Из чего состоит страховой запас? Моделируем в SG Simple на Optimacros

Подвернулась мне на днях задачка про страховые запасы. Решил проверить её через моделирование – благо накопилось достаточно моделей как в Excel, так и на платформе Optimacros.

Но начнем мы с разбора результатов опроса, который я недавно публиковал у себя в Telegram канале.

Это был незамысловатый тест про влияние разных волатильностей на величину средних запасов. Говоря про средний запас мы прекрасно понимаем, что состоит он из страхового и рабочего запаса.

Опрос был таким:

Дано:

средний спрос в день – 1000 шт.
отклонение среднедневного спроса – 30%
периодичность размещения заказа – 2 раза в месяц
срок поставки – 70 дней
отклонение срока поставки – 0.5%

Вопрос:

Что больше повлияет на средний уровень запаса для достижения заданного уровня сервиса второго рода (SL2=99%) — более волатильный спрос (60% вместо 30%) или же более волатильный срок поставки (5% вместо 0,5%)?

Варианты ответов:

Волатильность спроса сильнее повлияет на уровень запасов
Волатильность срока поставки сильнее повлияет на уровень запасов
Варианты окажут почти одинаковое влияние на величину средних запасов
Не знаю ответ, хочу посмотреть варианты

Большинство высказалась, что в данном конкретном кейсе, отклонение спроса влияет больше на средний запас, чем отклонение срока поставки. Выбрали вариант 1.

На самом деле, это не так. Почему – подробно опишу в этой статье.

Моделировать я буду с помощью SG Simple — это сильно упрощенная версия Supply Game | ПРО ЗАКУПКИ, которая превратилась в калькулятор закупщика. Разработано все, естественно, на платформе Optimacros. Ссылочку на видео с описанием данной разработки прилагаю:

Решаем задачу с помощью симулятора

Шаг 1.

Заносим наши параметры в симулятор:

вариативность спроса и срока поставки
модель закупок с регулярной периодичностью закупа
уровень сервиса первого рода

Запускаем симуляцию и анализируем результаты. Нас интересуют параметры, которые я выделил в красные прямоугольники:

1. Вариативность спроса и срока поставки соответствует заданным условиям, хотя допустимы небольшие отклонения.

2. Средний запас при заданному уровне сервиса второго рода (SL2 составил 99,2%) равен 6 025 495 рублей.

Запомнили эти данные, едем дальше.

Шаг 2

Следующим шагом — меняем волатильность спроса с 30% на 60%. Все остальное оставляем без изменений.

Наблюдаем следующие результаты:

1. Вариативность спроса чуть ниже получилась, а вариативность срока поставки — чуть выше. Как и говорил — небольшие отклонения при моделировании допустимы.

2. Средний запас при заданному уровне сервиса второго рода (SL2 составил 98,8%) равен 8 147 289 рублей.

Как видим — запас значительно вырос (с 6 до 8 млн рублей). В относительном выражении на более чем 30%.

Запомнили эти данные, едем дальше.

Шаг 3

Следующим шагом — возвращаем волатильность спроса на 30%, но меняем волатильность срока поставки с 0,5% на 5%. Все остальное оставляем без изменений.

Запускаем симуляцию и анализируем результаты.

И что же мы видим? Уровень сервиса при заданных параметрах у нас составил всего 88,7%, что никак не коррелируется с условиями задачи.

Сравнивать средний запас для разных уровней сервиса в текущей задаче некорректно.

Для получения релевантных данных — увеличиваем страховой запас путем увеличения коэффициента запаса под уровень сервиса первого рода SL1 = 92%:

Тут, наверное, стоит сделать отступление: SL1=92% это коэффициент запаса k=1,4, т.е. в страховой запас мы возьмем 1.4 сигмы, то бишь среднеквадратичных отклонения. А в базовом варианте SL1=50%, т.е. мы вообще не берем ничего в запас, коэффициент k=0.

На моих тренингах по управлению запасами мы проходим формулу определения количества сигм для обеспечения того или иного уровня сервиса первого рода (в данном случае используем формулу для 92%): = НОРМСТОБР(0,92).

Кто-то должен возгласить — Стоп! Мы же приводили все к сервису 99%! А тут — 92%.

Все верно. Мы достигаем уровня сервиса второго рода SL2=99% с помощью k=1.4, что эквивалентно уровню сервиса первого рода SL1=92% для данного конкретного случая.

