مدیریت موجودی در شرایط عدم قطعیت تقاضا: چالش همیشگی مدیران زنجیره تامین

تصور کنید مدیر یک انبار مرکزی لوازم یدکی خودرو هستید. هر روز صدها درخواست برای قطعات مختلف دریافت می کنید. برخی قطعات پرتقاضا هستند، برخی کم تقاضا. برخی مشتریان حاضرند چند روز صبر کنند، برخی همان لحظه کالا را می خواهند. حالا تصور کنید هیچ کس نمی تواند به شما بگوید فردا دقیقا چه قطعه ای با چه مقداری درخواست خواهد شد. این دقیقا همان نقطه ای است که مدیریت موجودی از یک هنر به یک علم تبدیل می شود.

در دنیای ایده آل، تقاضا قطعی و شناخته شده است. در آن دنیا، فرمول ساده EOQ (مقدار سفارش اقتصادی) همه چیز را حل می کند. اما ما در آن دنیا زندگی نمی کنیم. در دنیای واقعی، تقاضا نوسان دارد، مشتریان غیرقابل پیش بینی هستند، و زنجیره تامین مدام در معرض شوک های بیرونی قرار دارد. یک بحران سیاسی، یک تغییر فصل، یک ترند در شبکه های اجتماعی، یا حتی یک ویدیوی ویروسی می تواند تقاضا را یک شبه چند برابر کند یا به صفر برساند.

پس سوال اصلی این است: در چنین شرایطی، چگونه باید تصمیم گرفت؟

پاسخ کوتاه: باید عدم قطعیت را بپذیریم و آن را مدل کنیم. به جای اینکه بگوییم «فردا دقیقا ۱۰۰ واحد فروش خواهیم داشت»، می گوییم «فردا به احتمال ۹۵ درصد بین ۸۰ تا ۱۲۰ واحد فروش خواهیم داشت». این تغییر نگاه، جهان مدل سازی موجودی را متحول کرده است.

مدل کلاسیک خبرفروش (Newsvendor) اولین گام جدی در این مسیر بود. تصور کنید یک خبرفروش صبح زود باید تصمیم بگیرد چند نسخه روزنامه بخرد. او نمی داند امروز چند نسخه می فروشد. اگر زیاد بخرد، روزنامه های بلااستفاده را باید دور بریزد. اگر کم بخرد، سود بالقوه را از دست می دهد. این مدل ساده اما عمیق، پایه ای برای همه مدل های بعدی شد.

در مدل خبرفروش، یک تصمیم گیرنده وجود دارد. اما در زنجیره تامین واقعی، چندین تصمیم گیرنده در سطوح مختلف وجود دارند: تامین کننده، تولیدکننده، توزیع کننده، خرده فروش. هر کدام از اینها موجودی خود را مدیریت می کند و تصمیماتشان بر هم تاثیر می گذارد. اینجا بود که مدل های چندسطحی (Multi-Echelon) متولد شدند.

در یک سیستم دو سطحی ساده، یک تامین کننده و یک خرده فروش داریم. خرده فروش با تقاضای تصادفی مشتریان مواجه است. او باید تصمیم بگیرد چه مقدار موجودی اولیه داشته باشد و در چه سطحی سفارش مجدد دهد. تامین کننده نیز باید تصمیم بگیرد چه مقدار موجودی برای پاسخگویی به سفارش های خرده فروش نگهداری کند. این تعامل دوطرفه است و به همین دلیل ساده ترین مدل های چندسطحی هم از مدل های تک سطحی پیچیده تر هستند.

برای مدل سازی چنین سیستمی، معمولا از توزیع نرمال برای تقاضا استفاده می شود. چرا نرمال؟ چون ساده است و بسیاری از پدیده های دنیای واقعی تقریبا نرمال هستند. میانگین تقاضا به ما می گوید انتظار داریم به طور متوسط چقدر بفروشیم. انحراف معیار به ما می گوید این فروش چقدر نوسان دارد. یک فروشگاه با انحراف معیار پایین، فروش قابل پیش بینی ای دارد. یک فروشگاه با انحراف معیار بالا، در نوسان دائمی است.

