Huvudmålet med optimeringsmodellen för leveranskedjan är att möta kundernas efterfrågan samtidigt som kostnaderna minimeras och vinsten maximeras, med hänsyn till alla begränsningar. Den använder avancerad analys för att balansera utbud och efterfrågan, vilket säkerställer att tillräckligt med råvaror anskaffas för tillverkning och distribution på det mest kostnadseffektiva sättet för att möta kundernas förväntningar. När jag arbetade med olika optimeringsmodeller stötte jag ofta på situationer där modellen fattade beslut om att producera artiklar även när det inte fanns någon efterfrågan, vilket resulterade i att hålla lager. Baserat på mina observationer har jag identifierat scenarier som ledde till att optimeringsmodellerna producerade och lagrade överskottslager.
Scenario 1: Komponent Lagerhållningskostnad
Lagerhållningskostnad avser de utgifter som ett företag ådrar sig för att lagra inventarier. Det är en avgörande faktor vid beslutsfattande för optimeringsmodeller. Dessa kostnader kan vara förknippade med att hålla färdigvarulager eller de komponenter som används för att producera färdiga varor. I figurerna 1.2 och 1.3 nedan kan vi observera att produktion av "FG artikel 1" kräver förbrukning av 5 komponenter. Siffrorna visar mängden komponentanvändning, aktuell lagerstatus för varje komponent och tillhörande lagerhållningskostnad. Den totala lagerhållningskostnaden för alla 5 komponenter är $9.5. När vi tar hänsyn till den färdiga produkten är produktionskostnaden för "FG artikel 1" $3, och lagerhållningskostnaden för de färdiga varorna är $4. Därför är den totala kostnaden för att producera och hålla "FG artikel 1" $7. Eftersom kostnaden för att producera och lagra en färdig vara är lägre än lagringskostnaden för komponenterna, drivs optimeringsmodeller för att producera och hålla färdigvarulagret, även när det inte finns någon efterfrågan på varorna.
Scenario 2: Minsta lagernivåer
Minsta lagernivåer avser den lägsta mängd lager som krävs för varje SKU (lagerhållningsenhet) för att möta kundernas efterfrågan. I vissa situationer kan planeraren förutse framtida efterfrågan och fastställa en lägsta lagernivå för en viss SKU. Denna begränsning påverkar sedan optimeringsmodellen för att producera den färdiga varan för att uppfylla minimikraven för lager.
Scenario 3: Efter produkt
En biprodukt skapas under tillverkningsprocessen som skapar flera produkter. Det produceras under tillverkningsprocessen av huvudprodukten. Det är "som standard" resultatet av produktionsprocessen.
Till exempel är etylen - en biprodukt från petroleumraffinaderi - en viktig ingrediens som används vid tillverkning av polystyren, polyvinylklorid (PVC) och polyetenbaserade produkter, dvs plastprodukter. Ett högt straff för att inte möta efterfrågan på en biprodukt kan resultera i produktion av en biprodukt tillsammans med huvudprodukten där vi inte ser någon efterfrågan relaterad till den.
Slutsats
Optimeringsmodeller uppvisar vissa beteenden, såsom ackumulering av lager utan efterfrågan, som kan påverkas av specifika parametrar och begränsningar. För att undvika dessa problem kan planerare använda strafffunktioner eller lätta på vissa begränsningar för att hantera dessa utmaningar effektivt. Arkievas leveransplaneringsverktyg erbjuder den nödvändiga flexibiliteten och förmågan att hantera dessa optimeringsutmaningar inom försörjningskedjan.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- ChartPrime. Höj ditt handelsspel med ChartPrime. Tillgång här.
- BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
- Källa: https://blog.arkieva.com/understand-the-factors-behind-inventory-accumulation-by-optimization-models-with-no-demand/