędny do prawidłowego funkcjonowania gospodarki zapasami w przedsiębiorstwie. Część rotującą z kolei stanowi zapas przewidziany do zaspokojenia bieżącego zapotrzebowania. Właściwa struktura zapasu powinna obejmować część nierotującą, którą  powinien stanowić tylko i wyłącznie zapas zabezpieczający oraz część rotującą (zapas cykliczny). Jednak w wielu przypadkach zapas nierotujący obejmuje również operacyjny zapas nadmierny. Z punktu widzenia bieżących potrzeb uwzględniających uzasadnione zabezpieczenie przed większym niż przewidywano popytem lub/i przed opóźnioną dostawą nie jest on uzasadniony. Jego obecność w strukturze zapasu może tłumaczyć zakup spekulacyjny (np. wynikający z informacji o planowanym wzroście cen). W przeciwnym razie zapas nadmierny należy uznać za nieuzasadnioną inwestycję, która generuje koszty bez oczekiwanej wartości dodanej.

            Literatura:

            • Cyplik P., Zastosowanie klasycznych metod zarządzania zapasami do optymalizacji zapasów magazynowych – Case Study, LogForum, 2005, vol 1. Issue 3, no. 1
            • Krzyżaniak S.: Podstawy zarządzania zapasami w przykładach, Wydanie III, Instytut Logistyki i Magazynowania, Poznań, 2005
            • Krzyżaniak S., Cyplik P., Zapasy i magazynowanie Tom I: Zapasy – Podręcznik do kształcenia w zawodzie technik logistyk, Biblioteka Logistyka, Poznań, 2007

            Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.

            Udostępnij
            OSTATNIE WPISY
            • The essence of the classic model of inventory renewal based on the information level - the point of reordering
            • Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
            • Fuzzy systems
            • Systemy rozmyte
            • The benefits of using artificial intelligence in the supply chain
            TAGI
            • #NCBiR
            • #Program Operacyjny Inteligentny Rozwój 2014-2020
            • #Sieci Neuronowe
            • #Zapas zabezpieczający
            • Bullwhip effect
            • Koronawirus
            • Łańcuch Dostaw
            • optymalizacja zapasów
            • out-of-stock
            • Outllier
            • overstock
            • Prognozowanie
            • prognozowanie popytu
            • Projekcja zapasów
            • projekcja zapasów w czasie
            • Service Level dostawcy
            • supplychain
            • Zapas bezpieczeństwa
            • zapas sezonowy
            • zarządzanie zapasem

            Powiązane wpisy

            15 lipca 2022

            Systemy rozmyte


            PRZECZYTAJ

            W oparciu o zbiory rozmyte można zbudować rozmyty system wnioskowania. W takim systemie do modelowania implementowane są reguły rozmyte, które z kolei umożliwiają prowadzenie procesu wnioskowania rozmytego.

            15 lipca 2022

            Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw


            PRZECZYTAJ

            Według Gartnera, poziom automatyzacji w procesach łańcucha dostaw podwoi się w ciągu najbliższych pięciu lat. Jednocześnie, według najnowszych badań, globalne wydatki na platformy IIoT mają wzrosnąć […]

            15 lipca 2022

            Modelowanie niepewności za pomocą zbiorów rozmytych


            PRZECZYTAJ

            Niepewność jest obecna we wszystkich dziedzinach działalności człowieka, jest nieodłącznym elementem rzeczywistości. Oznacza to, że jakakolwiek próba opisu tej rzeczywistości powinna uwzględniać występowanie niepewności.  To właśnie w potrzebie modelowania niepewności  należy upatrywać impulsu dla rozwoju teorii zbiorów rozmytych i jej późniejszym uogólnieniom.

            Już teraz

            Zapisz się do newslettera

              Podanie danych w formularzu jest niezbędne do subskrypcji newslettera. Dane z formularza przetwarzane będą na podstawie udzielonej zgody art. 6 ust. 1 lit. a) RODO. Administratorem Twoich danych jest Smartstock Sp. z o.o. z Poznania (ul. Królowej Jadwigi 43, 61-871 Poznań, biuro@smartstock.cloud). Wszelkie informacje w zakresie przetwarzania danych podanych w formularzu oraz posiadanych uprawnieniach znajdziesz w Polityce Prywatności.


              TEL. +48 534 288 279
              info@dature.cloud

              Smartstock Sp z o.o.
              ul. Królowej Jadwigi 43
              61-871 Poznań

              Zapisz się do newslettera

              NIP: 7812000413
              REGON: 384284847
              KRS: 0000802331

              • LinkedIn

              Polityka prywatności i cookies   Regulamin aplikacji   Wsparcie techniczne   Zmiana decyzji co do cookies

              Wszelkie prawa zastrzeżone. © SMARTSTOCK Sp. z o.o.
              Polski
                        Brak wyników wyszukiwania Zobacz wszystkie wyniki
                        • Angielski
                        • Polski