حالا مفهوم موجودی ایمنی (Safety Stock) وارد می شود. موجودی ایمنی موجودی اضافی ای است که برای محافظت در برابر نوسانات تقاضا نگهداری می شود. اگر تقاضا هیچ نوسانی نداشت، موجودی ایمنی صفر بود. اما چون نوسان دارد، باید موجودی اضافی نگه داریم. فرمول پایه موجودی ایمنی ساده است: یک ضریب (که به سطح سرویس مورد نظر ما بستگی دارد) ضربدر انحراف معیار تقاضا ضربدر ریشه دوم زمان تحویل.

این فرمول یک نکته کلیدی را نشان می دهد: تاثیر زمان تحویل بر موجودی ایمنی خطی نیست، بلکه ریشه دوم است. یعنی اگر زمان تحویل را از ۴ هفته به ۱ هفته کاهش دهید، موجودی ایمنی نه چهار برابر، بلکه دو برابر کاهش می یابد. این یک یافته مهم برای مدیران است: کاهش زمان تحویل موثرتر از چیزی است که شهود اولیه می گوید.

بیایید با یک مثال ملموس جلو برویم. فرض کنید یک فروشگاه اینترنتی قطعات الکترونیکی دارید. میانگین تقاضای ماهانه شما ۵۰۰ قطعه است، اما این تقاضا نوسان دارد و انحراف معیار آن ۱۰۰قطعه است. زمان تحویل از تامین کننده تا انبار شما ۲ هفته است. هزینه نگهداری هر قطعه به ازای هر ماه ۲ هزار تومان است. هزینه سفارش دهی هر بار ۵۰ هزار تومان است. و مهمتر از همه، اگر قطعه در انبار نباشد و مشتری را از دست بدهید، هزینه کمبود برای شما ۱۰ هزار تومان به ازای هر قطعه است.

با این اعداد، مقدار بهینه سفارش طبق فرمولEOQ حدود ۲۲۴ قطعه می شود. حالا برای محاسبه موجودی ایمنی، ابتدا باید سطح سرویس بهینه را پیدا کنیم. سطح سرویس نشان می دهد چند درصد مواقع می خواهیم کالا در انبار داشته باشیم. اگر هزینه کمبود بالا باشد، سطح سرویس بالا می رود. اگر هزینه نگهداری بالا باشد، سطح سرویس پایین می آید. در این مثال، سطح سرویس بهینه حدود ۹۵.۵درصد محاسبه می شود. یعنی ما می پذیریم که در ۴.۵ درصد مواقع کمبود داشته باشیم.

با این سطح سرویس، موجودی ایمنی حدود ۱۲۰ قطعه می شود. یعنی همیشه باید ۱۲۰ قطعه بیشتر از تقاضای مورد انتظار در طول زمان تحویل، موجودی داشته باشیم. تقاضای مورد انتظار در طول دو هفته حدود ۲۵۰ قطعه است (چون میانگین ماهانه ۵۰۰ است، پس هفتگی ۱۲۵ و دو هفته ۲۵۰). بنابراین سطح سفارش مجدد ما می شود ۲۵۰ به اضافه ۱۲۰، یعنی ۳۷۰ قطعه. هر وقت موجودی به ۳۷۰ رسید، باید سفارش ۲۲۴ قطعه ای بدهیم.

اما اینجا یک نکته ظریف وجود دارد. این محاسبات فرض می کنند تقاضا دقیقا نرمال است و پارامترهای آن ثابت هستند. در دنیای واقعی، این فرضیات همیشه برقرار نیست. گاهی تقاضا از توزیع دیگری پیروی می کند (مثل توزیع گاما برای محصولات با تقاضای کم و پراکنده). گاهی میانگین تقاضا خودش در طول زمان تغییر می کند (مثلا یک محصول فصلی). گاهی نوسانات تقاضا در دوره های مختلف متفاوت است. اینجاست که مدل های پیشرفته تر وارد می شوند.

تحلیل حساسیت نشان می دهد که کدام پارامترها بیشترین تاثیر را بر هزینه کل دارند. در مثال ما، اگر انحراف معیار تقاضا دو برابر شود (از ۱۰۰به ۲۰۰)، موجودی ایمنی دو برابر می شود و هزینه کل حدود ۲۰ درصد افزایش می یابد. اگر هزینه کمبود دو برابر شود، سطح سرویس بهینه بالا می رود و موجودی ایمنی حدود ۲۵ درصد افزایش می یابد، اما هزینه کل به دلیل افزایش هزینه نگهداری و کاهش کمبود، فقط ۱۰ درصد رشد می کند. جالب است که اگر زمان تحویل نصف شود (از ۲ هفته به ۱ هفته)، موجودی ایمنی حدود ۳۰ درصد کاهش می یابد و هزینه کل حدود ۸ درصد پایین می آید.

