Część II – przykładowy model optymalizacji

Proste modele optymalizacyjne dotyczą zazwyczaj określenia optymalnej wielkości zamówienia i są oparte na koncepcji tzw. ekonomicznej wielkości zamówienia (economic order quantity – EOQ). Modele te mogą uwzględniać koszty braku zapasu, są jednak w tym względzie oparte na założeniu stałego, arbitralnie przyjętego poziomu obsługi (może on wynikać np. z wewnętrznych normatywów opartych na klasyfikacji ABC). Takie „jednowymiarowe” podejście nadaje się zatem do racjonalnego zarządzania zapasem cyklicznym, zwłaszcza dla pojedynczych pozycji asortymentowych. W przypadku sterowania zapasami wielu pozycji asortymentowych podejście to jest realizowane w ujęciu wartościowym (tzw. ekonomiczna wartość zamówienia).

W wielu przypadkach takie podejście nie jest jednak wystarczające, bowiem wymagany (optymalny) poziom obsługi może zależeć od kosztów ewentualnego braku zapasu i jego relacji wobec kosztów utrzymania zapasu. To prowadzi do konieczności budowy modeli kompleksowych, w których zmienne niezależne (optymalizowane) obejmują zarówno wielkość dostaw (ogólniej częstość lub liczbę dostaw w ciągu przyjętego okresu) oraz poziom obsługi (lub odpowiadający mu współczynnik bezpieczeństwa). Wielkości te oddziaływają w sposób złożony zarówno na koszty uzupełniania jak i na koszty utrzymania i braku zapasu. Przestawia to poniższy rysunek.

W przypadku, gdy tak postawione zadanie dotyczy jednej pozycji asortymentowej można pokusić się o rozwiązanie analityczne, jednak w przypadku, gdy uwzględnienia wymagają ograniczenia lub gdy dotyczy ono licznego asortymentu, niezbędne są narzędzia rozwiązujące zadanie w sposób numeryczny. Wynikiem optymalizacji jest zbiór optymalnych parametrów: wielkości (liczby zamówień)
i poziomu obsługi dla każdej rozpatrywanej pozycji asortymentowej (lub ich wydzielonych grup,
w przypadku cyklicznych zamówień wielopozycyjnych) oraz odpowiadająca tym parametrom minimalna lub maksymalna wartość przyjętej funkcji celu, przy zachowaniu nałożonych ograniczeń.

Z pomocą aplikacji Dature wykorzystasz sztuczną inteligencję i uczenie maszynowe oparte o sieci neuronowe do prognozowania popytu i optymalizacji zapasów. Dzięki czemu znacznie usprawnisz swój łańcuch dostaw. Połączenie prognozowania popytu z modułem optymalizacji zapasów Dature pozwala określić właściwe poziomy zapasów oraz generuje optymalne rekomendacje zatowarowania. Wypróbuj już teraz!

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.