Вообще, тему разных уровней сервиса я поднимал уже неоднократно. Настоятельно рекомендую проштудировать материал ниже — подавляющее большинство моих “студентов” не знают о разнице в уровнях сервиса, а это очень важно в торговле!

Т.е. для достижения требуемого уровня сервиса второго рода SL2 (тот сервис, который мы обычно используем в торговле, уровень удовлетворения спроса в денежном выражении), мы регулируем наш страховой запас с помощью коэффициента запаса k, который, в свою очередь, является характеристикой уровня сервиса первого рода SL1.

Наверное запутал всех, но материал ниже поможет разобраться. Или же жду к себе на тренинги.

Что такое уровень сервиса и с чем его едят?

Как найти баланс между уровнем сервиса и затратами

Математическая модель управления запасами в закупках SL3_v02-4snt

Возвращаемся к моделированию:

1. Вариативность спроса получалась нормативной, а вариативность срока поставки — чуть ниже заданной. Но это допустимо.

2. Средний запас при заданному уровне сервиса второго рода (SL2 составил 99,3%) равен 9 378 025 рублей.

Получив все результаты моделирования мы можем сделать вывод:
вариативность срока поставки в нашей задаче гораздо больше влияет на средние запасы для обеспечения заданного уровня сервиса, нежели чем вариативность спроса.

Средние запасы более чем на 10% будут выше.

Однако опытные менеджеры по управлению запасами знали это еще в самом начале.

Нужно просто любить математику и понять, что сравнивали мы два разных измерения: увеличение вариативности спроса на 30% и всего-лишь 4.5% увеличение вариативности срока поставки.

Только вариативность спроса 60% не такая уж большая величина.
Ведь нам нужна вариативность спроса на сроке реакции (срок поставки + интервал между заказами). Т.е. на 84 днях! А не дневная, которая дана в условиях задачи.

Ведь спрос сегодня у нас +30% от среднего, завтра -30% от среднего, послезавтра +20% и т.д. Т.е. дневная вариативность спроса внутри срока реакции будет уравновешивать друг друга в той или иной степени.

В целом, вариативность спроса на 84 днях будет никак не 60% по итогу.

Ниже два слайда из моего тренинга, объясняющие всю суть происходящего:

Т. е. сигма спроса на сроке 84 дня у нас составит:

Среднеквадратичное отклонение = 600 (60% от средних продаж в 1000 штук) х КОРЕНЬ(84) = 5 500 штук.

Средние продажи (за 84 дня) = 1 000 * 84 = 84 000 шт.

Несложно заметить, что в базовом варианте у нас средние продажи 1 000, сигма 600, а в приведенным к сроку реакции 84 000 и 5 500 соответственно.

Совершенно другая пропорция!

Переведя сигму в относительное выражение (5 500 / 84 000) — получаем всего 6,5%!

Только представьте — отклонение спроса на 84 дневном интервале у нас будет +/- 6,5% в соответствии с законами нормального распределения (при ежедневной сигме продаж 60%).

Несложно посчитать и отклонение спроса на 84 дневном интервале при ежедневной сигме спроса в 30% (первоначальный вариант). Но оставлю это вам в качестве домашнего задания.

А вот увеличение отклонения срока поставки сразу на 4,5% вынуждает нас класть в страховой запас немного больше, нежели чем для страховки от вариативности спроса.

О подобных вещах я подробно рассказываю в своих видео:

Нормирование запасов. Часть 3. Нормальное распределение.

Так же даю ссылку на раздел с материалами по математике закупок:

Математика закупок | Александр Васильев | Управление цепями поставок | Supply Game | Дзен

Не могу не поделиться одним из отзывов о моем тренинге по математике закупок:

Отзывы о бизнес-игре Supply Game Math

Статьи об управлении закупками и поставщиками, оптимизации запасов:

👉 https://alex-vasilev.ru/articles/

Надеюсь было интересно и не слишком сложно!

Рекомендую всем, кто участвует в расчете нормативов запасов: фокусируйте внимание на том, что можете изменить (в данном случае — сохранении стабильности срока поставки), потому что вы почти никак не можете повлиять на вариативность спроса (за исключением маркетинга, но мы это в своем канале стараемся не рассматривать).

В модели ниже я как раз и подчеркиваю важность управления сроками поставки для оптимизации размера страхового запаса:

Все, пора заканчивать, статья выдалась объемной.

До новых встреч!