Wskaźniki poziomu obsługi w zarządzaniu zapasami – jak je rozumieć i interpretować?Wskaźniki poziomu obsługi w zarządzaniu zapasami – jak je rozumieć i interpretować?Wskaźniki poziomu obsługi w zarządzaniu zapasami – jak je rozumieć i interpretować?Wskaźniki poziomu obsługi w zarządzaniu zapasami – jak je rozumieć i interpretować?
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Polski
    • Angielski
Polski
  • Angielski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
            29 lipca 2022
            Analiza uniwersalnych wskaźników obszaru zapasów
            8 listopada 2022
            Polecamy

            Wskaźniki poziomu obsługi w zarządzaniu zapasami – jak je rozumieć i interpretować?

            Część I – wskaźniki poziomu obsługi dla pojedynczej pozycji asortymentowej

            Określanie wymaganego poziomu obsługi z punktu widzenia zarządzania zapasami to dość powszechne działanie. Zazwyczaj przedstawia się poziom obsługi (service level) w ujęciu procentowym, np. 95%. Problem w tym, że zazwyczaj nie zastanawiamy się nad tym, co w praktyce ta miara oznacza. Zazwyczaj menadżerowie pytani o to, wskazują tę wielkość jako określającą udział zamówień zrealizowanych w 100%. A więc, jeśli w danym okresie klient złożył 100 zamówień (zazwyczaj wielopozycyjnych), to 95 z nich zostało zrealizowanych w pełni. Takie rozumienie poziomu obsługi mieści się w pojęciu wskaźnika OTIF (on time in full), gdzie za „in full” odpowiada przede wszystkim właściwe zarządzanie zapasami. Ten wskaźnik jest zupełnie oczywisty jako podstawa oceny dostawcy i może np. stanowić podstawę zapisów umownych. Warto zwrócić uwagę, że takie rozumienie poziomu obsługi będzie podstawą oceny (choć nieformalnej) supermarketu przez konsumenta, tzn. jak często dostanie on wszystko, co było na jego liście zakupów.

            Problem w tym, że tak określony poziom obsługi nie jest tożsamy z poziomem obsługi określanym dla każdej indywidualnej pozycji asortymentowej, służącym zarządzaniu jej zapasem (tzn. określaniu kiedy i w jakiej ilości składać zamówienia). Wielkości te są oczywiście ze sobą powiązane, choć dokładne zdefiniowanie takich powiązań jest bardzo trudne, a czasem wręcz niemożliwe.

            W tym artykule zajmiemy się zatem wskaźnikami poziomu obsługi odnoszonymi do pojedynczych pozycji asortymentowych. Są to:

            1. Prawdopodobieństwo Obsłużenia Popytu w cyklu uzupełnienia zapasu (POP). Ten wskaźnik jest kluczowy z punktu widzenia sterowania odnawianiem zapasu, bowiem ma bezpośredni wpływ na poziom zapasu zabezpieczającego.

            2. Stopień Ilościowej Realizacji – wyrażony procentowo ilościowy stopień obsłużenia popytu w cyklu uzupełnienia (SIR). Ten wskaźnik może być istotny z punktu widzenia szacowania strat wynikających z braku w zapasie.

            3. Poziom dostępności – prawdopodobieństwo dostępności pozycji w dowolnym momencie – w praktyce w dowolnie wybranym dniu, tygodniu (PD). Ten wskaźnik jest istotny z punktu widzenia klienta.

            Istotę tych wskaźników i zależności pomiędzy nimi można przedstawić na przykładzie w ujęciu ex post, a więc szacując ich wartości dla minionego okresu, np. roku. Tablica przedstawia dane historyczne dla 52 tygodni. Założono, że czas cyklu uzupełnienia wynosi 3 tygodnie. Przyjęto też uzasadnione założenie, że ewentualny brak w dostawie występuje w ostatnim tygodniu jego trwania.

            Obliczenie wskaźników poziomu obsługi dla minionego roku:

            1. POP – było 10 cykli uzupełnienia, z których dwa (piąty i ósmy) były obciążone brakami.

            Zatem:

            2. SIR – łączny popyt wyniósł 5 281 sztuk. Zanotowano łącznie 5 braków w zapasie.

            Stąd:

            3. PD – liczba obserwowanych okresów – 52 (tygodnie). Liczba okresów, w których wystąpiły braki – 2.

            Zatem:

            W części II zajmiemy się związkiem tych wskaźników z wielkościami zagregowanymi – w odniesieniu do całości asortymentu i do stopnia realizacji zamówień wielopozycyjnych.

            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
            • Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            • Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI
            • Quick Response jako szybka reakcja na potrzeby klienta w kontekście zarządzania zapasami
            • Optymalizacja łańcucha dostaw
            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
            • #zapas-bezpieczeństwa
            • #zapas-sezonowy
            • #zapas-zabezpieczający
            • #zarządzanie-zapasem

            Powiązane wpisy

            14 marca 2023

            Zarządzanie zapasami w branży farmaceutycznej przy zastosowaniu AI


            PRZECZYTAJ

            Część II – optymalizacja zapasów W poprzednim artykule pisaliśmy o wykorzystaniu AI (sztuczna inteligencja) i ML (uczenie maszynowe) w prognozowaniu popytu. Posiadając wyliczenia przyszłych wielkości sprzedaży […]

            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
                        • Polski
                        • Angielski