Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym 
  • Produkty
  • Jak działa AI Dature
  • Branże
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Analiza uniwersalnych wskaźników obszaru zapasów
            8 listopada 2022
            Czym jest i dokąd zmierza sztuczna inteligencja
            10 listopada 2022
            Aktualności

            Istota klasycznego modelu odnawiania zapasów opartego na przeglądzie okresowym 

            Podstawową cechą opisywanego modelu jest to, że zamówienie składane jest w określonym cyklu o stałym okresie przeglądu (ang. ROC – Re-order Cycle). Wielkość zamówienia w tym modelu jest zmienna i wyznaczana jako różnica pomiędzy pewnym, określonym poziomem zapasu, zwanym zapasam maksymalnym, a aktualnym poziomem zapasu dysponowanego [3]. Z punktu widzenia tego systemu uzupełniania zapasu, znajomość zapasu dysponowanego jest konieczna tylko w dniu zamawiania a nie po każdej transakcji magazynowej.

            Funkcjonowanie modelu obrazuje rysunek 1. 

            ZMAX – zapas maksymalny, 

            WD- wielkość dostawy, 

            LT- okres zamawiania, 

            To – cykl zamawiania. 

            Rysunek 1. Model stałego cyklu zamawiania 

            Źródło: Opracowanie własne na podstawie: [2]  

            Zapas maksymalny ustalony jest na poziomie zakładającym zaspokojenie popytu w okresie obejmującym określony cykl zamawiania i średni czas cyklu uzupełniania powiększony o zapas zabezpieczający.  Tą zależność przedstawia poniższy wzór [1, 5]: 

            gdzie: 

            PT,To – oczekiwany średni popyt w przyjętym cyklu uzupełniania zapasu 

            i cyklu przeglądu, 

            ZB – poziom zapasu zabezpieczającego. 

            Zapas zabezpieczający, odniesiony jest do okresu będącego sumą średniego czasu realizacji zamówienia oraz określonego cyklu zamawiania. Jego wielkość jest zatem relatywnie duża. Formułę wyznaczającą poziom zapasu maksymalnego można ostatecznie zapisać następująco [1, 5]: 

            gdzie: 

            PT,To – oczekiwany średni popyt w przyjętym cyklu uzupełniania zapasu 

            i cyklu przeglądu, 

            ZB – poziom zapasu zabezpieczającego. 

            Zapas zabezpieczający, odniesiony jest do okresu będącego sumą średniego czasu realizacji zamówienia oraz określonego cyklu zamawiania. Jego wielkość jest zatem relatywnie duża. Formułę wyznaczającą poziom zapasu maksymalnego można ostatecznie zapisać następująco [1, 5]: 

            gdzie: 

            PR – prognoza popytu w przyjętej prognostycznej jednostce czasu (np. tydzień), 

            T – średni zaobserwowany okres realizacji zamówień wyrażony w przyjętych okresach jednostkowych, 

            To – czas cyklu przeglądu 

            ω – współczynnik bezpieczeństwa, 

            σPT – zmienność popytu w cyklu uzupełnienia zapasu, która wyznaczana jest z następującej formuły:      

            σT – zmienność czasu cyklu uzupełnienia zapasu, 

            s – standardowy błąd prognozy popytu (jeżeli założymy, że modelem prognozowania będzie model średniej arytmetycznej to można przyjąć s=σP, gdzie σP – zmienność popytu w przyjętej jednostce czasu) 

            Wielkość zamówienia w modelu jest wielkością zmienną i obliczana jest z formuły [4]: 

            gdzie: 

            ZMAX – zapas maksymalny, 

            ZW – zapas wolny (dysponowany). 

            Wykorzystanie metody ROC (Re-order Cycle) jest bardzo często spotykane w zatowarowaniu w szeregu branży. Metoda ta jest dostępna także w systemie Dature, obok wielu innych alternatywnych podejść. System Dature wykorzystuje do wyliczenia prognozy popytu i optymalizacji zapasów uczenie maszynowe i sztuczną inteligencję co pozwala znacząco poprawić wyniki generowane tą metodą.  

            Skontaktuj się z nami, by uzyskać więcej informacji!  

            Literatura: 

            1. Cyplik P., Wykorzystanie metod sterowania zapasami – stadium przypadku, Logistyka, 2001, nr 6 
            1. Kiperska-Moroń D., Podstawy podejmowania decyzji logistycznych, wyd. III, Akademia Ekonomiczna, Katowice, 1997 
            1. Krzyżaniak S.: Podstawy zarządzania zapasami w przykładach, Wydanie III, Instytut Logistyki i Magazynowania, Poznań, 2005 
            1. Sarjusz-Wolski Z., O pewnych szczególnych przypadkach sterowania zapasami, Gospodarka Materiałowa i Logistyka 1995, nr 3 
            1. Skowronek Cz., Logistyka w przedsiębiorstwie, PWE, Warszawa, 1995 

            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
            • Z jak zrównoważony rozwój - jak sztuczna inteligencja wspiera ochronę środowiska i walkę ze zmianami klimatu? 
            • Y jako YouTube: jak sztuczna inteligencja pomaga w tworzeniu i rekomendowaniu treści wideo? 
            • X jako XAI: co to jest i dlaczego potrzebujemy wyjaśnialnej sztucznej inteligencji? 
            • W jak wirtualna rzeczywistość - jak sztuczna inteligencja tworzy i zmienia światy cyfrowe? 
            TAGI
            • #AI
            • #bullwhip-effect
            • #covid19
            • #łańcuch-dostaw
            • #NCBiR
            • #optymalizacja-zapasów
            • #out-of-stock
            • #outllier
            • #overstock
            • #prognozowanie
            • #prognozowanie-popytu
            • #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
            • #projekcja-zapasów
            • #projekcja-zapasów-w-czasie
            • #service-level-dostawcy
            • #sieci-neuronowe
            • #supplychain
            • #sztuczna-inteligencja-od-A-do-Z
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            25 sierpnia 2023

            Y jako YouTube: jak sztuczna inteligencja pomaga w tworzeniu i rekomendowaniu treści wideo? 


            PRZECZYTAJ

            YouTube, stanowiący największą globalną platformę wideo, codziennie transmituje ponad miliard godzin materiałów filmowych. W celu skutecznego zarządzania tak imponującą ilością treści, YouTube aktywnie wykorzystuje możliwości sztucznej […]

            22 sierpnia 2023

            X jako XAI: co to jest i dlaczego potrzebujemy wyjaśnialnej sztucznej inteligencji? 


            PRZECZYTAJ

            Sztuczna inteligencja (AI) znajduje coraz szersze zastosowanie w różnych sektorach, od medycyny i edukacji po biznes, bezpieczeństwo i rozrywkę. Mimo to, często pozostaje dla nas niejasne, […]

            16 sierpnia 2023

            W jak wirtualna rzeczywistość – jak sztuczna inteligencja tworzy i zmienia światy cyfrowe? 


            PRZECZYTAJ

            Wirtualną rzeczywistość (VR) definiuje się jako trójwymiarowy cyfrowy krajobraz, który umożliwia użytkownikowi swobodne poruszanie się i interakcje, angażując jeden lub więcej z pięciu zmysłów człowieka. VR […]

            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
              biuro@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
              • Facebook

              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
                        • Brak dostępnych tłumaczeń dla tej strony