این اعداد به ما می گویند کجا باید تمرکز کنیم. اگر بخواهیم با یک تغییر سریع، بیشترین کاهش هزینه را داشته باشیم، کاهش زمان تحویل گزینه خوبی است. اما اگر زمان تحویل از کنترل ما خارج است، آن وقت باید روی کاهش نوسانات تقاضا کار کنیم. چطور؟ با پیش بینی بهتر، قراردادهای بلندمدت با مشتریان، یا تنوع بخشیدن به محصولات.

یک نکته دیگر که اغلب فراموش می شود: هزینه کمبود واقعا چقدر است؟ بسیاری از سازمان ها هزینه کمبود را فقط هزینه از دست رفتن فروش همان لحظه محاسبه می کنند. اما این اشتباه است. هزینه کمبود شامل از دست رفتن اعتبار، احتمال اینکه مشتری برای همیشه به رقیب برود، جریمه های قراردادی، و حتی فشار روانی روی کارکنان است. برخی پژوهش ها نشان می دهد هزینه واقعی کمبود می تواند ۳ تا ۵برابر هزینه مستقیم از دست رفتن فروش باشد.

مدل ارائه شده در این تحلیل، علیرغم سادگی، ابزار قدرتمندی است. یک مدیر زنجیره تامین با استفاده از این مدل می تواند به سوالات زیر پاسخ دهد:

با توجه به نوسانات تقاضا و هزینه های من، چه مقدار موجودی ایمنی باید نگه دارم؟

اگر هزینه کمبود من بالاست، چقدر باید سطح سرویسم را افزایش دهم؟

آیا کاهش زمان تحویل توجیه اقتصادی دارد؟

اگر تقاضای من نوسان بیشتری پیدا کند، هزینه من چقدر افزایش می یابد؟

اما هیچ مدلی کامل نیست. این مدل نیز محدودیت هایی دارد. فرض توزیع نرمال برای همه محصولات مناسب نیست. فرض ثابت بودن زمان تحویل در دنیای واقعی نقض می شود. مدل تنها یک کالا را در نظر می گیرد، در حالی که در عمل هزاران کالا با هم تعامل دارند. مدل فرض می کند کمبود فقط به معنای از دست رفتن فروش است، در حالی که در بسیاری از صنایع، عقب انداختن سفارش (Backorder) نیز ممکن است.

با وجود این محدودیت ها، مدل پایه (s, S) با تقاضای نرمال هنوز هم پرکاربردترین ابزار در سیستم های برنامه ریزی موجودی حرفه ای است. سادگی و شفافیت آن به مدیران اجازه می دهد درک کنند چه اتفاقی در حال رخ دادن است، نه اینکه فقط یک جعبه سیاه را بچرخانند.

برای آینده، چند جهت تحقیقاتی امیدوارکننده وجود دارد. اول، ترکیب مدل های موجودی با یادگیری ماشین برای پیش بینی پویای پارامترهای تقاضا. دوم، توسعه مدل هایی که هم کمبود از نوع از دست رفتن فروش و هم کمبود از نوع عقب انداختن سفارش را با هم در نظر بگیرند. سوم، مدل هایی که اثرات روان شناختی کمبود روی مشتریان و کارکنان را وارد محاسبات کنند.

در پایان، بیایید به مدیر انبار لوازم یدکی خودرو برگردیم. او حالا می داند که برای هر قطعه، با توجه به نوسانات تقاضا و هزینه ها، یک موجودی ایمنی متفاوت نیاز دارد. می داند که کاهش زمان تحویل از تامین کننده، حتی اگر هزینه حمل و نقل را کمی افزایش دهد، ممکن است به صرفه باشد. می داند که برای قطعات پرمصرف با نوسان کم، می تواند موجودی را پایین نگه دارد، اما برای قطعات کم مصرف با نوسان زیاد، باید موجودی ایمنی بیشتری نگه دارد. او دیگر حدس نمی زند. محاسبه می کند.

و این همان نقطه ای است که مدیریت موجودی از یک هنر به یک علم تبدیل می شود.

---